[00:00:00] Herzlich willkommen zum AI First Podcast. Wir sprechen heute über das Thema Wissensmanagement und wie man künstliche Intelligenz nutzen kann, um das Wissen im Unternehmen besser zu verarbeiten und nutzbar zu machen. Und dafür habe ich heute Jan Markwart zu Gast, der genau dieses Thema mit seiner Firma Seif angeht. Hi Jan. Hi Felix. Schön, dass du da bist. Erzähl doch mal kurz was zu deinem Background und wie du zu dem Thema gekommen bist. Ja, gerne. Ja, Jan Marquardt, ich bin Hamburger Tech-Unternehmer schon seit 20 Jahren. Ich habe vor 15 Jahren mal eine Intranet, ein Intranet-Startup gegründet. Und Intranet ist ja so ein wesentlicher Baustein vom Wissensmanagement. Und ich glaube, früher waren die Systeme eben so gestrickt dass man... Mehr über die Hierarchie Informationen findet im Intranet und ich hatte eigentlich immer schon so diese Idee, wie geil wäre das eigentlich, wenn man im [00:01:00] Intranet einfach nur eine Frage stellt und die relevante Information bekommt und sich nicht durch den Baum irgendwie durchklicken muss oder sich manuell irgendwas raussuchen muss.   Die Internetfirma wurde übrigens da noch sehr erfolgreich und ich bin dann aber vor zwei Jahren da rausgegangen, operativ zumindest und dann kam eben Gen AI und dann war für mich klar, okay, jetzt ist die Grundlagentechnologie vorhanden um diese Vision, die ich hatte, wie Mitarbeiter viel, viel einfacher und schneller auf Informationen zugreifen können, wie das jetzt wahr werden kann und dann war eigentlich dieser Gedanke für Seif schon mal da. Ich hatte dann Anfang 23, also ziemlich kurz nachdem auch ChatGPT gelauncht wurde, so Adventure-Studio gegründet, das hieß dann German AI. Und wir hatten dann so verschiedene Projekte ausprobiert und natürlich auch immer diese Idee im Hinterkopf. Und dann, glaube ich, Mitte 23 haben wir dann die Entscheidung getroffen, dass wir da voll all-in gehen und Seif gründen, um Wissensmanagement mit KI neu zu erfinden. Ja, super [00:02:00] spannend, weil als ihr German AI gegründet hattet da war ich auch gerade in dem Gründungsprozess und hatte dann immer mal so bisschen geschaut, okay, was machen die da, in welche Richtung geht ihr und ich glaube, du hattest es noch recht breit gehalten, um dir unterschiedliche Themen anzuschauen und ja, sehr spannendes Thema, was du ja ausgesucht hast, wahrscheinlich einen riesengroßen Markt, aber da sprechen wir gleich nochmal drüber. Das Thema Enterprise Search gibt es ja aber schon deutlich länger, oder? Und ich nehme mal an, dass ihr euch das in der vorherigen Firma auch schon mal angeguckt hattet wie kann man eigentlich über eine übergreifende Suche alle möglichen Informationen, die im Internet abgelegt sind, verfügbar machen. Was hat sich jetzt in den letzten Jahren verändert, damit das deutlich besser funktioniert Geht. Vielleicht kannst du da auch mal so den Vergleich von der alten zur neuen Welt ziehen. Ja, klar. Ich weiß gar nicht, wo ich da anfangen soll. Also es sind verschiedene Dimensionen Ich glaube, die eine Dimension ist erstmal eine rein technologische. In der Zeit in der auch so dieser Gedanke von [00:03:00] Enterprise Search aufkam, ich glaube, das Thema ist ja schon 10, 15 Jahre alt. Und Unternehmen haben immer wieder versucht, sowas wie so ein internes Google auf die Beine zu stellen und eigentlich nie wirklich erfolgreich. Und ich habe das auch in der Zeit wo wir Intranet-Software gebaut haben, auch live miterlebt. Wie oft haben wir unser Intranet-System Halo an irgendwelche Enterprise- oder Federated-Search-Systeme angeschlossen und dann trotzdem waren, also, und haben dann sozusagen von Kundenseite gehört, okay, irgendwie sind die User dann trotzdem nicht zufrieden. Das hat vielfältige Gründe. Ich glaube, das eine ist, technologisch war es, ist es vielleicht auch heute noch zum großen oder zu einem gewissen Teil, war es schwer, überhaupt an die relevanten Daten ranzukommen. Also haben die verschiedenen Software-Systeme die so ein Unternehmen intern einsetzt, überhaupt die APIs umgesetzt Vernünftig das wissen aus diesem system abzugreifen auch unter berücksichtigung zum beispiel von berechtigung und so was das sind natürlich heute die apis mit rest apis und so weiter wirklich [00:04:00] deutlich besser das heißt wir kommen viel besser auch an die informationen aus diesen quellsystem ran also wenn so der erste punkt und dann hast du natürlich ganz klar also die die fähigkeit vor allem auch unstrukturierte information eine e mail artikel Irgendeine Powerpoint, einen PDF. Das sind ja keine strukturiert abgelegten Informationen, die sauber in der Datenbank liegen mit Labels und Kategorisierung und so weiter, sondern das muss irgendwie interpretiert werden. Und das können wir mit GenAI jetzt halt machen. Das heißt, wir sind jetzt technologisch in der Lage, die Informationen, die es im Unternehmen gibt, viel, viel besser abzugreifen und vor allem auch viel, viel besser automatisch zu organisieren.   