In dieser Folge sprechen Matúš, Alwine und Alfred Rossi darüber, wie KI-Agenten repetitive Arbeit übernehmen, Vertriebsprozesse verändern und Unternehmen vor eine grundlegende organisatorische Entscheidung stellen.

Alfred bezeichnet sich als Schweizer KI-Pionier seit 1982. Aus seiner Abneigung gegen wiederkehrende Aufgaben ist ein System aus spezialisierten KI-Mitarbeitenden entstanden. Sein Arbeitsvolumen beschreibt er als Verhältnis von 1 zu 50; neun seiner Agenten tragen bereits Namen und feste Rollen. Besonders wichtig ist ihm „Claudia“, die sein Vertriebswissen abbildet, Kundendaten und Signale auswertet und erfolgversprechende Leads priorisiert.

Im Gespräch geht es außerdem um n8n, Claude Code, Manus und Kimi sowie um die Frage, welche Rolle klassische Low-Code-Werkzeuge künftig noch spielen. Matúš, Alwine und Alfred diskutieren, wann fest definierte Workflows unverzichtbar bleiben und wann sich wiederholbare Abläufe schneller als Code umsetzen lassen.

Kontrovers wird es beim Blick auf Europa: Alfred sieht nicht fehlende Technologie als größtes Hindernis, sondern starre Hierarchien, Abteilungsdenken und ein Mindset, das neue Ideen ausbremst. Alwine betont dagegen die Bedeutung früher Kommunikation und eines Changes, der Führungskräfte und Mitarbeitende von Anfang an einbezieht.

Abschließend sprechen die drei über die Zukunft der Beratung, den möglichen Wegfall repetitiver Junior-Aufgaben und die Verantwortung von Unternehmen. Am Beispiel des IKEA-Chatbots Billie wird deutlich, wie Automatisierung Freiräume schaffen kann, wenn Beschäftigte qualifiziert werden und neue Aufgaben übernehmen – statt KI ausschließlich als Instrument zum Stellenabbau zu betrachten.

Eine Folge über KI-Agenten, automatisierten Vertrieb, Low-Code-Werkzeuge, Unternehmenskultur, Beratung und die Zukunft der Arbeit.

Timeline

00:00 Begrüßung und Alfreds Weg zum Schweizer KI-Pionier 02:04 KI-Agenten gegen repetitive Arbeit und ein Arbeitsvolumen von 1 zu 50 06:03 n8n, Claude Code, Manus und Kimi: Low-Code versus programmierte Prozesse 13:00 „Claudia“ und der automatisierte Vertriebsdatenstrom 19:01 Warum Unternehmen KI ausbremsen und Europa den Anschluss verliert 34:48 Beratung, Junioren und digitale Zwillinge im Umbruch 43:30 IKEA, Billie und neue Aufgaben für Mitarbeitende

🔗 Weiterführende Links zur Folge

LinkedIn: https://www.linkedin.com/company/klartext-ki-der-podcast

*Bild ist offensichtlich KI-generiert

In dieser Folge sprechen Matúš, Alwine und Sergej über eine verlockende Idee: Warum teure CRM- und CX-Software kaufen, wenn KI große Teile davon in kurzer Zeit selbst entwickeln kann? Im Mittelpunkt steht die Frage, wann Eigenbau wirklich lohnt... und warum eine leistungsfähige KI-Lösung allein noch keine funktionierende Organisation schafft.

Sergej beobachtet zwei gegensätzliche Entwicklungen: Manche Unternehmen kaufen starke KI-Lösungen und erwarten, dass sie automatisch genutzt werden. Andere bauen CRM-Systeme auf der grünen Wiese selbst. Die ersten 70 bis 80 Prozent entstehen dabei oft erstaunlich schnell. Doch die letzten Prozent verlangen klare Anforderungen, belastbare Datenmodelle, Tests und vor allem erfahrene Menschen.

