Produktivität durch AI: GetYourGuide's Ansatz zur unternehmensweiten Integration

Intro

In dieser englischsprachigen Episode des AI FIRST Podcast spricht Felix Schlenther mit Mathieu Bastian, Principal AI Engineer bei GetYourGuide, über seine Erfahrungen aus der unternehmensweiten Implementierung von generativer KI. Mit über acht Jahren Erfahrung im Bereich Data Science und Machine Learning hat er die AI-Produktivitäts-Initiative bei GetYourGuide von einem Nebenprojekt zu einer Vollzeit-Mission entwickelt. Er beleuchtet den organischen Bottom-Up-Ansatz, durch den mittlerweile 700 Mitarbeiter täglich KI-Tools nutzen, und erklärt, wie strukturierte Experimente, Champions und eine starke Community den Erfolg ermöglichten. Eine Pflichtlektüre für alle, die KI-Adoption im Unternehmenskontext verstehen und umsetzen wollen.

Inhaltsübersicht

Die Entstehung der AI-Produktivitäts-Initiative bei GetYourGuide aus einem persönlichen Nebenprojekt heraus
Strukturierte Experimentierphase mit OpenAI-Accounts für 450 Mitarbeiter und erste Champions
Transition zu professionellen Tools wie LangDoc mit Multi-Modell-Ansatz (OpenAI, Anthropic, Mistral)
Drei-Phasen-Vision: Professionalisierung, Datenintegration, Automation durch Assistenten
Konkrete Anwendungsfälle von Textanalyse über Bug-Triage bis zu Slack-Bots
Community-Building durch AI-Interest-Gruppe, Newsletter und regelmässige Events
Entwicklung von über 150 KI-Assistenten für spezifische, repetitive Aufgaben
Adoption-Strategien: Dokumentation, Videos, Workshops und Office Hours
Aktuelles Ziel: 50% der Belegschaft nutzen KI täglich bis Ende 2024
Vision der integrierten Assistenten mit Zugriff auf interne Systeme und APIs

Über den Gast

Mathieu Bastian ist Principal AI Engineer bei GetYourGuide und leitet dort die AI-Produktivitäts-Initiative. Zuvor war er acht Jahre lang als Director für Analytics, Data Science und Machine Learning bei GetYourGuide verantwortlich. Seine Karriere im Bereich Data Science begann bereits 2010, als das Feld noch wenig strukturiert war und Quereinsteiger aus verschiedenen akademischen Hintergründen anzog. Diese Erfahrung aus den Anfangstagen der Data Science half ihm, den aktuellen Hype um generative KI einzuordnen und einen pragmatischen, experimentellen Ansatz zu verfolgen. Bei GetYourGuide hat er sich bewusst von seiner Management-Rolle zurückgezogen, um sich vollständig auf die Demokratisierung von KI-Tools im Unternehmen zu konzentrieren – eine selbst geschaffene Rolle, die sowohl technische als auch organisatorische Aspekte vereint.

Detaillierte Zusammenfassung

Von Data Science zu generativer KI: Die persönliche Reise

Mathieu Bastians Weg zur AI-Produktivitäts-Initiative bei GetYourGuide begann nicht mit einer strategischen Entscheidung von oben, sondern als persönliches Nebenprojekt. Als Ende 2022 und Anfang 2023 die ersten generativen KI-Tools wie ChatGPT verfügbar wurden, erinnerte ihn die Aufbruchstimmung an die frühen Tage der Data Science um 2010. "These early days of GenAI reminded me of that and I invested my time into exploring it, trying things out as a side project, literally, on top of my day job," erklärt er.

