Ulf Valentin: Revenue Code. Wir entschlüsseln, was hinter echtem Wachstum von B2B-Unternehmen steckt.

Ulf Valentin: Willkommen, mein Name ist Ulf Valentin und eine Zahl vorab 95 Prozent aller KI-Projekte scheitern oder bringen keinen substanziellen Mehrwert laut einer MIT-Studie von 2025 und es gibt glaube ich noch sehr viel mehr Studien, die das auch sagen und trotzdem startet eigentlich jedes Unternehmen gerade ein KI-Projekt, einen Use Case, eine Demo, Piloten, ein Tool. Also sehr viel Aktivität, wenig Wirkung und mein heutiger Gast hat mehr KI-Projekte gesehen als die meisten Menschen überhaupt gestartet haben, würde ich jetzt mal behaupten. Dr. Jan Pelser, er ist Partner bei der Convidera für Strategie und Product und er hat seinen PhD im Bereich Marketing gemacht, also sehr große Studien gemacht im Industrie- und Tech-Konzernbereich und ist jemand, der jeden Tag mit Unternehmen arbeitet, die genau diese Probleme haben und die Frage ist heute woran liegt es eigentlich wirklich und was braucht es, damit KI tatsächlich Revenue generiert oder Revenue-Prozesse messbar verbessert. Jan, schön, dass du hier bist.

Jan Pelser: Vielen Dank, freut mich.

Ulf Valentin: Ja, ich würde einfach mal starten mit einer Beobachtung, weil was ich sehe oder wir sehen, sind, dass viele Unternehmen eben mit KI-Use-Cases starten und dann wundern die sich, warum es nicht so skaliert, wie sie angenommen haben. Und meine These ist, dass der Fehler nicht bei der Umsetzung passiert, sondern davor. Und das liegt dann daran, dass die Leute oder die Unternehmen sich nicht die Frage gestellt haben, was sie eigentlich mit der KI-Implementierung erreichen wollen. Wie siehst du das?

Jan Pelser: Da könnte ich direkt eine halbe Stunde zu sprechen, das wollen wir nicht. Ja, ich glaube, das ist ein bisschen beides. Ja, man muss sich von Anfang an überlegen, was will ich damit überhaupt erreichen und ich glaube, der strategische Aspekt der Problemauswahl ist da extrem wichtig. Also das ist natürlich auch schwer, wenn aus allen Fachbereichen die motivierten Leute kommen mit 100 Use Cases und sagen, ich will hier mal ausprobieren und das sehe ich im Moment bei vielen unserer Kunden und das ist ja auch verständlich und cool und haben wir intern ja genauso.

Jan Pelser: Das sollte man auch grundsätzlich befürworten, aber was nichts bringt, ist halt 100 Sachen zu starten, alle irgendwie schlecht und alle schlafen dann wieder ein, dann hat nachher auch keiner mehr Lust und deswegen glaube ich, ist die Problemauswahl super wichtig, also dass ich mir Probleme suche, die schon irgendwie ein großes, relevantes Problem sind. Und immer wieder auftreten, also bei manchen unserer Kunden beispielsweise im Baubereich könnte das so was wie eine Verarbeitung und Bearbeitung von Ausschreibungen sein, Leistungsverzeichnissen oder so, wo da große Dokumente teils unstrukturiert reinkommen, Stunden lang dauern zu bearbeiten, bis man dann ein Angebot hat, was aber immer wieder vorkommt und viel Arbeit macht und viel Fachwissen benötigt und sowas ist perfekt eigentlich, sowas dann auszuwählen. Und dann aber der zweite Teil ist schon auch wichtig zu sagen, man arbeitet mit den Leuten, die es nachher auch bedienen sollen und macht das so, dass es für sie sinnvoll passt und im Alltag auch eine Erleichterung ist, weil irgendwie kannst du dir noch so viel strategisch überlegen, was jetzt total super wäre irgendwie für die Bottom Line, aber wenn die Leute das am Ende nicht praktikabel finden und nicht einsetzen, ist das ein Problem. Und das eine ist dann die Lösung so zu gestalten, dass das eben auch nutzbar ist an deinem Arbeitsplatz mit den Tools, die du benutzen möchtest, mit den Daten, die zur Verfügung stehen und so weiter. Und dann aber auch das Change Management, das wird so oft vergessen. Also das ist ein ganz riesen Thema, das ist aber wirklich auch zu sagen, man arbeitet auch konsequent weiter mit den Leuten, die es nutzen. Hört sich deren Sorgen und Bedenken an, macht ein bisschen Werbung für die Dinge, zeigt ihnen, wie das geht. Weil das ist ja oft eine Prozessumstellung. Also irgendwie muss ich ein neues Tool nutzen oder irgendwie ein Prozess anders machen. Meistens erstmal keiner Bock drauf und das dann zu begleiten und so ein bisschen eine Mischung aus durchzudrücken, aber auch zu zeigen, wo es was bringt, wenn es was bringt. Und der letzter Punkt dann, ist das auch zu messen, was es bringt. Und nie wird es am Anfang perfekt sein. Also man muss immer noch weiter investieren und optimieren, aber man ist ja dann angetreten, um ein Problem zu lösen. Wie sieht es aus, wenn ich es gelöst hätte, beispielsweise, ich mache das in Zukunft in einer halben Stunde fertig, wo es früher vier Stunden gedauert hat, die Qualität bleibt gleich oder vielleicht bessere Qualität, weil ich mehr Optionen liefere oder mir noch Upselling Ideen reinkommen oder wie auch immer und dass ich das dann auch messe und mir angucke, wie läuft das und dann dran zu bleiben.

