Als Unicorn zur KI-First-Company: Wie Choco Gründer & CEO Daniel Khachab in 16 Monaten transformierte

[0:00] Jede Company, die nicht irgendwie relativ psych-AI-first wird, ist wahrscheinlich relativ bald obsolet. Der Joko-E-Umsatz ist dreimal so stark gewachsen als unser, sag ich mal, altes Joko. Also die Hälfte der Kosten, Hälfte Kack. Mit fünfmal schnellerer Adoption. Ich konnte einfach nächtelang nicht schlafen und hab gedacht, okay, was passiert ist mit dieser Technologie? So gibt's überhaupt noch irgendeine Mode. Ein Produkt, was halt mehr als die Hälfte deines Umsatzes macht, ist halt zwangsläufig im Kern, im Herzen deiner Firma. Und wenn dieses Produkt im Herzen deiner Firma halt ein KI-Produkt ist, dann bist du dann eine KI-Firma. Und alles andere ist irgendwie Window-Dressing. Bis heute kann man eigentlich nicht wirklich Erfahrung sozusagen in der Application-Lehr von AI hirn, sondern nur Leute, die neugierig sind, da kann man denen dann den Raum geben, das zu lernen. Wir haben jetzt aber in dem AI-Fall auch gemacht, Speedboard gebaut. Und das bestand allerersten Schritt wirklich nur aus einem Engineer. Und dann sind wir einfach stumm vom nächsten Tag nach Boston geflogen und haben gesagt, okay, wo können wir uns hinsetzen? Die arbeiten meistens nur Nachtschicht. haben wir eine Nachtschicht in den ersten Monat gemacht. Wenn wir zum einen zum anderen gefahren sind, haben wir Updates geschippt, um entweder die Bugs zu lösen oder um neue Features zu shippen von den Sachen, die wir vielleicht eine Stunde vorher bekommen haben.

[1:09] Schoko-Gründer Daniel Kaschop kam letztens bei einem Event zu mir beim Founders Forum und meinte so, hey Fabian, du, hey, ganz ehrlich, wir machen jetzt inzwischen September 24 100% Neuumsätze, nur noch durch unser neues KI-Produkt. Ich glaube, ich habe da was. Das sollten wir mit Gründern teilen. weil ich wünschte, es könnten andere auch machen. Und er hat mal so seine Gedanken runtergeschrieben über die ganze Transformation. Also wie ist Schoko von ChatGPT Moment, okay, das wird was, bis hin zu 100% Neuumsatz im September nur noch über das KI-Produkt. Wie ist diese Transformation gelaufen? Jetzt ist Schoko natürlich keine kleine Firma. Schoko schon irgendwie Milliarden Bewertungen, 300 plus Millionen geraced, mehrere hundert Leute.

[1:53] Also, wie funktioniert das? Und genau darüber geht die Episode heute. Und das ist nicht nur was für Leute, also für Gründer wie dich, die vielleicht schon eine Firma haben oder wenn du gerade am Anfang stehst. Es ist schon sehr breit gefächert auch, wenn du Führungsverantwortung in einer Firma hast. Wie kriegst du es hin, dass die Mitarbeitenden sich damit beschäftigen, dass experimentiert wird, dass neue Ideen aufkommen, die zum Wert der Firma beitragen? Und genau darüber sprechen wir jetzt in der nächsten Zeit. Das alles, wie gesagt, hat Daniel auch nochmal niedergeschrieben. Den Link zu seinem Playbook für die AI-Transformation findest du in den Shownotes, kannst du parallel nicht komplett mitlesen, aber so ein paar andere Impulse sammeln oder dir danach nochmal angucken. Du hörst Unicorn Bakery, mein Name ist Fabian Tausch. Viel Spaß mit Daniel Kaschop von Schoko über die Transformation zu einer AI-First-Company. Daniel, herzlich willkommen bei Unicorn Bakery.

[2:44] Hi Fabian, freut mich hier zu sein. Du hast mich letztens auf einem Event zur Seite genommen und meintest so, ey Fabian, guck mal, wir haben jetzt irgendwie September 100% unseres Revenues fully aus unserem AI-Produkt, worüber wir im ersten Podcast mal gesprochen haben, den verlinkt in den Shownotes, es macht vielleicht Sinn, sich den anzuhören, wer möchte oder im Nachgang dann nochmal zur Vertiefung, aber wir haben jetzt 100% unseres neuen Revenues mit dem KI-Produkt gemacht und allem, was wir da neu aufgebaut haben und ich glaube, es macht einfach Sinn, da mal drüber zu sprechen und da mal so ein bisschen Einblicke zu teilen. Wie wir die Transformation als Schoko gemacht haben und warum? Bevor wir da irgendwie zu tief reingehen, die erste Frage vielleicht mal. Erinnerst du dich an so einen Moment, wo du sagst, ich glaube, das war der ausschlaggebende Punkt, warum ich entschieden habe, dass wir Schoko Richtung all dieser AI-Themen transformieren müssen? Ja, also ich glaube... Ich glaube, es gab nie einen entscheidenden Punkt, wo wir gesagt haben, müssen wir das Schoko 100% auf KI drehen, sondern es gab aber den Punkt, wo es klar war, wir müssen KI einfach als Technologie, als neue Technologie, die einfach generell verfügbar ist, die relativ robust ist, die relativ günstig ist, also einfach die sehr viel Nutzen direkt aus der API bringt, also einfach generell als neue Technologie ernst nehmen. So als Technologieunternehmen ist es einfach unsere Verantwortung, uns eine neue Technologie anzuschauen. Ich glaube, somit hat es einfach angefangen.

[4:13] Und natürlich gab es so diesen Chat-GBT-Moment und LLM und so weiter, gab es alles schon davor, aber dann gab es halt dieses Chat-GBT-Interface und so irgendwie so Anfang 2023 im Winter, erst beziehungsweise im Frühjahr.

[4:27] Und dann war es, dann war das Ganze allerdings so visibel und man konnte damit einfach umgehen und man konnte dem irgendwie Fragen stellen, und ich weiß noch, ich habe damals, es gibt in unserer Industrie immer relativ schwer so Industriedaten, die zugänglich sind, wir sind sehr stark B2B und unser ganzer Markt ist sehr mittelstandsgeprägt und ich habe GPT viele Sachen gefragt und es hat aber viel gewusst und konnte auch, das Reasoning war damals schon auch noch nicht so schlecht, ich glaube das Modell war da in GPT-3 oder so. Da war halt klar, okay, da steckt zu viel Value drin und wir müssen es ernst nehmen. Aber was auch klar war, war, das kann jetzt kein Hype werden oder so, sondern wir wollen damit, wir wollen die Technologie ernsthaft anschauen und ernsthaft rausfinden, ob wir damit Wert stiften können. Und dann zu dem Zeitpunkt habe ich gesagt, okay, ich bin auch, also unter, wie jetzt als Gründer bin sozusagen der nicht-technische Teil.

[5:26] Haben wir gesagt, hey, im Prinzip ist sozusagen Schritt 1, jeder muss dir das mal anschauen, dann haben wir einfach eine E-Mail rumgeschickt und haben gesagt, hey Leute, so AI ist real, let's embrace it und jeder, der irgendwie eine Chat-GPT-License haben will, nee, erst mal gesagt, jeder darf es nutzen und dann kam später, kam dann die License raus für 20 Dollar im Monat, dann haben wir uns die geholt, das kam dann später, aber genau, es gab nicht diesen AI-O-Mens und das war mehr so neue Technologie, wir müssen uns die ernsthaft anschauen. Lass uns mal ganz kurz einfügen, das war ja, ich glaube, aber ich kann mich selbst gut daran erinnern, weil ich weiß, wo ich war. Es war, glaube ich, so März 23. Wo stand Choco als Firma im März 23? Also gib uns mal so ein paar Eckdaten, Zahlen, Daten, Fakten, mit denen alle, die gerade zuhören, begreifen können, auf welcher Flughöhe ihr wart. Ja, also wir waren mehrere hundert Leute. Wir hatten gut über eine Milliarde GMV, also Außenumsatz. Wir waren in sieben Ländern, wo es auch unser größter Markt, Frankreich, UK, Deutschland, Österreich, bei Spanien-Belgien. Wir hatten 330 Millionen US-Dollar Match-Capital eingesammelt von Bessemer, Inside, CodeU. Wir waren in allen unseren Ländern oder sind immer noch in unseren Ländern Marktführer. Es gibt Städte wie Paris, New York, Barcelona, Berlin, wo wir einfach 50% Marketscher haben. Also wir hatten schon ein bisschen Scale zu dem Zeitpunkt. Das war jetzt nicht von scratch oder so.

[6:48] Und dann muss man sich ja die Frage stellen, okay, ich als Gründer und bin davon überzeugt, KI wird ein Ding. Und du hast gesagt, okay, wir müssen irgendwie das Team zum Ausprobieren bekommen. Und du hast gesagt, okay, wir haben eine E-Mail geschrieben so ans ganze Team mit, hey, so probiert mal ChatGPT aus. Und später kam dann License. Aber was war so der, so welchen Funken wolltest du aufs Team übertragen? Was war so das Hauptziel, um irgendwie, also wolltest du direkt Lösungen kreieren?

[7:21] Was sollte ich als Mitarbeiter tun? Also ich glaube die Auskommensposition erstmal so, ich konnte einfach nächtelang nicht schlafen und habe mir gedacht, okay, was passiert ist mit dieser Technologie? So gibt es überhaupt noch irgendeine Mode? So, das war ja damals schon klar, einfach als es nur ein Chatbot war, okay, das wird früher oder später coden können und jetzt nehmen wir mal an, so okay, five years forward ist perfekt coden können, heißt die Technologie ist komplett replizierbar in Sekunden. Was überhaupt der Mode? Und es kam so aus diesen Gedanken her, was können wir überhaupt tun, um überhaupt noch relevant zu sein? Also es war so eine Mischung aus, okay, da kommt plötzlich ganz viel Value aus der API und so richtige Existenzängste und wie wird so generell Tech aussehen? Und dann war es so, okay, es gab halt irgendwie zwei Möglichkeiten. Möglichkeit eins war, okay, wir verschränken uns dem jetzt gegenüber und wir sind so in diesem Defensivlager und sagen, okay, es wird niemals funktionieren, oder wir gehen halt all in. Und da war es halt so, okay, ich habe dann ganz witzig bei uns in der Küche einfach mit jemandem geredet und der hat irgendwas manuell gemacht. Ich glaube, der hat irgendeine E-Mail an Kunden geschrieben. Ich meine, warum nimmst du nicht GPT? Dann hat er zu mir gesagt, ich wusste nicht, dass wir GPT benutzen dürfen. Und ich glaube, es war sogar im Februar 2023. Und dann habe ich gedacht, okay, Schritt 1, wir erlauben das erstmal. So einfach erlauben. Und dann war so, hey, wenn wir das Thema ernst nehmen wollen, dann muss ja erstmal jeder verstehen, wie man überhaupt damit arbeitet. Also sprich, man muss irgendwie neue Skills aufbauen.

[8:44] Und dann war so, okay, wenn du jetzt ein paar hundert Leute hast, in ganz vielen verschiedenen Positionen, also von Engineering zu Data Science oder Produkt, die vielleicht tendenziell näher dran sind, ein bisschen halt zu Sales oder Finance oder HR, die vielleicht erst mit zweiten Schritt oder so man dann dran denken würde, geht es dann schon erstmal für alle, diesen Skill zu lernen. Und wie schafft man das, wenn die Leute einfach neugierig werden? Und da ging im Prinzip bei uns los, okay, wie können wir eigentlich einfach Neugier und Positivität gegenüber dieser neuen Technologie erschaffen, sodass sie ja das lernt, weil wir davon überzeugt sind, wenn jeder irgendwie so Skills damit aufbaut, dann wird irgendwann das schon gut zugute kommen. Und wenn es nur Automatisierung von internen Prozessen ist, im Minimalfall, wäre das schon mal Hammer. Vielen Dank.

[9:25] Ja, und dann haben wir einfach gesagt, okay, schon mal jeder soll das nutzen. Und dann habe ich eine E-Mail rumgeschrieben, habe gesagt, hey, als es dann die Premium-Lizenz gab von ChatGPT, jeder, der mir eine Idee schickt, unabhängig davon, wie gut die Idee ist, ich werde sie nicht mal judgen, kriegt einfach die Lizenz. Ich möchte nur, dass sich jemand kurz mal 10 Minuten hinsetzt, drüber nachdenkt, was kann ich damit machen, was ich sonst nicht machen kann. Und dann haben wir einfach gegranted, gegranted, gegranted und irgendwann hatten wahrscheinlich gut 80% der Leute so eine Idee geschickt, hatten eine Lizenz bekommen und dann ging es so weiter. Haben die automatisch dann einfach hin und her oder musstest du fördern, dass sie dir die Ideen schicken trotzdem nochmal? Also kam diese eine E-Mail, die du geschickt hast und dann hat es jeder gemacht oder musstest du dann nochmal nachpointen? Es kamen so die ersten, es gibt immer so Early Adopter, die es cool finden. Und dann habe ich vielleicht so 20, 30 Antworten und dann habe ich so drei rausgepickt, die ich einfach gut zum Zeitpunkt fand und habe es am nächsten All-In erwähnt. Hier waren irgendwie drei gute Ideen und dann ging es weiter.

