HUBER Business AI Podcast Archiv
43 Episoden
47 Minuten
Bei ICT-Berufsbildung Schweiz ist KI an Prüfungen zum Teil ausdrücklich erlaubt. Ob jemand eine schriftliche Arbeit selbst verfasst hat, lässt sich heute kaum mehr feststellen. Deshalb verändert sich, wie geprüft wird.
Tobias Habegger leitet die KI-Fachstelle von ICT-Berufsbildung Schweiz. Im Gespräch erklärt er, warum KI-Kompetenz für ihn beim Beurteilen des Outputs beginnt und nicht bei der neusten Prompttechnik. Er spricht darüber, ab wann Kinder KI lernen sollten, und wie KI an den Lernorten der Berufsbildung ankommt. Oft hängt das heute von der einzelnen Lehrperson ab.
Im Zentrum steht das Prüfen. Wo KI erlaubt ist, lösen die Kandidierenden Fälle aus dem Berufsalltag, etwa einen Hackerangriff, bei dem mitten im Fall der CEO einen Bericht verlangt. Danach verteidigen sie ihr Resultat mündlich. Bei der Bewertung kann KI unterstützen, das letzte Wort hat der Mensch. Am Tag der Aufnahme fanden die ersten Prüfungen zum neuen eidgenössischen Fachausweis AI Business Specialist statt. ICT-Berufsbildung Schweiz hat ihn in zwei Jahren entwickelt.
Ein weiteres Thema ist das Tempo. Berufsbilder werden alle fünf Jahre revidiert. Für Tobias ist das zu langsam. Er plädiert für einen permanenten Revisionsmodus und für Handlungskompetenzen, die unabhängig von einzelnen Tools beschrieben sind. Zum Schluss geht es darum, was Firmen anders machen, die mit KI nicht im Pilot stecken bleiben, und wie die Berufsschule in fünf Jahren aussieht.
Zum Gast: Tobias Habegger leitet seit Juli 2025 die KI-Fachstelle von ICT-Berufsbildung Schweiz. Die Fachstelle entwickelt KI-Assistenten für die eigenen Berufsprüfungen, berät Verbände und Bildungsinstitutionen und begleitet Firmen bei der Einführung von KI. Zuvor war er lange im Journalismus und in der Kommunikation tätig.https://www.linkedin.com/in/tobiashabegger/
Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
KI-Kompetenz beginnt beim Beurteilen des Outputs. Halluzinationen und Biases zu erkennen ist wichtiger, als jedes neue Tool zu kennen.
Kinder sollen früh für KI sensibilisiert werden. Tobias findet aber, dass sie zuerst die Welt ohne KI erleben sollten.
Wie KI an Berufsschulen eingesetzt wird, hängt heute stark von der einzelnen Lehrperson ab. Verbote bringen wenig, weil die Lernenden KI trotzdem nutzen.
Berufsbilder werden alle fünf Jahre revidiert. Das ist zu langsam. Es braucht laufendes Monitoring und toolunabhängige Handlungskompetenzen.
Wo KI an der Prüfung erlaubt ist, braucht es realitätsnahe Fälle und ein mündliches Gespräch. Dort zeigt sich, was die Person gedacht hat und ob sie die Verantwortung für das Resultat übernimmt.
Es braucht weiterhin Prüfungen ohne KI. Wer kein eigenes Fachwissen hat, kann KI-Resultate nicht beurteilen.
Die spannendsten Anwendungen entstehen aus alltäglichen Reibungsverlusten, selten aus einer grossen KI-Strategie.
Erfolgreiche Firmen starten mit einem konkreten Prozess und einem messbaren Problem. Sie klären Daten, Zugriffe und die menschliche Verantwortung.
Kapitel
00:00 Intro
01:03 KI in Tobis Alltag
03:10 Was die KI-Fachstelle macht
05:29 Wie Tobi am Ball bleibt
06:40 Wissen teilen unter Unternehmen
08:21 KI als Grundkompetenz
09:39 Ab wann Kinder KI lernen sollen
12:31 Was KI mit unserem Denken macht
14:44 KI-Kompetenz in verschiedenen Berufen
16:38 Robotik
20:34 KI an den Lernorten der Berufsbildung
21:43 Wie Berufsschulen mit KI umgehen
23:03 Wenn ChatGPT über die Punktzahl entscheidet
24:45 Orientierung statt Toolfrage
26:47 Warum fünf Jahre zu lang sind
29:18 Politisches Tempo und der neue Fachausweis
31:01 Stabilität oder Tempo
32:32 Prüfen, wenn KI erlaubt ist
33:53 Störungen im Fall und mündliche Verteidigung
34:57 KI bei der Bewertung
37:57 Was Noten über den Unterricht sagen
39:30 Was Tobi zuletzt überrascht hat
40:23 Was erfolgreiche Firmen anders machen
43:18 Die Berufsschule in fünf Jahren
46:07 Verabschiedung
Tobias Habegger leitet die KI-Fachstelle von ICT-Berufsbildung Schweiz. Im Gespräch erklärt er, warum KI-Kompetenz für ihn beim Beurteilen des Outputs beginnt und nicht bei der neusten Prompttechnik. Er spricht darüber, ab wann Kinder KI lernen sollten, und wie KI an den Lernorten der Berufsbildung ankommt. Oft hängt das heute von der einzelnen Lehrperson ab.