Ulf Valentin: Ja, vielleicht gucken wir uns mal zwei Extreme an. Das eine Unternehmen oder die eine Unternehmensart, nenne ich jetzt mal Use Case Sammler, das hast du grad schon so ein bisschen angedeutet. Also erst mal muss natürlich wissen, was genau sollte ich tun und meine Beobachtung ist, dass viele Unternehmen mittlerweile schon einige ähnliche Use Cases auch für sich entdeckt haben und manchmal kommen wir ja rein und dann sind schon 100 oder mehr Use Cases da. So, jetzt werden halt so viele Use Cases gesammelt, dass manchmal auch nicht wirklich ein roter Faden erkennbar ist. Wie kann man denn dort entgegenwirken?

Jan Pelser: Ja, das braucht dann eben die übergeordnete Ebene und die Strategie. Also dass man, ich sag mal mindestens mit sowas arbeitet, wie irgendwie Effort Impact, Matrix oder so, ganz basic aus dem Produktentwicklungsbereich, sich zu überlegen, was halt hier möglicherweise für ein Impact und auch worauf, auf die Kundenerfahrung, auf die interne Effizienz, auf mehr Umsatz, da kann man sich dann nochmal überlegen, was einem da vielleicht am wichtigsten oder man macht eine Mischung daraus und wie viel Arbeit wäre das, das vernünftig umzusetzen. Das heißt so ein bisschen zu sortieren, aber dann hat die Strategie natürlich auch andere Elemente. Ich meine, gibt 100 Definitionen von Strategie, aber grundsätzlich finde ich Strategie immer so eine Art von wo bin ich jetzt, wo will ich hin und was muss ich jetzt tun, um von hier nach da zu kommen und auch was soll ich nicht tun. Das heißt, wenn ich da einen Fokus habe und den sollte ich mir arbeiten, dann kann ich das natürlich auch nutzen, um da eine Auswahl zu treffen. Und zuletzt ist es ja auch schön, wenn man dann irgendwie ein Backlog hat an Dingen, ich muss nur irgendwie priorisieren, was mache ich zuerst. Aber grundsätzlich bin ich immer dafür, dass Strategie und Use Cases irgendwie Hand in Hand gehen. Das heißt, dass ich am Anfang ein bisschen überlegen oder gut überlegen, wo will ich hin? Wie könnte das aussehen? Das wird aber dann meist unterwegs noch geschärft von Use Cases und den Dingen, die ich lerne. Das heißt, das muss immer ein Stück weit parallel passieren.

Ulf Valentin: Was könnte so eine Strategie sein, die so ein bisschen ein Guiding Light ist für die Umsetzung von KI Use Cases? Was beinhaltet das so?

