Wie man ein AI-First Startup aufbaut

Intro

In dieser Episode spricht Felix mit Benedikt Böringer, Gründer und CEO von Jamie, einem DSGVO-konformen Meeting-Assistenten, der im letzten Jahr knapp 700% gewachsen ist – komplett organisch und gegen Tech-Giganten wie Microsoft und Google. Benedikt gibt tiefe Einblicke, wie sein Team mit unter 20 Personen auf 10 Millionen Euro ARR skalieren will, warum Produktqualität Distribution schlägt und wie KI die DNA des Unternehmens prägt – von Cursor über eigene AI-Pipelines bis zur Vision, in drei Jahren 100 Millionen Euro zu erreichen.

Inhaltsübersicht

Die Entstehungsgeschichte von Jamie – zwei Monate vor dem ChatGPT-Launch vom Problem ausgehend
Warum Jamie trotz Microsoft Co-Pilot und Google Meet erfolgreich wächst
Aktuelle Zahlen: Mehrere tausend Kunden, niedriger bis mittlerer siebenstelliger ARR, 700% Wachstum
Navigationspunkte im dynamischen KI-Markt: Noise filtern, auf Produktqualität fokussieren
KI in der eigenen DNA: Cursor, eigene AI-Pipelines, Clay, ChatGPT im gesamten Team
Die radikale Effizienz-These: 10 Mio. € mit unter 20, 100 Mio. € mit 50 Personen
Human in the Loop: Wann braucht es wirklich noch Menschen – und wann ist es nur Psychologie?
Meeting-Assistenten als Kontextmaschinen für KI-Agenten
Best Practices: Vorlagen, Integration, konsequente Nutzung in allen Meetings
Vision: 100 Mio. ARR in 3 Jahren durch Fokus auf den Meeting-Use-Case

Über den Gast

Benedikt Böringer ist Gründer und CEO von Jamie, einem Privacy-First-Meeting-Assistenten, der seit knapp über drei Jahren am Markt ist. Jamie funktioniert plattformunabhängig – auch bei In-Person-Meetings und ohne Bot – und erstellt automatisiert DSGVO-konforme Meeting-Zusammenfassungen. Das Unternehmen hat mehrere tausend zahlende Kunden, befindet sich im niedrigen bis mittleren siebenstelligen ARR-Bereich und ist im letzten Jahr um knapp 700% gewachsen, komplett organisch über SEO. Benedikt gründete Jamie etwa zwei Monate vor dem ChatGPT-Launch zusammen mit seinem Co-Founder Louis Kaufhörer. Persönlich nutzt er intensiv ChatGPT für Dokumentenerstellung, Datenanalyse und Research sowie natürlich Jamie für alle seine Meetings.

Detaillierte Zusammenfassung

Vom Problem zur Lösung: Die Entstehungsgeschichte

Anders als viele KI-Startups, die nach dem ChatGPT-Launch entstanden, startete Jamie vom Problem ausgehend, nicht von der Technologie. Benedikt und sein Co-Founder bauten zunächst eine Plattform für asynchronen Informationsaustausch, weil sie feststellten, dass Slack zu chaotisch und Notion zu statisch war.

Doch beim Testen mit potenziellen Kunden wurde klar: Das eigentliche Problem war nicht der Speicherort von Informationen, sondern dass unfassbar viele Informationen aus Meetings überhaupt nicht sauber dokumentiert wurden. Benedikt selbst führte damals viele Kundengespräche und merkte, wie viel Fokus beim manuellen Mitschreiben verloren ging.

Die Validierung erfolgte blitzschnell: Innerhalb einer Woche bauten sie eine Website mit Warteliste und Preisindikation, launchten auf LinkedIn – und hatten innerhalb von 24 Stunden mehrere hundert Anmeldungen. Der klare Signal-Moment, dass hier echter Bedarf existierte.

