PODCAST
Was wurde aus den 7 AI-ANTI-TRENDS 2026?
Der Reality-Check

TRANSKRIPT

Die 7 AI-ANTI-TRENDS 2026 – Der Reality-Check

Andreas:
Hallo zusammen zu einer weiteren Folge AI or Die. Anfang des Jahres hatten wir eine Folge, die so erfolgreich war, dass ich gesagt habe: Da müssen wir jetzt noch einmal kurz überlegen, wo wir mittlerweile stehen.

Christian und ich haben damals die Anti-Trends gemacht. Also: Was müssen wir eigentlich erledigen? Was müssen wir tun, damit wir für die Trends überhaupt bereit sind?

Dann haben wir gemerkt: Alle reden am Anfang des Jahres über Trends und so weiter. Wir haben uns stattdessen gefragt: Was sind die Anti-Trends? Also auch die Themen, über die sich nicht so viele Leute unterhalten wollen.

Jetzt ist das ein halbes Jahr her. Deshalb habe ich gesagt: Christian, wollen wir nicht noch einmal einen Recap machen und schauen, wo die Anti-Trends hingewandert sind und wo eigentlich die Trends geblieben sind?

Bei vielem, was du damals gesagt hast, hast du ein halbes Jahr später wirklich recht behalten. Deswegen gehen wir noch einmal gemeinsam durch: Was sind die Anti-Trends und was hat sich davon bewahrheitet?

Moin, Christian.

Christian:
Ja, Andreas. Schön, dass wir wieder hier sein dürfen.

Überall Agenten einsetzen?

Andreas:
Eine Kernthese, die wir damals immer wieder hatten und auch vertieft haben, hört dazu gerne noch einmal in die andere Podcast-Folge rein, war: überall Agenten einsetzen. Du hast damals gesagt: Pick your battles. Schaut euch an, was wirklich wichtig ist. Womit geht man mit KI?

Wie hat sich das jetzt bei euren Kunden bewahrheitet? Wie war das letzte halbe Jahr für dich? Wie viel habt ihr gemacht, wie viel nicht? Was ist da so los? Erzähl mal ein bisschen über Agenten.

Christian:
Ja, brandaktuelles Thema. Wir hatten es auch gerade im letzten Podcast mit meinem Kollegen Nico darüber.

Ich finde, einer der interessantesten Punkte, wenn man sich die Entwicklungen betrachtet, gerade auch dieses Jahr bei vielen unserer Kunden: Die Lücke wird immer größer zwischen dem, was technisch möglich ist, denn das Wachstum ist rasant, und dem, was man tatsächlich noch orchestrieren, kontrollieren und vernünftig organisieren kann.

Auf der einen Seite sehen wir die Erwartungshaltung, mit Agents zu arbeiten, die selbstständig Entscheidungen treffen und Verantwortung für diese Entscheidungen tragen können. Auf der anderen Seite fehlen häufig die Kapazität und die Möglichkeiten, das alles entsprechend zu organisieren.

Da sehe ich aktuell den größten Misfit.

Andreas:
Was mir bei Nico auch noch einmal in Erinnerung geblieben ist, war definitiv die Kostenfrage. Wenn ich jetzt auf alles Agents setze, scheinen die momentan noch kostengünstig. Wir wissen aber gar nicht, wie sich das alles entwickelt.

Wir haben zum Beispiel bei Anthropic gelernt: LLMs können auch richtig Geld kosten. Nur weil momentan vieles kostenlos oder sehr günstig angeboten wird, heißt das nicht, dass das so bleibt. Wenn die Durchdringung zunimmt und die Anbieter miteinander im Wettbewerb stehen, werden irgendwann auch die Geschäftsmodelle greifen.

Das heißt: Wenn ich einfache Lösungen, die ich vielleicht auch anders hätte lösen können, mit Agenten umsetze, die das zwar machen, war es das dann eigentlich wert? Oder muss ich später wieder downgraden und andere Lösungen einsetzen?

Das ist mir als wichtige Lesson Learned hängen geblieben.

