Herzlich willkommen zum AI-First-Podcast. Heute zu Gast ist Julian Geiger, der VP Artificial Intelligence bei der Nemetschek Group. Und wer das noch nicht wusste, die Nemetschek Group ist die zweitgrößte deutsche Softwarefirma die an der Börse gelistet ist nach SAP. In sehr großen Dimensionen unterwegs und jetzt auch mitten in der KI-Transformation Wo wir heute sowohl über die interne Perspektive als auch die Integration in den Produkten einiges von Julian lernen können. Und ich freue mich, dass du hier bist und dir die Zeit dafür nimmst. Julian Geiger: Vielen Dank, Felix. Ich freue mich ebenfalls, hier zu sein. Felix: Zum Start erzähl doch mal kurz, Nemetschek, Riesenunternehmen mir war das auch gar nicht so bewusst, wie groß ihr eigentlich seid. Was macht ihr genau? Julian Geiger: Ja, super spannende Frage. Also für mich ist Nemetschek eines der spannendsten Unternehmens in ganz Deutschland aktuell. Natürlich ganz unparteiisch von mir [00:01:00] gesagt. Wir sind seit über 60 Jahren mit Software für die Baubranche tätig und decken den kompletten Wertschöpfungszyklus ab. Also von Architektur angefangen bis zur Bauausführung und auch den Betrieb von Gebäuden. aufgestellt, mehrere Brands über USA und Europa verteilt. Das heißt, wir decken wirklich global gesamten Sektor ab. letzten 60 Jahre sehr stark gewachsen, auch eine sehr hohe Profitabilität, das macht uns auch im Kapitalmarkt sehr beliebt. Wir sind einer der Aufstiegskandidaten von MDAX zu DAX. Super spannende Situation aktuell. Und ich glaube, den Namen kennt man jetzt nicht so unbedingt im der Industrie sind wir aber super bekannt mit unseren Produkten. Graphisoft ArchiCAD, iPlan und Bluebeam und andere Produkte im Markt, die wirklich global Marktführer sind in den jeweiligen Bereichen. Und aktuell sind wir mitten in der Transformation, was es super spannend macht. Wir sind dabei, uns von einer Art Finanzholding in der Vergangenheit Zu einer Konzernstruktur zu wandeln, wo [00:02:00] wir übergreifend zusammenarbeiten über die ganzen Brands. Und das ist natürlich ein Kontext der die KI-Transformation noch umso spannender macht. nur dadurch, dass KI uns wirklich auch hilft, diesen Wandel zu beschleunigen durch Synergien, aber auch indem es uns den passenden Anlass zu dieser Transformation auch gibt. Felix: Du hast ja ein Background in der Strategieberatung BMW, dann bei Google gewesen. Was machst du jetzt in deiner Rolle als VP AI bei Nemetschek? Julian Geiger: Genau, also ich bringe die Erfahrung aus diesen Rollen ganz gut mit ein in zwei Themen. Einerseits Transformation. Als Softwarefirma haben wir natürlich sehr viel Potenzial KI Internet zu nutzen, um besser, schneller und auch innovativer zu werden. Dafür koordiniere und treibe ich die Roadmap für die Internetnutzung von KI. Beispielsweise in der Softwareentwicklung, wo wir uns gerade neu aufstellen mit AI-First-R&D. Auf der anderen Seite produktseitig das ist natürlich das Herzstück vom Unternehmen. Und da sind wir dabei, uns und auch unsere [00:03:00] Industrie neu zu erfinden durch KI. Also komplett einmal zu durchdenken, wie denn eigentlich die AEC-Branche Architecture, Engineering, Construction, in Zukunft aussehen muss, wenn wir diese AI-First denken. Felix: Okay, dann bin ich sehr gespannt. Also wir haben einmal die interne Perspektive und einmal die Produkt- und Kundenperspektive. Wie seid ihr denn allgemein an dieser Dieses Thema und wie habt ihr euch organisiert Julian Geiger: Also wir haben jetzt erstmal angeschaut was sind denn unsere Herausforderungen und Chancen im Konzern? Ich habe gerade eingangs erwähnt diese Transformation Richtung mehr integrierten Konzern, das ist einfach unser Kontext und im Rahmen von diesem Kontext müssen wir uns natürlich ganz neu anschauen wie wir verschiedene Business-Funktionen schneiden, ob das jetzt HR, R&D oder andere Bereiche sind. ist Sowieso im Fluss bei uns und im Rahmen dessen wollen wir uns direkt in Richtung AI-First-Organisationen entwickeln. [00:04:00] Und diese AI-First-Organisationen dafür gibt es aus meiner Sicht keinen Blueprint, den man jetzt eigentlich aus dem Regal nehmen kann und sagen kann, so ist es jetzt. Ich glaube, da ist jeder noch ein bisschen in der Findungsphase, aber wir haben uns früh gesagt, dass wir die Chance nutzen wollen und direkt eben Unsere Funktionen und Prozesse und unsere Organisationen neu denken im Rahmen dieser KI-Transformation. Wenn man sich dann anschaut bei einer Softwarefirma was sind die großen Bereiche, fällt einem natürlich sofort R&D ein und das ist auch das, was anfangs genommen haben, um damit zu starten. Und Bei Softwareentwicklung geht es uns vor allem darum, dass wir innovativer, schneller und auch effizienter werden. Ich gehe davon aus, dass wir mit KI jetzt einen neuen Zyklus sehen werden, was die Softwareentwicklung anbelangt Wir müssen massiv investieren um... Unsere Produkte neu zu gestalten und neu zu denken. Und dafür brauchen wir Kapazität. Deshalb sind wir bei R&D sehr tief eingestiegen gleich von Anfang an mit Coding Assistance, Agentic Coding, aber jetzt auch bei Product Management, um den Product Managern zu helfen, schneller voranzukommen. Und [00:05:00] so sind wir durch die einzelnen Funktionen durchgegangen und denken die von Grund auf neu mit den entsprechenden Tools, aber auch der organisatorischen Anpassung und den Prozessen. Für mich ist das immer ein Dreiklang. Felix: hast jetzt mehrfach AI-first als Begriff genutzt. Was verbirgt sich dahinter für dich und wie definierst du das? Was ist da euer Zielbild, auf das ihr hinsteuert? Julian Geiger: Genau. Es gibt aus meiner Sicht zwei verschiedene Arten KI-Tools einzuführen. Eins ist Ich nehme meine aktuellen Prozesse und Organisationen und setze KI obendrauf und mache dadurch alles zehn Prozent effizienter. Das ist gut, das hilft uns sehr viel