Die Doppelbelastung aus seiner Führungsrolle im Data Products Team und dem wachsenden Engagement für generative KI wurde jedoch schnell unhaltbar. GetYourGuide zeigte sich in dieser Situation als progressive Organisation: "We're very keen to support people at GetYourGuide to do what they are really passionate about. If there is a connection with what the company wants and needs, that's a perfect match." So entwickelte Mathieu gemeinsam mit dem Unternehmen einen Plan, seine gesamte Energie auf das Thema zu fokussieren. Er schuf sich effektiv seine eigene Rolle – ein Hybrid aus Solution Architect, AI Engineer und Product Manager. Diese Flexibilität erlaubte es ihm, dort zu agieren, wo gerade der größte Bedarf bestand, ohne in traditionellen Rollenmustern gefangen zu sein.

Der organische Start: OpenAI-Accounts und erste Experimente

Die Initiative begann im Februar 2023 auf denkbar pragmatische Weise. Als OpenAI die Möglichkeit bot, Organisations-Accounts zu erstellen, übernahm Mathieu die Administration. "Somebody had to manage that account. So there was, okay, who accepts those invitations? Who looks at the cost? Who is spending what?" Diese scheinbar banale organisatorische Notwendigkeit wurde zum Startpunkt einer strukturierten Experimentierphase.

Etwa 450 Mitarbeiter erhielten Zugang zu ChatGPT, und die Nutzung explodierte förmlich. Entscheidend war dabei GetYourGuides Unternehmenskultur: "Experimentation is core to our way of working at GetYourGuide, via A/B-Testing, but not only." Die Mitarbeiter nutzten die Tools auf verschiedenste Weise – manche programmatisch über APIs für Produktideen, andere im täglichen Arbeitsalltag. Besonders die unternehmensinternen Hackathons, die alle zwei Monate stattfanden, wurden zu Brutstätten für innovative KI-Anwendungen.

Ein gluecklicher Zufall verschaffte GetYourGuide einen strategischen Vorteil: Das Unternehmen hatte früh ein ChatGPT-Plugin entwickelt – einen Vorläufer der heutigen GPTs. Dieses Plugin erlaubte es Nutzern, direkt in ChatGPT nach Aktivitäten zu suchen. Als Belohnung für diese frühe Beteiligung erhielt GetYourGuide kostenlosen Zugang zu GPT-4 in der Alpha-Phase – ein enormer Vorteil, da GPT-4 signifikant leistungsfähiger als GPT-3.5 war und normalerweise eine kostenpflichtige Plus-Subscription erforderte.

Champions und Community: Der Bottom-Up-Ansatz

Aus der breiten Nutzerbasis kristallisierten sich schnell Champions heraus – Power-User, die aussergewöhnliche Anwendungsfälle entwickelten. Diese Champions wurden zum Rückgrat der Adoption-Strategie. "These champions made some impressive things and that inspired me to continue working in that direction," erinnert sich Mathieu.

Um die Energie zu kanalisieren, etablierte er mehrere Community-Mechanismen. Die AI-Interest-Gruppe traf sich monatlich zu Präsentation-Events mit überschaubarer Teilnehmerzahl, bei denen Champions ihre Anwendungsfälle vorstellten. Parallel dazu lancierte Mathieu einen wöchentlichen Newsletter, der Entwicklungen in der Gen-AI-Welt zusammenfasste. "At the beginning we were sending it every week because things were going so fast. So if we wouldn't send it one week, the following week would be like, oh man, it took me so much time to summarize everything." Der Newsletter entwickelte sich zu einem wichtigen Instrument, um Momentum zu erzeugen – selbst bei Mitarbeitern, die ihn nicht vollständig lasen, signalisierte er: Hier passiert etwas Relevantes.

Die ersten Breakthrough-Anwendungsfälle entstanden in verschiedenen Bereichen: Textanalyse von Produktbewertungen zur Identifikation von Defekten, Verbesserung von Marketing-Content und Lokalisierung, sowie Code-Generierung und Refactoring. Besonders das Lokalisierungs-Team zeigte grosses Interesse, da es die Limitationen klassischer Machine Translation kannte und nach besseren Lösungen suchte.