Im Zentrum steht das Prüfen. Wo KI erlaubt ist, lösen die Kandidierenden Fälle aus dem Berufsalltag, etwa einen Hackerangriff, bei dem mitten im Fall der CEO einen Bericht verlangt. Danach verteidigen sie ihr Resultat mündlich. Bei der Bewertung kann KI unterstützen, das letzte Wort hat der Mensch. Am Tag der Aufnahme fanden die ersten Prüfungen zum neuen eidgenössischen Fachausweis AI Business Specialist statt. ICT-Berufsbildung Schweiz hat ihn in zwei Jahren entwickelt.
Ein weiteres Thema ist das Tempo. Berufsbilder werden alle fünf Jahre revidiert. Für Tobias ist das zu langsam. Er plädiert für einen permanenten Revisionsmodus und für Handlungskompetenzen, die unabhängig von einzelnen Tools beschrieben sind. Zum Schluss geht es darum, was Firmen anders machen, die mit KI nicht im Pilot stecken bleiben, und wie die Berufsschule in fünf Jahren aussieht.
Zum Gast: Tobias Habegger leitet seit Juli 2025 die KI-Fachstelle von ICT-Berufsbildung Schweiz. Die Fachstelle entwickelt KI-Assistenten für die eigenen Berufsprüfungen, berät Verbände und Bildungsinstitutionen und begleitet Firmen bei der Einführung von KI. Zuvor war er lange im Journalismus und in der Kommunikation tätig.https://www.linkedin.com/in/tobiashabegger/
Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
KI-Kompetenz beginnt beim Beurteilen des Outputs. Halluzinationen und Biases zu erkennen ist wichtiger, als jedes neue Tool zu kennen.
Kinder sollen früh für KI sensibilisiert werden. Tobias findet aber, dass sie zuerst die Welt ohne KI erleben sollten.
Wie KI an Berufsschulen eingesetzt wird, hängt heute stark von der einzelnen Lehrperson ab. Verbote bringen wenig, weil die Lernenden KI trotzdem nutzen.
Berufsbilder werden alle fünf Jahre revidiert. Das ist zu langsam. Es braucht laufendes Monitoring und toolunabhängige Handlungskompetenzen.
Wo KI an der Prüfung erlaubt ist, braucht es realitätsnahe Fälle und ein mündliches Gespräch. Dort zeigt sich, was die Person gedacht hat und ob sie die Verantwortung für das Resultat übernimmt.
Es braucht weiterhin Prüfungen ohne KI. Wer kein eigenes Fachwissen hat, kann KI-Resultate nicht beurteilen.
Die spannendsten Anwendungen entstehen aus alltäglichen Reibungsverlusten, selten aus einer grossen KI-Strategie.
Erfolgreiche Firmen starten mit einem konkreten Prozess und einem messbaren Problem. Sie klären Daten, Zugriffe und die menschliche Verantwortung.
Kapitel
00:00 Intro
01:03 KI in Tobis Alltag
03:10 Was die KI-Fachstelle macht
05:29 Wie Tobi am Ball bleibt
06:40 Wissen teilen unter Unternehmen
08:21 KI als Grundkompetenz
09:39 Ab wann Kinder KI lernen sollen
12:31 Was KI mit unserem Denken macht
14:44 KI-Kompetenz in verschiedenen Berufen
16:38 Robotik
20:34 KI an den Lernorten der Berufsbildung
21:43 Wie Berufsschulen mit KI umgehen
23:03 Wenn ChatGPT über die Punktzahl entscheidet
24:45 Orientierung statt Toolfrage
26:47 Warum fünf Jahre zu lang sind
29:18 Politisches Tempo und der neue Fachausweis
31:01 Stabilität oder Tempo
32:32 Prüfen, wenn KI erlaubt ist
33:53 Störungen im Fall und mündliche Verteidigung
34:57 KI bei der Bewertung
37:57 Was Noten über den Unterricht sagen
39:30 Was Tobi zuletzt überrascht hat
40:23 Was erfolgreiche Firmen anders machen
43:18 Die Berufsschule in fünf Jahren
46:07 Verabschiedung
44 Minuten
Bei Victorinox gab es keinen Tag, an dem die Geschäftsleitung KI eingeführt hat. Die Mitarbeitenden haben die Tools zuerst genutzt. Danach brauchte es klare Regeln und eine gemeinsame Plattform.
Benjamin Abbenseth ist einer von 12 bis 14 Transformation Leads, die das Thema aus allen Bereichen ins Unternehmen tragen. Im Gespräch erklärt er, wie dieses cross-funktionale Netzwerk arbeitet und warum sich Victorinox für Copilot als strategische Plattform entschieden hat. Er spricht über AI-Guidelines, über die Ergebnisse einer internen Umfrage und darüber, wie Use Cases zentral gesammelt und nach Machbarkeit, Effizienzgewinn und Skalierbarkeit bewertet werden.
Dazu kommen konkrete Anwendungen. Mit einem Visit Agent spricht der Aussendienst den Besuchsbericht nach dem Kundentermin ein, der Bericht landet danach in Salesforce. Auf den Marktplätzen meldet ein KI-Tool Abweichungen bei den Produktdaten und schlägt Korrekturen vor. Im Marketing übernimmt KI einen Teil der Übersetzungen. Zum Schluss geht es um die Frage, wann ein Agent selbst entscheiden darf und wie Victorinox in zwei Jahren arbeitet.