Der Launch erfolgte etwa zwei Monate vor ChatGPT – zu einer Zeit, als KI-Modelle bereits über APIs verfügbar waren, aber der große Hype noch nicht begonnen hatte. "Wir sind vom Problem ausgegangen, nicht von der Technologie", betont Benedikt – der fundamentale Unterschied zu vielen Post-ChatGPT-Startups.

Als Unternehmen im hochdynamischen KI-Markt braucht es klare Orientierungspunkte. Benedikt beschreibt seine Learnings auf zwei Ebenen:

Auf Company-Level:

Noise filtern: Nicht jede neue Technologie ist automatisch besser. Wenn ein neues KI-Modell erscheint, prüft Jamie rigoros, ob es wirklich eine Verbesserung für den Nutzer bringt. "Neuer bedeutet nicht gleich immer besser", betont Benedikt. Die Priorität liegt auf Produktqualität, nicht auf dem neuesten Tech-Stack.
Kontinuierliche Infrastruktur-Anpassung: Wenn bessere Modelle verfügbar sind, die echten Mehrwert bringen, werden sie natürlich integriert.
Fokus auf Produktqualität statt Kosten: Die Optimierung läuft auf die beste Zusammenfassung für Nutzer, nicht primär auf Kostenreduktion.

Auf persönlicher Ebene: Anfangs war jede neue Competition – etwa als Microsoft Co-Pilot Meeting-Zusammenfassungen ankündigte – eine emotionale Herausforderung. Benedikt erinnert sich an einen Moment in San Francisco, als Co-Pilot launching wurde: "Für mich persönlich war das damals eine sehr herausfordernde Zeit."

Heute hat er gelernt, sich wesentlich stärker auf die eigenen Stärken zu fokussieren, sehr nah am Kunden zu bauen und weniger auf Wettbewerber zu schauen. Das Resultat: "Unser letztes Jahr war das Beste, obwohl es objektiv gesehen die meiste Competition gab."

Unser letztes Jahr war das Beste, obwohl es objektiv gesehen die meiste Competition gab.

Ein weiterer Erfolgsfaktor war der frühe Fokus auf SEO: Jamie setzte sehr früh auf Content und platzierte sich bei relevanten Keywords, bevor der AI-Hype kam. Als dann das Search-Volume explodierte, profitierten sie massiv.

Produktstrategie gegen Tech-Giganten

Die zentrale Frage: Wie konkurriert Jamie gegen Microsoft Co-Pilot, Google Meet und Zoom – allesamt mit eigenen Meeting-Zusammenfassungs-Features und riesiger Nutzerbasis?

Benedikts Antwort ist klar:

1. Überlegene Produktqualität durch Fokus
"Am Ende kommt es sehr stark auf die Produktqualität an. Das ist unser Fokus – wir stecken all unsere Energie genau da rein. Während für die Großen das nur ein kleiner Teil ist." Meeting-Zusammenfassungen sind Jamies Kerngeschäft, nicht ein Feature unter vielen. Kunden mit Co-Pilot-Lizenz kaufen trotzdem Jamie, weil die Qualität besser ist – detaillierter, akkurater, hilfreicher.

2. Plattformunabhängigkeit als Killer-Feature In der Realität finden Meetings nicht nur in einer Plattform statt. Menschen springen zwischen Zoom, Teams, Google Meet – und haben auch Meetings, die in Person stattfinden. Jamie funktioniert überall, auch ohne Bot im Meeting, auch offline. Alle Meeting-Zusammenfassungen landen an einem zentralen Ort.

3. Privacy-First als Differentiator Die DSGVO-konforme Lösung ohne "lästigen Bot" spricht vor allem europäische Enterprise-Kunden an, für die Datenschutz entscheidend ist.

Historische Beispiele zeigen: Fokussierte Best-of-Breed-Lösungen können gegen Plattform-Player gewinnen. Benedikt nennt Dropbox (gegen Google Drive/OneDrive) und Superhuman (gegen Gmail) als Erfolgsbeispiele.