Christian:
Absolut. Nicht alles, was heute als agentischer Use Case umgesetzt wird, braucht auch wirklich einen Agenten. Da sind wir uns, wenn wir uns mit dem Thema beschäftigen, ziemlich schnell einig.

Es hört sich immer gut an und klingt nach einer schnellen, einfachen Lösung. Aber wie du sagst: Die Modelle werden in irgendeiner Form auch teurer werden und die Kosten muss man im Blick behalten. Eine einfache Lösung zu fahren, ist nicht zwangsläufig ein Rückschritt. In vielerlei Hinsicht ist sie oft einfach das Optimum.

Wenn du dir bei IKEA einen Schrank kaufst, der nicht in deinen Porsche passt, wirst du dir keinen 7,5-Tonner mieten, um ihn nach Hause zu bringen, sondern vielleicht einen kleinen Anhänger. Man muss es immer in Relation setzen.

Tool first oder Problem first?

Andreas:
Damit dockst du schon an den Anti-Trend Nummer zwei an, den du immer wieder genannt hast: Wir dürfen uns nicht in irgendwelchen Tool-Fragen verlieren. Wir müssen als Erstes die Probleme und Herausforderungen identifizieren und nicht sagen: „Wir kaufen jetzt ein Tool, wir nutzen jetzt überall Agenten und machen morgen nur noch Chatbots.“ Und dann suchen wir im Nachhinein das passende Problem, das wir damit lösen können.

Du warst immer der Vertreter, der gesagt hat: Ihr habt bereits verschiedene Probleme. Datenqualität ist eine Voraussetzung. Ihr müsst sagen: Was sind meine Use Cases? Wo liegen die richtigen Anwendungsfälle?

Wir haben mittlerweile auch große Installationen gesehen, bei denen eine Million Euro ausgegeben wurden und dann irgendwo versucht wird, einen Use Case dafür zu finden. Ihr habt dagegen immer gesagt: Wir lösen mit dem richtigen Tool die richtige Sache.

Einen Werkzeugkoffer zu besitzen ist clever. Aber man muss definitiv nicht jedes Werkzeug besitzen.

Christian:
Das ist richtig. Du hast es ganz gut formuliert: Kaufe ein Tool und suche mir danach das Problem. Das ist grundsätzlich der falsche Weg.

Ich kaufe mir auch nicht eine BahnCard und denke mir danach: Wo fahre ich jetzt eigentlich hin?

Ich überlege mir zuerst: Was habe ich vor? Wo will ich hin? Und womit kann ich das am besten erledigen?

Wenn du einen Use Case hast, hast du im Optimalfall ein klares Ziel vor Augen und einen klar messbaren Wert, den du verbessern willst.

Wenn du diesen Wert kennst – ob das Zeitersparnis bei Mitarbeitenden ist, mehr Kundenfrequenz oder etwas anderes – kannst du aus deiner Herausforderung ableiten, was das richtige Tool ist. Ein Tool anzuschaffen unter dem Deckmantel „Wir müssen KI machen“ und danach zu überlegen, was man damit machen kann, wird nicht zum Erfolg führen.

Andreas:
Wir hatten das damals auch nach dem Motto: Den Business Value solltest du immer höher bewerten. Klar kannst du viele Einsparungen durch KI machen. Aber man muss auch überlegen: Was machen die Menschen mit der freigeschaufelten Zeit?

Wenn Menschen dafür angestellt waren, ein Problem nach Schema F zu lösen, reicht es nicht, sie einfach zu ersetzen und die Kosten zu reduzieren.

Man muss sich überlegen: Wie kann ich wirklich Business Value mit KI erzeugen?

Das passiert nicht, indem ich mir ein Tool anschaffe, mir die Funktionen anschaue und sage: „Das wäre eine super Idee.“ Ich muss zuerst Konzepte entwickeln und überlegen: Wo möchte ich hin? Wo kann ich mit KI Leistungen für meine Kunden anbieten, die ich vorher nicht hatte?

Wir führen immer wieder dieselbe Diskussion: Wie werde ich effizienter?

Aber in Wirklichkeit muss man sich auch die Frage stellen, die du schon als Anti-Trend am Anfang des Jahres gestellt hast: Wo sind die neuen Möglichkeiten mit KI?