Matúš und Alwine diskutieren Make-or-Buy-Entscheidungen, Token- und Betriebskosten, Wartbarkeit sowie die Integration in ERP, Analytics und Webshops. Es geht um agentische Identitäten, fein granulare Zugriffsrechte und die Frage, ob Standardsoftware mit gewachsenen Prozessen und Integrationen langfristig sicherer und günstiger bleibt.

Ein besonderer Fokus liegt auf Datenschutz und Sicherheit. Kundendaten, Umsätze und Klassifizierungen landen schnell in KI-Modellen, während der vermeintlich günstige Preis mit sensiblen Daten bezahlt wird. Gleichzeitig zeigt das Gespräch, wie KI-Agenten im Vertrieb Routinearbeit übernehmen können - etwa Besuchsberichte oder Terminpflege während einer Autofahrt.

Abschließend geht es um Marketing, Customer Experience und den Menschen hinter dem Content. KI-generierte Texte drohen austauschbar zu werden, Apps machen einfache Abläufe unnötig kompliziert und Effizienzgewinne im Kundenservice verschieben den Aufwand mitunter direkt zum Kunden. Produkte müssen künftig für KI-Agenten auffindbar und zugleich für Menschen verständlich, emotional und vertrauenswürdig bleiben.

Eine Folge über CRM-Eigenbau, Standardsoftware, KI-Agenten, Datensicherheit, menschliche Erfahrung und Customer Experience.

🔗 Weiterführende Links zur Folge

LinkedIn: https://www.linkedin.com/company/klartext-ki-der-podcast

In dieser Folge sprechen Matúš, Alwine und Sebastian Holter darüber, wie sich große Sprachmodelle mit überschaubarem Budget lokal betreiben lassen... und warum eine kluge Architektur oft wichtiger ist als maximale Rechenleistung.

Ausgangspunkt ist Sebastians Homelab: eine gebrauchte Lenovo-Workstation, 512 Gigabyte Arbeitsspeicher und ein großes Mixture-of-Experts-Modell mit 397 Milliarden Parametern. Durch systematische Messreihen, BIOS-Einstellungen, Quantisierung, eine CPU-optimierte Laufzeitumgebung und Multi-Token Prediction steigert er den Durchsatz nach eigener Messung von knapp sechs auf bis zu zwölf Token pro Sekunde.

Im Gespräch wird konkret, welche Stellschrauben bei lokaler KI zählen: Speicherbandbreite, NPS- und SMT-Konfiguration, Quantisierungsstufen, CPU-Inferenz, KV-Cache und reproduzierbare Frage-Antwort-Kataloge. Sebastian zeigt auch, wie KI-Coding-Assistenten beim Einrichten, Testen und Debuggen helfen können - vorausgesetzt, man versteht und überprüft ihre Vorschläge.

Doch Hardware ist nur die halbe Geschichte. Sebastian entwickelt eine zwölfstufige RAG-Pipeline für Fragen zum bayerischen Kommunalrecht. Sie soll die Arbeitsweise eines Rechtsanwalts abbilden, Laiensprache in Fachbegriffe übersetzen und passende Rechtsnormen bereitstellen. So untersucht er, wie ein lokales 27B-Modell durch gute Prozesse und gezielten Kontext an die Antwortqualität deutlich größerer Modelle herankommen kann.

Abschließend geht es um digitale Souveränität, sensible Unternehmensdaten, realistische Einsatzfelder in kleinen und mittleren Unternehmen sowie die Frage, wann lokale KI wirtschaftlich und ökologisch sinnvoll ist. Die wichtigste Erkenntnis: Für klar begrenzte Aufgaben braucht es nicht automatisch das größte Frontier-Modell – sondern passende Hardware, saubere Messungen und eine durchdachte Architektur.

Eine Folge über lokale KI, Homelabs, CPU-Inferenz, Quantisierung, RAG-Pipelines und digitale Souveränität.

🔗 Weiterführende Links zur Folge:

LinkedIn: https://www.linkedin.com/company/klartext-ki-der-podcast