Zum Gast: Benjamin Abbenseth ist seit acht Jahren bei Victorinox und verantwortet den Third-Party-Online-Bereich mit Marktplätzen wie Galaxus und Amazon sowie reinen Onlinehändlern. https://www.linkedin.com/in/benjamin-abbenseth-b9913710b/
Gastgeber: Andy Huber. Seit über 25 Jahren im B2B. https://www.linkedin.com/in/andy-huber-ai-consulting
Takeaways
KI kam bei Victorinox nicht per Beschluss. Die Mitarbeitenden nutzten die Tools zuerst, die Geschäftsleitung setzte danach den Rahmen.
Ein Netzwerk aus 12 bis 14 Transformation Leads trägt die Einführung in alle Bereiche. Sie treffen sich alle sechs Wochen.
Copilot ist die strategische Plattform. Den Ausschlag gaben die bestehende Microsoft-Umgebung und die Sicherheit der Daten.
Hinter jedem Use Case steht ein Business Case. Ein Tool bewertet die Vorschläge und zeigt Doppelspurigkeiten.
Die meisten Use Cases optimieren bestehende Prozesse. Das grössere Potenzial sieht Ben darin, Prozesse neu zu denken.
Ein neuer Prozess muss Zeit sparen und einfach sein. Beim Visit Agent reicht das Smartphone im Auto.
Agenten schlagen heute vor, der Mensch quittiert. Einfache Korrekturen sollen künftig automatisch laufen.
Viele Lösungen entstehen intern. Die Herausforderung ist, die eigenen KI-Expertinnen und -Experten sichtbar zu machen.
Kapitel
00:00 Intro
01:01 KI in Bens Alltag
03:25 Third-Party-Online bei Victorinox
04:33 Social Commerce in Asien
06:42 Wie KI zu Victorinox kam
08:04 Die Einheit Technology and Transformation
09:19 Transformation Leads in allen Bereichen
12:06 Warum Copilot
15:54 Adoption und Weiterbildung
17:04 Was die interne Umfrage zeigt
18:16 Guidelines, AI-Komitee und Fokus der Geschäftsleitung
20:33 Wettbewerbsdruck und Business Case
22:24 Wie Use Cases bewertet werden
23:57 Optimieren oder neu denken
25:05 Übersetzungen und Bilder im Marketing
27:06 Der Visit Agent für den Aussendienst
30:49 Die nächsten Use Cases im Vertrieb
32:27 Marktplatz-Monitoring auf Amazon
34:01 Wann der Agent selbst entscheidet
36:53 Wer die Agenten baut
38:57 Wie Ben am Ball bleibt
40:44 Victorinox in zwei Jahren
43:23 Verabschiedung
Benjamin Abbenseth ist einer von 12 bis 14 Transformation Leads, die das Thema aus allen Bereichen ins Unternehmen tragen. Im Gespräch erklärt er, wie dieses cross-funktionale Netzwerk arbeitet und warum sich Victorinox für Copilot als strategische Plattform entschieden hat. Er spricht über AI-Guidelines, über die Ergebnisse einer internen Umfrage und darüber, wie Use Cases zentral gesammelt und nach Machbarkeit, Effizienzgewinn und Skalierbarkeit bewertet werden.
Dazu kommen konkrete Anwendungen. Mit einem Visit Agent spricht der Aussendienst den Besuchsbericht nach dem Kundentermin ein, der Bericht landet danach in Salesforce. Auf den Marktplätzen meldet ein KI-Tool Abweichungen bei den Produktdaten und schlägt Korrekturen vor. Im Marketing übernimmt KI einen Teil der Übersetzungen. Zum Schluss geht es um die Frage, wann ein Agent selbst entscheiden darf und wie Victorinox in zwei Jahren arbeitet.
Zum Gast: Benjamin Abbenseth ist seit acht Jahren bei Victorinox und verantwortet den Third-Party-Online-Bereich mit Marktplätzen wie Galaxus und Amazon sowie reinen Onlinehändlern. https://www.linkedin.com/in/benjamin-abbenseth-b9913710b/
Gastgeber: Andy Huber. Seit über 25 Jahren im B2B. https://www.linkedin.com/in/andy-huber-ai-consulting
Takeaways
KI kam bei Victorinox nicht per Beschluss. Die Mitarbeitenden nutzten die Tools zuerst, die Geschäftsleitung setzte danach den Rahmen.
Ein Netzwerk aus 12 bis 14 Transformation Leads trägt die Einführung in alle Bereiche. Sie treffen sich alle sechs Wochen.
Copilot ist die strategische Plattform. Den Ausschlag gaben die bestehende Microsoft-Umgebung und die Sicherheit der Daten.
Hinter jedem Use Case steht ein Business Case. Ein Tool bewertet die Vorschläge und zeigt Doppelspurigkeiten.
Die meisten Use Cases optimieren bestehende Prozesse. Das grössere Potenzial sieht Ben darin, Prozesse neu zu denken.
Ein neuer Prozess muss Zeit sparen und einfach sein. Beim Visit Agent reicht das Smartphone im Auto.
Agenten schlagen heute vor, der Mensch quittiert. Einfache Korrekturen sollen künftig automatisch laufen.
Viele Lösungen entstehen intern. Die Herausforderung ist, die eigenen KI-Expertinnen und -Experten sichtbar zu machen.