[10:22] Und dann haben wir wieder die besten Ideen erwähnt, dann haben wir irgendwann so einen Slack-Channel aufgemacht, wo es Leute darüber unterhalten konnten und dann ging es auch wieder darum, Neugierde zu schaffen. Das heißt, am Anfang haben wir nicht nur die Earl-Adoptereien getan, die so stark mit dem Thema auseinandergesetzt haben, die sich austauschen wollten. Und kein anderer war im Channel drin, weil bei Alex ein offener Channel, dann wisst ihr auch schon mal neugierig, okay, was geht da ab? Der Channel hieß GPT-Wizards of Slack. Und dann haben die weiter Ideen in den Gang gepostet. Dann musst du halt einfach die ganze Zeit aktiv sein. Und Leadership muss auch darin aktiv sein. Und dann sehen ja irgendwann alle Leute, hey, Leadership fördert das, ist da aktiv drin, findet es wichtig. Und so ging das so nach und nach langsam los.

[11:00] Wenn wir einmal kurz bei dem Kern bleiben. Ich meine, es wird, glaube ich, und du hast auch schon so indirekt gesagt, sehr klar, dass du sagst, hey, hätten wir, also wir müssen den Schritt machen, um relevant zu bleiben.

[11:12] Und sagen wir, ich höre gerade zu und ich bin Gründer und ich weiß vielleicht noch gar nicht, was trotzdem KI jetzt für meine Firma auslösen wird.

[11:22] Welche Gedanken muss ich mir machen? Welche Thesen hast du, die mir helfen können, zu verstehen, warum ich vielleicht heute schon mehr ausprobieren muss und nicht erst morgen? Genau, also ich glaube, man muss einfach ganz klar die Realität ins Auge sehen. Also jede Firma, vielleicht können wir es begrenzen auf jede Tech-Firma, aber vielleicht sogar auf jede Firma, die nicht KI so im Herzen hat, ist einfach obsolet. Und die werden sterben. Und Firmen, die vielleicht KI perfekt nutzen, um ihre internen Prozesse zu automatisieren, die werden vielleicht nicht sterben. Aber wirklich nur Firmen, die komplett AI vorwärts sind, werden gewinnen. Und das ist ganz natürlich. Also am meisten wird da, glaube ich, KI als erstes über interne Prozesse nachgedacht. Denken so, okay, jetzt habe ich irgendwie Customer Care oder so. Wie kann ich das automatisieren? Ich habe ein Chatbot, wie kann ich das automatisieren? Oder so simple Sachen eher. Und im Prinzip ist es ja so, wenn du zwei Firmen hast und die Public Markets schauen drauf oder auch private Investoren schauen drauf und bei der einen macht halt einen signifikanten Job die KI, dann ist diese Firma einfach kapitaleffizienter als die anderen. Die wieder Kapital bekommen die anderen nicht. Und diese Firma kann dann irgendwie bessere Produkte bauen, kann dir auch einen niedrigeren Preispunkt verkaufen, weil viel mehr automatisiert ist und die wird gegen die andere Firma gewinnen.

[12:42] Gleichzeitig ist es dann nicht nur eine reine finanzielle Betrachtungsweise, sondern auch einfach der Kundennutzen. Also wenn du jetzt irgendwie bei Lufthansa anrufst und dann ist es egal, was für den Freak-Flyer-Status du hast und du willst irgendwas buchen, das ist einfach eine painful experience, wo du im Zweifelsfall, wenn irgendein Sturm ist, erstmal drei Stunden in Warteschlange bist. Es ist einfach so. Wenn man eine KI rangeht, nach einer Sekunde mit einer guten Latenz, mit der du reden kannst, die aber dein Problem löst, dann ist es einfach eine super gute Kundenerfahrung. Und zwar eine bessere, als die, bevor die KI-Eintritts gekommen ist. Das heißt, eine Erfahrung, die vielleicht vorher gar nicht aufgrund von Arbeitskräftemangel geschaffen werden hätte können. Und natürlich hat diese Airline in den Beispielen einfach eine bessere Reputation, mehr Kunden nutzen, mehr Kunden leute, das ist eine andere. Also das sozusagen zu den internen Prozessen. Und dann geht es ja auch nach außen hin.

[13:29] Also gerade wenn es um SARS geht, aber auch wenn es um irgendwie so old industries, traditionelle Industrien geht, dann ist es ja so, dass, also was ist der Vorteil von KI? Also KI, der Vorteil ist, ich kann mit einer Maschine kommunizieren, wie ich mit einem Menschen kommuniziere. Und der Vorteil daran liegt, ich muss gar nicht erst lernen, wie ich mit einem Computer kommuniziere. Und das ist ja im Prinzip mal dieser Adoption-Gap. Wie kriege ich dann jemanden, der vielleicht schon 20 Jahre lang Erfahrung hat in der Industrie mit anderen Tools, wie vielleicht sogar Offline-Tools jetzt irgendwie ein digitales Tool zu lösen, was vielleicht sogar Vorteile hat, aber die Person möchte das einfach nicht. Und Menschen mögen generell keine Veränderung und das ist einfach was Menschen, das ist natürlich so. So, und jetzt geht es ja, bei gutem Interface ging es immer darum, die so simpel wie möglich zu halten, Adoption zu bekommen. Ja, warum hast du als WhatsApp so viel Adoption bekommen? Weil sie es simpel gehalten haben. Alle Anmessagen waren komplexer. Jetzt kann ich es noch simpler machen und sagen, ich brauche gar kein Interface. Sondern genau wie du SMS schreibst, kannst du da jetzt auch reinschreiben. Und dann stattdessen, durch fünf Masken durchzuklicken, kann ich mir drei Klicks machen und sage, mach mal die Payroll und dann wird die Payroll gemacht.

[14:32] Das heißt, es ist einfach schon ein riesen Vorteil für alte Industrien, aber halt auch für SaaS-Produkte. Warum sollten wir auch als SaaS, zumindest früher als SaaS, überhaupt noch Interfaces bauen? Es gibt ja viel effizienteren, jetzt seit neuestem einen viel effizienteren Weg, mit einer Maschine zu arbeiten, zu kommunizieren. Die ist halt über natürliche Sprache und deswegen glaube ich, der Kundennutz wird auch viel größer. Ich glaube, eine Sache, die wir auch noch definieren müssen, was sind denn KI-Firmen? Also, weil ich habe mit einigen Investoren gesprochen und irgendwie steht auf jedem Deck KI drauf, aber irgendwie ist nicht immer KI drin.

[15:09] Also, bei uns war das auch von Anfang an so, war so, okay, KI ist jetzt gerade einfach ein Hype, das ist einfach so und das ist auch okay, aber wir wollen KI schon nutzen, um uns schneller zu unserer Vision zu bringen. Also, es muss wirklich mit unserer Strategie allein sein und irgendwie bringt es halt schneller unser Ziel. Und das ist sozusagen, glaube ich, das Erste Wichtige. Das Zweite ist, was heißt denn überhaupt so AI-First-Company oder AI-Company? Und dann haben wir auch ganz einfach gesagt, hey, wenn du ein AI-Produkt hast, ein KI-Produkt hast, welches halt mehr als die Hälfte deines totalen Umsatzes oder deines neuen Umsatzes machst. Ja, weil wenn es mehr als die Hälfte des neuen Umsatzes ist, dann ist es nur eine Frage der Zeit, bis es mehr als die Hälfte deines gesamten Umsatzes ist, dann bist du halt eine AI-First-Company, weil ein Produkt, was halt mehr als die Hälfte deines Umsatzes macht, ist halt zwangsläufig im Kern, im Herzen deiner Firma. Und wenn dieses Produkt im Herzen deiner Firma halt ein KI-Produkt ist, dann bist du halt eine KI-Firma. Und das ist, glaube ich, ganz wichtig. Und alles andere ist irgendwie Window-Dressing. Und dann gibt es irgendwie noch so, okay, wir nutzen jetzt KI, um irgendwie intern effizienter zu werden. Und ich glaube, Das ist auch legitim, aber das ist ja so wie, wenn ich jetzt als Company ein Instagram und ein Facebook-Account habe und ein LinkedIn-Account habe, da bin ich auch keine Social-Media-Company, sondern ich habe einfach einen Social-Media-Account, so ist das auch so.

[16:32] Also als Beispiel, ich war auf so einer Food-Konferenz letztes Jahr in Zürich und dann, da gab es einen Professor und der beschäftigt sich seit irgendwie 50 Jahren mit Restaurants und neuen Technologien in Restaurants und der hat gemeint, also der hat letztes Jahr gemeint, vor 20 Jahren hat er eine Umfrage gemacht, wie viele Restaurants denken, dass sie eine Website brauchen und damals haben weniger als 10% gesagt, wir brauchen eine Webseite. Heute haben es alle. Aber das sind ja auch keine Website-enabled Restaurants. Das sind einfach nur Restaurants.

[17:03] Und deswegen, gleich bei Firmen, die KI intern nutzen, werden wir auch nicht in ein paar Jahren abstellen als KI-enabled Companies, sondern das sind einfach nur Companies. Und alle, die es nicht machen, verlieren halt einfach. Also es ist einfach so, der Status Quo, das ist das Minimum, nicht obsolet zu werden, das ist vielleicht AI-enabled. Aber wirklich so im AI-First-Sein müssen Umsätze darüber kommen. Das heißt, wir hatten es anfangs einmal kurz gesagt, September waren 100% neue Umsätze bei euch nur noch aus dem KI-Produkt. Also September 2024, ja. Ja, Entschuldige, das ist eine wichtige Ergänzung. Und wenn du dir das heute anguckst, wenn wir uns das im Verhältnis angucken, also Schoko 1.0 quasi und Schoko AI, wo steht ihr da heute im Verhältnis? Ich glaube, der gesamte KI-Umsatz wahrscheinlich so ein bisschen über 30% und ich denke, wird nächstes Jahr dann mehr als die Hälfte sein. Wann habt ihr das erste Mal Umsatz mit Schoko.ai gemacht?

[17:57] Letztes Jahr, Mai, vielleicht Juni. Ihr habt im Februar, März angefangen mit KI zu experimentieren und habt im Mai, Juni das erste Mal Umsatz damit gemacht? Was waren die ersten Schritte, um dieses Produkt so schnell Richtung Markt zu bekommen? Also ich glaube, Schritt eins erstmal so, wenn man selber die Überzeugung hat, dass die Technologie wichtig ist, dann als CEO oder als Gründer muss man erstmal selber da hundertprozentig reingehen. Man muss sagen, okay, ich muss jetzt lernen, ich muss alles lesen, ich habe mir einfach stumpf jeden Newsletter geholt, der einem ganz vertrauenswürdig war, den hat allen gefolgt, kriegst du jeden Tag in deinen Inbox News. Wenn du nur drei, vier Newsletter hast, weißt du auch, was für News sind öfters mal sozusagen erwähnt. Da weißt du, was wichtig ist, was weniger wichtig ist. Kannst dir weniger technische, mehr technische Sachen holen, um dich einfach ein bisschen einzulesen. Dann musst du halt selber auch vielleicht ein paar Produkte bauen. Ja, so ein Custom-GPT zu bauen und mit OpenAI ist halt einfach sehr einfach. Und wir haben bei Choco zum Beispiel so eine Weekly-Business-Review, wo wir uns im Prinzip alle unsere wichtigsten Metriken anschauen. Und dann haben wir da halt so einen Call mit unserem Leadership-Team. Und davor schreibe ich mir immer das Dashboard an und versuche zu schauen, okay, was läuft gut und was läuft schlecht und so weiter. Und dann Fragen zu stellen. Ich habe einfach ein GPT gebaut, wo ich das hochlade und dem das genau erklärt habe und gesagt habe, okay, sag mir einfach die Top 3 und die uns die schlechtesten 3 Punkte, auf die ich challengen kann.

[19:18] Und dann habe ich selber damit Sachen, einfach so angefangen zu bauen, angefangen darüber zu lesen und Podcasts und Twitter und es gibt ja auch einfach unendlich viele Ressourcen. Und das ist wirklich so Schritt 1. so der CEO und die Gründer müssen humzellig dahinterstehen und die können nicht einfach nur delegieren, mach doch was mit AI, sondern die müssen das selber verstehen. Also wir waren in Europa eine der ersten Firmen mit Zugang zu OpenAI, API, Nicht irgendwie durch Glück oder weil immer Refresh gedrückt haben, sondern weil ich jeden Einzelnen von Open My Eye Go-To-Market-Team auf LinkedIn harassed habe, bis sie uns Access gegeben haben. Genau wie die mit der Enterprise-License. Am Anfang gab es nur diese 20 Dollar Individual und dann gab es die Enterprise-License. Wir haben die harassed, wir wollten einfach Early Access haben. Und das ist wirklich so, glaube ich, so wirklich Schritt 1, weil dann versteht das Team, okay, die setzen sich jemand auseinander, die lernen das, die wollen da vorne mit Beisern, das ist wichtig. Also das ist sozusagen Schritt 1. Und dann Schritt 2, wie gesagt, geht es um diese Upskilling. Und Upskilling ist halt so, okay, jetzt haben wir diese Neugier entfacht, aber im Day-to-Day hat eigentlich keiner Zeit, irgendwie sowas zu lernen. Ja, wir haben eine Roadmap, irgendwie Sales-Ziele, Sachen, die wir bauen müssen und so weiter. Und jeder hat ja schon einen Job. Und dann muss man einfach Zeit einräumen. Und dann haben wir relativ früh angefangen, Hackathons zu machen.