Jan Pelser: Also, was wir gerne machen, ist so ein KI-Zielbild im Prinzip. Das klingt dann auch nicht so abgehoben und so nach Monaten Strategiearbeit, wie wenn ich einfach nur sage KI Strategie. Aber so ein Zielbild sollte schon beinhalten, sich erst mal zu überlegen, was kann mir die KI überhaupt bringen? Also, wie gesagt, so was wie mehr Umsatz, bessere Kundenerfahrung oder eben auch interne Effizienz und da irgendwie ein Statement abzugeben, was man erreichen möchte, was in der Art von Unternehmen will ich sein, will ich ganz weit voraus sein und der erste sein, der vielleicht neue KI-Anwendungen erfindet oder bin ich eher jemand, ein Fast-Follower, der sich anguckt, was die anderen machen, was möglich ist, das dann schnell übernimmt, aber vielleicht nicht als Allererster. Oder bin ich jemand, der erstmal entspannt, sich zurücklehnt und nur die Use Cases oder die KI-Technologie nimmt, die auf jeden Fall funktioniert, also da irgendwie eine Meinung zu haben und aber eben auch, dass man vielleicht auch Dinge ausschließt. Also, so was wie, hey, wir werden jetzt erstmal die KI intern benutzen und nicht im Kundenkontakt oder andersrum, solche Dinge. Aber es hat halt eben auch viele verschiedene andere Aspekte, wie bewerte ich die Use Cases, was möchte ich an Governance, an Souveränität haben, wie offen möchte ich damit meinen Daten umgehen, habe ich Kundendaten, wie muss ich mit denen umgehen, was möchte ich erlauben? Das sind schon alles, so einmal, strategische Aspekte, die aber auch echt einen Einfluss auf einen Alltag haben. Und wenn wir mit unseren Kunden arbeiten, haben wir da, je nachdem, so zwischen fünf und neun Dimensionen, die wir uns angucken, wie gehe ich mit Daten um, was erlaube ich, wo möchte ich den Wert rausholen, wie bewerte ich das, wie messe ich das, dann KPIs, ja, also solche Dinge schäpen dann am Ende so ein Zielbild und ich finde es aber ganz cool, wenn man am Ende noch ein Statement hat, irgendwie so ein Satz, der irgendwie ausdrückt, wie soll das Unternehmen in fünf Jahren oder so aussehen, wie arbeiten unsere Leute mit der KI und was bringt das unseren Kunden? Ich glaube, das ist da ein Rund und das kann man dann immer wieder auch schärfen.

Ulf Valentin: Jetzt hätten wir vielleicht mal irgendwie 20 Use Cases, die unter dieser Strategie zur näheren Auswahl kommen und genau wie du es gesagt hast, bleibt ja auch eine Menge weg. Also man entscheidet mit einer Strategie ja auch sehr gezielt, dass man Dinge eben nicht tut, um sich auf das, was einem wichtig ist, fokussiert. Wenn wir jetzt mal diese, sagen wir mal, 20 Use Cases als Beispiel betrachten, haben wir im Vorgespräch darüber gesprochen, dass KI, wenn sie zum Einsatz kommt, auch nicht zwangsläufig mehr Effekt erzielt oder manchmal sogar das Gegenteil tut. Wie bewerte ich also innerhalb dieser Use Cases dann, wie ich diese genau umsetzen möchte?

Jan Pelser: Da muss man sich natürlich einmal überlegen, was soll das bringen, wie gesagt, dann den Prozess nochmal anschauen und eben diesen etwas langweiligen Step zurückgehen, den man eigentlich auch in der normalen Digitalisierung schon gemacht hat, sich zu schauen, welche Schritte passieren aktuell, um ein Ergebnis zu erreichen. Wie wird das gemacht und diese Schritte dann ein Stück weit auseinander zu nehmen und zu sagen, wo kann eine KI hier überhaupt etwas bewirken und ich glaube, dabei muss man auch unterscheiden zwischen verschiedenen Arten von KI, Machine Learning oder eben auch nur Automatisierung. Nicht überall muss ein Sprachmodell involviert sein. Ich gehe mal auf ein Beispiel bei einem Kunden von uns in der Abfallwirtschaft. Da geht es darum, in Prinzip A. Rechnungen von Lieferanten schneller selbst zu prüfen und B. Diese dann deren, also unseren Kunden wieder in einem Kunden-Portal bereitzustellen mit der eigenen Rechnung, so dass aber eben alle Dokumente dahinter im Prinzip auch für den Kunden direkt bereitgestellt werden und sogar eine Art Soll-Ist-Vergleich möglich ist. Das ist ein relativ komplizierter Prozess. Ich kann jetzt nicht auf zu viele Details eingehen, aber ganz basic gesagt geht es darum, Dokumente auszulösen, aber dann eben auch die Prüfung von vielen verschiedenen Dateien, Datenfeldern und das zurecht Schnipseln von Informationen, das Überprüfen und dann das Richtige bereitzustellen, aber eben digital, weil das aus irgendwie einem t unterschiedlichen Titeln, unterschiedlichen Namen, unterschiedlichen Konventionen und so kommt. Was da das spannende ist, vielleicht mache ich kurz den Schlenker, wenn du jetzt ein Dokument einfach in ChatGPT reinschmeißt und sagst, ja, liest mir mal aus, wie viel wurde da verwogen oder was war das für ein Stoff oder so, das funktioniert gut. Also sag ich mal fast immer, gibt dir das irgendwie eine richtige Antwort und jetzt könnte man ja versucht sein zu sagen, ach guck mal, das funktioniert ja mega, die Leute sollen es einfach an ChatGPT schmeißen oder ein Claude oder ein Co-Pilot und dann das Ergebnis rauskopieren und dann haben wir auch irgendwie 2 Stunden gespart. Also erstmal stimmt das in dem Fall nicht, weil du hunderte Datenfelder hast pro Vorgang, aber selbst wenn das so wäre, haben wir da halt gesehen, dass natürlich diese Modelle auch eine starke Variabilität drin haben, nicht immer 100% alles richtig betrachten, das heißt, du arbeitest dort eigentlich mit Workflows, mit Pipelines oder mit sehr, sehr gut gebrieften Agenten, die halt wissen, worauf es ankommt, wie das am Ende aussehen soll, damit das halt in Produktion gut funktioniert. Und dann muss man auch sagen, ist das natürlich ein bisschen mehr Arbeit, als einfach das in ChatGPT rein zu so ein System bereitzustellen. Aber wenn du diese Arbeit gemacht hast, dir die Prozessschritte angeguckt hast, weißt, wie es am Ende rauskommen soll, dann kannst du ja auch messen, ah, wie gut ist die Qualität. Also wie oft, wenn dann Menschen mal drauf guckt wie oft Muster korrigiert werden beispielsweise, dann kannst du ja angucken, wie lange dauert das. Das heißt, du bist dann eigentlich von Anfang an dabei, wirklich auch messen zu können. Ist der Prozess jetzt besser? Plus ab und zu mit den Leuten zu reden und zu fragen, ob es wirklich funktioniert, was besser sein kann. Also so klassische Produktarbeit eigentlich, gilt halt hier für sowas auch. Und ich glaube dann, ja, man muss das einfach von Anfang an so machen, dass du das halt misst.