Kapitel
00:00 Intro
01:01 KI in Bens Alltag
03:25 Third-Party-Online bei Victorinox
04:33 Social Commerce in Asien
06:42 Wie KI zu Victorinox kam
08:04 Die Einheit Technology and Transformation
09:19 Transformation Leads in allen Bereichen
12:06 Warum Copilot
15:54 Adoption und Weiterbildung
17:04 Was die interne Umfrage zeigt
18:16 Guidelines, AI-Komitee und Fokus der Geschäftsleitung
20:33 Wettbewerbsdruck und Business Case
22:24 Wie Use Cases bewertet werden
23:57 Optimieren oder neu denken
25:05 Übersetzungen und Bilder im Marketing
27:06 Der Visit Agent für den Aussendienst
30:49 Die nächsten Use Cases im Vertrieb
32:27 Marktplatz-Monitoring auf Amazon
34:01 Wann der Agent selbst entscheidet
36:53 Wer die Agenten baut
38:57 Wie Ben am Ball bleibt
40:44 Victorinox in zwei Jahren
43:23 Verabschiedung
54 Minuten
Pascal Willi ist dieses Jahr zum zweiten Mal bei mir. Im Januar war bei Elektro-Material noch offen, was 2026 mit KI passiert. Jetzt zieht er Bilanz.
EM erwirtschaftet über 500 Millionen Franken über die digitalen Kanäle. Copilot bekommt trotzdem nur, wer davon profitiert. Der EM Buddy verarbeitet über 15'000 Kundenfotos pro Jahr, die Nutzung bleibt auf hohem Niveau stabil. Für den Aussendienst wird gerade eine Lösung ausgerollt, mit der Besuchsberichte direkt ins CRM gesprochen werden. Im E-Commerce läuft ein Pilot mit einem KI-Testing-Tool eines Zürcher Anbieters, der aus der Gaming-Industrie kommt. Wer den Namen wissen will, schreibt mir.
Am Schluss geht es um Einkaufsagenten im B2B-Handel und darum, was einen Händler dann noch von anderen unterscheidet.
Zum Gast
Pascal Willi, Leiter Digital und Marketing, Elektro-Material AG.
https://www.linkedin.com/in/pascal-willi/
Gastgeber
Ich bin Andy Huber: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
KI-Lizenzen nach Bedarf vergeben, bei hoher Nutzung wird KI schnell teuer
Eine stabile Nutzung auf hohem Niveau mit wiederkehrenden Kunden ist ein gutes Zeichen
KI kann nur auswerten, was dokumentiert ist, das Wissen des Aussendienstes muss ins System
Ein Besuchsbericht per Sprache dauert zwei, drei Minuten statt einer halben Stunde am Abend
Ohne CRM geht es auch mit Diktierfunktion, Copilot-Agent und Planner
Der Anstoss muss aus dem Business kommen, nicht vom Tool
Je grösser der Druck im Markt, desto eher suchen Unternehmen aktiv nach Lösungen
Kapitel
00:00 Intro
01:29 KI im privaten Alltag
03:04 Was seit Januar passiert ist
05:04 Copilot nur für die, die es brauchen
08:55 EM Buddy und Bilderkennung
15:53 Entlastung für den Aussendienst
17:45 CRM, Trigger und Wissen in Köpfen
23:28 Besuchsbericht per Sprache ins CRM
26:01 Wie das Projekt entstanden ist
28:58 Lösung ohne CRM mit Copilot und Planner
30:54 Prompten per Sprache
34:08 KI-Testing im E-Commerce
39:39 Wie EM den Testing-Partner gefunden hat
41:22 Wie weit ist der B2B-Handel
47:52 Einkaufsagenten und Marktplätze
50:56 GEO und Bots auf dem Webshop
53:14 Abschluss
#KI #B2B #Handel #ElektroMaterial #EMBuddy #Copilot #CRM #Aussendienst #ECommerce #KIAgenten #GEO #Podcast
EM erwirtschaftet über 500 Millionen Franken über die digitalen Kanäle. Copilot bekommt trotzdem nur, wer davon profitiert. Der EM Buddy verarbeitet über 15'000 Kundenfotos pro Jahr, die Nutzung bleibt auf hohem Niveau stabil. Für den Aussendienst wird gerade eine Lösung ausgerollt, mit der Besuchsberichte direkt ins CRM gesprochen werden. Im E-Commerce läuft ein Pilot mit einem KI-Testing-Tool eines Zürcher Anbieters, der aus der Gaming-Industrie kommt. Wer den Namen wissen will, schreibt mir.
Am Schluss geht es um Einkaufsagenten im B2B-Handel und darum, was einen Händler dann noch von anderen unterscheidet.
Zum Gast
Pascal Willi, Leiter Digital und Marketing, Elektro-Material AG.
https://www.linkedin.com/in/pascal-willi/
Gastgeber
Ich bin Andy Huber: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
KI-Lizenzen nach Bedarf vergeben, bei hoher Nutzung wird KI schnell teuer
Eine stabile Nutzung auf hohem Niveau mit wiederkehrenden Kunden ist ein gutes Zeichen
KI kann nur auswerten, was dokumentiert ist, das Wissen des Aussendienstes muss ins System
Ein Besuchsbericht per Sprache dauert zwei, drei Minuten statt einer halben Stunde am Abend
Ohne CRM geht es auch mit Diktierfunktion, Copilot-Agent und Planner
Der Anstoss muss aus dem Business kommen, nicht vom Tool
Je grösser der Druck im Markt, desto eher suchen Unternehmen aktiv nach Lösungen
Kapitel
00:00 Intro
01:29 KI im privaten Alltag
03:04 Was seit Januar passiert ist
05:04 Copilot nur für die, die es brauchen
08:55 EM Buddy und Bilderkennung
15:53 Entlastung für den Aussendienst
17:45 CRM, Trigger und Wissen in Köpfen
23:28 Besuchsbericht per Sprache ins CRM
26:01 Wie das Projekt entstanden ist
28:58 Lösung ohne CRM mit Copilot und Planner
30:54 Prompten per Sprache
34:08 KI-Testing im E-Commerce
39:39 Wie EM den Testing-Partner gefunden hat
41:22 Wie weit ist der B2B-Handel
47:52 Einkaufsagenten und Marktplätze
50:56 GEO und Bots auf dem Webshop
53:14 Abschluss
#KI #B2B #Handel #ElektroMaterial #EMBuddy #Copilot #CRM #Aussendienst #ECommerce #KIAgenten #GEO #Podcast
45 Minuten
Viele Unternehmen setzen KI heute ein, um bestehende Prozesse schneller zu machen. Oliver Engelbrecht sieht darin einen ersten Schritt. Das volle Potenzial liegt für ihn dort, wo Unternehmen ihre Abläufe und ihr Betriebsmodell neu denken. Wer das nicht tut, ist in ein bis zwei Jahren nicht mehr Follower, sondern im Nachteil.