[20:35] Und wir haben jetzt ein paar gemacht mittlerweile, ich glaube, letztes Jahr haben wir drei gemacht alleine und das ist ein großes Investment also das ist immer vier Tage lang gemacht das ist fast eine ganze Woche im Prinzip, wo dein Team an nichts anderes also an nichts, sondern ein regular cause of business arbeitet, sondern sich nur auf diesen Hackathon funktioniert und wir fokussiert und immer gesagt, hey, schau mal, es geht jetzt um Hackathon gibt es immer nur zwei, drei Regeln, erstens so, you have to build something with AI so, du musst die APIs nutzen egal von was für einem, foundational model, du musst die API nutzen müssen wir das bauen. Zweitens, es muss mit unserer Strategie allein sein. Ja, wir wollen jetzt kein irgendwie Meeting, Assistenten, Mitschreiber oder sowas bauen oder irgendwas für eine andere, was wir auf unsere Strategie passt, bauen. Und drittens, genau, also Montagfrüh ist angefangen und Donnerstagabend muss eine Demo präsentiert werden. Also was, was wirklich auch funktioniert. Das muss nicht skalieren danach, das muss nicht perfekt gebaut sein, das muss die beste Architektur haben, also einfach nur visibel sein, so da funktioniert irgendwas. Warum? Weil das motiviert natürlich auch die Leute, wenn dann schon was klappt. Und dann haben wir einfach stumpf Montagfrüh angefangen, Frühstück und haben dann irgendwie drei Nächte durchgearbeitet und Donnerstagabend gab es dann halt die Demo und dann hatten wir so, ich glaube, 12, 13 Teams oder so, jeweils zwischen zwei bis acht Leuten und die haben dann Donnerstagabend ihre Sachen präsentiert.

[21:55] Und ich glaube, am ersten Hackathon war eigentlich gar nicht so wirklich was dabei, als es irgendwie, man sich gedacht hat, oh, das könnte irgendwie klappen oder so, es wird skalieren, das wäre ein nützliches Produkt.

[22:07] Aber wir haben dann so Pullis gemacht, es war ja noch kühl draußen, so Hoodies und das hieß irgendwie GPT Hack, Battle of the Bots, das war einfach so die Brand von unserem ersten Hackathon. Die Leute waren halt stolz drauf und die waren wahrscheinlich die Ersten im Freundeskreis, die mit KI was bauen durften. Und dann haben wir weiter gemacht, dann haben wir den zweiten Hackathon gemacht. Nicht lange, vielleicht einen Monat. Dann haben wir den zweiten Hackathon gemacht und aber dann hat es von einer ganz anderen Basis angefangen. Das haben wir jetzt auch ein bisschen verändert, muss ich sagen. Da war auch Einzel-Learnings. Im ersten Hackathon haben wir alle bei Choco mit reingenommen. Beim zweiten haben wir nur Engineering, Data, Product und Design reingenommen. Also wirklich nur Tech, wenn man so will. War auch besser letztlich.

[22:47] Und dann ist dann schon, dabei ist dann auch wieder nicht so wirklich was rausgekommen, aber dann zwischen dem zweiten und dem dritten war dann so der Punkt einkommen, dass jeder darüber geredet hat. Und ich habe es dann auch in meiner One-on-ones aufgenommen, ich habe ihn von uns in XX gefragt, okay, hey, schon mal, hier ist ein neues Modell rausgekommen, was hältst du von dem Modell und dann kam irgendwie, weiß ich auch nicht was, dann kam so Mistral raus für den ersten Modell und dann kam wie Claude und dann kamen vielleicht die ersten Vision-Modelle und so weiter, und einfach so die Leute gechallenged und gefragt, was ist da los und irgendwann verschiedene Leute halt so, okay, das ist nicht jetzt irgendwie Fun-Hackathons, und irgendwie jeder kriegt so ein Slicense, sondern so, it's real und ich muss wissen, was in der Industrie passiert.

[23:28] Und dann war es tatsächlich so, dass ich bin einfach nur aus einem Meeting rausgekommen. Wir haben so einen Floor, wo so unsere Meetingräume sind, da ist die Küche davor. Und ich bin aus dem Meeting raus und gehe einfach so in die Küche und will mir so ein Wasser holen oder sowas. Und dann standen so zwei von unseren PMs. Meinst du, okay, da, da, da, da, wir müssen was sagen, we'll tell you something. Okay, okay, okay. Und der eine hatte gerade nach zuvor Whisper ausprobiert. Ich glaube, aber das ist damals noch neu, die Whisper API von OpenAI, also sozusagen die Transcription API, wenn man so will, und dann meint man so, it works perfectly. So Transcription works perfectly und wir sollten mit was bauen, wir können unsere Produkte ziemlich besser machen. Also, by the way, Whisper überhaupt nicht perfekt funktioniert, funktioniert immer noch nicht perfekt, aber da war so der Moment gekommen, wo sie die Leute plötzlich so das Skillset hatten, weil wir ihnen die Zeit gegeben haben, die Neugierden hatten, also der hat einfach von sich selbst die Whisper API ausprobiert. Der wusste, wie es funktioniert, der wusste, wie extra zu finden, der wusste, hat Budget, er wusste, wir nehmen das ernst, er wusste wahrscheinlich sogar, wir finden es gut, wenn er es ausprobiert, und konnte das irgendwie auch noch an unsere Use Cases applizieren und daraus dann tatsächlich auch unser bis heute wichtiges Choco-KI-Produkt geworden.

[24:37] Und genau, das kam dann relativ natürlich. Ich muss dazu sagen, ich kann auch gleich erklären, was für ein Produkt das ist, aber danach haben wir nochmal einen Hackathon gemacht und beim dritten Hackathon, natürlich sind wir auch besser geworden, wenn man Hackathons veranstaltet und so weiter, aber beim dritten bei der Demo war ich einfach nur so, okay, also eigentlich können wir jedes einzelne der Produkte, die Teams gebaut haben, einfach auf die Roadmap bauen, weil es war einfach gut, es war passend, es hat alles User Value gehabt. Also ich gebe dir ein Beispiel, wir machen ja Software für Nahrungsmittel-Großhändler, aber auch für die Restaurants. Und die Restaurants sind aus unserer Sicht so der Kunde unseres Kunden, das ist ja der Kunde des Händlers. Und der Händler will seinem Kunden ganz viel Value geben. Und deswegen haben wir auch viel Restaurant, Großrestaurant-Produkt, mit zum Beispiel Inventar-Management. Und würde dann eintippen, hey, ich habe irgendwie noch drei Flaschen Ketchup und irgendwie zwei Kilo Hühnchenbrust und tippte das ein, das habe ich im Inventar und basierend daraus wissen, wie viel bestellt werden muss. Und da kamen so Sachen raus wie, okay, ich kann jetzt meine Gefällekühltruhe irgendwie abfotografieren und du weißt, was vorher drin war, weißt, was jetzt drin ist, sieht aus dem Bild des Delta und bestellt dann das Delta. Und so, das ist ja hundertprozentig, allein mit dem, was wir machen, ist viel einfacher für den User, als irgendwie einzutippen, okay, ich habe hier drei Cola-Flaschen, weil es ist, die KI sieht das, er sieht das einfach. Und da kamen nur so solche Sachen.

[25:57] Und das war im Prinzip so ein bisschen die Journey, wenn man so will. Wir haben uns auch immer hervorgehoben, wir haben die Leute auch belohnt. Ich glaube, ein ganz wichtiger Punkt war, wir haben dafür geheirat, also um jeden Bewerber gefragt, okay, so, also in Tech haben wir gefragt, okay, so, did you try what do you think of the OpenAI API? Und nicht mehr, dass sie erwartet hätten, dass sie was gebaut damit hätten in der Freizeit, sondern dass wenigstens so, ja, okay, the documentation is good. So, wenigstens, ich hab die mir angeschaut, ich weiß, was geht, ich find's interessant. Das ist jetzt eher auf die Tech-Hires bezogen, ne? Das ist auf die Tech-Hires bezogen. Und bei den anderen hätten wir einfach gefragt, okay, also selbst bei so Finance oder Accounting-Hires, selbst so, okay, ja, hast du überlegt, wie die KI helfen kann? Bei Design, bei Marketing, bei Recruiting, bei allen.

[26:49] Und natürlich haben wir dadurch herausgefiltert, Leute, die auch neugierig waren. Bis heute kann man eigentlich nicht wirklich Erfahrung in der Application-Lehr von AI erheiern, sondern nur Leute, die neugierig sind. Da kann man denen dann den Raum geben, das zu lernen.

[27:02] Das passiert aber viel wichtiger, es war natürlich ein sehr starkes Signal nach innen, dass sie alle denken haben, okay, wir filtern hier ernsthaft 80% der Kandidaten geradeaus, einfach nur, weil sie sagen, I haven't experimented with AI. Und dann wird das so, okay, es ist halt wichtig. Ja, und so ging das dann los. Kurze Rückfrage, wenn ich jetzt ein Team zwischen 5 und 50 Leuten habe, würdest du auch da nur Engineering Capacity nehmen oder würdest du in so einem kleineren Team sagen, hey, ihr könnt schon alle an so einem Hackathon teilnehmen und alle erstmal irgendwie gemeinsame Projekte ausprobieren? Also auch wenn wir dann sozusagen ab dem zweiten Hackerton nur Tech gemacht haben, fand ich es trotzdem gut, dass wir ihn erst gemacht haben, wo alle mit dabei waren. Weil es ist einfach relevant. Und es ist, vielleicht wenn man sich selber stark mit dem Thema auseinandersetzt, ist es vielleicht irgendwann ganz natürlich, dass mir AI in meinen Day-to-Day-Tasks hilft, eine E-Mail zu schreiben, irgendwas für mich zusammenzufassen, ein längeres Dokument oder, oder, oder. Aber vielleicht ist es für viele Leute gar nicht mal so der Fall. Und die vielleicht im Sales sind oder so. Oder auch mal mit ChatGPT als Sparing-Partner zu nutzen. Und deswegen würde ich schon auf jeden Fall empfehlen, mindestens einen zu machen, wo wirklich alle mit dabei sind. Einfach so, das ist erlaubt. Ich kann mal Zeit dafür nehmen, ich kann mal lesen, ich kann nicht mehr Leute dazu austauschen. Würde ich schon machen. Wenn du sagst, gerade zum Beispiel sowas wie E-Mails, was sind deine persönlichen Sachen, die du jetzt nach, ich sag mal, am Ende ja trotzdem anderthalb Jahren, intensiven, sowohl in der Company dich damit beschäftigen, aber auch persönlich, was sind so die Sachen, die du selber nutzt am aktivsten.

[28:30] Um selber produktiver zu werden? Ja.

[28:35] Also zum Beispiel, ich mache relativ viel bei uns so interne Umfragen, so Surveys. Und also im Prinzip ist ja so, also ich mache die immer nur ganz kurz und immer nur zu einem Thema und das sind vielleicht zwei, drei Fragen oder so. Aber natürlich kann ich mir fragen von eins bis zehn, wie gut oder schlecht fandest du das oder wie gut oder schlecht machen wir das. Natürlich ist viel interessant da so das qualitative Feedback, so schreib mir bitte zwei Sätze. So, wenn jetzt hundert Antworten bekommen wir zwei Sätze, das lese ich mir nicht durch, sondern das ist einmal Copy-Paste, GPT, Okay, jetzt please identify me, was sind jetzt die wichtigsten Patterns hier drin, wie viele Leute drüben denken darüber nach, was ist Sentiment, was können wir daraus lernen und so weiter. Das sind einfach direkt ein paar Stunden, die du einfach so zurückbekommst. Wie gesagt, also mein eigener GPT, um sozusagen unsere wöchentlichen Zahlen anzuschauen, nutze ich immer noch. Das ist einfach extrem praktisch, gibt den schnellen Fear of the Company, hilft dir einfach Leute zu challengen.

[29:23] Manchmal nutze ich es auch wenn ich so selber in Situationen komme in denen ich vorher nicht war also jetzt sagen wir ich war jetzt vor ein paar Wochen auf so einer, relativ speziellen Industriemesse in den USA wo nur CEOs teilgenommen haben okay, wie bereitest du dich jetzt darauf vor? Das kannst du nicht googeln nirgendwo im Netz würde ich auf eine sehr nischige Sache vorbereiten kannst, dann fangst du GBT auch in den Kontexten, hältst du dich darauf vor zu bereiten und selbst da als Sparing Partner spart so einfach sehr, sehr viel Zeit.

[29:53] Das ist dann aber keine Custom-GPT, sondern das ist einfach nur, hey, das ist gerade meine ganzen Gedanken einmal hier reingeknallt, was würdest du tun? Ja, genau, wobei ich jetzt mal sagen muss mit 4O und so, mittlerweile baut der GPT einfach auch sehr viel Kontext um dich auf. Es ist ja fast sehr customized mittlerweile. Oder was ich auch immer interessant finde, ist an verschiedenen Modelle zu nutzen. Also ich habe eine Zeit lang hauptsächlich Gemini genutzt, einfach weil Gemini zu einem Zeitpunkt viel aktuellere Daten hatte. Trinit würde man sagen, okay, ich muss jetzt irgendwie morgen, muss ich nach New York fliegen und ich habe da und da ein Meeting. Gib mir bitte einfach ein Hotel mit den Sachen, die mir im Hotel wichtig sind, da in der Nähe und füllen es mir einfach raus und fertig. Und dann gibt es ja halt ein ganz bekanntes Buch. Da war JGPT früher nicht so gut drin, jetzt kannst du mittlerweile auch. Aber für so Kleinigkeiten, das reicht ja schon. Ja, nur wichtig, dass man, glaube ich, selber versteht, okay, das kann im Day-to-Day einfach einen richtigen Abschluss haben. Ja. Ich habe auch teilweise so Landingpages da mitgebaut. Das geht auch ging auch alles super schnell. Man kann sehr viele coole Sachen damit machen. Hattest du oder wie bist du mit Mitarbeitern umgegangen, die vielleicht nicht zu den Early Adoptern gehört haben, die vielleicht ein bisschen zögerlicher waren? Also ich glaube.