Jetzt kenne ich die Speicherung von Wissen, Also die ist ja total verworren in Unternehmen. Also, irgendwie gibt es so ein Teams-Slack interne Kommunikationsplattform. Es gibt ein Intranet mit einem [00:05:00] Confluence, Halo. SharePoint, da gibt es vielleicht noch einen OneDrive oder Google Drive, da gibt es noch irgendwelche Offline-Festplatten, dann ist ganz viel in den Köpfen von Menschen und dann wahrscheinlich noch sonstige Dokumentation, die so rumfliegt und hast du Zahlen darüber, wie viel Zeit eigentlich Menschen durchschnittlich damit verbringen, um einfach nur Informationen zu finden? Ja, also wir haben auf jeden Fall, es gibt so ein paar prominente Statistiken sage ich mal. Die eine ist, dass ein ganz, ganz großer Teil des Wissens in der Firma eben unstrukturiert vorliegt. Also nicht irgendwo sauber dokumentiert kategorisiert abgelegt, sondern steckt in Kommunikation, wie ich eben genannt habe, irgendwelchen PowerPoint-Präsentationen irgendwelchen Slack-Konversationen Microsoft Teams-Konversationen E-Mails und so weiter drin. Das sind nämlich 80%. Das [00:06:00] ist schon mal ein sehr, sehr großer Teil des digital vorhandenen Wissens. Du hast natürlich trotzdem die Herausforderung, das ist ganz klar, ein ganz großer Teil des Wissens steckt natürlich auch in den Köpfen der Leute. Und wir kommen ja gleich auch zu unserer Lösung und wie auch unsere Vision ist, wir denken auch darüber nach, wie kriegen wir das Wissen aus den Köpfen der Leute besser raus, gerade auch vor dem Hinblick mit den Baby-Boomern, die natürlich ganz viel Wissen jetzt sozusagen mit in die Rente nehmen und so. ist, glaube ich so der eine Aspekt dazu. Der andere Aspekt ist, wie ich schon gesagt habe, also wir sehen halt, dass es schwierig ist, dieses... Das unorganisierte Wissen, also viel von dem Wissen steckt halt auch in irgendwelchen Ecken und irgendwelchen versteckten Bereichen, in irgendwelchen Unterstrukturen und das eben auch zugänglich zu machen, das ist glaube ich der andere Aspekt dazu. Okay. Und was [00:07:00] seht ihr da für eine mögliche Zeitersparnis? Also verbringen jetzt durchschnittliche Mitarbeiter irgendwie zwei von acht Stunden pro Tag damit, überhaupt Informationen zu finden und weiterzuverarbeiten, die schon mal irgendwo dokumentiert worden sind? Ist das so in dieser Größenordnung? Ja, also die... Die Mitarbeiter verbringen laut einer McKinsey-Studie fast zwei Stunden am Tag mit dem Suchen und Zusammenstellen von Informationen. Das heißt, sie suchen nach Informationen, aber dann verarbeiten sie die Informationen auch weiter. Und das ist, glaube ich, Und das gilt für Büromitarbeiter, muss ich dazu sagen. Das ist aber auch, glaube ich nicht verwunderlich wenn man sich mal so ein bisschen abstrakt vor Augen führt, worin besteht eigentlich die Arbeit eines Wissensarbeiters? Ein Wissensarbeiter nimmt Informationen auf, synthetisiert die, verarbeitet sie weiter. Fügt eigenes Wissen hinzu, trifft Entscheidungen, verarbeitet das weiter und leitet die Informationen dann weiter. Das ist im Wesentlichen das. Das ist Informationen in Form von Kommunikation, von [00:08:00] E-Mails oder Informationen von irgendwelchen PowerPoints wenn man jetzt mal zum Beispiel an eine Beratung denkt. Und Deswegen wundert es nicht, dass das ein unglaublich großer Teil des Arbeitsalltags ausmacht. Und gleichzeitig muss man aber sagen, die Leute haben sich über die Jahre wirklich an eine relativ ineffiziente Art und Weise gewöhnt mit dieser Arbeit umzugehen. Also Informationen suchen ist völlig normal für Leute, in vier, fünf verschiedene Systeme reinzugehen und separat zu suchen oder irgendwelche Kollegen zu fragen, wodurch natürlich quasi alle Doppelt Zeit verloren geht. Bei mir geht Zeit verloren, weil ich fragen muss. Beim Kollegen geht Zeit verloren, weil er beantworten muss. Und auch was das Zusammenstellen angeht Wenn ich mir Erfahrungen führe, wie häufig Dinge doppelt gemacht werden, weil ich einfach nicht weiß, dass etwas schon mal gemacht wurde im Unternehmen, dann wird glaube ich, irgendwie klar, dass da so viel Zeit bei drauf geht. Und das ist natürlich gleichzeitig dann offensichtlich ein riesengroßer Hebel, um Produktivität in der Breite zu [00:09:00] steigern. Ja, also sehe ich absolut. Das ist ja wirklich ein relevanter Anteil der gesamten Arbeitszeit, die wir damit verbringen, wo eigentlich kein neuer Wert geschaffen wird. Liegt jetzt hier die Schnittstelle zu GenAI? Geht es nur darum, die unstrukturierten Informationen zusammenzubringen und konkrete Fragen zu beantworten oder gibt es eigentlich in dieser Wissensmanagement Kette noch weitere Anknüpfungspunkte, die ihr seht wo GenAI eingesetzt werden kann, um den gesamten Prozess effizienter zu machen? Ja, Also, ich würde die Frage mal zweigeteilt beantworten. Ich glaube, der erste konkrete Ansatzpunkt ist, wenn man jetzt mal über den Einsatz von Gen AI in der Firma nachdenkt, ja, dann willst du ja eigentlich nicht nur das blanke Chat-GPT haben oder das blanke Microsoft Copilot, sondern du willst am besten, dass die Antworten die generiert werden, auf deinem Firmenwissen basieren und dass du auch Prompts [00:10:00] eingeben kannst, die ganz