Im Gespräch geht es darum, was dafür vorausgesetzt ist. Oliver spricht über Infrastruktur, Daten und Schnittstellen, über die Rolle der Geschäftsleitung und über den Druck, den Procurement-Outsourcer mit Spar-Garantien auf Einkaufsorganisationen ausüben. Er erklärt, warum er KI als Top-down-Entscheid sieht und weshalb die Investitionsbereitschaft gerade steigt.
Dazu kommt ein konkreter Use Case. Ein Voice-Agent beantwortet Anfragen von Bedarfsträgern und Lieferanten an den Einkauf, angebunden an ERP und Ticket-System. Oliver rechnet vor, was das bei einem Team von 15 Mitarbeitenden ausmacht. Zum Schluss geht es um die Frage, wann Einkaufs- und Verkaufsagenten miteinander verhandeln und wo der Mensch weiterhin entscheidet.
Zum Gast: Oliver Engelbrecht https://www.linkedin.com/in/oliengelbrecht/
Gastgeber: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting
Takeaways
Das Grundwissen zu KI ist bei vielen angekommen. Der Unterschied entsteht in der Umsetzung im Unternehmen.
Prozessoptimierung bringt erste Effekte. Den grösseren Hebel hat, wer Abläufe und Betriebsmodell neu denkt.
Ohne Infrastruktur bleibt KI ein Werkzeug für Einzelne. Cloud, Schnittstellen und saubere Daten sind die Voraussetzung.
KI ist ein Entscheid der Führung. Es braucht Kapazität, Budget und die Bereitschaft, die eigene Organisation zu hinterfragen.
Der Druck kommt auch von aussen. Procurement-Outsourcer garantieren Einsparungen und zahlen zurück, wenn sie diese nicht erreichen.
Voice AI ist im Einkauf einsetzbar. Anfragen zu Ausschreibungen oder zum Lieferantenprozess lassen sich mit Anbindung an ERP und Ticket-System beantworten.
Agenten verhandeln heute vor allem bei einfachen Kategorien. Bei komplexen Beschaffungen unterstützen sie, ersetzen aber nicht.
Bei Neueinstellungen zählt das Mindset. Gefragt sind Leute, die ihre Kategorie weiterentwickeln wollen und nicht nur abwickeln.
Kapitel
00:00 Intro
01:10 KI in Olivers Alltag
03:22 Von der IT über UBS und SIX zur Big Four
12:20 Der Lehrgang Procurement AI Expert
15:08 Was sich in Schulungen verändert hat
15:52 Optimieren oder neu denken
18:41 Skills, Mindset und junge Talente
19:47 Ist die Infrastruktur bereit?
21:05 KI als Entscheid der Führung
25:21 KI auf Ebene Geschäftsleitung
29:09 Prozesse neu denken statt digitalisieren
29:52 Prozess-Engines und Voice AI im Einkauf
33:32 Schnelle Antworten als Mehrwert
34:18 Mit einem Bot reden?
37:20 Verhandelt bald Agent mit Agent?
40:06 C-Teile und Katalogbestellungen
42:24 Was neue Mitarbeitende im Einkauf mitbringen
44:24 Verabschiedung
Im Gespräch geht es darum, was dafür vorausgesetzt ist. Oliver spricht über Infrastruktur, Daten und Schnittstellen, über die Rolle der Geschäftsleitung und über den Druck, den Procurement-Outsourcer mit Spar-Garantien auf Einkaufsorganisationen ausüben. Er erklärt, warum er KI als Top-down-Entscheid sieht und weshalb die Investitionsbereitschaft gerade steigt.
Dazu kommt ein konkreter Use Case. Ein Voice-Agent beantwortet Anfragen von Bedarfsträgern und Lieferanten an den Einkauf, angebunden an ERP und Ticket-System. Oliver rechnet vor, was das bei einem Team von 15 Mitarbeitenden ausmacht. Zum Schluss geht es um die Frage, wann Einkaufs- und Verkaufsagenten miteinander verhandeln und wo der Mensch weiterhin entscheidet.
Zum Gast: Oliver Engelbrecht https://www.linkedin.com/in/oliengelbrecht/
Gastgeber: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting
Takeaways
Das Grundwissen zu KI ist bei vielen angekommen. Der Unterschied entsteht in der Umsetzung im Unternehmen.
Prozessoptimierung bringt erste Effekte. Den grösseren Hebel hat, wer Abläufe und Betriebsmodell neu denkt.
Ohne Infrastruktur bleibt KI ein Werkzeug für Einzelne. Cloud, Schnittstellen und saubere Daten sind die Voraussetzung.