[31:01] Ich glaube, zögerlich ist okay. Es ist halt eine Reise. Es ist so eine Transition. Und ich glaube, jetzt sind wir seit so Februar letzten Jahres, also sind es jetzt so anderthalb Jahre ungefähr, auf dieser Reise und zum Beispiel bei Departments, wo wir es gut messen können. Also zum Beispiel bei Engineering. Okay, wie viele nutzen jetzt Co-Pilot? Oder wie viele nutzen Cursor? Das kannst du einfach messen, wie viel Adoption du hast. Und ich glaube, was halt wichtig ist, dass der Trend positiv ist. Der muss immer nach oben gehen. Natürlich geht er am Anfang viel schneller, dann kommt es den ganzen Early Adopter und dann wird es langsamer, langsamer, langsamer. Aber ich glaube, der Trend muss immer nach oben gehen und das ist okay und dann kommen auch so Late Adopter irgendwann mit. Ich glaube, dass diese ganze Geschichte von zeigen, dass man sozusagen rewarded wird, wenn man KI nutzt oder Gedanken hat, ist wichtig, weil dann kommen selbst so Kritiker oder vielleicht auch Leute, die sogar ein bisschen Angst haben, meistens der Kritik kommt hauptsächlich aus so einer Angstbrille eigentlich. Kommt dann auch raus und sind so, okay, wenn ich was cooles mit dir mache oder mir einfach nur mit auseinandersetzt, darüber nachdenken, dann wird das belohnt. Ja, dann schießt ihr auf dem All-Hands, okay, super, well done, great job und so weiter. Ja, ich glaube, es gibt sicherlich auch Leute, die da gar nicht mit klarkommen, die dann auch gehen oder von denen man sich auch einfach trennen muss. Um auch ein Signal zu setzen?

[32:17] Ja, ich glaube, Signal zu setzen ist eher so ein Symptom davon. Ich glaube, es geht erst tendenziell darum, so, hey Leute, hier ist eine Technologie, die wird die Welt verändern, die wird Company Building verändern, die wird Tech verändern, die wird die Gesellschaft verändern, die wird Länder verändern, die wird alles verändern. Und by the way, wir arbeiten in Technologie, das ist eine Technologiefirma und dementsprechend ist es einfach gut, es ist ein Muss, sich damit auseinanderzusetzen. Und übrigens, eine sehr wichtige Sache ist so, was überhaupt unsere Verantwortung als Arbeitgeber ist ja so, wenn du jetzt morgen Tschoko verlassen solltest, ja, dann hast du einfach so die relevantesten Skills des 21. Jahrhundert. Du kannst AI-Application-Layer-Applications bauen. Wir sind keine Foundation-Layer-Company, wir sind eine Application-Layer-Company. Du kannst APIs nutzen, du weißt, wie du sie zusammensetzt, wie du eine Value generieren kannst. Da gibt es eine neue Art, Produkte zu bauen oder auch, wie man es verkauft, wie man es pricet, wie man es marketet. Du hast es gelernt, du hast einen relevanten Skill. Wenn wir jetzt nicht AI-first heute, hätten unsere Leute ja nicht den Skill. Das heißt, wenn die morgen Choco verlassen müssten oder wollten, dann haben die einfach den relevantesten 21.

[33:28] Jahrhunderts nicht gelernt. Und damit hatten die Nachteile wirklich auf der, Basis des Individuums einen Nachteil. Und das haben wir Leuten auch gesagt. Zu den Leuten, die Angst davor hatten. So, ihr solltet Angst haben, wenn wir es nicht machen würden. Dann wärt ihr nicht sozusagen bereit für die Zukunft. Jetzt haben wir, glaube ich, sehr viel Basis geschaffen und auch immer wieder angesprochen, so hey, 100 Prozent des Revenues in September 24 sind KI-basiert. Dann hast du gesagt, okay, du hattest die PMs, die zu dir kamen und meinten, hey, guck mal, Whisper funktioniert. Das ist viel cooler, als wenn man auf so ein Interface rumklickt, um irgendwie, das heißt, es gab so die Basis fürs neue Produkt.

[34:09] Aber von mir sagt jemand, das könnte ein gutes neues Produkt sein. Und du glaubst daran, bis hin zu die ganze Organisation wird dahin mitgenommen. Wir haben das jetzt auf der Meta-Ebene besprochen. Aber wo beginnt es? Wo beginnt aus, ja, du glaubst, das ist tatsächlich was, woran wir experimentieren müssen. Mit wem baust du an diesem neuen Produkt? Ja, genau. Also vielleicht ganz nur das Produkt ganz kurz zu erklären. dann, also wenn wir relativ große Produkts wie, aber eins der Haupt-Value-Ads ist, dass wir bei den Großhändlern ist eben so, dass wir in Restaurants ihre Zutaten bestellen und ruft in der Regel an und spreche in Anrufbeantwortung. Das heißt, ich bin in das Restaurant, ich bin da Koch, es ist 11.80 Uhr, ich putze in der Küche, danach rufe ich an einem Händler und sprüche aufs Band und sage, ich brauche 5 Kilo Hähnchenbrust und 30 Bananen und 20 Zitronen und lege auf. Und 3 Uhr morgens, wenn der Großhändler am Großmarkt anfängt zu arbeiten, hört er, sie hat das Band an und tippt es dann so ins ERP-System ein. Und dann weiß ich jetzt nicht, okay, wolltest du jetzt eigentlich die Biohähnchenbrust oder nicht Biohähnchenbrust, dann wolltest du eigentlich jetzt die Flugbananen oder die nachgereiften Bananen und das ist einfach so ein doofer Prozess und eigentlich beide hassen. Und wir haben den früher gelöst für unsere Händler, indem wir eine App an die Restaurants gegeben haben, die integriert dann mit dem ERP-System des Händlers, das heißt, die Restaurants sind nicht mehr angerufen, sondern über die App bestellt, direkt reingeflossen. Das Problem ist, nicht jedes Restaurant soll eine App nutzen.

[35:29] Und jetzt haben wir stattdessen sozusagen einfach eine KI. Und diese KI, die geht halt ins Telefon. Und die hört halt dann an, hey, okay, ich will Bananen. Okay, willst du jetzt irgendwie die sonnengereiften oder willst du die nachgereiften Bananen? Die liest auch die E-Mails und die WhatsApps und die SMS und Fax und alle möglichen Kanäle. Und weiß, wenn jetzt unser Beispiel Fabian Bananen sagt, was er eigentlich meint, ist, er meint halt die hochpreisigen Flugtomaten, Flugbananen aus Teneriffa. Ja, und nicht irgendwie die aus der Nachreife aus Niederlande oder so. Und sendet die rein. Das heißt, du bist sozusagen aus Sicht des Händlers von langsam Restaurant Kunde für Kunde auf App bringen zu Vincilian Choco-KI und boom, 100% deines Bestelleingangs sind digital und plötzlich kannst du alle Daten sehen. Wow, so viel Nachfrage habe ich für Bananen. Wie viel sollte ich eigentlich nachbestellen? Alles in Real-Time.

[36:21] Dadurch können die dann zielgerichteter einkaufen, müssen weniger Bananen im Lager haben, haben weniger Verschwendung und so weiter und so weiter. Und also dementsprechend war das schon so, okay, das wird unser Business schon nach vorne bringen. Das ist, glaube ich, so Schritt eins. Es muss schon auch was sein, was man sehr, sehr stark glaubt, falls es denn funktioniert. Also ihr seid weg von einem Interface hin zu was, was einfach die Single Source of Truth bildet und einfach alle Kanäle abdecken kann und dann hinten raus mir einfach was ausspuckt, wo ich merke, okay, das habe ich jetzt zu tun und das kann ich abarbeiten und nicht, ich muss erstmal überhaupt alles dahin bringen. Genau. So, und jetzt die Frage, wie baut man das? Weil wir sind jetzt keine riesen Company oder so, aber wir sind jetzt auch nicht mehr irgendwie... Ich glaube, viele, die zuhören, die vielleicht ein bisschen früher sind, denken so 300 Leute ist schon eine große Company. Genau, ja, genau. Aber wir sind jetzt nicht so Meter oder so mit so 10.000 Leuten.

[37:07] Nichtsdestotrotz, in so einer Größe von Company hast du ja trotzdem Prozesse. Und die Prozesse sind eigentlich, also generell braucht man keinen Prozess, und Prozesse sind eigentlich nur dazu da, um sozusagen bei gleichbleibender Geschwindigkeit, gleichbleibender Qualität an Produkten zu bauen. Ist natürlich immer was Neues, statt das genau das Gegenteil von dem, was man will. Sondern ich will eigentlich so maximale Volatilität, ich will rausgehen, ich will jeden Tag was Neues lernen, ich will dem Kunden zu hören, und wenn es nötig ist, alles ändern von einem Tag auf den anderen. Und dementsprechend haben wir Speedboat, das machen wir öfters, haben wir jetzt aber in dem AI-Fall auch gemacht, Speedboard gebaut und das bestand im allerersten Schritt wirklich nur aus einem Engineer, und ich glaube, man muss auch verachten, was für Engineers, man rein, dass Engineers, die können extrem gut skalieren, aber es gibt auch diese Zero-to-One-Engineers, die einfach schnell einen MVP bauen können, die auch gut mit den Kunden kommunizieren können, die Business-Seitig verstehen, die vielleicht nicht die besten sind, um zu skalieren, aber die einfach schnell ein S-Produkt bauen können und denen haben wir uns geschnappt und rausgezogen aus dem Squad in dem er zum Zeitpunkt war, das ist schon mal ein Investment. Und da habe ich mir gedacht, okay.

[38:15] Ich muss jetzt irgendeinen Kunden anrufen, mit dem wir eine gute Beziehung haben, ob wir uns einfach einen Monat ins Büro reinsetzen dürfen. Das habe ich dann gemacht und das war in dem Fall in Boston. Das ist so ein großer Fisch- und Meeresfrüchtehändler, mehrere hundert Millionen Umsatz. Und dann sind wir einfach stumpf am nächsten Tag nach Boston geflogen und haben gesagt, okay, wo können wir uns hinsetzen? Die arbeiten meistens nur Nachtschicht, haben da Nachtschichten gemacht, einen Monat. Und haben erst mal angefangen, okay, so kommen also die Bestellungen rein, wer E-Mail und wer Anrufbeantworter und kann das überhaupt transkribieren, kann GPT so E-Mails überhaupt strukturieren und dann das Matching und kann das überhaupt daraus lernen und dann kamen halt ganz viele Neins. So, nein, GPT wird halt nicht von dir lernen, so, dein Datensatz ist viel zu groß, als dass du mit deiner speziellen Anwendung das füttern kannst. Aber wir konnten halt sehr schnell validieren. Wir konnten sehr schnell die Probleme finden, Wir konnten sehr schnell sozusagen verstehen, dass wir sozusagen bei den Whisper und OpenAI APIs oder auch bei den Cloud und Mistral APIs nur einige Sachen nutzen können, die gut für uns im Zweifel sind, aber dass wir auch unser eigenes neuronales Netz bauen müssen, sozusagen diesen Lernmechanismus zu bauen. Und das konnten wir alles sehr schnell machen. Warum? Weil es halt so ein Speedboat war. Am Anfang war es nur ein Engineer, da kam ein zweiter Engineer dazu, dann kam PM dazu. Es war sozusagen immer klein. Es musste nicht in die regulären Company Reportings rein, die direkt an mich reportet. Die mussten an keinen Meetings teilnehmen, die konnten sich nur auf diese eine Sache fokussieren, wirklich bauen.

[39:44] Und das war wirklich, also das war eigentlich extrem wichtig. Und gleichzeitig auch den Rest der Company zu sagen, hey, so belästet jetzt nicht, lass die in Ruhe. Ihr könnt ja nicht in andere Sachen reinziehen. Die haben jetzt keine Code-Ownership, die haben keine Services-Ownership. Die sind nicht für die Instandhaltung der Kernplattform mehr verantwortlich, sondern es ist wirklich ein eigenes Boot. Es gibt so den großen Tanker, der muss so langfristig in eine Richtung fahren, unaufhaltsam, verlässlich, aber es braucht halt auch so ein kleines Speedboard, das irgendwie so außen rumfahren kann und abchecken kann, was so abgeht. Und das waren halt die, Das war so sehr wichtig. Und da haben wir eigentlich unsere besten Leute reingesetzt. Und die sind dann relativ schnell dazu, vielleicht sechs Wochen gedauert, das erste Produkt rausgehauen. Du hast erst einen Engineer gehabt und dich. Wann hast du die zweite Person reingezogen? Die zweite Person, das war dann auch wieder ein Engineer, kam relativ schnell, einfach weil es für einen Engineer alleine ein bisschen doof ist zu bauen. Wer macht eine Code Review und sowas. Der zweite Engineer kam dann relativ schnell rein, ist dann auch zu uns rübergeflogen. Und ich war sozusagen der PM.