weiter und ich glaube, so muss man auch in gewissem Maße auch anfangen. Der zweite Weg, und ich glaube, dass es das viel wertschöpfendere ist. Zu sagen, welche Schritte kann ich denn eigentlich eliminieren in den Prozessen, wie kann ich den Prozess komplett neu denken, habe ich in Zukunft auch noch zehn Schritte in diesem Prozess oder ist es nur noch eine oder zwei und da muss ich nochmal ganz [00:06:00] grundsätzlich darüber nachdenken wie ich ein Unternehmen steuere, wie ich es führe und wie die einzelnen Funktionen dann eben aussehen müssen und diese grundsätzlichen Fragen, das ist für Ein großer Teil dieser AI-first-Organisationsentwicklung, darüber nachzudenken, wie kann ich etwas grundsätzlich anders machen. Und wie das dann konkret aussieht in den einzelnen Funktionen ist wirklich sehr divers, würde ich sagen. In R&D ist die Antwort sicherlich anders als im Marketing. Es hängt immer auch davon ab, wie meine Kostenstruktur aussieht, wie meine Wertschöpfung in der jeweiligen Funktion aussieht, was davon, will ich sagen, Intern selbst machen, was kann ich vielleicht mehr über KI befähigen, was sind meine Qualitätsansprüche auch heute. Das bedingt natürlich dann auch, wie schnell ich KI-Tools einführen kann. Und da muss man sich sehr detailliert die Karten legen und dann priorisieren. Felix: Können wir das mal an einem Beispiel Also du hast jetzt von R&D gesprochen, wo ihr wahrscheinlich schon etwas weiter [00:07:00] seid, weil ihr da natürlich auch viel einen Hebel mit auslösen könnt, ich mal an. Also worauf will ich hinaus? Ich bin total bei dir, dass... Ein ich klebe das KI-Pflaster auf meine aktuellen Prozesse, Arbeitsroutinen Systeme drauf, uns nur so weit bringt, also vielleicht diese 10 Prozent, die du beschrieben hast und woanders vielleicht auch noch etwas mehr, weil die sehr stark KI-beeinflusst ist, aber der spannendere Teil ist dann tatsächlich eher in den, In dem Neudenken von Prozessen und Systemen aber auch ja x-fach komplexer diesen Wandel umzusetzen. Also weil du gesagt hast, wir müssen in ein System, in Organisation ran und so weiter. Also es ist halt komplex in der Veränderung all dieser Bausteine. ihr da vor und was hast du bisher so gelernt auf dem Weg? Julian Geiger: Genau, wenn man es bei [00:08:00] Software-AND mal anschaut, kann ich mir eigentlich die komplette Wertschöpfungskette durchdeklinieren Angefangen von Early Discovery, von was sind eigentlich unsere Kundenprobleme was sind die Herausforderungen, die wir vielleicht lösen wollen, hin zu ich baue einen Prototypen. Dann produktisiere ich das, dann launche ich das, dann messe ich Post-Production, was dann der Erfolg auch ist, wie es genutzt wird und iteriere da auf der Basis dann weiter und entwickle meine Features weiter und betreibe auch das Produkt. Wenn ich das einmal komplett durchdenke, kann ich halt schon vorne direkt ansetzen. Also wenn ich... Schaue, wie unsere Product Manager den Markt verstehen, wie sie recherchieren, wie sie Kundenmetrics nutzen, um zu verstehen, was der Kunde eigentlich braucht. Da sehe ich Riesenpotenzial bei KI. Also ganz einfach angefangen mit Perplexity, den Markt zu recherchieren, was denn Wettbewerber aktuell machen, was unsere Kunden für Probleme haben und da sagen, die PRDs schneller zu schreiben und besser zu machen, das ist ein Riesenmehrwert. [00:09:00] Wenn wir unsere Product Metrics, unsere Life Metrics aus den Produkten ansehen, was sind denn Patterns die ich vielleicht sehe in der Produktnutzung, worauf klicken die Kunden am meisten, wo entsteht vielleicht die meiste Mehrarbeit oder Rework den Produkten, das sind alles Optimierungspotenziale die Durch KI schnell erkannt werden können, wofür aber in einer Nicht-AI-First-Organisation einfach keine Kapazität da ist. Einfach zu viele Daten, die Datenflut ist zu groß. ist auf der Produktmanager-Seite extrem viel zu holen. Wenn es dann weitergeht Richtung MVP, kennt es ja selber, ich war vorher auch bei Google Product Lead tätig es darum geht, einfach sagen, neue... Ideen zu testen dauert das halt einfach und wenn ich KI nicht nutzen kann, dann Bedeutet es vielleicht einmal ein, zwei Sprints von dem gesamten Engineering-Team zu verwenden, darauf ein MVP zu bauen oder ein POC nur, den ich dann mit Kunden testen kann. Mit Vibe-Coding funktioniert das heute sozusagen in [00:10:00] zwei, drei Stunden. Also wir ermöglichen jedem unserer Product Manager eben, Super schnell solche Konzepte zu testen und dann auch intern zu sozialisieren, intern Feedback zu holen aber dann auch möglichst schnell vor den Kunden zu setzen und sagen, hey, was du davon? Was du sagen, würdest du das Thema kaufen? das relevant für dich? Oder was sind deine und Kommentare dazu? Das ermöglicht einfach... Felix: einzuhaken, hier wäre jetzt eben auch eine entscheidende Prozessanpassung notwendig denn wenn ich auf einmal in viel kürzerer Zeit einen Prototypen der gedemod werden kann... kann und den zum Kunden bringen kann, aber noch meinen alten Prozess durchlaufe, wo dann vielleicht noch drei weitere Tore notwendig sind, bevor man das mal einem Kunden zeigen kann, dann hat man in dem Fall nur einen Bruchteil des Mehrwerts realisieren können. Julian Geiger: Richtig, genau. Diese Ideal-to-Validation, das geht jetzt massiv schneller. Und das ist nur ein Beispiel. Und wenn ich dann früher, wir, mein Product-Requirement-Doc hatte, da war das noch meistens nicht validiert. ersten [00:11:00] Stand habe dann auch schon das Engineering-Team mit einbezogen, gab es große Tech-Architecture-Diskussionen und so weiter. Das alles kann man sich jetzt, Relativ gut sparen, indem ich diese Early Validation habe mit einem Prototypen, den ich den Kunden auch vorführen kann oder auch intern zumindest. ich glaube, dadurch spart man sich extrem viel von diesem Downstream-Workload. Dann geht es eben weiter. Ich