KI ist ein Entscheid der Führung. Es braucht Kapazität, Budget und die Bereitschaft, die eigene Organisation zu hinterfragen.
Der Druck kommt auch von aussen. Procurement-Outsourcer garantieren Einsparungen und zahlen zurück, wenn sie diese nicht erreichen.
Voice AI ist im Einkauf einsetzbar. Anfragen zu Ausschreibungen oder zum Lieferantenprozess lassen sich mit Anbindung an ERP und Ticket-System beantworten.
Agenten verhandeln heute vor allem bei einfachen Kategorien. Bei komplexen Beschaffungen unterstützen sie, ersetzen aber nicht.
Bei Neueinstellungen zählt das Mindset. Gefragt sind Leute, die ihre Kategorie weiterentwickeln wollen und nicht nur abwickeln.
Kapitel
00:00 Intro
01:10 KI in Olivers Alltag
03:22 Von der IT über UBS und SIX zur Big Four
12:20 Der Lehrgang Procurement AI Expert
15:08 Was sich in Schulungen verändert hat
15:52 Optimieren oder neu denken
18:41 Skills, Mindset und junge Talente
19:47 Ist die Infrastruktur bereit?
21:05 KI als Entscheid der Führung
25:21 KI auf Ebene Geschäftsleitung
29:09 Prozesse neu denken statt digitalisieren
29:52 Prozess-Engines und Voice AI im Einkauf
33:32 Schnelle Antworten als Mehrwert
34:18 Mit einem Bot reden?
37:20 Verhandelt bald Agent mit Agent?
40:06 C-Teile und Katalogbestellungen
42:24 Was neue Mitarbeitende im Einkauf mitbringen
44:24 Verabschiedung
44 Minuten
Viele Unternehmen haben Microsoft Copilot getestet und sind zum Schluss gekommen, ChatGPT sei besser. Pascal Brunner-Nikolla kennt diesen Ruf aus über 400 Copilot-Projekten. Er erklärt, wie er entstanden ist und wo Copilot heute im Vergleich steht.
Im Gespräch geht es um die Lücke zwischen gefühlter und belegbarer Produktivität. Viele Mitarbeitende fühlen sich mit KI produktiver, nur ein Teil der Unternehmen kann das auch nachweisen. Pascal erklärt, warum gewonnene Zeit im Arbeitsalltag sofort wieder verschwindet und weshalb der Einstieg über den konkreten Arbeitstag einer Rolle besser funktioniert als ein allgemeiner Überblick.
Dazu kommen Use Cases aus seinen Projekten. Ein Agent durchsucht rund 4'000 Vertragselemente zu Garantieleistungen von Produktionslinien, ein weiterer unterstützt die Unternehmenskommunikation. Pascal spricht auch über Datenhaltung in der Schweiz, über Schatten-AI und darüber, warum die Einstellungen vor dem Start geprüft werden sollten.
Zum Gast: Pascal Brunner-Nikolla, Head of Modern Work bei Campana & Schott Schweiz und Microsoft MVP. Jeden Montag erscheint sein Newsletter «Copilot Your Day».
Follow me on LinkedIn
https://copilotyourday.com/links/
https://www.newsletter.copilotyourday.com/
Zugang zu den Cheatsheets
LinkedIn Learning Kurse zu Copilot
Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Eine Lizenz ist noch keine Nutzung. Wie beim Fitness-Abo im Januar braucht es neue Routinen, damit Copilot im Alltag ankommt.
Persönliche Produktivität ist noch kein Business Impact. Messbaren Nutzen zeigen vor allem Unternehmen, die ihre Prozesse neu denken.
Gewonnene Zeit wird sofort wieder absorbiert. Wer sie für wertschöpfende Aufgaben nutzen will, muss das bewusst planen.
Beim Arbeitstag ansetzen. Wer den Alltag einer Rolle durchgeht und an einzelnen Schritten zeigt, wo Copilot hilft, erreicht die Mitarbeitenden eher.
Die meisten haben kein Modellproblem. Entscheidend ist, wie KI in den Arbeitsalltag integriert wird.
Verbote verschieben das Problem. Ohne gutes internes Angebot laden Mitarbeitende Firmendaten in private Tools hoch.
Vor dem Go-live die Einstellungen prüfen. Ein bis zwei Wochen später starten ist besser, als nachträglich Freigaben korrigieren zu müssen.
Kapitel
00:00 Intro
01:11 KI in Pascals Alltag
02:57 Pascal Brunner-Nikolla und Campana & Schott
03:59 Der Weg zum Copilot-Experten
06:08 Am Ball bleiben bei diesem Tempo
10:04 Was Unternehmen von KI erwarten
14:04 Wenn gewonnene Zeit verpufft
16:53 Daten und Organisation als Fundament
18:26 Ist Copilot schlechter als ChatGPT
21:37 Warum das Modell selten das Problem ist
23:25 Fitness-Abo und AI-Fitness
24:05 Use Cases mit Wirkung
27:16 On-prem, Cloud und Migration
29:46 Datenschutz und Datenhaltung in der Schweiz
31:46 Schatten-AI und KI-Richtlinien
34:33 Überforderte IT und Technical Readiness
36:28 Change und Technik im gleichen Team
38:01 Selber machen oder Unterstützung holen
41:00 Wie wir in zwei Jahren arbeiten
42:43 Verabschiedung
Im Gespräch geht es um die Lücke zwischen gefühlter und belegbarer Produktivität. Viele Mitarbeitende fühlen sich mit KI produktiver, nur ein Teil der Unternehmen kann das auch nachweisen. Pascal erklärt, warum gewonnene Zeit im Arbeitsalltag sofort wieder verschwindet und weshalb der Einstieg über den konkreten Arbeitstag einer Rolle besser funktioniert als ein allgemeiner Überblick.