Die Transition zu professionellen Tools

Ende 2023 wurde klar, dass der OpenAI-Account an seine Grenzen stiess. Die Herausforderungen häufen sich: Zugang zu neün Features wie dem Code Interpreter erforderte Plus-Subscriptions, was zu einem administrativen Chaos mit individuellen Kreditkarten führte. "We ended up, literally, you know, the credit card flying off and trying to keep track of who has a subscription. That was very difficult to manage," beschreibt Mathieu die Situation. Gleichzeitig wuchs das Interesse an Anthropic-Modellen wie Claude, die besonders für Content-Creation ihre Stärken hatten.

Die Evaluierung professioneller Lösungen folgte einer klaren Drei-Phasen-Vision:

Phase 1: Professionalisierung – Migration der Nutzer auf eine Plattform mit besserer Governance, Analytics und Admin-Kontrolle, ohne das Momentum zu verlieren.

Phase 2: Integration – Anbindung interner Dokumente und Datenquellen, denn "the value of these tools really is unleashed when you connect them with your documents and your internal documentation and knowledge base."

Phase 3: Automation – Assistenten, die nicht nur Informationen generieren, sondern auch Aktionen ausführen können. "If you actually write an email with ChatGPT and you finish it, why not have a button to actually send it and even schedule the email itself?"

LangDoc erfüllte alle diese Kriterien am besten. Besonders die Modell-Agnostik – die Möglichkeit, OpenAI, Claude und Mistral parallel zu nutzen – war entscheidend. Heute nutzen etwa 700 Mitarbeiter LangDoc, mit stetig wachsender täglicher Nutzung.

"We're very keen to support people at GetYourGuide to do what they are really passionate about. If there is a connection with what the company wants and needs, that's a perfect match."

Assistenten statt All-in-One: Der spezialisierte Ansatz

Mathieu verfolgt eine klare Philosophie bei KI-Assistenten: Spezialisierung statt Generalisierung. Während ein generischer Assistent mit Zugriff auf alle Unternehmensdokumente seinen Platz hat, sieht er die größte Produktivitätssteigerung in hochspezialisierten Assistenten für konkrete, repetitive Aufgaben.

"I see more that you have a collection of assistants, and maybe your team has a few that are shared with other teams, or maybe some of them are just personal to you or personal to your team to do one specific task and do it very well."

Das Beispiel Bug-Triage illustriert diesen Ansatz perfekt. Theoretisch könnte ein generischer Assistent mit Zugriff auf alle Team-Informationen Bugs zuordnen. Praktisch funktioniert jedoch ein spezialisierter Assistent besser, bei dem die Team-Struktur im Prompt explizit aufgelistet ist. "You control this assistant, in a prompt you list what the teams are. And you have to keep that up to date, by the way, because the team names and structure change all the time. You create this assistant, you test it, and the only role of the assistant is to do bug triage." Dies macht den Assistenten deterministischer und einfacher zu debuggen.

Ein weiterer konkreter Anwendungsfall ist der Slack-Bot für Wissensmanagement und Support. Dieser Bot ist an verschiedene Dokumentationsquellen angebunden – Google Docs, Backstage, Google Sites, Intranet – und kann HR-Fragen oder technische Support-Anfragen beantworten. Besonders clever: Der Bot ist in etwa 50 Support-Slack-Channels aktiv und gibt automatisch eine erste Antwort auf Anfragen. "That first reply would in some cases basically resolve the concern or the question without having a human basically look into it." Dies entlastet die Engineers im Support-Rotation erheblich und gibt ihnen mehr Zeit für Deep Work.

Bislang wurden etwa 150 Assistenten erstellt, wobei ein Dutzend regelmässig genutzt werden. Viele entstanden in Workshops oder als Tests. Der Ansatz ist bewusst dezentral: "The understanding of what to do, the process mapping has to come from them. We don't have the capacity to go deep into each single one of those processes." Stattdessen setzt Mathieu auf Self-Service-Dokumentation, Videos, Best-Practice-Präsentationen und Office Hours für individuelle Unterstützung.