konkret arbeitsbezogene Aufgaben beantworten Erledigen können. Also mal ein ganz einfaches Beispiel. Ich möchte gerne, dass, also ich habe eine Marketingstrategie ausgearbeitet, ich habe ein Marketingbudget und jetzt möchte ich gerne, dass die KI mir konkrete Vorschläge dazu macht, wer aus meinem Marketingteam kann welche Teile davon umsetzen und bis wann. Dafür braucht aber die KI natürlich unglaublich viel Grundlagenwissen. Die KI muss wissen, Wie lautet die Marketingstrategie Wie lautet das Budget? Wer ist in meinem Team? Welche Ressourcen haben wir? Was für Qualifikationen haben die? Oder zumindest, welche Jobtitel haben die? Und all diese Informationen hatten, ich sage mal ein blankes Bild Eine blanke KI hat die einfach nicht. Und wir gehen jetzt erstmal den Weg und sagen, wir verbinden die modernen KI-Systeme mit deinem Firmenwissen, damit die Mitarbeiter wirklich auch Prompts abfeuern können, die einen echten Mehrwert im Arbeitsalltag bringen und nicht einfach nur so ein bisschen Chez GPT hin und her Kopiere sind. Das ist erstmal so die [00:11:00] unmittelbare Verknüpfung mit KI. Der zweite Teil, und das führt mich dann so ein bisschen zu der Vision, die wir natürlich haben, wir wollen mit SAIF... Das Wissensmanagement vollständig automatisieren. Das heißt, vom Erfassen übers Verwalten bis hin zum Zugriff auf Wissen. Okay, lass uns da mal Schritt für Schritt durchgehen. Zugriff den verstehe ich noch. Auch da habe ich gleich nochmal Fragen, ob ich da jetzt einfach meinen Sharepoint antoggle und dann kann es losgehen oder ob da doch noch mehr Vorarbeit notwendig ist. Aber lass uns mal diese drei Schritte durchgehen. Also wie kann ich jetzt AI nutzen, um das Wissen in meinem Unternehmen zu erfassen? Oder wie löst ihr das? Ja Also ich würde mal kurz darstellen, wie unsere Vision dafür aussieht dass ein Wissensmanagement mit KI vollständig automatisiert ist. Und vielleicht auch die [00:12:00] Parallele dazu zieht wie funktioniert es eigentlich heute. Also fangen wir mal an mit dem Erfassen von Wissen. Das Erfassen von Wissen ist heute ein komplett manueller Prozess. Also man verlässt sich als Unternehmen, wenn man strategisch Wissensmanagement betreibt, ja darauf, dass die Mitarbeiter regelmäßig irgendwie das Wissen zu Papier bringen. Dass sie es irgendwo dokumentieren, aufschreiben, teilen. Man denke irgendwie an Confluence, an Sharepoint oder an andere Dokumentationssysteme vielleicht auch einfach Dateien, PowerPoints Webdokumente, wie auch immer. Und das ist aktuell ein komplett manueller Prozess. Dabei muss man ja sagen, steckt ein unglaublich großer Anteil an Wissen bereits und auch digital in bestehenden Systemen Ich kann ja aus dem CRM-System sehr gut heraussehen, okay, was ist mit dem Kunden gelaufen? Ich kann aus Microsoft Teams, wenn ich in einen Projekt-Channel oder sowas gucke, sehr gut sehen, okay, was ist in dem Projekt eigentlich passiert? Was wurde da entschieden? Wie haben die Leute gewisse Entscheidungen getroffen? Und da liegt es ja eigentlich auf der Hand, dass die Mitarbeiter nicht Alles von [00:13:00] vorne immer manuell erfassen müssen, sondern dass man einfach dem System den Auftrag gibt, bitte dokumentiere Projekt XY, basierend auf dem, was du weißt. Das heißt nicht, dass das dann abschließend und vollständig ist, weil immer noch viel Wissen wahrscheinlich in den Köpfen der Leute steckt, aber wir können schon mal einen signifikanten Teil dieses Erfassens erleichtern für die Mitarbeiter. Das ist so die Seite des Erfassens. Unsere Vision geht aber noch weiter. Also wir machen hier gerade einen Podcast. Wir haben zum Beispiel auch die Idee, wie cool wäre das, wenn Seif zum Beispiel feststellt, okay, wir haben eine Wissenslücke oder jemanden gibt einen Auftrag, Seif bitte besorg mal das Wissen zu Thema XY und Seif identifiziert im Unternehmen die relevanten Personen und macht einfach ein kurzes Interview, fünf Minuten lang Ein Podcast mit einer AI, man redet da einfach nur rein, vielleicht auch gerade jetzt im Hinblick auf die Babyboomer mal gedacht, so Exit-Interviews oder sowas. Und dann wird einfach ein bisschen geredet und SAIF extrahiert daraus aber relevantes Wissen und dokumentiert das automatisch. Genau den [00:14:00] zweiten Case, den du gerade genannt hattest finde ich total spannend. Also wir haben jetzt einen Exit von jemandem, der in die Rente geht zum Beispiel, 30 Jahre im Unternehmen gearbeitet, extrem viel Know-how zu den Produkten Kunden, Prozessen, was nirgendwo untergeschrieben ist und den wird man wahrscheinlich auch niemals dahin bekommen, dass er sich jetzt vor Confluence setzt und all das irgendwie runterzieht Schreibt. Aber wenn ich dann ein KI-Bot habe, der stellt mir Fragen und ich kann einfach zwischendurch über eine Voice-Nachricht diese Fragen beantworten und das wird in eine Struktur gebracht, die dann später mit anderen Informationen verknüpft werden und dann wieder Extrahiert werden kann, wenn ich dazu eine Frage stelle das ist natürlich mächtig. Ja, das ist so der Teil des Erfassens. Der zweite Punkt ist dann, wie