habe den Prototypen idealerweise würde ich den Prototypen nicht nur wegwerfen, sondern Das ist aktuell vielleicht noch nicht ganz der Fall aber in Zukunft vielleicht diesen Prototypen dann auch von einem MVP direkt weiterentwickeln in einen Production MVP, den ich dann auch tatsächlich bei Kunden installieren und nutzen kann. Das, gesagt, ist heute vielleicht noch nicht der Fall mit den Webcoding-Tools da kommt noch nicht, sagen, Production-Grade-Code dabei raus und ist noch ein bisschen relativ wichtig Diesen Code so weiterzuentwickeln. Da wird noch immer sehr viel weggeschmissen aber das sehe ich in Zukunft Stück für Stück werden. Und daraus leitet sich dann weiter natürlich dann die gesamte Produktentwicklungsorganisation ab, die ich da hinterschalten [00:12:00] kann. Felix: Und wie geht ihr da vor? Nehmt ihr euch zuerst den gesamten Prozess, zerlegt den in seine Einzelteile, guckt wo gibt es KI-Potenziale, bewertet das und setzt euch dann ans Whiteboard und schaut, wie könnte man jetzt diesen Prozess mit den zur Verfügung stehenden Möglichkeiten nochmal ganz neu denken? Oder ist das eher ein iterativer Prozess, wo ihr am Anfang anfangt und dann weitermacht? vor Julian Geiger: Ja es... Felix: da dein ich bin immer sehr gut, ganz viele Fragen auf einmal zu stellen, aber sie müssen raus, wie arbeitet dann euer AI-Team mit den Fachteams zusammen? Julian Geiger: Ja, ich glaube, so ein bisschen von beiden. Wir machen eingangs so eine Art Top-Down-Analyse. Wir legen den Prozess mal in den groben Einzelbausteinen und überlegen, wo steckt wie viel KI-Potenzial Stand heute drin und Stand wahrscheinlich in ein bis zwei Jahren. Einfach die Felder zu priorisieren. dann gehen wir relativ schnell in iterative Prozesse Tests ja, will ich jetzt mal nennen. Wir haben zum Beispiel letztes [00:13:00] Jahr Coding Assistance eingeführt. Da war uns klar, das wird was bringen, da braucht man nicht viel überlegen. Haben den Rollout intensiv begleitet Trainings gemacht und so weiter und ziehen jetzt praktisch die Adoption. Haben auch extrem viel daraus gelernt. Also jede Firma ist immer so ein bisschen Ja case of one. Wir haben teilweise sehr viel Legacy-Code. Da gab es auch viele Learnings was Coding Assistants in dem Umfeld bewegen können und wie man die aufsetzen muss. Diese Learnings hätten wir wahrscheinlich nicht gehabt, wenn wir am Whiteboard geblieben wären. Also diese Schnelligkeit in der Umsetzung ist für uns extrem wichtig. wir dann mit den Fachbereichen zusammenarbeiten, das ist bei uns auch spannend aufgestellt. Wir haben ein relativ schlankes zentrales Team, über die gesamte Gruppenstruktur hinweg arbeitet. Und dann haben wir Ressourcen in den einzelnen Bereichen, die wir mit aussteuern und mit denen wir eng zusammenarbeiten. Wir haben uns dazu grundsätzlich angeschaut welche Aufgaben in KI-Product und Transformation eben anfallen und diese [00:14:00] dann sozusagen auf so Matrix gelegt, Koordinationsbenefits versus nötiges Domänenwissen und dann kann man relativ gut ableiten, welche Aufgaben zentral bleiben sollten versus in der Matrix-Organisation mit uns die Plus Produktbereichen und welche, die zentral bleiben können. Also es gibt ja viele Aufgaben, gerade zum Beispiel im deutschen Umfeld, Regulatorik und Co. Das reicht, wenn man das einmal macht und das zentral. gibt aber auch viele Aufgaben gerade auf der Produktseite, wo es darum geht, KI-Expertenwissen aus unserem Team zu verbinden mit dem Domänenwissen der einzelnen Produktbereiche, die eben extrem tief verstehen, was denn ein Architekt oder ein Ingenieur am Bau wirklich braucht. Felix: kannst du nochmal beschreiben, was ist die Rolle von der Person, die direkt, die nicht im zentralen Team angesiedelt ist, sondern in den Fachbereichen, aber mit der AI-Kompetenz? Julian Geiger: Genau, so kann man sich als Matrix-Organisation vorstellen. Die Personen in den Brands in den Produktbereichen, die sind natürlich verantwortlich [00:15:00] für ihr Produkt, für ihre Brand und das ist dann der Hauptfokus Die werden aber von uns mitgesteuert zentral, das heißt, wir haben diesen Überlapp aus KI-Wissen, das vor allem aus dem zentralen Team kommt, KI-Strategie, und Co., aber auch dieses Domänwissen, was ich dann in dieser einen Person oder in diesen Personen schneide, die dann dezentral sitzen. Felix: bleiben mal noch in der internen Perspektive. anderes Thema, was wir jetzt schon angeschnitten haben, wo ich noch mal etwas tiefer reingehen möchte, ist diese, wie stelle ich mich vom Tool oder Tech-Stack her auf? Und das ist ja eine typische Make-or-Buy-Situation Abwägung die man hier machen muss das jetzt schon von perplexity gesprochen von coding ist es uns gesprochen es gab ja in den letzten jahren so unterschiedliche ansätze viele auch gerade unternehmen in eurer größe haben angefangen sich ihre eigenen plattformen company gps was weiß ich was zu bauen auf der anderen seite ist eine [00:16:00] unfassbare entspricht geschwindigkeit entstanden nicht nur bei den labs die die Immer stärker auch ihre Enterprise-Produkte haben, aber auch diverse Startups, die Enterprise-Ready-Lösungen an den Start gebracht haben, die jetzt ausgerollt werden in Unternehmen, wo man diversen Language-Models für Coding anderer Use Cases, Agenten-Workflows, alles Mögliche drauf bauen kann. habt ihr euch da aufgestellt und warum? Ja. Julian Geiger: Super spannende Frage und ich mache mich jetzt vielleicht unbeliebt bei manchen Zuhörern. Ich habe das in der Vergangenheit schon öfters gesehen bei Google, aber auch bei BCG und anderen Stationen Es gibt so ein bisschen so einen Default-Drang von Unternehmen Alles selbst zu bauen. Gerade bei größeren Unternehmen gibt es natürlich so eine Art Momentum aus rein den internen Teams, die gerne einfach selber bauen. Kann sinnvoll sein, aber ich bin immer ein bisschen