Ulf Valentin: Cool, danke für das Beispiel, ich glaube, das macht's nochmal so ein bisschen anfassbarer. Ja, wenn wir jetzt mal vielleicht Unternehmen auf dem anderen extrem uns angucken, die halt sehr verkopft, sehr strategisch sind und die Angst haben vielleicht vor dem Thema KI, weil es natürlich auch schwierig ist, es zu bewerten, also einfach aus dem Grunde, weil sehr viele Berater unterwegs sind, die den Unternehmen helfen wollen. Viele Artikel dazu tagtäglich veröffentlicht werden, die auch Angst machen vor KI. Also, das ist ja auch ein Aspekt, der vor dem Thema vielleicht Datensicherheit auch stärker in den Vordergrund stellt, was Angst macht. Also eine große Unsicherheit, weil es sehr dynamisch ist und dementsprechend tun sich diese Unternehmen schwer, weil sie eben sehr strategisch sehr grundsätzlich an Themen rangehen. Ich kann mir vorstellen, dass halt eben da vor allen Dingen die Angst der Entscheider eine große Rolle spielt. Wie erlebst du das in diesen Unternehmen?

Jan Pelser: Erstmal bin ich eigentlich komplett überrascht, muss ich sagen, die letzten 2 Jahre, das, oder 2, 3 Jahre diese KI-Revolution, die wir jetzt haben, seit es diese Sprachmodelle eben gibt mit ChatGPT und so weiter, die hat eigentlich sehr schnell Einzug gefunden in die ganzen großen Unternehmen.

Jan Pelser: Also, ich sag mal, die letzte Revolution, die sich so ein bisschen ähnlich angefühlt hat, war Social Media irgendwie vor 10, 15 Jahren und damals haben sich alle extrem schwer getan, überhaupt mal auszuprobieren, also vor allem die großen, wenn jetzt ein Industrieunternehmen nimmt, das Schalter herstellt oder im Rohre oder so, da war erstmal oft alles verboten und dann irgendwann hat vielleicht die Marketingabteilung mal so eine ganz sehr eingeschränkte Erlaubnis bekommen, mal Dinge auszuprobieren.

Jan Pelser: Aber wahrscheinlich auch erst, weil ein Wettbewerber schon das erfolgreich gemacht hat oder weil ein Shitstorm irgendwo losgegangen ist. Also wirklich sehr, sehr reaktiv. Und das ist heute, glaube ich, anders. Also wahrscheinlich, weil, weil KI auch so ein hohes Effizienzversprechen impliziert hat. Also da habe ich jetzt eigentlich eher gesehen, dass viele schnell ausprobieren. Trotzdem besteht natürlich eine Angst. also die ist irgendwie so eine Mischung, glaube ich, aus ja einfach dieser sehr schnellen Entwicklung. Also man fühlt sich ein bisschen abgehängt, weil es gar nicht wo man starten soll. Dann auch so Angst vor dem Unbekannten. Also das habe ich extrem gesehen. Also dass die, die ein bisschen skeptisch sind, sobald sie dann selber mal ein bisschen hands on ausprobiert haben, eigentlich sehr schnell den Nutzen auch, auch sehen. Und das kann so basic sein, wie lasst mal zusammen zwei, drei Dinge in Chat GPT versuchen zu bauen, so ein Custom GPT oder vielleicht einen Agenten bauen in Claude oder so was. Also wirklich das klingt ja alles super abgehoben. Aber wenn du es mal selber gefühlt hast, siehst du eigentlich sehr schnell die Benefits irgendwie. Auch da darf man nicht übertreiben, weil diese Benefits wie gesagt, also letztes Beispiel, sich nicht immer in Produktion irgendwie umsetzen lassen. Aber ich glaube, so dieses Fremdeln kann man schnell durchbrechen.