verwalten wir das Wissen so, dass es aktuell und relevant bleibt? Und ich glaube, das ist tatsächlich der allergrößte Die allergrößte Herausforderung bei den [00:15:00] Unternehmen, ja, alle haben irgendwelche Wiki-Systeme und irgendwelche Dokumentationssysteme aber in aller Regel ist es so die werden eingeführt und nach einer gewissen Zeit ist es einfach outdated. Und die Informationen, die da drin stehen, sind nicht mehr verlässlich Und wenn sie nicht verlässlich sind, dann werden sie nicht mehr benutzt. Und so gehen diese Systeme quasi mit der Zeit, sie veralten relativ schnell und die Halbwertszeit ist relativ kurz und entfalten einfach nicht den Wert, den sie entfalten könnten. Und was uns da jetzt aufgefallen ist, auch in den letzten zwei Jahren mit den Kundenprojekten die wir gemacht haben, ist, dass es gar nicht so ein Hexenwerk ist, herauszufinden Welche Informationen nicht mehr relevant sind, welche Informationen vielleicht im Konflikt zueinander stehen, welche Informationen vielleicht nicht compliant sind. Und deswegen setzen wir auf ein sogenanntes Knowledge Lifecycle Management in unserem System. Das heißt, was wir machen ist, wir haben im Prinzip, so kann man sich das vorstellen, wie so kleine autonome KI-Agenten Die [00:16:00] kontinuierlich auf der Wissensbasis des Unternehmens unterwegs sind und genau diese Punkte identifizieren und dann den Mitarbeitern dabei helfen, unterstützen, das Wissen aktuell zu halten. Also der guckt dann, ist das seit zwei Jahren nicht mehr angefasst worden, das Dokument? Gibt es das irgendwie dreimal mit dem gleichen Inhalt und unterschiedlichen Bezeichnungen? Gibt es eine neue Version eines Dokuments, die als neue Datei abgelegt wird? Solche Sachen? Oder kannst du da ein paar Beispiele Ja genau. Das waren schon echt gute Beispiele. Also, ich meine, es ist am Ende des Tages muss man sagen, ähm Also immer das Gleiche ja. Du hast eine V1.0, eine V1.2, V1.3 Final und dann geht ein halbes Jahr später jemand hin und macht eine V2.0 Final, Final, genau. Und da dann herauszufinden, welche Version gilt jetzt. Ja, oder jemand hat was dokumentiert und dann ändert sich aber, dann wird irgendwie eine Entscheidung getroffen, sagen wir mal auf Teams. Ja, dann wird [00:17:00] diskutiert, okay, lass mal den Prozess ändern. Wenn wir einen Sales-Prozess zum Beispiel, ja, Sales-Prozess wurde dokumentiert dann wird gesagt, nee, lass mal den Handover im Sales-Funnel dann anders machen. Ja. Und dann muss die Dokumentation aber nachgezogen werden. Das vergessen die Leute aber in der Praxis weil sie total vergessen haben, dass da irgendwo noch ein Confluence-Artikel rumschwirrt Und dabei unterstützt halt Salve. Wo liegt die technische Komplexität dabei? Dahinter sind die Sprachmodelle, würde ich sagen, die nehmt ihr wahrscheinlich, um diese unstrukturierten Daten zu verarbeiten. Sind die in der jetzigen Form bereit dafür? Brauchst du da noch Weiterentwicklung? Geht es darum, die Informationen richtig zuzuführen? Geht es darum, die Logiken abzubilden Was ist die Komplexität in dem System? Hui, ich würde sagen, das sind unterschiedliche Aspekte. Ich glaube, das fängt schon damit an, die unterschiedlichen Integrationen zu haben. Also wir haben über 100 Integrationen zu den gängigsten IT- und [00:18:00] Software-Systemen Und diese Integrationen müssen so funktionieren, dass sie nicht immer alles von vorne irgendwie abcrawlen müssen, sondern auch einen Delta-Abgleich machen können, dass sie die Berechtigung mit berücksichtigen. Und die haben wir alle from scratch selber entwickelt. Also das ist schon mal so der erste Punkt, diese ganzen Integrationen out of the box mitzuliefern. Dann geht es darüber, die Informationen richtig zu organisieren. Da haben wir relativ viel Gehirnschmalz reingesteckt um einfach diese Einordnung machen zu können. Wenn wir uns ein PDF angucken ein PowerPoint angucken dann festzustellen auf Basis von, wer hat es erstellt, wer hat daran mitgearbeitet in welcher Ordnerstruktur liegt das, wer hat das runtergeladen Dann festzustellen, in welchem Bereich das am besten wohl reingehört und mit welcher Gewichtung. Und wir erzeugen daraus einen sogenannten Knowledge Graph. Das kann man sich vorstellen wie so ein riesengroßes Spinnennetz, wo alle Inhalte miteinander vernetzt und angeordnet sind und daraus bilden sich dann so Cluster. Und diese Cluster helfen uns dann dabei festzustellen, okay, wir haben hier einen Marketing-Cluster, wir haben einen [00:19:00] Projekt-Cluster, einen Kunden-Cluster und in diesen Clustern können wir dann Verwandtheit oder Ähnlichkeit feststellen und solche Dinge. Das ist schon per se schon mal Echt eine komplexe Geschichte, an der wir auch zwei Jahre entwickelt haben. Dann ist ein weiterer Punkt und ich glaube, das ist das tatsächlich, was ganz viele unterschätzen, die selber versuchen, solche Lösungen aktuell zu bauen, ist das Thema Retrieval Augmented Generation. Also wie kriege ich Internes proprietäres Wissen, interne Daten, mit einem LLM verknüpft. Und was wir da sehen, ist, dass es im Augenschein einfach