[40:50] Ich hatte natürlich auch noch einen anderen Job, also anders als vielleicht die Engineers, konnte ich mir nicht aus meinem Job komplett vorher rausziehen. Das heißt, an irgendeinem Punkt kam auch so, okay, Leute, ich kann jetzt hier nicht weiter irgendwie Tickets machen und die Roadmap schreiben und alle Kundenkommunikation machen und dann kam so der Punkt, okay, jetzt brauchen wir halt einen PM, der das halt alles macht. Aber so wirklich so, es kamen nur Leute in die Spirit rein, wenn es nicht mehr anders ging. Also es wurde nie so, now we staff it up, so Ressourcen drauf, nein, nur wenn es nicht anders ging, Also warum das Speedboat schnell ist, ist nicht nur, weil es nicht in deiner Kernorganisation ist, sondern einfach auch, weil es klein ist. Das ist auch wichtig. So kleine Teams arbeiten viel schneller, haben mehr Ownership, mehr Accountability, haben auch mehr Spaß in der Regel. Was waren die Charakteristik, du hast es beim ersten Engineer angesprochen, aber nochmal zusammenfassend, was waren die Charakteristika der Leute, die in diesem Speedboat waren? Ja, also Engineers waren so typische Zero-to-One-Engineers. Das heißt, technisch stark, Full-Stack, ganz wichtig. Jetzt auch keine Angst vor Daten. Ein V-Lincer schon gemacht, da müssen wir spät Data Science hinzugezogen. Early Engineers dürfen auch keine Angst haben, Basic Data Science Tasks zu machen. Dann PM ist, glaube ich, das Allerwichtigste, so, Die müssen einfach so, die müssen AI-enthusiastisch sein.

[42:06] Die müssen eigentlich am meisten wissen von allen. Die müssen eigentlich nachts nicht schlafen können, weil sie es so spannend finden, damit was zu bauen. Die müssen in der Lage sein, alle alten Produktmanagement Best Practice über den Haufen zu schmeißen. Die müssen in der Lage sein, in Chaos zu arbeiten, komplett ohne Prozess zu arbeiten. Die müssen in der Lage sein, ohne Sprints zu arbeiten. Die müssen aber auch das Team rallyen können von wegen, okay, hier kann man jetzt das User-Feedback rein, wir implementieren das jetzt. Und es war wirklich so, dass teilweise im Uber zu irgendeinem Zeitpunkt zwei Kunden in Boston ein bisschen mit anderen Kunden auch noch validieren mussten. Wenn wir von einem zum anderen gefahren sind, haben wir Updates geschippt, um entweder die Bugs zu lösen oder um neue Features zu shippen, von den Sachen, die wir vielleicht eine Stunde vorher bekommen haben. Und so ging das. Und sozusagen, diese Speed, diese, Iterationsgeschwindigkeit, weil du verbrauchst halt einen richtigen PM, der auf sowas auch Lust hat, der nicht jetzt erstmal denkt, okay Leute, jetzt machen wir erstmal zwei Jahre Strategie und überlegen uns erstmal, was sind jetzt die drei Säulen unserer Strategie sind und einfach nur sagt, nee, so Execution ist die Strategy, wir hören jetzt dem Kunden zu und wir bauen das, was der Kunde braucht, Ende.

[43:14] Also, was hast du dem ersten Kunden gesagt? Also ich bin mir sicher, es gab eine gewisse Vertrauensbasis und du hast den gewählt, weil er auf der einen Seite eine gewisse Größe hat, auf der anderen Seite du den kanntest, aber gab es dann einen Deal? War da wichtig, dass ihr mit dem ersten rüberfliegen und mit dem entsprechenden Geld verdient? Was war da wichtig? Was hast du dem Kunden gepitcht, dass der gesagt hat, okay, kommt einfach vorbei? Also ich habe dem Kunden im Prinzip einfach nur das Produkt erklärt, wie ich es dir vorher erklärt habe. Aber warum wir den ausgewählt haben, ist einfach nur, wir wollten halt jemanden haben, der uns erstens Zugang gibt. Also wir sind wirklich bei denen im Büro drin gesessen, denen das nicht stört, der dafür auch offen ist. Wir wollten jemanden haben, der uns jetzt nicht gleich komplett böse ist, wenn alles schief läuft, weil am Anfang wird alles schief laufen.

[44:00] Und der ist bereit, das relevantes Feedback zu geben. Ich glaube, darum ging es eigentlich. Und dann Kommerzialisierung, ehrlich gesagt, weiß ich sogar nicht mehr, ob der erste Kunde bis heute dafür zahlt. Es ist aber auch egal, weil es sind irgendwie tausende Kunden drauf, die dafür zahlen. Aber mit diesem Kunden können wir es halt irgendwie so ein bisschen aufbauen. Also da ist, glaube ich, Kommerzialisierung ist ein zweiter Schritt. Und dann kam der zweite Kunde hinzu und der war auch in Boston, weil es einfach dann halt auch Sinn gemacht hat, natürlich irgendwie da wirklich dabei sein zu können. Wann war so dieser Tipping Point erreicht von, okay, erstens, wir lösen wirklich das Problem, was wir lösen wollen und wir müssen jetzt überlegen, wie produktivisieren wir das in dem Sinne, dass wir dann das auch an andere Kunden ausrollen können, dass wir das Gefühl haben, okay, wir sind an dieser MVP Stage, die auch Sinn macht zu verkaufen. So wann war, wie lange hat es gedauert bis zu diesem Sweet Spot? Also haben wir einen zweiten Kunden gemacht, dann ist es auch aufgebaut, dann haben wir einen dritten Kunden gemacht, der war dann in New York, das war dann schon ein bisschen painful, da geht es bei einem Zug, das war dann schon ein bisschen painful und dann haben wir, und das waren alles nur Leute, die entweder ich oder vielleicht unsere GMs oder andere Leute bei uns auch gut gekannt haben, die eine gute langjährige Beziehung bereits hatten, die uns auch vertraut haben, denen wir auch vertraut haben, denn wir müssen ja auch denen vertrauen, dass sie nicht gleich jedem erzählen, wir machen das.

[45:16] Und aber jeden dieser Launch, jetzt sagen wir den Kunden, hat dieses Speedboard-Team gehabt und das waren dann zwei Ingenieurs, ein PM, dann kamen vielleicht, dann kamen auch zwei Data Science Leute hinzu und vielleicht so fünf Leute für eine ganze Zeit lang und die sind einfach rumgereist und die haben einfach jeden einzelnen Go-Live gemacht und nach einer Woche sind die da wieder hin und haben geschaut, wie es läuft und sind wieder hin und haben zwischendrin im Flugzeug und im Zug die ganze Zeit halt iteriert, und dann wurden halt aus drei, wurden vier, wurden fünf, wurden irgendwann zehn, und dann irgendwann merkt man halt, das ganze Feedback, was man bekommt, hat man schon mal gehört. Und das ist ja, das ist im Prinzip der goldene Moment, auf den man eigentlich wartet, denn dann weiß man, okay, das Feedback, was ich höre, ist jetzt nicht nur speziell für diesen einen Kunden, der sich ihm gewünscht, dass der Button halt irgendwie lila ist anstatt blau, sondern es ist anscheinend, dass es wirklich relevant ist für die gesamte Industrie.

[46:06] Und von dem Zeitpunkt wussten wir eigentlich, jetzt können wir es halt ein bisschen professioneller ausrollen. Das ist, glaube ich, die erste Sache. Die zweite Sache war, dass am Anfang Bis zum nächsten Mal. Also bei KI ist es ja ganz interessant. Die Leute denken, wenn sie KI hören, das ist irgendwie so superhuman oder das ist irgendwie so godlike und die weiß einfach alles, ja. Aber es ist halt nur eine künstliche Intelligenz. Das heißt, die weiß halt in der Regel nichts und du musst dir etwas beibringen. Und das Problem war, am Anfang hat unsere KI halt überhaupt nicht gelernt. Das heißt, Fabian hat Bananen bestellt. Die KI hat gedacht, okay, das sind jetzt die Bananen aus Teneriffa. Du wolltest aber eigentlich die aus dem Container Holland gekommen sind. Dann haben wir die korrigiert. Nein, dann haben wir eigentlich die aus Holland. Beim nächsten Mal hat es wir gedacht, das sind aus Teneriffa. Die hat die ganze Zeit Wiederholungsfehler gemacht. Und das hat unsere User halt extrem frustriert.

[46:53] Und das war aber auch ein sehr gutes Zeichen. Denn, also, die User haben mich angerufen und die waren frustriert, die waren sauer teilweise, denken wir so, okay, wie wichtig muss euch dieses Produkt sein, dass es euch sauer macht? Und dann mussten wir dieses ganze Lernproblem lösen und das war wahrscheinlich auch so der wichtigste Einblick in, wie baut man überhaupt Produkte mit KI, denn das einzige Interface, was man eigentlich bauen muss, ist das Interface, um die KI zu trainieren, um es für deine User so einfach wie möglich zu machen, der KI was beizubringen. Und als dieses Interface verstanden haben, das designt hat. Da kam auch ein Designer mit an Bord. Das ist absolut key gewesen. Und wir verstanden haben, wie wir sozusagen diese Accuracy von KI auch als Metric halt irgendwie jede Woche besser, dann war einfach der Punkt, okay, jetzt können wir es irgendwie ausrollen. Wie viele Go-To-Market-Leute hast du dann hinzubezogen? Genau, dann ist halt so die nächste Frage, wir glauben es, dass wir es ausrollen können, aber ja, Jetzt vielleicht ein Sales-Team, was bereits ein Produkt verkauft, was auch funktioniert, wo sie auch Boni drauf bekommen, jetzt sagen, okay, hey, hier ist ein neues Produkt, die musst du erstmal überzeugen.

[48:01] Aber genau wie bei allen anderen gibt es natürlich auch bei Sales einfach Early Adopter. Und bei uns war das der Fall in England, in London, hatten wir einfach einen Sales Leader und der fand das einfach stark von Tag 1. Und der hat irgendwie intuitiv auch von Tag 1 sich überlegt, okay, wenn ich es am besten verkaufen will, kann ich es nutzen? Und dann haben wir gesagt, okay, wir fliegen jetzt alle nach London und du kannst jetzt verkaufen mit deinem Team und wir verkaufen das nur in London. Wir haben bis letztes Jahr, bis auf unsere paar Tests in den USA, nur in London ausgerollt und hatten einfach unfassbare Erfolge damit und da ging es ja wieder nur so wieder, um Neugierde aufzubauen von den ganzen anderen Ländern, von den anderen sechs Ländern, die teilweise auch dann sehr kritisch waren. Okay, was soll man jetzt wirklich machen und KI und oh mein Gott und Frankreich und die KI hat so einen schlechten Ruf hier und USA ist nicht premature und so weiter. Und dann montierten einfach Erfolge damit. Und dann wurden die dann auch irgendwann neugierig. Und dann geht es, glaube ich, auch so ein bisschen um Symbolik. Also wir haben dann im Januar diesen Jahres alle nach Deutschland eingeladen, nach Berlin eingeladen und haben so ein Offsite gemacht mit globalen allen. So drei Tage, es gab ein paar Themen, aber das Hauptthema war halt, okay, das neue Produkt einfach Choco-KI. Und es ist nicht so, dass es irgendwie bei einem Offsite kann man wahrscheinlich besser Informationen übermitteln, als irgendwie remote.

[49:19] Aber viel wichtiger ist so, wenn die Leute wissen, okay, ich fliege jetzt hier ein, damit die mir sagen, KI ist wichtig, das muss halt wahrscheinlich wichtig sein. Das ist anders, als ob man es einfach nur im All-Hands erwähnt oder eine E-Mail schreibt oder so. Und dann, wer saß vorne dran, sozusagen bei unserem Panel? Natürlich das Speedboat-Team und natürlich das London-Team. Wie sie es halt verkauft haben, wie es halt gut funktioniert, wie es den Kunden gefällt. Und wir haben, glaube ich, auch noch drei, vier Kunden oder so einwählen lassen, die sie einfach erzählt haben. Wir haben ein paar Videos gemacht, auch bei den Kunden und so. Und dann haben wir es einfach professionalisiert. Und dann wurde es sozusagen Teil unserer Sales-Tech, Teil der internationalen Boni-Schemes auf Go-To-Market-Seite, Teil von Enablement, vom Training und so weiter, Teil unseres Marketing. Eigentlich seit Jahrhundert dieses Jahres rollen wir es aus. Eine Rückfrage noch, weil es mir gerade aufgefallen ist. du musstest mit Schoko zweimal Product Market Fit finden. Einmal für das erste Produkt und alle Iterationen davon und für Schoko AI. Was sind die Hardcore Kern Learnings zu Finding Product Market Fit? Ja, das ist eigentlich interessant, weil die beiden Sachen waren sehr ähnlich. Also das erste, wenn wir Schoko Product Market Fit gefunden haben, das war hier in Berlin. Da hatten wir eben zuerst diese Restaurant App und ich habe damals in Neukölln gewohnt am Landwerkkanal. Und ich bin einfach stumpf mit Screenshots von dem Design, welches wir auf PowerPoint gemacht haben, von einer App, von Restaurant zu Restaurant gelaufen. Und ich bin immer direkt hinten in die Küche rein und habe gesagt, was haltet ihr davon?