Adoption durch Wiederholung und strategische Events

Die Adoption von 700 Mitarbeitern geschah nicht durch einen Big Bang, sondern durch konseqünte Wiederholung der immer gleichen Erfolgsrezepte. "I think we worked hard to maintain that momentum. And I think the key ingredients are always the same: documentation, videos, newsletter, and events."

Ein strategischer Meilenstein war das jährliche Summer Summit von GetYourGuide, bei dem alle Mitarbeiter für eine Woche zusammenkommen. Mathieu erhielt dort einen prominenten Slot für AI und LangDoc. "After that event, we saw quite a nice uptake of usage as well. So I think it's a bit about this repetition. If you see it from different corners – not only your colleagues are using it, but then you see it at one of the internal presentations and then you see it at one of our all-hands meetings."

Die Unterstützung durch das Top-Management war dabei essentiell, aber bei GetYourGuide keine Herausforderung: "They are of course very keen to see what we can do with this technology." Diese Kombination aus Grassroots-Movement und Executive-Support schuf ideale Bedingungen.

Dennoch sieht Mathieu noch enormes Potenzial: Trotz 700 Nutzern auf LangDoc kämpfen viele mit Prompt Design und Prompt Engineering. "I think there's still many, many opportunities for each team to get more value out of Gen-AI than they are today. I think we are still at the beginning."

Die Vision: 50% Daily Active Users und integrierte Workflows

Das aktuelle Ziel für Ende 2024 ist ambitioniert: "We are looking into finishing off this year with 50% of GetYourGuide staff using Gen-AI daily." Aktuell liegt die Daily Active User Rate bei etwa 30%, während die wöchentliche Nutzung bereits nahe 50% liegt.

Der Schlüssel zu diesem Ziel liegt in den Assistenten. Derzeit sind die meisten Nachrichten auf LangDoc noch Standard-Chats mit GPT oder Claude. "Once this share of messages comes from assistance and not from vanilla LLMs, I think the adoption will naturally also grow from that." Assistenten fördern regelmässige Nutzung, weil sie spezifische, wiederkehrende Aufgaben lösen.

Voraussetzung dafür sind weitere Integrationen: Jira, Slack, E-Mail-Systeme und weitere Tools müssen angebunden werden, damit Assistenten auf aktuelle Daten zugreifen können. Die nächste Stufe sind dann Assistenten, die im Hintergrund laufen und autonom Aktionen ausführen – etwa ein Assistent, der mit dem E-Mail-Postfach verbunden ist und definierte Aufgaben selbstständig erledigt, mit Human-in-the-Loop-Mechanismus bei unerwarteten Situationen.

Gleichzeitig beobachtet Mathieu die Entwicklung von AI-Add-ons in bestehenden Tools wie Slack, Google Gemini oder Jira AI mit Interesse. Diese haben den Vorteil, tief in ihre jeweilige Plattform integriert zu sein, sind aber auf diese beschränkt. "LangDoc is a great solution for connecting those dots" zwischen verschiedenen Systemen – ein Alleinstellungsmerkmal, das auch in Zukunft relevant bleiben duerfte.

"I see more that you have a collection of assistants, and maybe your team has a few that are shared with other teams, or maybe some of them are just personal to you or personal to your team to do one specific task and do it very well."