vorsichtig bei diesem Special Snowflake-Syndrom, was viele Unternehmen glauben zu haben. Also jedes Unternehmen ist [00:17:00] einzigartig das stimmt, aber ich habe drei Probleme mit diesem Ich-will-alles-intern-bauen. Erstens Unternehmensführungssicht Möchte ich natürlich mein Unternehmen vor allem auf die wertschöpfenden und differenzierenden Kerntätigkeiten fokussieren. Und nur weil ich es könnte, bedeutet das nicht, dass ich es auch machen sollte, solche Themen selber zu bauen. Das zweite Thema, was ich sehe, die meisten Unternehmen haben wirklich nicht die Kapazität und vor allem auch nicht die Kompetenz Etwas zu bauen, was so gut ist, ich es extern bekommen kann. Themen wie Perplexity oder Chat-GPT selber zu bauen ist möglich, kostet aber sehr viel Kraft und ein relativ großes Team, das da auch wirklich dahinter sein muss. Und die Lösungen, die ich sehe bei den meisten Unternehmen, sind nicht auf Augenhöhe. Das muss man sich sehr bewusst machen. Und das Dritte ist, wenn ich eigene Lösungen wirklich als unbedingt nötig sehe, weil nichts anderes passt Dann ist es aus meiner Sicht auch ein Zeichen. Und eigene Lösungen zementieren aus meiner Sicht oft schlechte [00:18:00] Prozesse, indem ich genau die Tools, die ich baue, auf diese Prozesse zuschneide. Wenn ich für meine Prozesse und Aufgaben keine marktüblichen Tools finden kann, dann sollte es zumindest mal ein Zeichen sein, mich selbst zu hinterfragen, ob meine Prozesse vielleicht angepasst werden sollten. Das kann gut sein, dass es nötig ist. Ich will das gar nicht ausschließen. Aber es sollte zumindest mal die Frage aufwerfen, ob ich vielleicht intern was ändern muss. Und wie wir vorhin besprochen haben, ist die Prozessanpassung in Kombination mit den Tools essentiell wichtig, um größere Effizienzen und Innovationskraft zu heben. Felix: jetzt seid ihr da mit Perplexity unterwegs? Ist das euer Chat-GBT-KI-Assistenten-Äquivalent, was ihr nutzt? Julian Geiger: Genau, das ist unser Haupt-Tool. Wir haben uns jetzt zum Ziel gesetzt, einen Katalog von Tools anzubieten. Also wird nicht nur bei Perplexity bleiben. Wir haben aber sehr gute Erfahrungen jetzt speziell mit Perplexity auch gemacht. Im [00:19:00] gesamten Unternehmen wird intensiv genutzt. Unsere Nutzer lieben es wirklich. Wird ja auch in der Kollaboration über Spaces und Co. intensiv täglich eingesetzt. Das ist richtig schön zu sehen. als 80 Prozent unserer Mitarbeiter nutzen das täglich. Das ist aus meiner Sicht ein Riesenerfolg. Und wir sehen ganz, ganz verschiedene Use Cases von Customer Support, wo das Team sich Spaces eingerichtet hat, um gängige Fragen schneller zu beantworten bis hin zu Produktstrategie, Marktrecherchen Natürlich auch das übliche wie er E-Mails formulieren und so weiter das Prozent funktioniert das ist sehr sehr gut und für mich um es ist aber kein Raum abstrahiert Prozent drüber zu sprechen Ganz wichtig, mit strategischen Wetten auf bestimmte Firmen und Tools unsere Innovationskraft zu multiplizieren. Wir hätten das natürlich auch selbst bauen können, aber es hätte sicherlich ein gut zweistelliges Team bis dreistelliges Team gebraucht um das auf dem Level wie Perplexity zu machen. Wenn überhaupt. Und wir [00:20:00] schaffen es halt hier mit solchen strategischen Tool-Wetten, unsere Innovationskraft massiv zu erhöhen und auch die Roadmaps die diese Unternehmen haben, mit reinzuholen. Für mich ist es immer schön zu sehen, Perplexity macht regelmäßig Releases, alle ein, zwei, drei Wochen kommen neue coole Features und wir können das intern praktisch dann announcen und ausrollen Das ist für uns auch ein Riesenmehrwert, ohne dass wir jetzt dafür eigene interne Ressourcen verwenden müssen. Felix: Hat Perplexity einen Enterprise-Plan? Julian Geiger: Ja richtig, ja. Den haben wir auch bei uns. Natürlich haben wir auch als größeres Enterprise hohe Anforderungen was Datensicherheit und Privacy anbelangt Deswegen haben wir perplex wie auch dieses Enterprise Agreement. Felix: Ja, spannend. Ich meine, die machen wirklich einen super Job. Man kennt es oft nur so einfache Recherchen aber dahinter verbergen sich ja doch immer mehr Funktionen wo man auch wirklich viele Use Cases standardisieren kann. Also, ja Julian Geiger: Spannend ist auch das neueste von Poplexity mit Comet als [00:21:00] AI-First-Browser. ist schon selbstintensiv getestet. Das könnte wirklich so ein neues Interface-Moment für die Zukunft werden. sieht man jetzt auch mit OpenAI und anderen, die ebenfalls ähnliche Initiativen haben. Das wird noch spannend in den nächsten Jahren. Felix Schlenther: Kurz in eigener Sache. Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung. Mit einer Fünf-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns sichtbarer zu werden und AI First weiterzuentwickeln. Für dich und die gesamte Community. Ich danke dir. Felix: ihr euch so eine Lösung oder benchmarkt ihr eure Lösung dann regelmäßig auch gegen den Markt und sagt, okay, wir überprüfen Sind wir da noch im richtigen Bus oder ist vielleicht doch eine andere Lösung mittlerweile ahead und wir müssen nochmal einen Wechsel machen oder sagt ihr da konsequent, wir haben uns jetzt dafür entschieden und wir lassen uns nicht ablenken sondern schauen eher, wie [00:22:00] kriegen wir das jetzt wirklich konsequent in unsere Prozesse, Arbeitsroutinen integriert und die Adaption innerhalb des Teams hoch, obwohl 80% tägliche Nutzung ist natürlich schon enorm zugegeben Ja. Julian Geiger: muss natürlich sagen, jeder hat so seine eigenen Präferenzen und egal welches Tool man ausrollt gibt es immer Leute, die genau das andere haben wollten. Das ist sicherlich der Fall. Ich sehe es bei AI aktuell so, dass wir die großen Player eigentlich relativ auf Augenhöhe alle sehen. Google, OpenAI und andere. Die momentane Leadership, die ändert sich natürlich, das ist so ein