[50:44] Und dann habe ich Feedback bekommen und ich habe am Tag über 50 Walk-Ins gemacht. Das ist echt viel.

[50:50] Nach fast jedem Walk-In haben wir ein bisschen was verändert an den Designs. Wir haben Screenshots gemacht, wieder aufs Handy getan, das war aus wie eine echte App, aber keine wahr. Aber wir waren halt einfach nah dran am Kunden. Wir haben halt die ganze Zeit der Kunden gefragt, wie findest du es besser, wie findest du es besser, bis es irgendwann der Moment gekommen ist, das war bei so einem Ceviche-Laden, beim Pregoire, da ist La Lucha in Kreuzberg, wo der gesagt hat, hey, dafür würde ich mich sogar ein paar Stunden hinsetzen, um mir die App einrichten. Der hatte nichts, der hat einen Screenshot gezeigt und der hat das gesagt und so, okay, das ist ein gutes Zeichen, aber man muss halt nah dran sein, mit dem Kunden reden, hart arbeiten, super schnell iterieren und genau das gleiche war bei Choco K.I. einfach auch der Fall. Und man kann das nicht irgendwie, ich glaube, man kann das nicht wirklich delegieren oder so, sondern, denn diese Sache damals aus Kreuzberg, wie jetzt diese Sache aus Boston.

[51:36] Das beflügelt dich natürlich, wenn die Company wächst, denn unabhängig davon, wie groß jetzt Schoko heute ist oder hoffentlich mal wird, ist so, ich bin ja in diese hunderte Restaurants reingegangen. Ich habe ja das Feedback gehört. Ich weiß ja, ich kenne ja die Überwindung, die es braucht, da hinten in die Küche reinzulaufen. Ich kenne ja die Gegenargumente, die mir kommen. Ich weiß, wie man rausgeschmissen werden kann, wie hart das sein kann. Ich weiß auch, wie schnell das Produkt Wert zeigen muss, dass die irgendeine Chance geben und das enabled mich natürlich heute noch, die Company zu leiten und genau beim Joko-Ki-Produkt genau das Gleiche.

[52:11] Ich weiß, wie es ist, wenn ich der Kunde anrufe und sage, das Matching funktioniert nicht gut genug. Das ist einfach painful. Ich weiß, wie sich der Sales Trip oder Customer Success Mensch bei uns fühlt. Ich weiß auch, wie sich das Data Science Team fühlt, wenn das Feedback ankommt. Ich weiß auch, was wir in Arbeit müssen. Ich weiß, was Kunden unsere Produkte mögen. Ich weiß auch, was sie daran nicht mögen. Und ich muss mich nicht auf irgendwelche NPS Scores verlassen, sondern ich kann zu jedem bei uns Schoko hingehen und sagen, und dann sagen, okay, ich glaube, das ist wichtig und ich glaube, das ist halt weniger wichtig. Und was denkst du? Und das enabelt einen natürlich einfach auch, die Firma halt viel besser zu leiten. Ich glaube, das ist einmal nur als wichtiger Einschub wegen Product-Market-Fit und weil das halt so, gerade wenn du jetzt sagst, ich habe schon ein Produkt, und ich baue das neu, also mit durch KI, ich glaube, du brauchst den auf jeden Fall, bevor du dich eben so hinstellen kannst, um zu sagen, hey.

[53:05] Team, that's part of the game. Und deswegen musste man das, glaube ich, einmal noch definieren, weil du stellst dich dann dahin und sagst, hey Leute, ab jetzt, ihr habt es ja mitbekommen, es gibt dieses Speedboat und ihr habt ja mitbekommen, KI ist uns wichtig. Ab heute ist das richtig wichtig. Und du hast vorhin gesagt, Menschen mögen ja nicht unbedingt Veränderungen. Was war so die erste Reaktion, als ihr dann gesagt habt, okay, nicht mehr nur, das ist wichtig, wir haben da ein Speedboat, sondern das wird mehr und mehr Einzug in euer Leben finden, wo ihr jetzt schon quasi gewisse Prozesse habt, in denen ihr aktuell mit Schoko, ich sage jetzt mal 1.0 arbeitet. Ja, also es ist sehr interessant, weil natürlich sogar innerhalb unserer eigenen Filmer sagen, ja Leute, machen wir das jetzt nur wegen dem Hype.

[53:48] Und darauf brauchst du eine gute Antwort. Oder machen wir das nur, weil KI-Firmen gerade viel Geld raisen können? Und dann muss die, im Prinzip geht es halt nur eine Antwort dazu. Nein, schau mal, früher hat uns das irgendwie ein halbes Jahr gedauert, jetzt dauert es eine Woche. So, das macht uns besser. Also wir kommen dadurch schneller zu unserer Vision. So, unsere Vision ist sozusagen, ein nachhaltiges Nahrungsmittelsystem zu bauen. Und dafür brauchen wir ganz viele Daten. Was für Nahrungsmittel werden überhaupt gehandelt? Jetzt können wir irgendwie die eine Million Restaurants, die es USA und Europa gibt, alle auf unsere App holen. Oder wir können halt unsere 15.000 Händler auf ChocoEye holen, wir haben den gleichen Zugang zu den Daten. Wir können denen damit helfen und forecasten und so weiter. Das wird uns einfach schneller dorthin bringen. Das ist auch besser für unsere Kunden, bringt auch schneller Wert für die. Und das müssen ja die Antworten sein. So, okay, wir machen das nicht, weil es irgendwie extrinsisch motiviert ist, weil AI-Hype und Investoren und sowas, es bringt uns schneller zu unserer ursprünglichen Version, die gleich geblieben ist. Und wir sagen auch immer, man muss mit seiner Vision sehr starrköpfig sein und mit der Execution sehr flexibel. Also stubborn on the vision, flexible on the execution. Und das ist auch wahr, weil wenn ich heute einen besseren Weg finde, wie wir schnell an unsere Vision kommen, dann ist es unsere Verantwortung, diesen Weg zu nehmen. Und wenn wir dafür alles ändern, müssen wir dafür alles ändern. Das ist einfach so. Und wenn du es nicht machst, stirbst du als Firma. und dafür gibt es hunderte Beispiele in der Geschichte von Elektrifizierung und Internet und zig weitere.

[55:15] Genau also man braucht schon die Bezeugung, dass es Sinn macht.

[55:20] Und man braucht die Glaubwürdigkeit, dass man es nicht merkt aus irgendwie extrinsischen Faktoren. Und dann, hey, risikofrei ist es nie. Es ist nicht risikofrei. Und das Produkt, was viele gesagt haben, was auch gestimmt hat, das Produkt kann immer, hat auch unser altes Produkt kannibalisiert. Und da habe ich viel drüber nachgedacht. Und irgendwann habe ich mir gedacht, hey, unser KI-Produkt kannibalisiert unser Nicht-KI-Produkt. Das ist das Beste, was uns passieren kann. Weil wenn ich jetzt ein Webtoeber von Choco wäre, dann würde ich ja genau das machen. Wir disrupten uns einfach selber, kannibalisieren einfach unser eigenes Produkt mit KI. Und das haben wir den Leuten einfach Transparenz erklärt. Genau wie jetzt reden, haben wir auch mit den Teams geredet. Und dann ist, wie gesagt, ganz stark nochmal zu betonen, ist aufs Individuum einzugehen. Wenn du morgen Choco verlassen wollen solltest, dann willst du die KI-Skills haben. Du willst nicht auf den Arbeitsmarkt gehen, die nicht haben. Es ist vorbei. So, wenn du gestern Customer Care Manager warst, ja, sind deine Skills spätestens in zwei Jahren komplett obsolet. So, du weißt nichts, du beginnst von null. Du musst es ganz neu aufbauen lernen. Wenn du heute PM bist und du hast nicht mit den APIs oder Engineer bist, hast du nicht mit APIs rum experimentiert, dann, okay, congrats, you're building without technology. So, als wir, als ob Leute nochmal PHP bauen würden oder so.

[56:43] Du musst das Lernen für dich selber, wenn du relevant bleiben willst, wenn du ambitioniert bist. Ja, und das waren, glaube ich, so die Sachen. Aber es ist nicht risikofrei. Es ist aber auch ein Prozess, ja nicht, dass von heute auf morgen 100% aus KI kam, sondern das waren halt, wie gesagt, so 16 Monate und dann haben wir auch irgendwann die Zahlen einfach gesehen. Dann können wir sagen, hey, schau mal, das wächst wirklich. Also wenn wir so zwei Revenue-Streams haben und der eine wächst halt dreimal schneller als der andere, es war viel neuer. Auch nicht von einer kleinen nicht nur einer kleinen Basis oder so gewachsen, dann ist es ja auch objektiv die richtige Entscheidung. Jetzt hast du ja nicht null auf eins einfach mal alles eingestampft, was ihr vorher gemacht habt und gesagt, hey, ihr arbeitet ab morgen nur noch an KI-Themen oder am KI-Produkt. Wie graduell ist das verlaufen? Wie kann man sich das vorstellen? Da arbeiten ja trotzdem ein paar hundert Leute, die jetzt darauf vorbereitet werden, dass sie so diese Transition machen. Aber es ist so, es ist einfach, das zu sagen und es ist viel mehr Fingerspitzen Gefühl gebraucht, um das dann auch zu machen und da durchzuleiten. Wie graduell, über welchen Zeitraum ist das passiert? Ja, wahrscheinlich braucht es schon viel Fingerspitzengefühl. Also irgendwann wurde das Speedboard halt ein vernünftiger Squad, was dann auch irgendwie einen Sprint hatte, was PRDs schreiben müsste und sowas. Was auch Reporting-Lines hatte, die nicht an mich ging, sondern die dann halt Head of Product ging, Head of Engineering ging und so weiter.

[58:04] Und der Großteil unseres Wachstums kam von diesem einen Squad, was vielleicht 10% oder vielleicht 5% des Headcounts, unsere Tech-Headcounts war. Und natürlich muss man dann managen, dass nicht 95% der Leute denken, oh, wir schauen jetzt nur noch auf Choco.ai. Und natürlich muss man eine Strategie drumherum bauen, die halt auch Sinn macht, Choco.ai zu enablen. Aber es gibt halt auf jeden Fall die Transition-Period, wo sich einfach Leute denken werden, hey, was ich mache überhaupt noch relevant. und ein Go-To-Market genau das gleiche. Ich verkaufe noch ein altes Produkt, bin ich morgen noch da, wenn wir das neue Produkt haben und so weiter. Und da geht es glaube ich auch ganz den Leuten einfach auch Mut und Optimismus zu machen und deswegen haben wir zum Beispiel auch noch einen Hackathon gemacht, nachdem wir schon unser Produkt gefunden hatten. Einfach so, okay, KI muss hier in jedem Squad Einfluss finden. In jede Roadmap muss es Einfluss haben, muss es eingebettet werden. Nicht nur das große eigenschnelles Produkt, sondern auch für kleine Applications. Aber da braucht man Fingerspitzengefühl, auch auf all hands. Es ist natürlich auch verleitend, wenn man eine Sache hat, die so schnell wächst, nur noch darüber zu reden. Natürlich muss man auch über die anderen Sachen auch noch reden. Das ist wichtig. Und da machen Leute auch noch gute Sachen.

[59:17] Und ja, es wird auch Sachen geben, die man einstampft. Ist einfach so. Das machen wir nicht mehr. Das ist nicht mehr zeitgemäß. Es ist nicht mehr das Jahr 2022, sondern das Jahr 2023, und jetzt der 2024 und da können wir Sachen nicht mehr so machen wie vor GPT. Es geht einfach nicht mehr.

[59:35] Aber du hast ja die Leute gut ausgebildet. Du hast ja Zeit gegeben, mit AI zu experimentieren. Du hast nur solche Leute auch geheiratet, die neugierig sind. Du hast den Leuten über verschiedenste Kanäle gezeigt, dass es wichtig ist. Also die Leute können dann auch langsamer arbeiten. Aber es ist auf jeden Fall so ein Transition Period, wo alle nur auf AI schauen, dann muss man auch ein bisschen bei Laune halten. Wie viele eurer Leute arbeiten heute noch an dem Nicht-KI-Produkt?

[1:00:03] Irgendwas zwischen 1 und 5 Leuten. Ist das dann nur noch Customer Support? Ist das Instandhaltung auf der Tech-Seite?

[1:00:12] Es ist sozusagen Account-Management für Restaurants. Genau, das brauchen wir auch und das werden wir auch ich denke, es werden wir auch langfristig behalten und einfach weil es so eine Art Key-Account-Management ist. Irgendwie so eine riesengroße Restaurantkette. Klar, die können jetzt auch mit KI reden, aber es ist einfach auch gut, wenn man eine Person hat, die da hingeht. Da schenkt es drei, vier Leute global, nicht groß. Frage zu Go-To-Market. Du hast gesagt, du hast incentiviert und auch dieses KI-Produkt nach und nach in die Incentive-Structure mit aufgenommen. Wann kam der, also wie, hast du da erstmal gesagt, okay, du darfst das KI-Produkt verkaufen? Hast du gesagt, du hast gerade Bock, ja, dann verkaufst, hier ist übrigens die Incentive, wenn du KI verkaufst, statt dem Legacy-Produkt. Wie war das anfangs so, if you want to take it, oder war das so, weil du gesagt hast, das erste Team war London. Aber wie war es danach? Also war das mehr so, wo kamen die Leute her, die es gemacht haben? Genau, also unser CRO hat, glaube ich, eine ziemlich gute Idee gehabt. Und zwar, wir haben das Incentive Scheme genauso gelassen, aber wir haben sozusagen ein weiteres Incentive zugefügt, sozusagen 1,2 Mal, also 20 Prozent stärker gewichtet war, wenn du halt das KI-Produkt verkaufst. Das heißt, du kannst ganz normal wie vorher an 100% deines Bonuses kommen, wenn du das alte Produkt verkaufst, aber du kommst halt einfacher dran, also 20% schneller dran, wenn du das KI-Produkt verkaufst.