Deutsch gedacht ist häufig erst einmal: Wie werden wir effizienter?

Die Zeit ist aber vorbei. Wir müssen auch anders denken und fragen: Wo sind die Chancen der KI? Was können wir damit neu machen?

Ein Modell allein reicht nicht

Christian:
Absolut. Aber auch da muss man natürlich wieder wissen: Neue Technologien lösen ein Problem nicht automatisch. Selbst wenn ich mein Problem kenne und mir die richtige Technologie ausgesucht habe, ist das noch kein Wundermittel. Es geht nicht nur um das Modell. Du musst an dieser Stelle auch den Geschäftskontext verstehen.

Genau daran sehen wir oft, dass es scheitert. Ein Modell kann sehr viel, ein Tool kann sehr viel für dich erledigen. Wenn ich aber den Geschäftskontext nicht kenne und nicht in der Lage bin, meinem Tool genau das mitzugeben, was ich am Ende als Ergebnis haben möchte, fehlt ein entscheidender Teil.

Dann ist auch ein riesiges System nur mit Kanonen auf Spatzen geschossen.

Noch schlimmer wird es, wenn ich heute ein Agentensystem einsetze und die Datengrundlage nicht vernünftig gepflegt ist. Bei einem klassischen Dashboard habe ich eine Zahl gesehen und vielleicht sofort gedacht: Die kann nicht stimmen. Heute schaffen es Modelle, ein völlig unrealistisches Ergebnis plausibel darzustellen, weil sie eine gewisse Intelligenz besitzen.

Umso wichtiger ist es, diese Tools immer im richtigen Kontext und mit den richtigen Quellen einzusetzen.

Andreas:
Damit die Systeme das vernünftig machen können, brauchst du vernünftige Datenqualität. Wenn du aus schlechter Datenqualität deine AI-Anwendungen und Use Cases baust, wird die KI versuchen, die Ergebnisse trotzdem plausibel darzustellen. Das ist natürlich eine Gefahr. Die Ergebnisse wirken dann so, als wären sie richtig.

Deshalb ist Datenqualität ein typischer Anti-Trend: Darüber redet wieder niemand.

Wenn wir eine vernünftige Datenqualität haben, wenn die Daten sauber gepflegt sind und Menschen mit Fachwissen dafür sorgen, dass die Qualität stimmt, können auch AI-Modelle vernünftig eingesetzt werden. Das ist im Grunde dasselbe wie früher beim Data Warehouse: „Unser Data Warehouse ist sauber, darauf könnt ihr eure Dashboards bauen.“ Das war schon damals nicht immer der Fall.

Und genau dasselbe wird mit AI-Modellen passieren: Du musst dich um die Datenqualität kümmern.

Es wird immer wieder darüber gesprochen, welche Jobs wir ersetzen können und was AI alles leisten kann. Aber der Anti-Trend ist eigentlich: Die Menschen müssen an den Daten arbeiten und an der Datenbereitstellung. Denn genau daran hapert es in vielen Fällen noch.

Bevor wir darüber sprechen, was alles möglich ist, müssen wir diese Grundlage schaffen.

Ein erfolgreicher PoC ist noch kein Erfolg

Christian:
Und genau da kommen wir auch in das nächste Problem. Heute werden Proofs of Concept extrem schnell und voreilig als Fortschritt oder Erfolg im KI-Bereich gewertet.

Was dabei aber oft außer Acht gelassen wird: Ein PoC findet in einem komplett isolierten Rahmen statt. Kontrollierte Bedingungen. Ausgewählte Daten. Wenige Nutzer. Manuelle Unterstützung über den gesamten PoC-Zeitraum.

Im Betrieb sieht alles wieder komplett anders aus.

Deshalb sehen wir auch häufig, dass PoCs danach nicht produktiv gehen. Die Lösung ist für den alltäglichen Einsatz einfach noch nicht bereit, weil die Rahmenfaktoren im PoC ausgeklammert wurden. Altes Thema: Datenqualität und Verantwortung.