bisschen der Gag. Woche ist eben OpenAI vorne, die nächste Woche ist es wieder Google und dazwischen schreien alle, dass man jetzt dringend wechseln muss, weil der andere wieder den Vorsprung ausgebaut hat. Das heißt, ich versuche das natürlich schon eng zu verfolgen, welches Tool baut nachhaltige Felix: Vielen Julian Geiger: [00:23:00] Frühe Anzeichen teilweise sehen, vor allem wenn es um Ökosystem geht und andere Faktoren. Aber es ist auch eine gewisse Steady Hand nötig um nicht ständig die Tools zu wechseln Bedarf ja auch immer ein bisschen Adoptionsphase. Es gibt eine Lernkurve und ich kann diese Lernkurve nicht alle zwei, drei Monate abschneiden und wieder auf ein neues Tool wechseln. Ich glaube, die Effizienzgewinne und auch Innovationskraft, die ich durch ein Tool schaffe, Sind aktuell zumindest nicht so viel anders von anderen Tools. Das heißt, wenn ich da mehr auf die Lernkurve setze, habe ich mindestens so viele Vorteile wie ständige Toolwechsel, um beim letzten Tool dabei zu sein. Felix: Schauen wir mal in eure, die KI-Integration in euren Produkten rein. Das ist natürlich ein enorm spannendes Thema, hatten wir auch in diesem Podcast noch gar nicht so oft, weil es natürlich oft, gerade auch je nach Branche, vielleicht [00:24:00] gar nicht so viele... Offensichtliche Möglichkeiten gibt, KI auch in Produkte zu integrieren Bei euch ist das natürlich ganz anders. Ich glaube, hier wäre es am Anfang nochmal hilfreich zu verstehen, was machen denn eure Kunden aktuell mit euren Produkten? Also wofür setzen sie das genau ein? Julian Geiger: Ja, sind super vielfältig aufgestellt. Wir Produkte decken die gesamte Wertschöpfungskette der Architektur-, Engineering- und Construction-Branche ab. Fängt also beim Architekten an mit der Grobplanung vom Gebäude. Ich muss analysieren wie das Grundstück eben zu den verschiedenen Gebäudeentwürfen passt. Ich muss dann den Gebäudeentwurf machen, diesen mit dem Kunden abstimmen. Dann kommt der Ingenieur ins Spiel, macht die Detailplanung für die Gewerke und schlussendlich dann die Bauausführung. Für jede dieser Phasen gibt es dann Softwareprodukte die Persona jeweils konkret abdecken, also Produkt speziell für den Architekten, Produkt speziell für den Ingenieur, Produkt speziell für die Bauausführung und inzwischen verschiedene weitere Produkte, die die Verwaltung und andere Themen eben mit abdecken. [00:25:00] Super divers im Sinne von dem Produktportfolio die Anforderungen zwischen den Personas sind großartig Komplett andere oft. Also die Bauausführung braucht ganz andere Tools als der Architekt und der Ingenieur setzt vielleicht mehr auf die Detailtreue, während der Designer vom Gebäude eher sagen auf die kreativen Optionen eben setzt. Und für uns ist eben wichtig, Produkte auch neu zu denken, jetzt durch KI und diese neu zu erfinden. Und da gibt es auch einiges zu tun. Felix: Hat ihr hier einen sehr ähnlichen Ansatz wie in der internen Perspektive, nämlich dass ihr euch den Workflow anschaut und auseinandernehmt und AI-first denkt? Julian Geiger: Genau. Wir haben uns intensiv angeschaut was sind denn eigentlich die Jobs to be done, die in der Branche eben anfallen pro Aus meiner Sicht ist Job to be done was anderes als Workflow. Job to be done ist, Und ich brauche einen Gebäudeentwurf zum Beispiel. Der Workflow dazu hat heute ein bestimmtes Format was getrieben ist durch die Tools und die Industrie-Practices, [00:26:00] hat vielleicht heute zehn Schritte. In Zukunft ist der Workflow AI-first, aber dann vielleicht nur mit ein oder zwei Schritten dann. Und so gehen wir halt eben konkret durch die Wertschöpfungskette durch, was sind die Jobs, die in jeder dieser Phasen anfallen, schauen uns die heutigen Workflows an, überlegen, wo da die, Friction Points, die Probleme sind und überlegen uns dann, wie könnte so ein zukünftiger Workflow dann aussehen. Und das nicht nur pro Phase, sondern dann auch mal übergreifend gedacht. Ein großer Challenge in unserer Industrie ist natürlich die Koordinierung zwischen den einzelnen Gewerken, der Architekt der Ingenieur, der Bauausführer. Da ist einiges zu holen an Potenzial würde ich mal sagen. Und das wollen wir uns im Detail auch anschauen. Felix: Können wir da nochmal so ein bisschen tiefer reingehen, also wie siehst du denn, was ist denn auch hier wieder dein Zielbild oder eure Vision, wie ein Architekt Ingenieur, Designer in Zukunft mit eurer Software interagiert? Julian Geiger: Genau, ich würde mal vielleicht kurz beim [00:27:00] Ergebnis starten wenn man unsere Branche anschaut. Architektur-Engineering-Construction-Industrie hat aus meiner Sicht ein 90-40-20-Problem. 90 90 Prozent aller Projekte sind über Budget und Zeitplan, 40 Prozent aller CO2-Emissionen global kommen aus dem Gebäudesektor und 20 Prozent vom Material wird verschwendet. Ich kenne kaum eine andere Industrie in dem das akzeptabel wäre. Vorher Manufacturing gemacht bei Google Cloud zum Beispiel, das wären mit denen jeder Fabrikleiter seinen Job los wäre. der Industrie ist es aber einfach so und es läuft nicht optimal, kann man, denke ich Konstatieren. Ist klar, es ist eine sehr komplexe Industrie hat sehr komplexe Arbeitsabläufe Regulierungen, Anforderungen und sehr viele Stakeholder, die da involviert sind und das ist einfach auch der Grund, warum die Zahlen so aussehen wie sie aussehen. Ist es akzeptabel für die Zukunft? Aus meiner Sicht auf keinen Fall. Bisherige Tools, die haben innerhalb von diesem Setup optimiert und die entstandenen Arbeitsabläufe [00:28:00] wirklich verbessert Das hat auch schon sehr viel dazu beigetragen diese Probleme zu reduzieren. Ohne die Tools wäre das sicherlich noch alles viel dramatischer. Aber ich glaube, wir haben jetzt die Chance, wirklich dieses 90-40-20-Problem zu reduzieren Grundsätzlich anzugehen. Da gibt es ein paar root causes, die dieses