Ulf Valentin: Ja.

Jan Pelser: Und dann die Frage nach irgendwie rechtlichen Risiken. Also ich glaube, das ist schon alles echt und die Unternehmen, mit denen wir sprechen, sind da oft schon irgendwie auf einer gewissen Spanne. Aber ehrlicherweise probieren viele schon irgendwie aus und das bricht halt diese Angst. Dann ist halt wirklich eher die Frage, ok wo fange ich jetzt an und wie viel lasse ich dezentral laufen? Also lasse ich jetzt jeder Abteilung ihre eigenen Sachen bauen oder wie viel mandatiere ich zentral? Ich stelle erstmal alles ab, dann gibt es vielleicht ein Unternehmens-GPT als erste Maßnahme und guck mir dann an, was die Leute für Use Cases haben. Also muss dann jedes Unternehmen für sich schon ein bisschen unterscheiden und entschließen, und ich glaube, da helfen halt solche Formate wie so ein KI-Zielbild oder so was, wo du halt die gewisse Bausteine einfach nacheinander vornimmst. Weil das schwierige ist ja immer, das hat eine hohe Komplexität, wo fange ich jetzt an, das halt herunterzubrechen in so managbare Einzelteile, wie Governance, Leitplanken irgendwie, Daten, Architektur, die sind dann immer noch einzeln irgendwie kompliziert, aber irgendwie schon ein bisschen managbarer und dann kannst du dir ja von den Fachleuten irgendwie auch Hilfe holen. Also ich glaube, das dann einfach runterzubrechen und doch irgendwie auch zu starten. Also ein, zwei Use Cases sollte man einfach mal machen, sich am besten überlegen, was sie bringen sollen, aber dann schnell starten hilft schon irgendwie auch.

Ulf Valentin: Wenn wir digitale Zielbilder gemacht haben, also so nehme ich das wahr, die digitalen Zielbilder erreicht man oftmals nicht in der Zeit, in der man sich vorgenommen hat, sie zu erreichen. Und bei den KI-Zielbildern habe ich das Gefühl, dass die schneller erreicht werden, als man eigentlich möchte. Vielleicht nicht immer im Favour des Unternehmens, sozusagen, dass man die Ziele alle erreicht, die man sich gesetzt hat, aber dass die Möglichkeiten, die KI eigentlich bietet, schon längst da sind. Die Frage, die ich mir stelle, ist, was glaubst du, wie verändert KI generell die Art, im Unternehmen zu arbeiten?

Jan Pelser: Ja, das ist super spannend. Da hatte ich gerade letzte Woche noch eine lange Diskussion mit einem Geschäftsführer eines großen Industrieunternehmens in Deutschland, weil da werden oft zwei Dinge vermischt. Ich glaube, das eine ist so die individuelle Produktivität, also wie nutze ich KI in meinem Alltag, um den Job zu erledigen, den ich vorher auch hatte. ich habe eben von einem Unternehmens-GPT gesprochen, oder für viele ist die Antwort da irgendwie Copilot. Microsoft ist ja sehr erfolgreich mit seiner Vermarktungsstrategie, und dann mache ich halt, dann schreibe ich da mit E-Mails oder lasse mir eine Präsentation irgendwie vorbereiten und mache irgendwie die gleichen Sachen wie vorher, aber mit KI. Ich glaube, da gibt es viele Tipps und so weiter, um das von schlecht zu gut irgendwie zu bringen. Aber es ist halt individuell und der nächste Schritt, das ist dann eher wie das Beispiel eben mit der Rechnungsprüfung, es sind halt eher so organisatorische Vorgänge, die mehrere Personen einschließen oder die auch wiederverwendbar sind und sich da halt zu überlegen, wie kriegt man das halt hin? Also ich glaube, beides muss man gesondert irgendwie betrachten und beides auch, das sind dann oft diese Use Cases von denen ich rede, so Emails vorschreiben, Customer Service, Interaktion, Wissen, extrahieren oder ein Angebot erstellen. Das sind halt Dinge, die immer wieder passieren müssen. So was anderes, als wenn sich jeder Einzelne was dafür baut. Also ich glaube, das ist erstmal eine Unterscheidung, die man bewusst machen sollte und beides braucht Support zentral. Was sich aber auch auf jeden Fall ändert ist, wenn ich mir jetzt in der Softwareentwicklung beispielsweise also wir sind ja stark auch ich nehme mal ein eigenes Beispiel von uns. Wir sind ja stark in der Entwicklung von Individualsoftware für Unternehmen und da muss ja am Anfang die erstmal gucken, was soll die Software irgendwie bringen, was soll entstehen, worauf wollen wir eine Prio setzen, dann wird Design gekoded, Texte geschrieben und so weiter und am Ende wird das überprüft, integriert, mit Schnittstellen versehen, dass es halt mit den Systemen arbeitet. Nehmen wir mal beispielsweise eine Software zur Angebotserstellung. Muss mir erstmal überlegen, welche Angebote sein, damit erstellt werden, wie wird das gerade gemacht, in welchem Zielsystem passiert das aktuell oder wo müssen die dann hin zum Kunden beispielsweise und wie per E-Mail keine Ahnung, oder per EDI direkt und so weiter, 100 Entscheidungen. Die macht man eigentlich am Anfang und macht sich dann vielleicht aus einer Liste, wie es weitergehen könnte.