Andreas:
Die Skalierung von AI ist noch einmal ein riesiges Feld. Du kannst auf eine Veranstaltung gehen und erzählen, was für einen tollen PoC du hast. Damit beweist du erst einmal nur, dass KI in deiner Umgebung grundsätzlich möglich ist. Da muss ich auch etwas arrogant sagen: Wenn du Berater bist, hätte ich dir das vorher sagen können.

Ob es dir aber einen Value bringt und skalierbar bei dir ist, ist sehr individuell. Da trennt sich die Spreu vom Weizen.

Die Tool-Hersteller haben zu diesem Zeitpunkt häufig schon verkauft. Die Kunst des Beraters besteht deshalb darin, vorher zu sagen: Setzt du hier auf das richtige Pferd? Ist das skalierungsfähig? Können wir das auch für andere Cases nutzen und nicht nur für diesen einen?

Christian:
Genau.

Andreas:
Deswegen ist immer wieder die Frage: Proof of Value ist interessant. Vielleicht brauchen wir auch einen Proof of Scale.

Kann ich das überhaupt skalieren?

Und gar nicht so sehr: Funktioniert die Technologie?

Dass eine Technologie unter bestimmten Rahmenbedingungen funktioniert, wissen wir mittlerweile. Das kann jeder selbst ausprobieren.

Die entscheidende Frage ist: Funktioniert es unter den Bedingungen, die ich in meinem Unternehmen habe – und erzeugt es dort echten Wert?

Maximale Autonomie ist nicht automatisch maximaler Wert

Christian:
Ich weiß nicht, wie du das in letzter Zeit wahrnimmst, aber für mich kommt noch ein Punkt dazu: Man vertritt offenbar immer stärker die Meinung, je mehr Autonomie ich einem System gebe, desto höher ist der erzeugte Wert. Ich sehe das eher kritisch.

Wir betrachten dabei immer auch das entsprechende Schadenspotenzial.

Das ist ein Thema, das in PoCs oft nicht ausreichend betrachtet wird und später bei der Skalierung wieder über die Füße fällt.

Je mehr Entscheidungen ein Agent treffen darf, desto höher wird der Aufwand für das Team außen herum. Auch das ist etwas, das ich eigentlich schon im PoC berücksichtigen muss, wenn ich die Lösung skalierfähig bekommen möchte.

Und natürlich gilt auch bei den Kosten: Je mehr Autonomie ich einem System gebe, desto höher können die Kosten ausfallen.

Andreas:
Und ich muss natürlich auch berücksichtigen, dass Agenten nicht fehlerfrei sind. Sie müssen überwacht und kontinuierlich verbessert werden. Die Verbesserung wird selbst zum Wettbewerbsvorteil.

Aber wir müssen uns fragen: Welche Fehlerquote erlauben wir?

Menschen haben früher natürlich auch Fehler gemacht. Das war nur schwerer messbar. Bei Agenten müssen wir uns dagegen bewusst fragen: Was passiert, wenn ein System einen Fehler macht?

Es wird die falschen Menschen anschreiben. Es wird vielleicht einmal einen Schadensfall anders regulieren, bei dem ein Mensch mehr Fingerspitzengefühl gezeigt hätte.

Wir reden im Fußball immer wieder darüber, dass wir eigentlich gar keinen Schiedsrichter mehr bräuchten. Wir könnten mit technischem Fortschritt alles automatisieren. Trotzdem steht dort noch jemand auf dem Platz, der die Technik führt und entscheidet, wann sie eingesetzt wird.

Genau darum geht es: Was lasse ich laufen? Was lasse ich machen? Was lasse ich entscheiden?

Denn das Besondere, das eine Marke ausmacht, lässt sich nicht immer in einer Maschine abbilden.

Deshalb muss man schauen: Wo brauche ich den Menschen?

Der klassische Anti-Trend ist also nicht nur: Wie bekomme ich die Menschen aus den Prozessen heraus? Sondern auch: Wie bekomme ich sie sinnvoll hinein?

Der Mensch muss gestalten – nicht nur kontrollieren

Andreas:
Es geht nicht immer nur um „Human in the Loop“. Es müssen die Menschen sein, die sagen: Ich stehe dafür ein.