ist, so ein Retrieval Augmented Generation aufzusetzen, aber damit am Ende wirklich gute Ergebnisse dabei rauskommen, ist die Komplexität enorm. Und Eigentlich müsste ich sagen, enorm, enorm, enorm. Und das betrifft ganz viele Aspekte. Es betrifft die Aspekte, wie wähle ich die richtigen Inhalte aus, die ich dann in das Kontextfenster von so einer KI [00:20:00] mit reinfiele. Und zwar nicht nur auf Relevanzbasis sondern auch ganz konkret für die Person, die fragt. Ja wenn ich frage gib mir mal bitte eine Zusammenfassung von meinem Projekt, dann muss ja das System irgendwie wissen, was ist denn das Projekt, was jetzt hier gemeint ist. Oder wenn ich frage gib mir mal aktuelle Sales-Zahlen, dann muss ja das System irgendwie herausfinden, was bedeutet denn aktuelle Sales-Zahlen? Reporten wir eigentlich quartalsweise oder monatlich oder wöchentlich? Und wo kriege ich die her? Und das hinzubekommen, daran haben wir echt lange geknapst Und das ist, glaube ich eine Komplexität, die viele unterschätzen, wenn sie sowas selber bauen. Okay, also viel, viel mehr hinterliegende... Architektur und Logiken weit, also komplett losgelöst von der eigentlichen AI Komponente in dem Tech-Stack? Ja, also grundsätzlich so, wir haben Und wir nutzen eigentlich grundsätzlich [00:21:00] Standard-LLMs. Wir gehen jetzt langsam dazu über, dass wir tatsächlich auch industrie-spezifische LLMs selber feintunen auf bestimmte Industriezweige und Terminologien vor allem. Aber was wir gemerkt haben ist, wenn wir jetzt einen krassen Ingenieursbüro und die haben so ein bisschen komplett ihre eigenen Technologien Die Terminologien, die eigenen Sprech und so weiter. Und die General-Purpose-LLMs, die es da draußen gibt, also OpenAI, Mistral, Lama und Co., die sind natürlich mit dem breiten Wissen des Internets trainiert aber häufig fehlt halt proprietäres Industriewissen. Weil das steht auch nicht nirgendwo im Internet. Also wenn du jetzt, keine Ahnung, ein Ingenieursbüro bist, was irgendwie die Automobilbranche berät, dann ist das wirklich schon harter Tobak. Das heißt, wir gehen jetzt tatsächlich dazu über, dass wir... Die Standard-LLMs nehmen, die wir dann aber mit industrie-spezifischem Know-how selber feintunen und dann unseren Kunden bereitstellen, damit die Ergebnisse nochmal besser werden. Wie bindet ihr denn jetzt so eine Lösung in den Arbeitsalltag [00:22:00] der Nutzer ein? Weil das eine ist ja immer, ich habe theoretisch die technischen Möglichkeiten, jetzt Fragen zum Firmenwissen zu beantworten Und das andere ist ja, dass Menschen... Darauf dann auch zurückgreifen und nicht wie seit 100 Jahren dann doch wieder in den OneDrive gehen und sich den Ordner öffnen und die drei Unterordner aufmachen, wie sie es schon tausendmal gemacht haben oder die Kollegen im nächsten Büro kurz sagen werden. Ja, also ich würde sagen, lass uns das mal versuchen zusammen zu beantworten weil du bist natürlich der Experte für das Change Management. Ich kann mal sagen, was wir zumindest von Produktseite machen, um das möglichst gut hinzubekommen. Also dazu gehört natürlich zum einen ein super intuitives Interface. Also es muss super einfach zu benutzen sein, zugänglich sein. Vertraut sein. Und da legen wir einen extrem großen Wert. Das ist auch tatsächlich einfach meine Produktphilosophie schon immer gewesen. [00:23:00] Immer wenn ich Softwareprodukte gebaut habe, steht, also für mich steht immer im Fokus, es muss möglichst einfach sein. Ich will nicht irgendwie eine Dokumentation oder sowas öffnen müssen. Ja, und da bedienen wir uns natürlich auch bekannter Muster. Also, unsere Suchinterface sieht so aus wie Google, unser Chatinterface sieht so aus wie ChatGPT. Das kennen die Leute. Also, das hilft schon mal enorm. Dann bringen wir die Plattform aber auch dahin wo die User sind. Also, du musst nicht dediziert auf Seif draufgehen, sondern Wir haben einen MS Teams-Bot, wir haben einen Slack-Bot, du kannst Zyfe als JavaScript-Widget in jegliche Web-Applikationen integrieren, wir haben REST-APIs, also so versuchen wir, und wir haben eine Desktop-App, also wir versuchen wirklich unsere Plattform auch dahin zu bringen, wo der User seine gewohnten Arbeitsabläufe hat. So und dann hast du natürlich das Thema mit dem Change, ist klar. Also die Leute dann dazu zu bringen, ihre Arbeitsweise umzustellen, ist eine große Herausforderung. Ich würde da an dich übergeben, aber ich mache mal nur so den Eröffner. Also meiner [00:24:00] Erfahrung nach ist es vor allem auch etwas, wo man Management Support braucht, also Management Engagement braucht, die Leute dann auch wirklich zu pushen. du gesagt hast, die Integration in gewohnte Interfaces ist meiner Meinung nach für ganz viele KI-Anwendungen der Weg, den es zu gehen gilt. Alles, was ein extra Login, ein extra Fenster ist, ungewohntes Interface, durch das ich erstmal navigieren muss, senkt Nach allem, was ich gesehen habe, die Nutzungsraten immer enorm. Wenn ich das direkt in meinem Teams, Slack, in einer anderen Benutzeroberfläche habe, wo ich eh den halben Tag unterwegs bin, dann ist das