Problem treiben und zwar eins davon ist tatsächlich die Koordinierung zwischen den Gewerken. Heute kann man sich das ziemlich als Wasserfall vorstellen. Ich habe den Architekten, der die Entwürfe macht, dann kommt der Ingenieur, dann kommt der Bauausführer, aber die sprechen jetzt nicht im Detail miteinander oder nur über vordefinierte Interfaces. Und sobald im hinteren Teil der Wertschöpfungskette eine Änderung auftritt Bedeutet das extrem viel Neuarbeit eben bei den vorderen Teilen und das zieht die Projekte eben in die Länge. Ich habe diesen iterativen Projektzyklus einfach nicht in der Industrie. Und eine Kernkompetenz oder eine Kernfähigkeit von KI ist [00:29:00] tatsächlich diese Coordination Challenge auch. Mit zu beseitigen und darüber denken wir gerade intensiv nach, wie wir das gestalten können. gleiche gilt natürlich dann auch, wenn ich mir die einzelnen Abschnitte anschaue. Wenn der Architekt die Entwürfe macht, kostet jeder Entwurf aktuell eben relativ viel Zeit. Ich muss im Detail bottom-up die Entwürfe generieren und wenn ich dann einfach durch eigenen Kreativitäts-Workflow gehe, Kostet mich jede Idee, die ich habe, eben halt mehrere Stunden oft. Und wie viele Ideen kann man dann realistisch testen? Aus meiner Sicht ist das natürlich sehr beschränkt. Und dieses, wenn man es abstrahiert sehen will, könnte man sagen, dass die Bandbreite zwischen Gehirn und Tool ist einfach nicht ausreichend Ich habe heute diese tausende Buttons ich muss sehr viel manuell konfigurieren. Immer wenn ich eine Idee habe, ist die Idee zwar schon in meinem Kopf und ich kann es visualisieren vielleicht auch schon fast greifen, [00:30:00] aber dann kostet es mich mehrere Stunden, das sagen, ins Tool zu bringen. Und dann spreche ich mit dem Kunden und der hat dann nochmal Anpassungen und alles zieht sich in die Länge. Das ist eigentlich oft ein frustrierender Prozess. Und wenn ich mir überlege, warum Unsere Kunden Architekten geworden sind, dann sicherlich nicht, um diese Buttons zu klicken und dann eben auch die Regulierung dabei noch im Kopf zu behalten und ohne Witz in Büchern nachzuschlagen, was die ISO-Normen sind und solche Themen. Leute sind Architekten geworden, um kreative Visionen zu verwirklichen Und wenn wir diese Bandbreitenprobleme zwischen kreativer Vision und ich habe es im Tool auflösen, indem ich multimodale Interfaces schaffe durch KI, wo ich eben diese superschnelle Iteration zwischen Mensch und KI und Tool habe, dann haben wir, glaube ich wirklich was verändert. Felix: Ja, also da multimodal. Ich erzähle [00:31:00] mal, wie ich mir das jetzt so vorstelle und kannst ja mal sagen, ob ich da auf dem richtigen Weg bin. Ich wäre jetzt ein Architekt und könnte mit euren Tools sprechen zum Beispiel oder Bilder oder Skizzen oder ähnliches hochladen Dahinter und könnte Befehle geben, was damit passieren soll. Dahinter liegen verschiedenste Logiken, die aber ich nicht mehr ausführen muss, sondern die von der KI und dahinter liegende Regeln ausgeführt werden, um zu meinem Ergebnis zu kommen. Und vielleicht sogar noch so Anforderungen Richtlinien, Regularien, die als Wissen hinterlegt werden und bei bestimmten Workflows direkt mit integriert werden können, ohne dass der User daran denken muss. Julian Geiger: absolut. So kann man sich das grob vorstellen. Ich glaube, was man vielleicht zusammenfassend sagen kann, heute habe ich sehr viel Bottom-up-Manual-Creation eben und in Zukunft ist es mehr Top-Down, wo ich mit der AI zusammenarbeite und dann eben schnell Ergebnisse [00:32:00] kuratiere, meinen inneren Creative Director eben nutze um mit der KI möglichst schnell zu iterieren und weiterzuentwickeln Zu einem Ergebnis zu kommen, das ich wahrscheinlich nicht geschaffen hätte, wenn ich das alles hätte manuell machen sollen. Ich glaube, so ein bisschen kann man sich das vorstellen, wenn man sich mit White-Coding befasst hat. Ich nicht ob du schon selbst aktiv bist in dem Feld. Ich selbst nutze es natürlich intensiv ja, du natürlich sowieso, ja. Ich nutze es natürlich auch selbst intensiv für Prototypen, MVPs und Co. Wenn ich mir vorstelle wie ich das früher gemacht habe, allein der Zeitaufwand hat mich mental beschränkt. Ich wusste dass jede Änderung jeder neue Prototyp jeder Test eben Extrem viel Kapazität gekostet hat, entweder mich oder mein Team oder das Engineering-Team. Und dadurch habe ich mich schon selbst zensiert sozusagen. Heute kann ich mit Vibe-Coding in einem Nachmittag fünf verschiedene Prototypen zu ganz fünf [00:33:00] verschiedenen Themen bauen, diese iterieren und eigentlich zu einem spannenden Ergebnis führen. Wenn ich mir das für die Architekturwelt vorstelle, Vibe-Architecting sozusagen, dann ... Ja, dann wird das einfach spannend und ich glaube, Architekten, mit denen ich spreche gibt es natürlich auch sehr viel Befürchtung was denn die Zukunft der Architektenrolle anbelangt Ich sehe das eigentlich eher als Befreiung und als kreativen Multiplier als ein Risiko. Das lässt sich denke ich, eins zu eins aus der Product Manager und Softwareentwicklung übertragen. Ich kann einfach viel kreativer arbeiten, ich kann viel mehr Optionen durchdenken, ich kann auch mit meinem Kunden vielleicht ganz anders arbeiten. Warum sitze ich vielleicht nicht mit dem Kunden in einem Gespräch wenn die KI live Anpassungen vornimmt? Das ist aus meiner Sicht auch ein Game Changer und da können wir uns alle, denke ich freuen auf bessere [00:34:00] Gebäudeentwürfe, kreativere Städte, lebenswertere Städte und alles, was daraus folgt Felix: Hier sind ja dann Large Language Models aber auch wahrscheinlich nur ein Baustein von ganz vielen, denn ich stelle mir vor, dass ich für so technische Zeichnungen und Und Baupläne und ähnliches ja nochmal ganz andere Fähigkeiten brauche, die Large Language Models ja so heute noch gar nicht mitbringen. Es