Der Mensch darf nicht einfach nur noch einmal auf einen Knopf drücken. Er muss gestalten.

Christian:
Genau. Und da finde ich dein Fußballbeispiel sehr passend. Die menschlichen Schiedsrichter auf dem Platz treffen manchmal falsche Entscheidungen. Aber sie sollten das Regelwerk kennen. Du würdest niemanden als Schiedsrichter auf den Platz stellen, der nicht weiß, wie Abseits funktioniert.

Wir erleben aber häufig ein „Human in the Loop“, bei dem einfach jemand da sitzt und über ein automatisiertes System schauen soll.

Das reicht nicht.

Diese Person muss sich mit den Daten dahinter auskennen, mit dem Geschäftskontext und im Optimalfall mit der Entscheidung, die früher selbst getroffen wurde. Und sie braucht auch die Zeit, sich damit zu beschäftigen.

Was nicht funktionieren wird, ist: Du steigerst mit KI die Produktivität, lässt mehrere Agentensysteme laufen und gibst dem ohnehin völlig überlasteten Mitarbeiter zusätzlich die Verantwortung, alles zu kontrollieren. Da muss eine Veränderung stattfinden.

Der Mensch muss durch diese Systeme in seiner Arbeit unterstützt werden und gleichzeitig mit seinem Fachwissen Verantwortung übernehmen können. Dafür braucht es aber auch den entsprechenden Rahmen.

Genau deshalb glaube ich: KI wird uns unterstützen, schneller und produktiver zu sein. Sie wird uns aber an vielen Stellen lange nicht ersetzen.

Menschen befähigen statt nur Technik einführen

Andreas:
Der Schiedsrichter wird ausgebildet, mit dieser Technologie das Spiel besser zu pfeifen und weniger Fehlentscheidungen zu machen. Genau diese Denkweise müssen wir auch als Anti-Trend mitnehmen.

Konzentrier dich nicht nur auf die Technik und ihre Möglichkeiten, sondern auf die Menschen, die nachher damit arbeiten. Dieser Faktor kommt viel zu wenig vor.

Du brauchst Konzepte und Schulungen. Du musst die Leute mitnehmen und motivieren.

Wir haben uns oft im AI-Governance-Thema verloren und über Infrastruktur, Daten, Data Lineage und ähnliche Themen gesprochen. Das ist alles wichtig.

Aber als Anti-Trend müssen wir auch sagen: Du musst dich mehr denn je mit den Menschen auseinandersetzen. Denn die Aufgabe wird nicht leichter. Sie wird schwieriger und komplexer.

Die Durchführung und das Abarbeiten werden leichter. Die Verantwortung und die Aufgaben dahinter werden anspruchsvoller.

Christian:
Das wird leichter, aber auch mit mehr Risiko und neuen Aufgaben verbunden sein. Gerade deshalb ist es mir so wichtig, dass wir beim Thema Governance nicht nur über Regeln und Dokumente sprechen.

Es geht nicht darum, unendliche Dokumente zu produzieren, in denen sich Regelwerke wiederfinden, die am Ende niemand mehr durchblickt.

Es geht darum, ein risikobasiertes System zu finden, das die Menschen mit einem minimalen Ansatz dazu befähigt, mit neuen Technologien zu arbeiten, Verantwortungsbewusstsein aufrechterhält und den Einsatz von Technologie ermöglicht.

Security kommt nicht erst am Ende

Andreas:
Ein weiterer Anti-Trend war die Security. Wir haben immer gesagt: Es greift zu kurz, wenn wir sagen, wir setzen jetzt den AI Act um und damit ist das Thema erledigt.

Natürlich kann und sollte man entsprechende Regelungen umsetzen. Das wird auch helfen. Viel interessanter ist aber etwas wie Schatten-AI.

Wenn du deinen Mitarbeitenden keine vernünftigen Möglichkeiten gibst, AI zu nutzen, werden sie auf Provider ausweichen, die sie aus ihrem privaten Umfeld kennen. Und dann werden möglicherweise Unternehmensdaten in diese Systeme eingegeben. Das haben wir immer als viel kritischere Gefahr gesehen, als einfach nur zu sagen: Der Use Case wird nach Schema F umgesetzt und der Provider ist der Richtige.