Jan Pelser: Dann designen wir die Interfaces, also wirklich ein Designer malt, die sag ich jetzt mal, so dass am besten schon der Code daraus produziert werden kann und dann sozusagen wird die ganze Code-Struktur und so weiter entwickelt und es wird Software programmiert. Am Ende wird die getestet, integriert, eingeführt. Wie gesagt, die Nutzer müssen, also die Nutzerarbeit muss weitergehen und so weiter. Das kannst du in drei Phasen unterteilen, also eigentlich so decide, execute und deliver, also entscheiden, machen quasi und ausliefern und dieses machen, das wird extrem viel schneller, jetzt gerade schon durch KI. Die anderen beiden, also vor allem decide, kann auch gut unterstützt werden, glaube ich, also welche Probleme übersehe ich vielleicht gerade, wo gibt es ja noch Potenziale, kannst du den Markt analysieren, wie andere das gelöst haben, also auch da kann KI helfen. Aber bei diesem execute glaube ich, da tut sich am meisten, gibt es ja auch zig Studien, die erwähnen, wie viel mehr Code produziert wird, allerdings, diese eine Studie, über die wir eben gesprochen haben, ich habe die Zahlen nicht genau, aber haben die mit 100.000 Entwicklern sich ihre Github Repositories angeguckt, also da, wo der Code im Prinzip gemanagt wird und haben gesehen, dass dass dieser KI-befähigte Entwickler quasi sieben mal so viel, sieben oder acht mal so viel Code produziert haben in diesem Betrachtungszeitraum, aber am Ende eigentlich nur 20-30% mehr Features rausgekommen sind. Das heißt, irgendwie kann man damit schon extrem viel schneller produzieren, aber am Ende, das was rauskommt, ist halt entscheidend. Das ist noch nicht eins zu eins so viel schneller, wie man sich erhoffen würde. Das ist auch intern hier natürlich immer Thema, also, ich glaube, einfache Dinge kann man damit schon sehr gut. Ich sage jetzt mal, wegautomatisieren,wegrationalisieren sobald die Themen komplexer werden, wird es schwieriger. Aber ich glaube, man muss sich trotzdem dafür aufstellen, dass so diese einfache Produktion, dieses schrubben sage ich jetzt mal, das gilt auch für Marketing, das gilt auch im Vertrieb, das gilt im Customer Service, dass das mehr und mehr automatisiert werden kann. Oder muss man sich halt, glaube ich, die Zeit so ein bisschen umallokieren. Das gibt einem ja eine Freiheit, sich zu überlegen, bessere Probleme zu lösen, mehr Probleme zu lösen und hinten raus, irgendwie sich noch zu überlegen, wie kann ich das dann aber auch überprüfen? Weil am Ende, und das ist schon wichtig, ich meine, das sagen ja auch viele, so human in the loop, also der Mensch muss das Ergebnis verantworten, muss es überprüfen. Wenn jetzt eine Mail an Kunden rausgeht, sollte man vielleicht mal drauf geguckt haben, oder eine Antwort an verärgerte Kunden. Aber da gibt es eigentlich so ja, Kritikalitätsebenen oder so was, also ich glaube, für manche Dinge ist es halt vielleicht nicht so schlimm, wenn man was auch ja rausgeht und es hat keiner drauf geguckt oder vielleicht ein Account drauf geguckt aber bei manchen Dingen muss es halt unbedingt sein. Das heißt, diese Systeme muss man sich besser überlegen. Wie stelle ich mich da auf dafür, dass in Zukunft diese Fleißarbeit weniger wird, ohne dass das Schrott produziert wird?