schon mal Gold wert. Ja, Change ist auch immer so ein riesiges Thema. Was heißt das eigentlich? Also ich glaube, wenn Führungskräfte und vor allem auch die Geschäftsführung da mit gutem Beispiel vorangeht und ein gutes Narrativ hat, warum machen wir das jetzt eigentlich? Wie hilft euch das weiter? Ja Und auch Und selbst [00:25:00] sich eingestehen hey, ich mache das hier auch zum ersten Mal, ich habe auch die letzten 20 Jahre mich durch irgendwelche Confluence-Ordner geklickt und oft nicht das gefunden, was ich haben wollte und dann die Kollegen gefragt, für mich ist das jetzt auch eine Umstellung in der Art und Weise, wie ich arbeite, aber ich sehe hier total große Chancen und wir wollen Zeit von euch freisetzen, die ihr für anderes einsetzen könnt und das dann eben auch zu erarbeiten, die Zeit die eingespart wird, wie wird die denn eigentlich auch? Eingesetzt. Das erlebe ich nämlich immer wieder in diesen Prozessen. Wenn es dafür keinen Plan gibt, dann ist ja das Incentive oft gar nicht da, irgendetwas zu verändern. Also das wäre schon mal Schritt 1. Also was wir ja häufig sehen, ist, dass die Leute einmal so einen Aha-Effekt brauchen. Und da muss man schon sagen, da spielt uns natürlich, gerade spielen uns diese Gen-AI-Use-Cases natürlich voll in die Karten, weil wenn die Leute zum ersten Mal in Seif reingehen und [00:26:00] dann sehen, okay, sie können ja einfach sagen, was sie haben wollen und das System liefert es einfach, dann sind die wirklich Mind-blown, muss man echt sagen. Und man darf ja auch eins nicht vergessen, der durchschnittliche Mitarbeiter in so einem deutschen mittelständischen Unternehmen, der ist halt nicht Mitte 20 und hat schon zu Hause seit 2022 ChatGPT benutzt, sondern der hat zum Teil noch gar keine Berührungspunkte mit Gen AI gehabt oder hat es vielleicht ein paar Mal ausprobiert. Und dieser Mind-Blow, das merken wir zumindest, das funktioniert echt gut, weswegen wir auch ganz gerne immer dazu raten zu sagen, Mach doch mal eine Management-Demo oder mach mal ein kurzes Training. Es muss ja nicht lang sein, eine Viertelstunde oder so, einfach damit die Leute mal gezwungen werden, sich wirklich einmal intellektuell damit auseinanderzusetzen und dann können sie ja immer noch für sich entscheiden, ob sie es nutzen wollen oder nicht, aber dass sie einmal gesehen haben, wie wertvoll das eigentlich sein kann. Ja, also ich glaube, das ist dann [00:27:00] der zweite wichtige Schritt, dass es klare Schulungen natürlich gibt. Ich glaube, da kommt man überhaupt nicht drum herum, vor allem bei so einer Lösung, die nicht irgendwo im Hintergrund läuft, sondern die ich selbst aktiv bedienen muss und dann aber nicht ein Strohfeuer machen und wieder aufhören, sondern kontinuierlich darauf zurückgreifen Also, wenn die Führungskraft im Team-Meeting irgendeine Frage bekommt und dann im Screenshare Seif aufmacht und darüber die Informationen sucht und alle anderen im Team das sehen, okay, es stimmt, das haben wir ja, das können wir ja nutzen und es gut vorgelebt wird und dann immer mehr von diesen positiven Informationen Beispielen kommen, ich glaube dann ist es einfach eine Gewohnheitsveränderung die nach einigen Wochen und regelmäßiger Nutzung dann auch in Fleisch und Blut übergeht. Ich meine, du weißt es ja wahrscheinlich selbst, jeder, der wirklich mal [00:28:00] mit Tools wie JetGPT und Co., Über einen längeren Zeitraum gearbeitet hat, der will gar nicht mehr davon zurück und kann sich gar nicht mehr vorstellen, wie habe ich das dann alles irgendwie vorher gemacht, aber es braucht einfach mal mindestens irgendwie zehn Stunden, die man damit arbeitet, das ist immer so die Schwelle die ich sehe, bis man das auch versteht und für sich auch adaptieren kann, was sind eigentlich die Situationen wo es für mich Sinn macht. Jetzt gibt es ja, vielleicht nochmal, bevor ich auf die andere Frage zurückkomme, was muss denn auf Unternehmensseite geschehen An Vorarbeit geleistet werden, um so ein Wissensmanagement AI-powered zu machen? Also brauche ich schon irgendwie meine Sharepoint-Struktur perfekt organisiert Müssen alle Daten in der Cloud sein? Also   Also grundsätzlich hilft es auf jeden Fall schon mal, [00:29:00] wenn ein Unternehmen, ich sag mal in Anführungsstrichen Cloud-ready ist. Ja, also Microsoft 365 oder Google Workspace nutzt, ansonsten auch was CRM-Systeme was Service Desk-Systeme Wiki-Systeme angeht einen moderneren Toolstack hat. Das muss aber nicht so sein. Also wir haben natürlich diesen breiten Katalog an Integrationen für allen für die gängigsten Business-Apps Was wir aber schon auch merken ist, dass natürlich entweder sehr industrie-spezifische Softwarelösungen auch bei den Unternehmen eingesetzt werden, also so ein Industry ERP oder so was oder so ein Industry CRM gibt es auch ganz viel. Oder tatsächlich auch noch so On-Prem-Systeme Und dafür haben wir im Prinzip Brücken gebaut. Das heißt, wir haben so generische Schnittstellen. Wir haben so, also einmal als Beispiel, wir können RSS-Feeds konsumieren wir können Webseiten crawlen, wir können interne Webseiten crawlen. Also Confluence beispielsweise ist ja ein Web-System Confluence ist ein schlechtes Beispiel, weil für Confluence haben wir auch einen nativen Konnektor, aber ich will nur als Beispiel nehmen, Confluence ist ja ein Websystem und das [00:30:00] können wir theoretisch auch crawlen, wir können jedes webbasierte System crawlen, ansonsten haben wir noch REST-APIs, das heißt unsere Kunden können auch eigene Datenkonnektoren bei uns im Admin-Interface anlegen und dann über REST-APIs Daten reinschieben, das geht eben auch, kann man auch Zapier dazwischen schalten, also wir haben so verschiedene Brücken gebaut, um um den Unternehmen, die noch nicht 100% im Cloud-Stack unterwegs sind, zu helfen.     