[1:01:36] Und das haben wir bestimmt, also eigentlich bis jetzt, also drei Quartale so laufen lassen. Das heißt, wir haben auch overpaid. Die Leute hatten die Möglichkeit, signifikant mehr Boni zu machen, wenn sie halt das KI-Produkt verwendet haben. Und das war halt einfach eigentlich super gut, weil das heißt, keiner hat einfach drunter gelitten. Sondern alle haben einfach nur gemerkt, okay, so komme ich schneller auf meinen Bonus, ich mache das jetzt einfach. Und jetzt erst seit Q4 ist sozusagen einfach der alte Incentive weggenommen. Und jetzt gibt es nur noch das Neue. Und deswegen war das eigentlich eine relativ smooth Transition. Und ich glaube auch, es hört sich jetzt nach so einem kleinen Detail an, aber das war, glaube ich, schon einer der Haupttreiber, warum das relativ smooth in die Breite in unseren Sales-Teams eingeflossen ist. So, es hat keinen Nachteil bekommen, es gab keinen abrupten Wechsel, sondern du machst es selber und spätestens, wenn du noch einem Quartal siehst, deine Kollegen kommen auf einen stärkeren Bonus, die vielleicht gar nicht mal stärker als du sind, einfach nur weil sie KI verkauft haben und nicht das alte Produkt, spätestens dann machst du es auch. Ja. Ich glaube, das ist wichtig und das andere, was wichtig ist, ist, glaube ich, auch Schütt einmal ein. Das nehmen wir, das cutten wir raus. Schütt ein. Weil dann das hört man dann immer nur so leicht und dafür bin ich dann zu perfektionistisch bei Audio.

[1:02:54] Das eine ist diese Incentive und das andere ist ja dann auch beim Kunden. Also ich meine, am Ende will ich ja nicht mit zwei Sachen zum Kunden rennen. Das heißt, ich muss ja irgendwie so eine Entscheidung für mich treffen. Das heißt, ich muss als Go-To-Market-Persona für mich die Entscheidung treffen. Und dann irgendwann musst du ja trotzdem sagen, okay, Jetzt sehen wir ja, dass das KI-Produkt so gut funktioniert und wir wollen eigentlich das als Kern und als einzige Funktion. Wenn du nur noch ein bis fünf Leute an dem Legacy-Produkt haben willst, musst du irgendwann Cut-off-Time machen. Wann war der Punkt erreicht?

[1:03:29] Der Punkt war eigentlich aus den Daten ablesbar, weil irgendwann hatten wir genug Kunden auf dem KI-Produkt, um sozusagen die Unit Economics zu verstehen. Also jetzt nur mal so, wie klar war das überhaupt? Also der Joko-E-Umsatz ist dreimal so stark gewachsen als unser, sag ich mal, altes Joko-Umsatz. Mit der Hälfte der Kosten, also der Hälfte der Kosten, Hälfte Kack. Mit fünfmal schnellerer Adoption. Also einfach auch, was aufmacht, bedeutet auch fünfmal faster time to value für den Kunden. Dementsprechend viel happierer Kunden.

[1:04:08] Wenn du so ein Produkt hast, das machst du dann. Das kannst du nicht mehr ignorieren. Und irgendwann hast du halt zwei Produkte und du hast noch so viele Ressourcen und du musst dich die ganze Zeit entscheiden, wie du deine Ressourcen allokierst. Und irgendwann musst du das zur Company sagen. Schon mal Leute, dieser Defacts. Und wir haben jetzt fünf Jahre lang einen Schub gebaut. Und jetzt haben wir herausgefunden, wie wir es viel besser machen können. Und wir vergessen alles, was wir gemacht haben. Wir machen das jetzt so, wenn man es heutzutage macht.

[1:04:34] Und ich glaube, also natürlich ist es traurig, wenn man so lange an Sachen gearbeitet hat und man die, glaube ich, aus einer rein emotionalen Perspektive nicht gehen lassen will. Und das ist auch okay. Ich glaube, die besten Leute verstehen das halt sofort.

[1:04:52] Und selbst die, ja, also sie haben jahrelang irgendwelche Backend-Services gebaut, die wir einfach nicht mehr brauchen. Oder eben die Sales-Enablement und Sales-Strukturen, Marketing-Strukturen, weiß was ich, die wir einfach nicht mehr gebraucht haben zu dem Zeitpunkt. Und das ist auch für die besten Leute traurig. Und auch für mich ist es einfach rein emotional, weil objektiv betrachtet ist es natürlich unfassbar aufregend, hey, wir haben einfach was herausgefunden, was zehnmal bestes ist, was wir vorher gemacht haben. Und gleichzeitig ist es ja auch an diesem Punkt, wenn... Die ganz viel mal neugierig ist. Du hast auf jeden Fall so viel Zeit gegeben, diese Skills zu lernen. Du hast Resultate, die für sich selbst sprechen. Außenrum in der großen, weiten Welt wird nur von KI geredet. Und die dürfen sozusagen an der Forefront arbeiten. So, es war GPT-3, die waren eine der ersten. Es gab die API, es gab eine der ersten. Enterprise, wir waren eine der ersten. Wüste war eine der ersten. Dann kam GPT-4, dann 4O und jetzt Mini, und so weiter. Dann haben wir irgendwann angefangen, mit SLM, also mit Small Language Models, zu bauen, dann die Open Source Models und so weiter. Das ist ja halt auch einfach exciting. So you can work with the latest shit here. Und das überwiegt dann, glaube ich, schon.

[1:06:06] Aber hey, ich glaube, das ist wichtig für eine Tech-Company, dass man ein Team hat, die sowas exciting findet. Und wenn man das Team sowas nicht exciting findet, dann hat man wahrscheinlich auch das falsche Team. Und wir hatten, glaube ich, einfach auch sehr Glück. Wir haben ein extrem gutes Produktmanagement-Team, was das einfach vorausgesehen hat, was man bauen lernen wollte und bauen wollte, wird ein extrem starkes Data Science Team und Data Engineering Team sich damit auseinandergesetzt haben, auch in deren Freizeit und ich meine, wir haben von Anfang an gesagt, hey, für KI ist Unlimited Budget, so wir haben eine Idee von Hackathon, outside of the Hackathon, you need Budget, das Unlimited Budget, just go for it. Die Leute haben eh keinen riesen Budget-Request, hier 50 Dollar, hier 60 Dollar oder sowas. Und ich glaube, die Leute finden es halt einfach mehr exciting. Jetzt mal eine ganz andere Frage, die aber, glaube ich, auch ist ein neues Produkt. Bei einem neuen Produkt kann ich viel ausprobieren. Was bedeutet das für Pricing im Vergleich zu eurem ersten Produkt? Ja, Pricing haben wir auf jeden Fall auch falsch gemacht von Anfang an. Für das erste oder für das zweite Produkt? Für beide. Jetzt, glaube ich, funktioniert es gut. Also Joker.ai ist noch kein Agent, es wird aber ein Agent.

[1:07:21] Und ich sage jetzt mal, für uns vertikalisiert, was bedeutet so ein vertikalisierter Agent, ist einfach ein extrem kompetenter Mitarbeiter für einen Händler. Und der Vorteil dieser Mitarbeiter ist, der kann halt die Tasks, die er halt machen soll, halt extrem gut, extrem zuverlässig und du kannst halt einen Mitarbeiter heilen, 100 oder 0,1 und morgens mehr als abends und die machen die Zigarettenpausen, Urlaub, krank und so weiter. Und da liegt es ja irgendwie nahe, das dann auch so consumption-based zu pricen und da geht ja auch, glaube ich, so Grundsens so der Konsens gerade hin, wenn man AI pricet und Agents pricet, ein bisschen mehr wie so eine Art Freelancer auf hourly basis zahlen würde, würde man den Agent auch irgendwie so zahlen. Das Problem ist, und da kommt es, glaube ich, industrie-spezifisch darauf an, wie viel Planungssicherheit wollen deine Kunden eigentlich haben. Und wir verlangen einfach jetzt eine Flat Fee. Wir analysieren vorher den Kunden im Detail, wie groß sind die, wie viele APIs kommt zu machen, was ist die Kostenbasis, wie viel Value stiften wir. Und das ist der Preis. Und zahlt sie auf den gleichen Preis jeden Monat. Und das ist ein sehr langfristiger Vertrag.

[1:08:25] Sehr langfristig bedeutet ein, zwei, drei, vier, fünf Jahre? Idealerweise drei Jahre. Okay. Manchmal macht kürzer Sinn, manchmal macht länger Sinn. Und also nur so, wie viel Geld zahlen die Kunden? Die zahlen wahrscheinlich je nach Land zwischen 50.000 und 200.000 im Jahr. Und für unsere Kunden ist, glaube ich, die Planungssicherheit sehr wichtig. Und die wollen einfach diesen Flat Price haben. Und es gibt Monate, da zahlen die sicherlich zu wenig, weil es zu vieler benutzen. Und es gibt Monate, da zahlen die sicherlich zu viel. Genau, aber ich glaube, der generelle Agent oder AI-Gent geht zur Consumption-Based. Aber wir sind auch auf Flat Fee. Ich glaube, das werden wir erstmal auch bleiben.

[1:09:01] Weil es für euren Markt... Weil es für unseren Markt den meisten Sinn macht, ja. Weil es auch einfach, fairerweise ist es auch einfacher zu verkaufen. Ja, wenn du jetzt so einen Sales Rep hast und du musst rausgehen und willst consumption-based machen. Consumption-based based on what? Auf Zeit? Auf Tasks? Dann was ist ein Task? Ist ein Task irgendwie ein Line-Item zu matchen? Oder ist ein Task irgendwie eine Prediction zu machen? Oder ist ein Task ein Prompt? Oder was ist überhaupt ein Task?

[1:09:27] Und dann, das heißt, das musst du herausfinden und dann hast du plötzlich einen Sales Rep, der dann plötzlich mit dem Kunden auf Task-Level verhandeln muss. So wie komplex sind diese Verhandlungen. Versus, hey, das kostet 1000 Euro im Monat und dann werden es noch 150 Euro oder so. Es ist viel einfacher, geht schneller, dadurch geht die Kack auch runter, dadurch kannst du auch weniger verlangen. Es ist einfach auch simpler. Ich glaube, es skaliert besser. Jetzt haben wir über echt viele Sachen gesprochen und es klingt erst mal, als ob da relativ viel gut und reibungslos funktioniert hätte. Jetzt nimm uns mal mit in so ein paar Situationen, wo du sagst, ey, da war das schon auch echt hart, diese KI-Transformation durchzuziehen, weil, klar, ne, connecting the dots backwards is always easy und das klang jetzt erstmal, als ob da vieles gut funktioniert hat und deswegen Glückwunsch zu der Transformation, aber ich will jetzt schon nochmal hören, was waren so richtig shitty Moments? Ja, also ich glaube, der beschissenste Moment war, also de facto, es gab einfach schon ein paar Leute und was sie vorher gemacht haben, macht jetzt die KI bei uns und.

[1:10:31] Und es ist auf jeden Fall eine sehr beschissenste, also es ist vielleicht die schlechteste Unterhaltung, die man haben kann mit jemandem im Team, der unabhängig wie gut diese Person ist. Es mag die beste Person sein, die es gibt, zu sagen, hey, wir müssen halt immer das Beste für das Business entscheiden und dein Job ist jetzt automatisiert. Und das natürlich, das ist knochentrocken. Ja, weil das ist eine ganz andere Unterhaltung, als wenn jetzt jemand die Probezeit nicht besteht oder einfach nicht performt im Job oder das und das einfach nicht gut macht oder vielleicht sogar bad intention hat. Jemanden, der komplett gute Intentionen hat, extrem stark am Job ist, der Job ist trotzdem automatisiert mit KI. Ja, und kostet halt irgendwie ein Zehntel. Also es ist eine FTE. Diese Unterhaltung musst du führen. Und die alte Unterhaltung mussten wir führen und haben geführt. Das ist mit Abstand, glaube ich, so das Schwierigste. Mit großem Abstand. Welcher Bereich bei Choco hatte am ehesten Jobs, die automatisierbar waren? Alles für Restaurants Seite, der Kundenservice, Restaurant-Onboarding, Restaurant-Account-Management und dann noch so ein paar interne Daten-Cleaning-Thematiken. Aber hauptsächlich wirklich auch Customer-Facing-Jobs auf Restaurants Seite. Kurze Sales-Cycle, so High-Velocity Sales, High-Velocity Customer-Care, transaktionales Customer-Care und sowas. Ja, und das war einfach challenging.