Ulf Valentin: Danke für den Insight. Die KI-Use-Cases muss man ja am Ende auch ins Doing bekommen. Das heißt, das hast du ganz am Anfang schon mal gesagt, wie ich muss die Mitarbeiter davon überzeugen, dass sie mitmachen, dass sie auch Nutzen sehen. Und gerade hast du gesagt, dass es auch sehr wichtig ist, dass die Unternehmen in ihrem Zielbild schon voraussehen, dass sich die Arbeit verändern wird. Das heißt, dass mehr von der Schrubbelarbeit gegebenenfalls automatisiert werden kann. Und ich dann mehr Zeit hab, die Qualitätssichernden oder die Entscheidungstätigkeiten dort eben mehr Zeit drauf zu spendieren. Aber es bedeutet ja schon, dass ich als Mitarbeiter sehr viel damit mein Arbeitsalltag komplett verändern muss. Und zwar vielleicht gar nicht mal so lange Zeit habe ich dafür, um das zu tun. Wie adressiert man das in der Strategiearbeit?

Jan Pelser: Ich glaube, das ist ein sehr tiefgreifendes Thema, ganz ehrlich, von Kultur bis hin zu, ja, wie gehe ich mit Fehlern um und wie erlaube ich den Leuten auszuprobieren und wie lebe ich das auch vor? Was ich ja eigentlich damit oder also die Reise, die man beschreitet, ist, glaube ich, eine hinzu irgendwie eher so Systems Design oder sich zu überlegen eben, wie diese Sachen funktionieren sollten, eine hohen Ownership trotzdem für den Output. Also irgendwie verlange ich ja, wie du sagst, ganz viel jetzt auf einmal von den Leuten, die vorher vielleicht einfach ihren Text geschrieben haben. Heute möchte ich, dass sie direkt ein System nicht sein, wie Texte geschrieben werden und am Ende auch noch gucken, dass die alle gut sind. Dabei haben die vielleicht gelernt, Texte zu schreiben. Also viele wichtige Skills sind genau darin. Also die Leute haben ja die Skills, aber es ist trotzdem irgendwie ein bisschen auf was anderes. Man geht ein bisschen mehr in Ownership in Management und so weiter. Das heißt, irgendwie muss ich schon von der Strategie oder von der Unternehmensführung aus das begleiten, also das Vorleben, aber auch die Möglichkeiten dafür geben, ob das jetzt Schulungen sind, ob das jetzt auch im Hiring Prozess vielleicht dahin geht, dass man Leute sucht, die eine besonders hohe Ownership haben oder andere sagen Agency, also so diese gefühlte Befähigung, Dinge zu tun und zu bewegen. Also das kann man natürlich unterstützen, indem man das wirklich also unterstützt, also das ermöglicht und befürwortet und so weiter. Und Beispiele gibt, wo andere das vielleicht erfolgreich getan haben. Und wenn einer es mal nicht erfolgreich getan hat, dann, dass es auch okay ist, dass man experimentieren erlaubt. Ich glaube, das sind alles Dinge, die so durch ganz viele verschiedene Ebenen sich irgendwie ziehen müssen und dass man das dann eben auch mit den MitarbeiterInnen, mit dem Leadership, dass man das wirklich trainiert.

Jan Pelser: Okay, wie sieht das aus? Was musst du erlauben, was nicht? Was musst du unterstützen? Und da gibt es ja auch viele so Formate, wo man diese Art zu denken, Probleme skalierbar zu lösen, auch trainiert, sei es eigentlich Hackathons oder auch so Use Case Demos, vielleicht in All Hands Meetings. Das sind Dinge, die wir, du und ich ja auch gemeinsam schon bei Kunden und auch intern erfolgreich gemacht haben. Ich glaube immer so, das ist alles sehr abstrakt noch, wenn ich das jetzt hier so erzähle, ist das irgendwie abstrakt. Aber beispielsweise alle 2 Wochen zeigt jemand einen erfolgreichen Use Case oder Agenten oder irgendwas, was er intern gebaut hat mit seinem Team, so dass andere sich da inspirieren lassen können. Oder man versucht gemeinsam ein System zu tackeln, okay, die Kunden sind unzufrieden mit XY. Wir machen jetzt einen kleinen Hackathon. Was könnte man da dazu machen? So solche Dinge, die das irgendwie ganz lebendig machen. Aber ich glaube schon, dass ein Stück weit auch wirklich die Leute da essenziell sind, dass man mehr und mehr das unterstützt, aber irgendwie auch dafür heuert und das trainiert, dass die Leute sich irgendwie befähigt fühlen und verantwortlich fühlen für die Prozesse und die Dinge, die gebaut werden.