Die größte Gefahr lauert manchmal ganz woanders.

Bevor man darüber philosophiert, wie viel AI darf und wie viel nicht, sollte man sich fragen:

Sind meine Standardsicherheitskonzepte sauber?

Sind meine Leute so geschult und motiviert, dass von ihnen keine unnötige Gefahr ausgeht?

Das war für uns immer ein wichtiger Punkt.

Christian:
Ein großer Teil von Governance besteht auch darin, die Leute zu befähigen. Man muss ihnen erklären, was sie machen können, wie sie KI nutzen dürfen und vor allem: Man muss ihnen vernünftige Systeme bereitstellen.

Wir kennen alle die Controlling-Excel-Sheets, die irgendwo auf Laufwerken liegen. Die klassische Schatten-IT. Diese Gefahr wird durch AI noch einmal größer.

Wenn Mitarbeitende Geschäftsdokumente in einen privaten AI-Chat hochladen, während sie dort vielleicht gleichzeitig nach einem Kochrezept fragen, ist das natürlich nicht zielführend.

Wenn man als Unternehmen aber proaktiv mit den Mitarbeitenden spricht, herausfindet, welche KI-Systeme sie bereits nutzen und womit sie gerne arbeiten, kann man diese Lösungen in vernünftigen Bahnen als Firmenaccounts bereitstellen.

Das ist eine Grundvoraussetzung.

Denn neben dem Sicherheitsrisiko gibt es kaum ein größeres Problem, als wenn du eine Eigenlösung baust, die schlechte Ergebnisse skaliert im gesamten Unternehmen verteilt.

Governance als Enabler statt Bürokratie

Andreas:
Jetzt kommen wir noch einmal zu einem Anti-Trend, bei dem man mit Fug und Recht diskutieren könnte, ob es überhaupt noch einer ist: AI Governance.

Viele würden 2026 sagen: AI Governance ist doch ein Trend. Aber genau deshalb kann man es auch weiterhin als Anti-Trend sehen.

Es geht nicht darum, möglichst viel zu bürokratisieren.

Es geht nicht darum, möglichst viel zu verbieten.

Und es geht nicht darum, weitere Konzepte zu schreiben, wie wir angeblich AI machen.

Es geht vielmehr darum, Leitplanken zu schaffen, in denen man sich bewegen kann.

Regeln, die Orientierung geben, aber gleichzeitig genug Freiheitsgrade lassen, damit man mit der Technologie arbeiten kann. AI Governance sollte eine Chance sein, sich selbst die Spielregeln zu geben – und nicht als Verhinderung oder Bürokratie verstanden werden.

Christian:
Ich glaube, warum ich Governance immer als Anti-Trend gesehen habe, liegt daran, dass sie draußen sehr stark als Schranke oder Hürde wahrgenommen wird. Man muss aber auch an dieser Stelle umdenken.

Wenn du zehn Jahre zurückdenkst, war es völlig normal, dass du ein von deinem Unternehmen bereitgestelltes Set an Werkzeugen hattest, mit denen du deinen Job gemacht hast.

Und was wir mit Governance eigentlich tun, ist: Wir sagen unseren Mitarbeitenden, ihr dürft neue Technologien nutzen. Ihr dürft selbstverantwortlich damit arbeiten. Wir geben euch nur Leitlinien, in welche Richtung ihr gehen müsst. Das wird häufig nicht so wahrgenommen.

Deshalb sollten wir Governance als Enabler verstehen und nicht als Hürde.

Governance bedeutet auch Verantwortung.

Und Verantwortung ist etwas Wichtiges. Jeder erwartet, dass Menschen in Schlüsselpositionen Verantwortung übernehmen.

Genauso geht es darum, Verantwortung klar ersichtlich, greifbar und verständlich zu machen. Das kannst du mit einem vernünftigen Data-Governance- oder AI-Governance-Framework schaffen.

Dadurch befähigst du die Menschen und bringst sie vorwärts.