[1:11:49] Und ja, am Ende. Das ist, glaube ich, das ist most challenging. Und dann gibt es natürlich so ein paar technische Sachen. Also wie gesagt, so die ersten Produkte haben überhaupt nicht funktioniert. Und also unser erstes Produkt war auch interfaceless. Es gab einfach kein Interface, sondern es war einfach so, hey, wir installieren jetzt die KI beim Händler, die hat einen Anruf an, übersetzt es dann, speist es dann in strukturierten Daten ins ERP-System ein. Und weil wir gedacht haben, okay, GPT ist ja so smart, dass wir da alles checken. GPT checkt überhaupt nichts. GPT kann eine gewisse Teilfunktion extrem gut machen und du musst dem halt was beibringen. Bis wir darauf gekommen sind, dass wir ein Interface bauen müssen, sozusagen dieser Training Screen. Und wie du eine Training Screen baust. Eine Training Screen hat ganz andere Prinzipien als eine normale UI. Das ist im Prinzip ein Screen, wo du es dem User extrem einfach machen willst, die KI zu trainieren und auch schnell machen willst. Das heißt, das ist ein Screen, wo du keine Maus brauchst oder alles im Keyboard machst. Das ist ein Screen, der extrem übersichtlich ist, wo du alle Daten ohne Scrollen sehen musst, wo du Vorschläge siehst, wo du auch sehen musst, wie sicher ist sich die KI. Und das musst du ganz einfach visuell transportieren können. Ja, das kann nicht sein, das ist 83%, sondern das ist halt einfach Traffic Light. Das ist halt irgendwie grün, gelb, rot oder so. Wie sicher ist die KI? Bei grün läuft es einfach durch Autopilot.

[1:13:09] Bei orange gibt es irgendwie eine Suggestion. muss vielleicht nur noch Enter drücken und bei Rot musst du Reviewen. Und wie mache ich das sozusagen ganz schnell, dass du die KI schnell trainiert? Und bis man auch mal draufkommt, bei so einem KI-Produkt ist eigentlich nicht das Wichtigste, sozusagen die Day-One-Experience, so wie es wirklich im ersten Tag für den Kunden, sondern es ist die Rate of Learning, die zählt. Denn Menschen oder so, ich glaube, ganz generell, denken ja, okay, KI ist so cool, weil die weiß viel und die lernt halt super schnell. Und sozusagen diese Lernkurve ist extrem wichtig. Das heißt, wenn der User fühlt, hey, ich mach's jetzt einmal, verbessere die Key einmal, die weiß es am nächsten Mal, denken sich, okay, geil, ich bin jetzt bereit, mehr Zeit in diese Key zu investieren. Da also auch erstmal die Metrics aufzubauen, okay, was überhaupt, wie definieren wir Rate of Learning? Wie schauen wir uns das an? In welchen Intervallen? Wer arbeitet daran? Dann die richtigen Data Science Profile zu heilen, die hatten wir auch vorhin. Wir hatten vor ein paar Leuten, da war jetzt plötzlich Data Science so, it's a major team, davor war das ein kleines Team, jetzt so eins der wichtigsten Teams, was komplett anders darstellt war.

[1:14:10] Da ist schon auf jeden Fall ganz andere Uptime-Requirements. Denn in dem Moment, wo du ein Produkt hast, sozusagen, was auf Autopilot läuft, wo keine User-Interaktion mehr notwendig ist, wenn das offline geht, dann merkt das keiner. Wenn das ein Vorhalt, du hast einfach ein Interface, zum Beispiel bei Slack, wenn Slack offline geht, dann merkt das ja sofort jeder. Und dann ist groß, groß Alarm. Aber wenn du ein Produkt hast ohne Interface.

[1:14:36] Wie merkt das dann jemand, wenn du aufs Offline gegangen bist? Du brauchst ganz andere Observability, was ganz andere Verlässlichkeit und solche Sachen, auf jeden Fall auch eine interessante Challenge was du gelernt hast, ja das sind auf jeden Fall einige Sachen.

[1:14:49] Für jemanden, der jetzt vielleicht am Anfang steht, diese Journey zu gehen und zu sagen so, hey, ich verstehe, was Daniel da sagt und ich verstehe auch, dass es Sinn macht und ich habe mich selber vielleicht auch schon mit KI beschäftigt. Ich weiß aber, dass meine Organisation noch nicht ready ist, jetzt einen kompletten Switch zu machen. Ich muss mir es aber mal angucken. Hast du noch mal so ein paar Tipps, wo du anfangen würdest? Also ich glaube generell, keiner ist ready. So lassen wir es einfach. Keiner ist ready, das ist eine komplett neue Technologie. Und woher soll die überhaupt jemand kennen? Die ist einfach neu. Muss man das erstmal lernen. Also ich glaube, das muss man erstmal so, okay, keinen Grund Angst zu haben, weil es ist einfach keiner ready. Und dann das Zweite ist, glaube ich, das ist einfach nur Neugier. So es beginnt mit Neugier. Alles andere ist sekundär. Man braucht keine herausragende Idee haben. Man muss kein herausragendes technisches Wissen haben. Man muss kein PhD in neuronalem Lernen haben. Nichts. Man braucht einfach nur Neugier. Denn wenn man Neugier hat, findet man Wege. Und es gibt hunderttausende Ressourcen da draußen, hunderttausende Podcasts, Leuten, die man auf Twitter folgen kann und so weiter, was man einfach lesen kann, um zu lernen. Und das geht relativ schnell. Es ist alles eigentlich gut verdaulich. Es ist wirklich einfach die Neugierde. Und dann ist halt, wenn man halt die Company transformieren will, gibt es, glaube ich, ganz stark halt die Neugierde, halt wirklich auch in allen herauszuholen. Und dazu gibt es einfach ein paar Tools, über die wir heute gesprochen haben. Genau, aber ich würde im Zweifelsfall einfach neugierig sein.

[1:16:14] Keiner weiß, wie es geht. Also ich glaube, bei uns ist es jetzt mit sehr vielen Hürdeln erstmal so ganz gut gelaufen. Aber hey, morgen kommt vielleicht GPT-5 raus. Da müssen wir wieder anfangen. Da müssen wir wieder alles umbauen. Und da beginnt der ganze Prozess wieder vom Neuen. wer weiß, was das kann, also ich meine als wir angefangen haben, weil LLM ist noch nicht Multimodal, so jetzt ist es ganz normal, dass GPT irgendwie plötzlich Bilder kreieren kann oder so, Und dann kam 4Mini raus und plötzlich waren die Latenzen besser und du konntest Voice machen und so. Also ich habe wirklich unseren Head of Data Science gehört, wie er gesagt hat, okay, guys, trash everything that we've built, we start new.

[1:16:58] Und das ist halt richtig. Und das kann morgen wieder passieren. Und das ist, glaube ich, einfach so die Phase, in der wir gerade sind. Die Fortschritte sind nicht nur so schnell, sondern die sind halt auch fast nicht mehr inkrementell, sondern das sind wirklich einfach große Sprünge, die da monatlich passieren.

[1:17:14] Und es wird jetzt einfach so weitergehen. Und ich glaube, die Company wird gewinnen, die halt am flexibelsten und am most adaptable ist. Klingt auch immer, als ob trotzdem gewisse Ressourcen notwendig sind, um das machen zu können. Weil auf der einen Seite, ich muss das gegebenenfalls trashen, woran ich jetzt gerade alle Ressourcen investiere. Ich muss mich selber kannibalisieren können, so Innovator's Dilemma. Ich muss gucken, okay, wie kriege ich es hin, dass nicht alles, was ich schon gebaut habe, mich zurückhält. Ich darf keine Sunk-Cost fühlen. Also es sind schon viele Punkte, die da zusammenkommen, wo man halt sagt, okay, warte mal, ich bin hier am Anfang, ich habe vielleicht sehr begrenzt Budget, es ist schon nochmal da, also irgendwie das Einzige, wie man dahin kommt, dass man überleben kann und gleichzeitig trotzdem aber auch das, wo man so denkt, holy shit, warte ich einfach drei Monate und fange dann an mit dem Neuesten, was gerade da ist, also es ist echt nicht trivial. Nee, also ich glaube, man baut nicht den, oder vielleicht sollte man es so sagen, man baut irgendwie nicht den AI-Muskel, sondern man baut dem, wie kann ich sehr schnell neue Technologie adoptieren, Muskel. Ich glaube, darum geht es. Und ich glaube, so Sachen wie so Sun-Cost, so hey, irgendwo müssen wir rational sein, so es gibt keine Sun-Cost, so it's gone, it's the past, it's over.

[1:18:23] Unsere Companies, die vorletztes Jahr noch gut waren, sind heute nichts mehr und genauso wird es in zwei Jahren von heute sein. Das ist das wichtigste Investment, das jetzt jede Firma machen kann, ist in KI zu investieren. Es gibt nichts Wichtigeres und dahin sollten alle Ressourcen fließen und übrigens, man braucht auch nicht so viele Ressourcen, dass KI jetzt so unfassbar teuer ist. So im Gegenteil, eigentlich werden im Monatszyklus die API-Calls billiger und die Tokens werden billiger und also ich glaube mit 20 Euro im Monat ist halt schon viel getan, plus natürlich die Arbeitsleistung, wie man investieren muss.

[1:18:58] Man darf auch nicht vergessen, das, was du damit trainierst, ist ja, dass das gesamte Team versteht, was, gestern der Status quo war, was heute der Status quo ist, was morgen der Status quo ist und dann einfach in dem Rahmen immer weiter, also wie wir es gesagt haben, wir haben ja eigentlich die ganze Episode lang eine Spirale gezeigt von, ich habe mich noch nicht damit beschäftigt bis hin zu, ich beschäftige mich tagtäglich damit und so auch welche Ideen, welche, Neugier, welche neuen Sachen überhaupt erstmal in meinem Kopf zustande kommen können, wenn ich mich mehr damit beschäftige. Also das trainierst du und das kann der Punkt sein, dass so ein Schoko AI, also dein neues Produkt quasi, dabei rausspringt, dass irgendwer zu dir kommt in der Küche und sagt, hey, I have an idea. Ja, absolut. Und, Das wird halt irgendwann passieren, wenn man zu deinem Punkt in dieser Spirale halt ist. Es wird irgendwann passieren. Das ist ja so ein bisschen so, hey, es gibt irgendwie ein neues Tool. Also nochmal, AI ist jetzt irgendwie dieses Buzzword, aber es gibt einfach ein neues Tool.

[1:19:51] Und es ist einfach ein Hammer. Und ich habe vorher nie einen Hammer gesehen. Und ich weiß nicht, wie der funktioniert. Und jetzt muss ich erstmal einfach verstehen, wie dieser Hammer funktioniert. Und dann lege ich ihn in meine Werkzeugkiste. Und da ist einfach nur eine Werkzeugkiste drin. Und morgen will ich halt ein Bild aufhängen und denke mir so, wie kriege ich jetzt diesen Nagel in die Wand. Und früher habe ich es halt mit einem Schuh gemacht, mit der Faust, aber die Hand blutig geschlagen und jetzt weiß ich halt so, ich habe ja dieses neue Tool in meiner Werkzeugkiste und dafür muss ich halt vorher, dann haben wir, muss ich neugierig gewesen sein, was für Tools gibt es ja überall, wie funktioniert das, was kann ich denn nutzen, was kostet der, so und dann probiere ich den einfach mal aus, ja und erstmal haue ich mir auch auf die Finger und den zweiten Nagel haue ich schräg rein und den dritten geht halt einfach rein.

[1:20:29] Ich glaube, Schritt 1 erstmal so, okay, Hammer in der Werkzeugkiste haben, verstehen, dass du da bist und dann auch bereit sein, mit zwei Mal auf die Finger zu hauen. Ich glaube, da haben wir einen guten Punkt und den Nagel auf den Kopf getroffen. Für alle, die da nochmal nachlesen wollen, ich habe es im Intro einmal kurz gesagt, aber auch hier nochmal zur Erinnerung, das alles basiert auch so auf dem, was du zusammengefasst hast in deinem persönlichen Playbook, wie ihr quasi von Non-AI zu AI-First gegangen seid. Das verlinke ich in den Shownotes, das heißt man kann sich das da auch nochmal in Ruhe durchlesen, und kann da nochmal tiefer gehen und merkt ah, okay, stimmt, da sind auch nochmal Newsletter Beispiele drin und so, das heißt man kriegt nochmal ein bisschen mehr, Feeling, wo man denkt, ah, okay, gut, stimmt, die Nuance war nochmal wichtig und kriegt auch nochmal bildlichen Einblick und so, ich glaube, das ist ganz cool, da auf jeden Fall nochmal reingucken, wer das Gefühl hat so, das ist jetzt Teil der Transformation wer das Gefühl nicht hat, die Episode nochmal hören und danach da draufklicken, aber vielen lieben Dank, dass du mit dem ganzen Thema zu mir gekommen bist und gesagt hast, hey Fabian Ich glaube, das ist wichtig. Lass dazu mal was machen.

[1:21:34] Freut mich sehr. Ich verlinke auf jeden Fall das Playbook, Schoko und dein LinkedIn in den Shownotes. Das ist immer wichtig. Und würde dir nochmal die letzten Worte für die Episode übergeben. Ja, also ich glaube, man muss da weit ins Auge sehen und so. Jede Company, die nicht irgendwie relativ zügig AI-first wird, ist wahrscheinlich relativ bald obsolet und gleichzeitig ist es halt die größte Opportunity, bessere, schnellere Firmen zu bauen. Und ich glaube, Timing ist eine sehr relevante Dimension und das muss halt jetzt passieren. Danke. Danke dir, Fabian. So.