ist ja auch eigentlich keine Bildgenerierung. funktioniert das? Ist das eine KI-Komponente oder sind das andere Features, die ihr dort integriert habt? Julian Geiger: das ist eigentlich alles noch Standentwicklung und da ist glaube ich noch sehr viel zu entdecken. Aber ich denke, wir werden eine Mischung haben aus Large-Language-Models, klassischer KI und auch vielleicht klassischen regelbasierten Workflows. Und das ist ja nicht so, dass die AZ-Branche nichts digitalisiert und automatisiert hat die letzten Jahre. Es gibt sehr viel auch regelbasierte Rule-Engines, die einfach prüfen, ob das Gebäude compliant ist, ob das [00:35:00] Gebäude baubar ist und solche Sachen. Wenn man das intelligent kombiniert mit KI-Output, kann da schon sehr viel dabei rauskommen. Was... Glaube ich, so ein bisschen der Fall sein wird, vor allem die nächsten Jahre und vielleicht auch für ganz lange Zeit ist. Ich kriege von der KI vielleicht den 80 Prozent Stand, will aber vor allem auch selbst noch die letzten 20 Prozent ändern, anpassen. Und ich glaube, da haben wir vor allem als NiveaCheck große Chancen. Wir haben ja diese klassischen Authoring-Tools schon, die erlauben Die Detailanpassungen zu machen, die dem Nutzer volle Kontrolle geben. Und wenn wir das intelligent kombinieren mit KI, die vielleicht die Arbeit macht, die 80 Prozent Arbeit, wo ich dann maximal kreativ und produktiv sein kann, ich aber noch immer die volle Kontrolle als Architekt Ingenieur und Bauausführer habe, dann ist es, glaube ich ein rundes Erlebnis.[00:36:00] Felix: Macht es jetzt eigentlich Sinn, Julian Geiger: ZDF, Felix: ganze Code-Legacy, die wir da haben... KI aufzuräumen und dort KI mit reinzubauen oder baue ich das eigentlich auf der grünen Wiese neu auf? Ihr seid ja jetzt, das war ein Startup eher, ihr irgendeines Unternehmen, ihr seid jetzt kein Startup mehr und werdet wahrscheinlich eine deutlich komplexere größere Produkte, die es schon seit längerer Zeit gibt. denkt ihr denn darüber nach, jetzt Feature für Feature reinbauen in das, was da ist oder doch parallel auf der grünen Wiese neu AI-first aufbauen? Julian Geiger: Wie immer, teils teils. haben gute Tools im Markt, ob das im Architekturbereich ist oder auch in der Bauausführung. Tools werden aus meiner Sicht Bestand haben und auch in Zukunft relevant sein. Das heißt, wir werden diese Tools auch weiterentwickeln. Was gut ist bei diesen [00:37:00] Tools, die haben... Alle APIs, die ich nutzen kann, um diese Tools auch anzusteuern. Das heißt, ich kann das ein bisschen modularisieren die zukünftige Architektur. unser AI Assistant, den wir jetzt gelauncht haben, der nutzt die Tool APIs, um mit den Tools zu interagieren. Das heißt, wir haben zwar ein AI User Interface und das auch auf einem komplett anderen Stack gebaut, einheitliche Cloud-Plattformen und alles dahinter. Aber... Interfacet praktisch mit dieser bisherigen Welt im Detail über diese APIs und so versuchen wir ein bisschen unsere Unternehmensarchitektur zu modularisieren und uns jetzt nicht sagen abhalten zu lassen von unserer 60 Jahre alten Codebase, die wir in einzelnen Produkten tatsächlich haben, das sollte und muss uns eigentlich nicht abhalten, wenn man es so modularisiert Felix: Du bist ja jetzt sehr tief drin in dem ganzen AI-Product und Engineering-Thema. würde mal von dir deine Meinung gerne hören zu [00:38:00] zu diesen ganzen Tools wie Lovable, Replit, Bolt und, und, und. Wo ja zum Beispiel der Lovable-Gründer immer sagt, ... are building the last piece of software. Also die letzte Software, mit der ich dann eigentlich alle anderen Software bauen kann. Als Monolithen für meinen spezifischen Use Case, den ich in dem Moment habe. Ich habe jetzt ein Problem und ich lasse mir einfach von dem AI Software Builder diese Software für diesen Moment bauen und dann kann ich sie auch wieder wegwerfen. Oder glaubst du, dass wir da hinkommen? Da gibt es ja sehr gespaltene Meinungen, dass wir da wirklich hinkommen, dass das so möglich sein wird. glaubst, dass wir in den nächsten Jahren dass das erstmal eine eher ferne Realität ist, dass diese Coding Agents, Vibe Coding Tools diese Qualität erreichen, um dann wirklich funktionsfähige Produkte an den Start zu bringen? Julian Geiger: Ich glaube, gerade bei Softwareentwicklung steckt extrem viel Geld und [00:39:00] Interesse dahinter, das zu automatisieren. Jede KI-Firma, Google, Open Air und andere arbeiten... Rund um die Uhr daran, Coding maximal auszubauen. Hat natürlich auch Implikationen für deren AGI-Roadmaps und andere Themen. Deswegen ist das Thema so super spannend und deswegen fließt auch so viel Geld rein. Rein von diesem Cuphead-Cycle würde ich erwarten, dass das relativ stark voranschreitet und wir immer bessere Tools bekommen. Dass wir in ein, zwei, drei Jahren dahin kommen, dass Lovable und Co. Production-Ready-Code schreiben und diesen auch dann deployen, kann ich mir für einfachere Tools vielleicht schon vorstellen. Ich glaube, für ganz einfache Beispiele ist es vielleicht heute schon der Fall. Kann ich diese dann extern hosten skalieren und bin ich da sicher, dass die Security passt und dass das alles sauber ist? Heute [00:40:00] auf gar keinen Fall. Also ich sehe jetzt eigentlich keinen strukturellen Grund, warum das für einfache Themen relevant sein sollte. Was ich aber sehe, ist tatsächlich, wenn wir über komplexere Software sprechen, ob das B2B oder B2C ist, wenn es darum geht, dass ich wissen muss, was die Software eigentlich tun soll und wie sie es tun soll. Product manager taste ich glaube darüber wird sich auch in zukunft noch software differenzieren wenn ich sage klar kann jeder kann jeder vielleicht in zukunft intern so ein einfaches tool vielleicht Bauen lassen, das kann auch gut funktionieren, aber ist es so dass es wirklich gut ist? Und ich glaube, da gibt es noch