Dazu kommen Use Cases aus seinen Projekten. Ein Agent durchsucht rund 4'000 Vertragselemente zu Garantieleistungen von Produktionslinien, ein weiterer unterstützt die Unternehmenskommunikation. Pascal spricht auch über Datenhaltung in der Schweiz, über Schatten-AI und darüber, warum die Einstellungen vor dem Start geprüft werden sollten.
Zum Gast: Pascal Brunner-Nikolla, Head of Modern Work bei Campana & Schott Schweiz und Microsoft MVP. Jeden Montag erscheint sein Newsletter «Copilot Your Day».
Follow me on LinkedIn
https://copilotyourday.com/links/
https://www.newsletter.copilotyourday.com/
Zugang zu den Cheatsheets
LinkedIn Learning Kurse zu Copilot
Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Eine Lizenz ist noch keine Nutzung. Wie beim Fitness-Abo im Januar braucht es neue Routinen, damit Copilot im Alltag ankommt.
Persönliche Produktivität ist noch kein Business Impact. Messbaren Nutzen zeigen vor allem Unternehmen, die ihre Prozesse neu denken.
Gewonnene Zeit wird sofort wieder absorbiert. Wer sie für wertschöpfende Aufgaben nutzen will, muss das bewusst planen.
Beim Arbeitstag ansetzen. Wer den Alltag einer Rolle durchgeht und an einzelnen Schritten zeigt, wo Copilot hilft, erreicht die Mitarbeitenden eher.
Die meisten haben kein Modellproblem. Entscheidend ist, wie KI in den Arbeitsalltag integriert wird.
Verbote verschieben das Problem. Ohne gutes internes Angebot laden Mitarbeitende Firmendaten in private Tools hoch.
Vor dem Go-live die Einstellungen prüfen. Ein bis zwei Wochen später starten ist besser, als nachträglich Freigaben korrigieren zu müssen.
Kapitel
00:00 Intro
01:11 KI in Pascals Alltag
02:57 Pascal Brunner-Nikolla und Campana & Schott
03:59 Der Weg zum Copilot-Experten
06:08 Am Ball bleiben bei diesem Tempo
10:04 Was Unternehmen von KI erwarten
14:04 Wenn gewonnene Zeit verpufft
16:53 Daten und Organisation als Fundament
18:26 Ist Copilot schlechter als ChatGPT
21:37 Warum das Modell selten das Problem ist
23:25 Fitness-Abo und AI-Fitness
24:05 Use Cases mit Wirkung
27:16 On-prem, Cloud und Migration
29:46 Datenschutz und Datenhaltung in der Schweiz
31:46 Schatten-AI und KI-Richtlinien
34:33 Überforderte IT und Technical Readiness
36:28 Change und Technik im gleichen Team
38:01 Selber machen oder Unterstützung holen
41:00 Wie wir in zwei Jahren arbeiten
42:43 Verabschiedung
46 Minuten
Faserplast führt mit rund 30 Leuten sechs Geschäftsbereiche, von der Regenwassernutzung über die Wasserschadensanierung bis zur Teichtechnik. CEO Marc Beck erklärt, warum die Digitalisierung dort mit Aufräumen begann. Fast zehn Jahre lang wurden Sortiment, ERP und Stammdaten bereinigt.
Auf dieser Basis entstand die KI-gestützte Artikeleröffnung. Pro Produkt sind fast 300 Felder zu füllen. Irgendwann hatte das Team keine Lust mehr darauf. Heute füllt die KI vieles vorab aus und erstellt einen Marktbericht, bevor ein Artikel aufgenommen wird. Ein Mensch prüft weiterhin.
Marc erzählt, wie aus einer Schnittstellenfrage der eigene Datenhub FAPA Connect wurde und wie Faserplast Restplatten mit KI-Unterstützung in den Online-Shop bringt. Er spricht auch über eine Wissensdatenbank, die nur mit Quellennachweis antworten darf, und über das Risiko, wenn nur noch wenige wissen, wie die selbst gebauten Lösungen funktionieren.
Gast: Marc Beck https://www.linkedin.com/in/marcbeck-faserplast
Host: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting
Takeaways
Digitalisierung beginnt mit Aufräumen. Sortiment, ERP und Stammdaten zuerst bereinigen. Erst dann bringt KI einen Nutzen.
Datenpflege hört nie auf. Faserplast macht bei jeder physischen Inventur auch eine Dateninventur. Löschen gehört dazu.
Ein hoher Anspruch braucht Unterstützung. Die 300 Felder pro Artikel sind erst wieder machbar, seit die KI vorbefüllt und Regeln direkt bei der Eingabe anzeigt.
Eigene Schnittstellen bringen Tempo. Mit dem eigenen Datenhub ist Faserplast nicht mehr von externen Partnern abhängig.
Die Belegschaft mitnehmen. Eine interne KI-Plattform mit Umfragen und verschiedenen Schulungsformaten verhindert, dass sich das Projektteam von den Mitarbeitenden entfernt.
Gute Ideen kommen vom Kunden. Das Restplatten-Tool entstand aus wiederholten Kundenanfragen nach Reststücken.
Wer selbst baut, muss auch selbst betreiben. Das Wissen über eigene Lösungen darf nicht an einzelnen Personen hängen.