Die entscheidenden Fragen für den nächsten AI-Use-Case

Andreas:
Christian wäre nicht Christian, wenn er nicht etwas mitgebracht hätte.

Wenn ihr uns auf YouTube oder woanders seht, habt ihr hier einen QR-Code eingeblendet. Dort könnt ihr alles, was wir hier gesagt haben, noch einmal herunterladen und euch anschauen. Die Anti-Trends sind dort etwas aufbereitet.

Wir haben außerdem ein paar Fragen vorbereitet, die ihr im nächsten Meeting einmal stellen könnt.

Zum Beispiel:

Brauchen wir wirklich für alle Use Cases einen Agenten?

Welche messbaren Werte sollen entstehen?

Was wollen wir erreichen? Geht es um echten Value oder nur um ein Konzept?

Welchem Geschäftskontext können wir dem System vertrauen?

Haben wir die Daten zusammen?

Ist es ein vernünftiger Use Case?

Kann man ihn überhaupt in Betrieb nehmen?

Ist er skalierbar?

Welche Aktionen darf der Agent selbst ausführen?

Wo überwache ich und wo nicht?

Wo liegen die Sicherheitsgrenzen?

Und wer trägt eigentlich die Verantwortung?

Wer ist der Owner?

Wer ist der sogenannte Human in the Loop?

Und wie bauen wir uns hier als Pyramide auf?

Ihr findet diese Fragen und das gesamte Material unter der Folge und auf unseren Seiten.

Wofür Five1 steht

Andreas:
Das macht Christian ganz hervorragend. Da bekommt ihr immer etwas an die Hand.

Wir waren noch nie so hektisch in einer Folge, haben aber auch selten so viel komprimierten Mehrwert in so kurzer Zeit durchgeballert.

Christian, bevor die letzten Worte kommen, würde mich noch interessieren:

Was ist für dich jetzt das wichtigste Thema? Wo würdest du sagen: Damit wollen wir unsere Kunden gerade hinführen?

Christian:
Ich glaube, was für uns im Moment das Wichtigste ist – und ich hoffe, das ist heute auch ein Stück weit herausgekommen: Wir tun nichts des Tools wegen oder zum Selbstzweck.

Für uns ist aktuell das Wichtigste, gemeinsam mit unseren Kunden zu verstehen, wo sie genau einen Mehrwert für ihr Unternehmen generieren können.

Und was für uns dabei absolut entscheidend ist: Wir lassen uns nicht von der Geschwindigkeit der Technologie blenden.

Wir müssen nicht die neuesten Agenten nutzen.

Wir müssen nicht auf das neueste Pferd setzen.

Wir müssen gemeinsam anschauen: Was ist die Herausforderung?

Und dann: Was ist der dafür praktikabelste und einfachste Lösungsweg?

Denn einfach ist nicht immer schlecht.

Einfach ist wartbar, kontrollierbar und meistens auch bei den Kosten besser beherrschbar.

Und dann schauen wir gemeinsam mit dem Kunden: Auf welcher vernünftigen wirtschaftlichen Basis können wir den bestmöglichen Win erzielen?

Das Fazit

Andreas:
Wenn ihr im zweiten Halbjahr noch einmal richtig Gas geben wollt und sagt: „Mit was muss ich mich beschäftigen?“, dann habt ihr mit unserem Anti-Trend-Leitfaden genau das richtige Material an der Hand. Schaut ihn euch an und ladet ihn herunter.

Wir werden das jetzt, wenn Christian und ich gemeinsam auftreten, auch weiterhin für euch anbieten, weil er immer etwas mitbringt.

Christian, lieben Dank. Ich bin schweißgebadet und völlig aufgeregt.

Christian:
Vielen Dank für die Einladung. Ich sage Tschüss. Hört beim nächsten Mal wieder rein, schaut euch die Sachen an – es lohnt sich.

Andreas:
Tschüss, bis bald.

Christian:
Und bitte, bitte räumt den Keller auf. Kümmert euch um eure Datenqualität, dann können wir gemeinsam nach vorne gehen.

Gute Zeit!


UNSER PLAYBOOK ZU DEM THEMA 7-AI-ANTITRENDS