KI in der eigenen DNA

Als Unternehmen der "ersten KI-nativen Generation" denkt das Jamie-Team fundamental anders über Arbeit. Das Grundprinzip: Bei jedem Problem wird zuerst gefragt: Lässt sich das automatisieren statt über Human Capital lösen?

"Wir denken viel, viel stärker grundsätzlich erstmal in Automatisierung", erklärt Benedikt. "Oftmals ist die Antwort noch nein, aber der Denkansatz ist ein anderer."

Konkrete Tools und Anwendungen:

Cursor für Produktentwicklung: Massiver Geschwindigkeitsgewinn im Engineering-Team (auch wenn nicht exakt gemessen)
Eigene AI-Pipeline im Customer Success: Angebunden an Dokumentation und Wissensdatenbank, generiert Antwort-Vorschläge, die Mitarbeiter dann prüfen und versenden. "Was enorm viel Arbeit gespart hat, was früher so nicht möglich gewesen wäre."
Clay für Sales-Prozessautomatisierung und Lead-Research
ChatGPT teamweit: Für Dokumentenerstellung, Formulierungshilfen, Datenanalyse, Research
AI-Features in bestehenden Tools: Z.B. Figma AI für Bildbearbeitung (virtuelle Zoom-Backgrounds) – Benedikt war beeindruckt von der Qualität
Jamie selbst – natürlich für alle internen und externen Meetings

Der kulturelle Shift:
"Wenn jemand bei uns im Team vor einem Problem steht, wird nicht direkt der Kollege gefragt, sondern erstmal mit ChatGPT geschaut, wie man das Problem selber lösen kann. Das ist enorm wichtig."

Die radikale Effizienz-These

Auf die Frage, wie viele Menschen Jamie braucht, um auf 10 bzw. 100 Millionen Euro ARR zu skalieren, gibt Benedikt bemerkenswerte Zahlen:

10 Mio. € ARR: unter 20 Personen (nur 3 mehr als jetzt bei aktuellem niedrigen bis mittleren siebenstelligen ARR)
100 Mio. € ARR: etwa 50 Personen

"Das wäre vor zehn Jahren so nicht möglich gewesen", betont Benedikt.

Die Effizienzgewinne kommen aus mehreren Bereichen:

Extrem produktives Engineering (Cursor, KI-Tools)
Automatisierter Customer Success (AI-Pipeline)
Effizientes, organisches Marketing (SEO, Content)
Automatisierte Sales-Prozesse (Clay für Outreach, Lead Research)

Wichtiger Caveat: Die Go-to-Market-Motion macht den Unterschied. Bei einem sehr sales-getriebenen Modell mit vielen persönlichen Meetings braucht es trotz Virtual Sales Avataren noch Menschen. Aber drumherum – Outreach, Follow-ups, Lead Research – lässt sich massiv automatisieren. Die Kernel-Wertschöpfung liegt in der Produktentwicklung, und dort sind die Produktivitätsgewinne durch KI enorm.

Human in the Loop: Psychologie vs. Technologie

Ein faszinierendes Thema, das Felix und Benedikt ausführlich diskutieren: Wo braucht es wirklich noch Menschen?

Benedikts aktueller Ansatz bei Customer Success:

AI generiert Antworten basierend auf Dokumentation
Mensch liest final drüber und approved
Grund: "Es ist uns am Ende wichtig, dass da nochmal eine Person drüber liest, dass auch die richtigen Antworten gegeben werden."

Felix' Provokation: Er argumentiert, dass agentische KI bereits weiter ist, als viele denken. Die meisten Probleme liegen nicht an der Technologie, sondern an:

Alten, ungepflegten Systemen
Unklaren Prozessen
Fehlender Datenqualität

Bei klaren Prozessen (z.B. Support mit klaren Ticket-Klassifikationen, Dokumentation, Routing) könnte der Automatisierungsgrad deutlich höher sein. Mehrere Agenten könnten sich gegenseitig kontrollieren. Die Error-Rate von AI liegt bei ~1%, aber Menschen haben auch ~1% Fehlerquote.