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.  Alles klar. Super. Sehr spannend, mal diesen ganzen Bereich etwas greifbarer zu machen. Also ich habe auf jeden Fall gelernt, dass Wissensmanagement mehr ist, als nur die reinen [00:31:00] Daten abzufragen und was auch die technische Komplexität betrifft Ist, um diese Daten anständig für Sprachmodelle verfügbar zu machen. Ich glaube, da sehe ich auch den Edge jetzt in eurer Lösung, von dem was ich verstanden habe. Bin gespannt, das weiter zu beobachten, welchen Weg ihr da gehen werdet. Wir sind ja jetzt am 8. Januar. Das Jahr hat gerade erst angefangen Gibt es irgendetwas worauf du im AI-Jahr 2025 besonders gespannt bist oder hast du eine steile These für dieses Jahr? Ja, und da haben wir beide auch schon mal drüber gesprochen, nämlich das Thema mit den KI-Agenten Also in unserer KI-Bubble reden ja alle gerade von irgendwie Agenten Autonomous Agents und irgendwie die ganze Arbeitswelt wird irgendwie voll weg automatisiert. Und ich glaube, da wird es ein ganz schön böses Erwachen geben. Also in unserer Bubble [00:32:00] ein böses Erwachen. Also ich glaube, ehrlicherweise der Markt ist noch gar nicht da. Also das echte mittelständische Unternehmen da draußen ist. Überhaupt noch nicht da, dass sie sagen, okay, wir fangen jetzt mal an, irgendwie breite Teile unserer Arbeit irgendwie komplett an irgendwelche autonomen Agenten abzugeben. Und ich glaube, ein großes Missverständnis was viele haben, weil gerade beim Thema autonome Agenten ist in Bezug auf die Schnittstellen. Also ich, wenn man sich jetzt sozusagen einmal, wir können mal ein Gedankenexperiment machen. Sagen wir mal, morgen gibt es AGI, also Artificial General Intelligence, die Superintelligenz, die schlauer ist als jeder Mensch und die alles machen kann. Dann würde ich als Unternehmer ja sofort sagen, super, dann möchte ich gerne die AGI jetzt in mein Unternehmen reinholen. Okay, wunderbar. Dann kommt die AGI rein, aber die kommt ja nicht zur Tür rein, sondern die muss ja irgendwie anfangen mit dem Unternehmen zu interagieren. Mit den Prozessen von dem Unternehmen, mit dem Kunden von dem Unternehmen, mit den Systemen mit den Daten des Unternehmens, mit den Mitarbeitern des Unternehmens. Und diese Schnittstellen, die existieren [00:33:00] einfach nicht. Ja, und... Das ist, glaube ich, das große Missverständnis. Das heißt, ich glaube schon, man kann in einzelnen wirklich sehr spitzen vertikalen Use Cases autonome Prozesse designen okay, aber jetzt wirklich hier das ganze Unternehmen irgendwie auch voll autonom durch KI gesteuert umzustellen, da sehe ich noch einen langen Weg. Die Fantasie vereinzelter Solopreneure, die damit Geld verdienen. Kann sein. Aber die Fantasie ist trotzdem spannend. Ich denke auch, die Krux liegt in dem Abbilden der Business-Logiken. Also ich glaube, die Tech dahinter ist gar nicht mehr so kompliziert aber das genaue Definieren, wie sich eigentlich so Agenten verhalten wollen und will ich jetzt wirklich Autonomie oder Varianz in meinen Prozessen haben, eigentlich nicht. Eigentlich will ich möglichst effizient und gleichbleibend Guten Output hinten raus haben. Ich glaube, das wird in den meisten Unternehmen noch nicht zum Einsatz kommen, sondern da [00:34:00] bleibt es halt bei Automationen oder solchen Lösungen, wie ihr sie gebaut habt, die halt Mitarbeitende in ihrem Arbeitsalltag ergänzen und damit auch schon einen riesen Hebel erzeugen. Ja, ja. Salah du kennst doch bestimmt diesen Gartner-Hype-Cycle oder? Ja. Und wo würdest du sagen, stehen wir da gerade gerade? Ja, ich sehe das so zwiegespalten. Auf der einen Seite sehe ich eine absolute, das heißt ja auch, glaube ich, inflationäre Erwartung, oder? Ich glaube, das ist dann so der Peak. Also da sehe ich es absolut. Wenn ich mit Kunden spreche, muss ich erstmal klares Erwartungsmanagement machen und ganz viele Leute auf den Boden der Tatsachen zurückholen und erklären, was KI überhaupt ist und was nicht. Und dass wir eben nicht von einer starken KI sprechen, die du auch gerade skizziert hast, die sämtliche intellektuelle Probleme eigenständig lösen kann, sondern eher von einer Einer schwachen KI, die für bestimmte Use Cases ausgerichtet werden kann. Also das sehe ich so, dass die Erwartungen riesig sind. Es gibt die eine [00:35:00] KI, wo ich nur irgendwas reinschmeiße und bekomme