Kernaussagen

Experimentation als Fundament — Bottom-Up-Ansatz mit strukturierter Experimentierphase statt Top-Down-Vorgabe. Champions und Community-Building treiben die Adoption.
Momentum durch Wiederholung — Die immer gleichen Erfolgsrezepte konseqünt umsetzen: Dokumentation, Videos, Newsletter und Events.
Integration entfesselt den Wert — KI-Tools werden erst richtig mächtig, wenn sie mit internen Dokumenten und Wissensdatenbanken verbunden sind.
Spezialisierte Assistenten statt All-in-One — Eine Sammlung von Assistenten, die jeweils eine spezifische Aufgabe exzellent erledigen, schlägt den generischen Ansatz.
Ambitionierte, messbare Ziele — 50% Daily Active Users bis Ende 2024 als konkreter Meilenstein bei aktuell 30% täglicher Nutzung.
Wir stehen noch am Anfang — Trotz beeindruckender Zahlen sieht Mathieu enormes ungenutztes Potenzial. Prompt Engineering bleibt für viele Teams eine Herausforderung.

Fazit und Takeaways

Für Unternehmen, die mit KI-Adoption starten

Bottom-Up statt Top-Down: Beginnen Sie mit strukturierter Experimentation und identifizieren Sie Champions, statt eine fertige Lösung von oben durchzudrücken
Community-Building ist essentiell: Regelmässige Events, Newsletter und eine AI-Interest-Gruppe schaffen Momentum und Austausch
Dedizierte Ressourcen schaffen: Eine Person oder ein Team, das sich 100% auf das Thema konzentriert, macht den Unterschied – Nebenprojekte funktionieren nicht langfristig
Pragmatisch starten: GetYourGuide begann mit einfachen OpenAI-Accounts für Interessierte, bevor professionelle Tools eingeführt wurden
Messbaren Ziele setzen: Das Ziel von 50% Daily Active Users bis Ende 2024 gibt klare Richtung und erlaubt Erfolgsmessung

Für die technische Implementierung

Modell-Agnostik bewahren: Verschiedene LLMs haben unterschiedliche Stärken; eine Plattform wie LangDoc, die mehrere Modelle integriert, bietet Flexibilität
Spezialisierte Assistenten statt Universal-Tools: Assistenten für konkrete, repetitive Aufgaben liefern bessere Ergebnisse als generische All-in-One-Lösungen
Integration vor Automation: Erst Datenquellen anbinden, dann Assistenten bauen – ohne Zugriff auf relevante Dokumente und Systeme fehlt die Grundlage
Drei-Phasen-Ansatz: Professionalisierung des Zugangs, dann Datenintegration, dann Automation durch spezialisierte Assistenten
Self-Service fördern: Dokumentation, Videos und Office Hours befähigen Teams, eigene Assistenten zu entwickeln, statt auf zentrale Ressourcen zu warten

Für die organisatorische Verankerung

Wiederholung schafft Adoption: Die immer gleichen Erfolgsrezepte (Dokumentation, Videos, Newsletter, Events) konseqünt umsetzen
Strategische Event-Nutzung: Unternehmensweite Events wie das Summer Summit sind ideale Multiplier für Awareness und Adoption
Champions sichtbar machen: Power-User ihre Anwendungsfälle präsentieren lassen inspiriert Fast Followers und Late Adopters
Governance ohne Bremsen: Balance zwischen organisatorischer Kontrolle (Analytics, Zugriffsmanagement) und experimenteller Freiheit finden
Realistische Erwartungen: Trotz 700 Nutzern sieht Mathieu GetYourGuide noch am Anfang – Prompt Engineering bleibt eine Herausforderung

Der Fall GetYourGuide zeigt eindrucksvoll, dass erfolgreiche KI-Adoption weniger eine Frage der perfekten Technologie als vielmehr der richtigen Organisationskultur ist. Die Kombination aus experimentierfreudiger Unternehmenskultur, dedizierter Verantwortung, Community-Building und pragmatischem Tooling schuf ideale Bedingungen. Entscheidend ist die Erkenntnis, dass es sich um einen Marathon und keinen Sprint handelt – mit klaren Meilensteinen wie dem 50%-Daily-Usage-Ziel, aber auch der Demut anzürkennen, dass selbst bei beeindruckenden Zahlen wie 700 aktiven Nutzern noch enormes ungenutztes Potenzial besteht.