Benedikts Eingeständnis:
"Das ist bestimmt auch einfach ein psychologisches Thema mit Kontrolle." Er verweist auf medizinische Diagnosen, wo KI statistisch besser abschneidet als Menschen, aber trotzdem nicht allein entscheidet. "Ich glaube, ich bin von diesem Bias auch nicht ganz befreit."

Die Prognose: Auch Benedikt glaubt, dass vollständige Automatisierung in vielen Bereichen kommen wird – aber der psychologische Bias zu Kontrolle und menschlichem Judgment ist noch stark verbreitet.

Meeting-Assistenten als Kontextmaschinen

Ein Kernthema der Episode: Meeting-Assistenten sind nicht nur Notiz-Tools, sondern Kontextmaschinen für KI-Agenten.

Felix' These: "Umso akkurater, sauberer, relevanter der Kontext ist, den ich meinen KI-Agenten bereitstellen kann, umso kontextualisierter, spezifischer werden die Antworten und Ergebnisse. Wenn meine KI-Agenten ein besseres Verständnis davon haben, was bei mir in der Firma wann, wie, wo, mit wem passiert ist, umso eher können sie darauf Bezug nehmen."

Umso akkurater, sauberer, relevanter der Kontext ist, den ich meinen KI-Agenten bereitstellen kann, umso kontextualisierter, spezifischer werden die Antworten und Ergebnisse.

Das Problem: Einmalig Wissen aufzubauen (Dokumentation über Produkte, Prozesse) ist das eine. Aber jeden Tag passiert Neues – vor allem in Meetings. Meeting-Assistenten sind Kontextproduktionsmaschinen, die kontinuierlich aktuellen, relevanten Kontext generieren.

Die große Herausforderung: Wie macht man diesen Kontext für Agenten optimal nutzbar?

Felix beschreibt seinen Workaround:

Transkript → Agent → Mini-Zusammenfassung → Notion-Seiten
Diese werden zur Wissensdatenbank, auf die Agenten zugreifen

Jamies Roadmap: Benedikt arbeitet an Briefings: Vor jedem Meeting bekommt man Kontext basierend auf:

Vergangene Konversationen mit dieser Person
Vergangene Meetings zu diesem Thema
Kalender-Infos, E-Mails, öffentliche Informationen

"Ein super spannendes Thema und auch ein sehr komplexes", gibt Benedikt zu. Die Integration verschiedener Datenquellen (CRM, Notion, Slack, etc.) bleibt eine Herausforderung – "aber ich sehe da auch sehr viel Potenzial und enormes Wertschöpfungspotenzial."

Best Practices: Meeting-Assistenten richtig nutzen

Benedikt teilt drei essenzielle Prinzipien für maximalen Nutzen:

1. In allen Meetings nutzen
"Was super wichtig ist, dass man es in allen Meetings benutzt." Man weiß während des Meetings noch nicht, welche Information man später brauchen wird. Nur wer konsequent alle Meetings zusammenfassen lässt, kann später über Chat-Funktionalitäten darauf zugreifen – zum Beispiel fragen: "Wie hat sich Projekt XYZ über die letzten Wochen entwickelt?"

2. Vorlagen für verschiedene Meeting-Typen Ein Recruiting-Interview braucht ein anderes Output-Format als ein Sales-Call. Standardisierte Vorlagen stellen sicher, dass immer die relevanten Informationen (Gehaltsvorstellung, Startdatum, Vollzeit/Teilzeit etc.) erfasst werden. "Dass die Zusammenfassung eben nicht generisch ist, sondern schon einfach in einem Output-Format, das man haben möchte." Laut Benedikt nutzen 30-40% der Jamie-Nutzer diese Funktion.