dann ein tolles Ergebnis raus, ohne großes Zutun. Auf der anderen Seite glaube ich, dass der Hype um KI insgesamt auch berechtigt ist, weil die Veränderung die KI in allen Bereichen unseres Lebens und der Welt bringen wird, wird halt riesig sein. Und hier... Denke ich sogar manchmal noch, dass wir viel zu wenig über dieses Thema sprechen. Also genau. Du meinst gesellschaftlich? In allen Bereichen wirtschaftlich und gesellschaftlich was Forschung angeht was Geschäftsmodelle angeht Also es wird ja, Unternehmen werden in zehn Jahren ganz, ganz anders aussehen und durch diese, Sich selbst beschleunigende Technologie, also ich kann ja mit KI viele andere Dinge viel, viel schneller entwickeln und wenn KI immer besser wird, kann ich das immer weiter beschleunigen, werden sich Unternehmen [00:36:00] und damit auch Rollenprofile und damit auch die Gesellschaft ganz stark verändern. Ich glaube, da kommen große Herausforderungen noch auf und zu, auch was den Arbeitsmarkt betrifft Ich glaube nicht, dass gerade irgendein Unternehmen schon in der Lage ist, die Zeit die frei wird von Menschen, in andere Bereiche zu verlagern. Was passiert dann mit vielen Berufen, die immer mehr von KI abgelöst werden können? Wie wirkt sich das gesellschaftlich aus? Wie gehen wir damit um? Ich glaube, diese Debatten werden noch gar nicht ausreichend geführt. Und da habe ich dann oft das Gefühl, dass gerade unterschätzt wird, mit KI noch möglich sein wird. Auf der anderen Seite... ich dass der aktuelle Status quo, gerade was Large Language Models angeht oftmals overhyped wird was damit geht und was nicht. Ja, ja. Wie siehst du das? Ja, also in diesem Gartner-Hype-Cycle gibt es ja diese [00:37:00] Desillusionierung, würde ich auf Deutsch heißen die dann nach diesem ersten initialen Hype kommt und dann fällt man in so ein Loch und dann kommt eigentlich so der lineare, normale Anstieg wo die Leute dann wirklich anfangen das in der Breite auszurollen. Und ich würde sagen, wir sind über den Hype hinaus, wir kommen jetzt in die Desillusionierung hinein Und wahrscheinlich werden wir bei der Desillusionierung dieses Jahr den Peak sehen, eben gerade in Bezug auf sowas wie Agenten und so, die einfach viel versprechen und wahrscheinlich vieles davon einfach nicht halten können. Und dann gehen wir in den normalen Rollout rein. Dann kommt das in der Breite an, dann verstehen Unternehmen immer besser. Wer kann die Verantwortung übernehmen für dieses Thema? Wie können wir es vernünftig ausrollen Wie können wir die Leute mitnehmen? Wie funktioniert der Change? Welche Systeme wollen wir setzen? Dann werden sich die Market Leader etablieren und das alles wird den Markt dann sozusagen öffnen und maturen lassen, also erwachsen werden lassen. So sehe ich es eigentlich vom [00:38:00] Prozess. Ja, und ich glaube, da gibt es aber jetzt schon einige Organisationen die schon die Desillusionierung durchhaben und die gehen jetzt schon in die breite Adaption. Ich habe hier auch einen spannenden Podcast mit dem Pushing-AI-Team von Otto gemacht. Die sehe ich schon in Deutschland da recht weit vorne, vor allem was diese ganzen Change-Themen angeht. Und ich denke, da ist ganz... Das auf jeden Fall schon durch die Phase der Desillusionierung. Da gibt es 70 live produktive Use Cases, Schulungsprogramme es gibt ein Ambassadoren-Netzwerk, also das wird ganz tief schon in die Organisation verankert mitgelebt, Teil der Kultur und Denkweise und dann gibt es auf der anderen Seite ganz, ganz viele Organisationen und wahrscheinlich so die, wie gibt diese Early Adopter oder die Innovators, dann die Early Adopter und dann, ich weiß gar nicht, wie die anderen Phasen heißen aber dann kommt irgendwann die. Aber das wäre jetzt meine Antwort jetzt gewesen auf dieses Thema mit Otto. Also das sind für mich [00:39:00] einfach Early Adopters. Da hat jemand den Mut bewiesen und gesagt, okay, wir wollen da vorne mit dabei sein und wir allokieren entsprechend das Budget und auch Management Attention und die treiben das dann voran. Aber meine Wahrnehmung ist, also ich meine, wir führen ja jeden Tag auch Sales-Gespräche mit den Kunden da draußen. Die meisten haben noch keine Lösung. Viele haben irgendwie Microsoft Copilot pilotiert, sind irgendwie unzufrieden gucken mal so ein bisschen hier links, rechts, deswegen... Glaube ich schon, also meine Meinung, der im breiten Markt ist. Ich bin stark geprimed, weil ich nur mit Leuten hier in diesem Podcast spreche, die natürlich sehr vorwärtsdenkend sind und schon einiges in dem Bereich machen. Meine Kunden sind auch genau die, die da Gas geben wollen. Also sicherlich ein eingeschränktes Bild, aber ich sehr, dass wir eigentlich aus diesem Über Also überbordenden Hype und das alles immer aufgeblasen wird, rauskommen und eher schauen, wie können wir diese Technologie einsetzen, um vorwärts zu kommen, vor allem in der Wirtschaft. Ich glaube, es wird [00:40:00] nicht mehr ohne gehen und immer wichtiger. Hundertprozentig ja. Jan, vielen, vielen Dank. Super cooles Gespräch viel Erfolg weiterhin und bis bald. Danke dir, ebenso.