immer, sagen wir, den Faktor Mensch, wo es darum geht, ich muss wirklich erst mal verstehen, was eigentlich ein gutes CRM-Tool ausmacht, dieses dann entsprechend designen und dann, wir, auch umsetzen. [00:41:00] Ich glaube nicht, dass jeder in jedem Unternehmen das mit einem einfachen Prompt dann hinbekommt. Da ist sicherlich noch was zu tun. Und das zweite Thema ist, Bei vielen Tools gibt es auch Netzwerkeffekte, das heißt, dadurch, dass andere das Tool nutzen, habe ich auch einen Vorteil, das Tool auch zu nutzen. glaube, das ist bei einigen Industrien und auch Consumer-Produkten durchaus ein super relevantes Thema. Einfaches Beispiel, wie jeder sein Instagram macht. Felix: Vielen Julian Geiger: ein N gleich 1 Nutzer Instagram hilft keine mehr. Und da ist noch immer, sagen wir, Ein bisschen Logik dahinter, warum es Software-Companies in Zukunft weiterhin geben wird. Felix: Es gibt diesen AI 2027 Du hast gerade auch die AGI Roadmap angesprochen, die so ein Forecast [00:42:00] gebaut haben, auch ehemalige OpenAI-Mitarbeiter und andere AI-Forscher, die dort mit involviert waren. Die forecasten dass wir Ende 2027 schon an den Punkt kommen könnten, dass es eine AGI gibt, unter anderem davon getrieben, dass KIs entwickelt werden, die sich selbst optimieren können und darüber in so ein exponentielles Wachstum Wie blickst du darauf? Julian Geiger: Du hast wirklich spannende Fragen. Ich habe den Bericht natürlich mit großem Interesse gelesen als er rauskam. Super spannendes Szenario. Ich glaube, wir sind auch bisher on track mit den Projektionen. Das ist auch spannend zu sehen. Auch was bei Meta und anderen Benchmarks anbelangt was die Time Horizons für Coding Assistance anbelangt zum Beispiel wie viele Stunden an Arbeit kann ich eine KI abgeben mit 50 oder 80 Prozent Rate. Extrem spannend zu sehen. bin durchaus optimistisch was die KI-Entwicklung anbelangt Es fließt einfach so [00:43:00] unfassbar viel Geld und Talent in das Thema aktuell rein und das ist aus meiner Sicht das Rennen des Jahrtausends praktisch jetzt AGI zu lösen. ich ein bisschen ein Problem habe, ist die Definition von AGI, wir haben ja KI, die heute in vielen Bereichen Menschen massiv übertrifft andererseits in anderen Bereichen mal Grundschulniveau erreicht. Und ich glaube, wir dürfen uns nicht auf diesen AGI-Begriff so versteifen, dass wir sagen, es muss wirklich in allen Bereichen so gut sein wie ein Mensch mindestens oder besser, damit es ökonomisch nutzbar ist. Und das ist ein bisschen die implizite Unterstellung dahinter bei einigen, die das kommentieren. Ich glaube, wir haben heute auch schon, selbst wenn wir jetzt heute aufhören würden, KI komplett zu entwickeln, hätten wir wahrscheinlich zehn Jahre vor uns KI vorhanden Zu erforschen herauszufinden, wie ich KI richtig einsetze und dann meine Workflows und Tools neu zu denken. Ich glaube, da hält uns auch schon heute nichts davon ab und in Zukunft wird das AGI oder [00:44:00] ohne AGI massiv besser werden. Das heißt, es werden neue Use Cases möglich und da muss man ein Auge drauf halten, ob man es dann AGI nennt oder nicht. Ja, to be seen. Felix: Was sind gerade die Entwicklungen, Trends Strömungen im KI-Markt die du dir genauer anschaust, weil du glaubst, dass sie noch einen größeren Einfluss haben werden? Julian Geiger: Ja, Themen. Eins, was wahrscheinlich jeder deiner Gäste sagt, Agentic AI. Superspannend Ich glaube, da tut sich gerade extrem viel beim Learning, wie man Agentic AI-Systeme aufbaut, diese auch richtig nutzt und dann auch Robust macht, was Hallucination und Themen anbelangt. Da gibt es noch einiges zu tun, glaube ich, in dem Bereich, um das auch für kritischere Themen einzusetzen. Wir fangen natürlich auch an mit den Themen, die jetzt vielleicht weniger kritisch sind. Das sieht es natürlich in Softwareentwicklung schon stark im Einsatz, Customer Support und andere Themen. ich glaube, auch für die Baubranche gibt es da super spannende [00:45:00] Potenziale daraus da sind wir auch aktiv dran. Das zweite Thema, was vielleicht ein bisschen anders ist, sind die World Models. Genie 3 von Google, vor zwei, drei Wochen gesehen. Superspannendes Thema und gerade für Die Baubranche ist super spannend, weil ich halt einfach dieses physikalische Verständnis der Welt darin reflektiert sehe, das vielleicht ein klassisches LLM nicht hat. glaube, dass da sich noch einiges tun wird, was dann natürlich auch für Robotik und andere Anwendungsfelder extrem relevant ist, aber auch die, sagen, heutzutage KI-Plattformen wahrscheinlich nochmal deutlich robuster macht, was viele Use Cases in unserer realen Welt anbelangt Felix: Julian, vielen, vielen Dank. Das war, da waren ganz, ganz viele tolle Ideen auch Gedanken, für mich dabei. Abschließend möchte ich dich noch fragen, für die Unternehmen, die jetzt noch etwas früher in der Reise stehen. [00:46:00] Jetzt mit den Erfahrungen, die du in den letzten anderthalb Jahren auch davor schon sammeln konntest. sind so die wichtigsten die du mitgeben würdest für die KI-Transformation Julian Geiger: glaube, ganz wichtig ist, schnell Erfahrungen zu sammeln. Das heißt, nicht zu lange überlegen, nicht zu lange analysieren, ähm Anfang mit ein, zwei Use Cases und wenn es nur Chat-GBT oder Publicity Rollout ist für das gesamte Unternehmen, hilft einfach, um die Berührungsängste abzubauen, erste Erfahrungen zu sammeln und dann zu sehen, wie es weitergeht. Und dann, wenn es weitergeht, vor allem darauf fokussieren, nicht nur AI überall draufzusetzen, sondern Auch den Mut haben, Prozesse, Organisationen und das Unternehmen neu zu denken und auch die Produkte natürlich. Das, glaube ich, unterscheidet die zukünftigen Gewinner von den mittelmäßigen Firmen der Zukunft. Felix: Julian, vielen Dank für deine Zeit, die Einblicke und das tolle Gespräch. Julian Geiger: Danke ebenfalls, Felix.