3. Integration in bestehende Workflows Im Optimalfall werden im Sales direkt CRM-Felder gefüllt und Zusammenfassungen dort abgelegt. Wichtig: "Dass es wirklich die Meeting-Notizen optimal in den eigenen Workflow integriert werden und vor allem auch in den bestehenden Workflow – dass der nicht disrupted wird, sondern einfach da wirklich eine Ergänzung ist."

Vision und Zukunft: 100 Mio. ARR aus Europa

Benedikts ambitionierte Vision für die nächsten drei Jahre: "Ich möchte mit Jamie auf über 100 Millionen ARR skalieren aus Europa heraus und letzten Endes jegliche Form von Busy Work rund um Meetings eliminieren."

Die Produktvision geht weit über Zusammenfassungen hinaus:

Context Enrichment während Meetings
Aufgaben direkt automatisieren aus Meetings heraus
Briefings vor Meetings erstellen

Die Wettbewerbsstrategie: "Wenn wir uns sehr stark auf den Meeting-Use-Case fokussieren und von dem Problem heraus arbeiten, können wir uns sehr gut gegen die größeren Player wie Microsoft und Google absetzen."

Vergleichbare Erfolgsbeispiele:

Superhuman für Inbox (später an Grammarly verkauft) – eine "Luxury-App" für Menschen mit vielen E-Mails
Dropbox für File-Sharing – trotz Google Drive, OneDrive etc. erfolgreich

Die Gemeinsamkeit: Fokussierung auf spezifischen Use Case mit überlegener Qualität schlägt breite Distribution der Tech-Giganten.

KI-Markt: Noch lange nicht am Peak

Auf die Frage, ob wir die Spitze der KI-Entwicklung erreicht haben, ist Benedikt klar: "Persönlich die Spitze haben wir noch lange nicht erreicht. Es wird noch in dem Tempo der Entwicklungsgeschwindigkeit weitergehen."

Wichtig: Jamie ist nicht abhängig von weiteren Modell-Verbesserungen für ihre aktuelle Vision. "Es würde uns helfen, aber das, was ich mir jetzt gerade vorstelle, da sind wir nicht darauf angewiesen, dass noch technologische Fortschritte kommen."

Spannende Entwicklung: Benedikt erwähnt Merge Labs (gegründet von Sam Altman und Alex Blanier, einem Deutschen), die ähnlich wie Neuralink an der Verknüpfung von biologischer und künstlicher Intelligenz arbeiten. "Ich bin sehr gespannt, wie sich die Entwicklung zwischen der menschlichen Intelligenz und der KI entwickelt."

Kulturelle Akzeptanz in Unternehmen

Überraschenderweise gibt es laut Benedikt kaum Widerstände bei der Einführung in größeren Unternehmen: "Bisher eigentlich nicht wirklich." Datenschutz ist wichtig (daher DSGVO-Konformität), aber keine größeren Beschwerden über Meeting-Aufzeichnung.

Benedikts Interpretation: "Unser Produkt gibt ja jetzt kein Judgment oder keine Evaluierung nach einem Meeting, sondern fasst ja wirklich einfach nur das Besprochene zusammen. Objektiv – ich glaube objektiver kann man es nicht zusammenfassen."

Felix' Einschätzung: Wenn es Widerstände gibt, ist es oft ein Kultur-Test – ob eine Organisation transparent und offen oder eher defensiv und verschlossen ist. "KI wird am Ende nicht die Kultur fixen."