Ulf Valentin: Super, aber ich habe heute morgen noch eine Studie von Professor Schmitz und Wieseke von der Uni Bochum in den Händen gehalten zum Thema Sales und KI? Die haben eine Befragung gemacht und einer der wichtigsten Erfolgsfaktoren für die erfolgreiche Nutzung von KI im Vertrieb. Einige Unternehmen machen das schon sehr gut in Form von innovativen Arbeitsweisen zulassen. Und witzigerweise ist ja das, wo wir uns auch vor ein paar Jahren getroffen haben hier, wo wir sehr stark dieses Thema Innovations Entwicklung eigentlich bei Unternehmen implementiert haben. Und ja, es scheint immer noch oder gerade wieder sehr wichtig zu sein, dass man diesen Muskel trainiert hat. Damit man in der Lage ist, darauf zu reagieren und diese Change Prozesse auch zu begleiten.

Jan Pelser: Ja, total. Und also 2 Dinge sind da, glaube ich, einfach spannend, also hunderte Dinge spannend. Aber das eine ist wirklich ja die Geschwindigkeit so schnell. Also im Moment Mitte Ende 2026 kommt jede Woche irgendein neues Modell raus. Dann diese Woche gehen jetzt Bilder wieder besser, nächste Woche kann der Agent noch länger laufen. Über nächste Woche kann ich auf einmal perfekte PowerPoints erstellen. Das kommt schon näher dran. Das heißt, diese Fähigkeiten werden ja immer besser. Dann gibt es neue Formate, Daten und Wissen zu speichern. Google kürzlich was Spannendes vorgestellt. Also ich glaube, dass man da so diese Neugierde und irgendwie die Fähigkeit so was intern dann zu verproben, dass man das aufbaut. Ist genau ein Thema, das aus der Innovation ja auch kommt. Und das andere, halt wirklich, das irgendwie gezielter ausprobieren, also irgendwie schnell ausprobieren, aber ja, aber auch zu messen und zu gucken, was funktioniert, was nicht. Und dann irgendwie vielleicht auch wieder abzustellen, wenn es irgendwie nicht funktioniert hat, aber was gelernt hat, das zu dokumentieren, das sind genau auch diese Innovations Themen.

Ulf Valentin: Ja, dann kommen wir schon zum Ende als Zusammenfassung. Was wäre aus deiner Sicht oder was ist aus deiner Sicht der Revenue Code von KI-Strategie, den jedes Unternehmen kennen muss?

Jan Pelser: KI benötigt, glaube ich, eine noch stärkere Kombination von Strategie und machen also eben durch die Geschwindigkeit, durch die vielen Möglichkeiten. Und so wie ich anfangs schon gesagt hatte, sich am Anfang zu überlegen, wo bin ich jetzt, wo will ich hin? Was will ich machen, was soll ich nicht tun? Und dann das schnell mit Use Cases zu machen, also sei es eben, E-Mails automatisiert zu schreiben, Neukunden, in neuen Märkten von der KI identifizieren zu lassen, Angebote zu erstellen zu lassen, vielleicht mein Produktportfolio auswerten zu lassen. Das wären jetzt alles so Beispiele für Use Cases, die schnell zu machen sind, und dabei lernst du so viel, dass du dann eigentlich die KI-Strategie auch schon wieder ein bisschen überarbeiten kannst. Und das ist okay. ich glaube, das ist das Wichtigste und noch besser ist, wenn du also bei jedem Use Case Grundlagen für den nächsten legst und beim nächsten dann wieder noch effizienter noch schneller zum Ziel kommst. Also sei es, wie messe ich überhaupt erfolge, wie leg ich mein Wissen ab, in welcher Technologie baue ich das? So diese ganzen Dinge da kannst du ja lernen. Und beim nächsten mal mitnehmen, so wirst du auch immer schneller. Ich glaube, dass das zusammen sind supergut und jetzt spezifisch auf Revenue bezogen. glaube, ich kann man sich hier auch so die Klassikerprozesse mal vornehmen. Lead to order beispielsweise oder eben so ganz früh Kunden, Identifikation überhaupt erstmal Vorqualifizierung und so weiter. So diese dinge, wenn du da dir den Prozess einfach von vorne nach hinten vornimmst und dir überlegst, was funktioniert ja gerade nicht so gut oder wo haben wir noch Potenziale, sich diese Sachen vorzunehmen gezielt und von vorne nach hinten durchzulaufen. So dass das wäre für mich der Code und dann einfach sehr stark zu gucken, was funktioniert.

Ulf Valentin: Super, wie erreicht man dich?

Jan Pelser: Ja, über die Convidera Homepage, also convidera.com oder pelser@convidera.com.

Ulf Valentin: Okay, und auf LinkedIn nehme ich auch an?

Jan Pelser: Natürlich, auch auf LinkedIn, ja.

Ulf Valentin: Vielen Dank, dass du dabei warst. Danke.

Jan Pelser: Dir. Hat Spaß gemacht.