Kernaussagen

Problem first, Technologie second — "Wir sind vom Problem ausgegangen, nicht von der Technologie. Anders als viele Startups nach ChatGPT haben wir erst das echte Problem gesucht und dann die Lösung gebaut." Validierung, Produktentwicklung
Produktqualität schlägt Distribution — "Am Ende kommt es sehr stark auf die Produktqualität an. Das ist unser Fokus – wir stecken all unsere Energie genau da rein. Während für die Großen das nur ein kleiner Teil ist." Wettbewerb, Fokus
Automatisierung als Default-Denkweise — "Wir denken viel, viel stärker grundsätzlich erstmal in Automatisierung. Wenn wir ein Problem haben, schauen wir: Lässt sich das anders lösen als über Human Capital?" KI-native Kultur, Effizienz
AI-First-Kultur im Team — "Wenn jemand bei uns im Team vor einem Problem steht, wird nicht direkt der Kollege gefragt, sondern erstmal mit ChatGPT geschaut, wie man das Problem selber lösen kann. Das ist enorm wichtig." Teamkultur, Eigenverantwortung
Radikale Effizienz durch KI — "Mit unter 20 Personen auf 10 Millionen Umsatz, mit 50 auf 100 Millionen. Das wäre vor zehn Jahren so nicht möglich gewesen." Skalierung, Lean Operations
Fokus auf eigene Stärken — "Wir fokussieren uns wesentlich stärker auf uns selbst. Unser letztes Jahr war das Beste, obwohl es objektiv gesehen die meiste Competition gab." Mindset, Wettbewerb
Noise filtern statt Hypes folgen — "Neuer bedeutet nicht gleich immer besser. Wir prüfen hart, ob ein neueres Modell eine wirkliche Verbesserung für den Nutzer bringt." Technologiebewertung, Pragmatismus

Fazit und Takeaways

Für Gründer von KI-Startups

Problem first, Technologie second: Starte vom echten Nutzerproblem, nicht von der verfügbaren Technologie – auch im KI-Zeitalter
Fokus schlägt Distribution: Auch gegen Tech-Giganten kann man mit überlegener Qualität in einer Nische gewinnen
Noise filtern ist entscheidend: Nicht jede neue AI-Innovation sofort übernehmen – hart prüfen, was wirklichen Wert bringt
Früh auf SEO setzen: Bei steigendem Search-Volume in einem Hype-Markt profitieren
Validierung geht schnell: Landingpage + Warteliste kann in 24h zeigen, ob echte Nachfrage besteht

Für Unternehmen, die KI einsetzen

Automatisierung als Default-Denkweise: Bei jedem Problem zuerst fragen, ob es automatisiert lösbar ist
Kulturwandel etablieren: Team dazu anhalten, erst mit AI-Tools zu arbeiten, bevor Kollegen gefragt werden
Human in the Loop kritisch hinterfragen: Viele Prozesse könnten bereits heute stärker automatisiert werden – oft ist es ein psychologisches Kontrollthema, keine technologische Limitation
Kontext ist King: Meeting-Kontext systematisch sammeln und für AI-Agenten nutzbar machen
Die Tools sind da: Cursor, ChatGPT, eigene AI-Pipelines – Produktivitätsgewinne sind massiv möglich

Für Nutzer von Meeting-Assistenten

Konsequent in allen Meetings nutzen: Man weiß vorher nicht, welche Info später fehlt
Vorlagen für verschiedene Meeting-Typen erstellen (Recruiting, Sales, Projekt-Updates)
In bestehende Workflows integrieren (CRM, Projektmanagement-Tools) – nicht disrupten, sondern ergänzen
Chat-Funktionalität nutzen, um Entwicklungen über mehrere Meetings hinweg zu tracken

Ausblick

Die Entwicklung von KI ist noch lange nicht am Ende. Unternehmen, die KI wirklich in ihre DNA integrieren, können mit dramatisch kleineren Teams skalieren als je zuvor – 10 Mio. € mit unter 20, 100 Mio. € mit 50 Personen sind realistisch. Der Wettbewerb wird sich verschärfen, aber fokussierte, qualitativ überlegene Lösungen haben auch gegen Tech-Giganten eine Chance – wenn sie nah am Kunden bleiben und echte Probleme lösen. Meeting-Assistenten entwickeln sich dabei zu zentralen Kontextmaschinen, die das Benzin für die nächste Generation von KI-Agenten liefern.

#67Wie man ein AI-First Startup aufbaut