Kapitel
00:00 Intro
00:45 Marc Beck und Faserplast
02:01 Sechs Geschäftsbereiche mit 30 Leuten
04:09 Der Auslöser, aufräumen statt Bazar
06:06 Saubere Stammdaten und die Leute mitnehmen
08:08 Artikeleröffnung mit 300 Feldern
12:57 FAPA Connect, der eigene Datenhub
14:40 Interne Kompetenz statt externer Partner
16:29 KI-Plattform und Hackathon
19:37 Wer das Thema treibt
21:11 Prozesse kennen und dokumentieren
23:43 Wie man Prozesse aufnimmt
25:07 Warum Dokumentation so wichtig ist
27:39 Restplatten im Online-Shop
31:23 Neue Angebote aus Kundenbedürfnissen
32:23 Die Wissensdatenbank mit Quellennachweis
38:14 Empfehlung für Einsteiger, Daten aufräumen
40:25 Faserplast in drei Jahren und Agentic Commerce
42:22 Die Kehrseite, Abhängigkeiten und Betrieb
43:34 Verabschiedung
Wenn du in deinem Unternehmen wissen willst, welcher KI-Anwendungsfall sich bei dir wirklich rechnet und ob deine Daten dafür bereit sind, dann lass uns reden. Ich begleite Geschäftsleitungen und Verwaltungsräte genau bei dieser Frage. Und wenn du für deinen Führungsanlass einen Referenten zum Thema suchst, melde dich ebenfalls per Linkedin
Auf dieser Basis entstand die KI-gestützte Artikeleröffnung. Pro Produkt sind fast 300 Felder zu füllen. Irgendwann hatte das Team keine Lust mehr darauf. Heute füllt die KI vieles vorab aus und erstellt einen Marktbericht, bevor ein Artikel aufgenommen wird. Ein Mensch prüft weiterhin.
Marc erzählt, wie aus einer Schnittstellenfrage der eigene Datenhub FAPA Connect wurde und wie Faserplast Restplatten mit KI-Unterstützung in den Online-Shop bringt. Er spricht auch über eine Wissensdatenbank, die nur mit Quellennachweis antworten darf, und über das Risiko, wenn nur noch wenige wissen, wie die selbst gebauten Lösungen funktionieren.
Gast: Marc Beck https://www.linkedin.com/in/marcbeck-faserplast
Host: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting
Takeaways
Digitalisierung beginnt mit Aufräumen. Sortiment, ERP und Stammdaten zuerst bereinigen. Erst dann bringt KI einen Nutzen.
Datenpflege hört nie auf. Faserplast macht bei jeder physischen Inventur auch eine Dateninventur. Löschen gehört dazu.
Ein hoher Anspruch braucht Unterstützung. Die 300 Felder pro Artikel sind erst wieder machbar, seit die KI vorbefüllt und Regeln direkt bei der Eingabe anzeigt.
Eigene Schnittstellen bringen Tempo. Mit dem eigenen Datenhub ist Faserplast nicht mehr von externen Partnern abhängig.
Die Belegschaft mitnehmen. Eine interne KI-Plattform mit Umfragen und verschiedenen Schulungsformaten verhindert, dass sich das Projektteam von den Mitarbeitenden entfernt.
Gute Ideen kommen vom Kunden. Das Restplatten-Tool entstand aus wiederholten Kundenanfragen nach Reststücken.
Wer selbst baut, muss auch selbst betreiben. Das Wissen über eigene Lösungen darf nicht an einzelnen Personen hängen.
Kapitel
00:00 Intro
00:45 Marc Beck und Faserplast
02:01 Sechs Geschäftsbereiche mit 30 Leuten
04:09 Der Auslöser, aufräumen statt Bazar
06:06 Saubere Stammdaten und die Leute mitnehmen
08:08 Artikeleröffnung mit 300 Feldern
12:57 FAPA Connect, der eigene Datenhub
14:40 Interne Kompetenz statt externer Partner
16:29 KI-Plattform und Hackathon
19:37 Wer das Thema treibt
21:11 Prozesse kennen und dokumentieren
23:43 Wie man Prozesse aufnimmt
25:07 Warum Dokumentation so wichtig ist
27:39 Restplatten im Online-Shop
31:23 Neue Angebote aus Kundenbedürfnissen
32:23 Die Wissensdatenbank mit Quellennachweis
38:14 Empfehlung für Einsteiger, Daten aufräumen
40:25 Faserplast in drei Jahren und Agentic Commerce
42:22 Die Kehrseite, Abhängigkeiten und Betrieb
43:34 Verabschiedung
Wenn du in deinem Unternehmen wissen willst, welcher KI-Anwendungsfall sich bei dir wirklich rechnet und ob deine Daten dafür bereit sind, dann lass uns reden. Ich begleite Geschäftsleitungen und Verwaltungsräte genau bei dieser Frage. Und wenn du für deinen Führungsanlass einen Referenten zum Thema suchst, melde dich ebenfalls per Linkedin
41 Minuten
Reto Gamper hat bei Unilever, Ciba Vision, Steinfels Swiss, Bogar und Avosano Veränderungen verantwortet. Vom Turnaround bis zum Zusammenschluss zweier gleich grosser Pharma-Grosshändler.
Er erklärt, warum ein Change nur mit dem Team gelingt und weshalb der Chef danach zurückstehen muss. Am Beispiel einer geschlossenen Verteilzentrale mit 300 Kunden zeigt er, wie Kundenfeedback einen fertigen Plan verändert hat.
Im zweiten Teil geht es um datengestützte Vertriebssteuerung. Und um eine Kundenbefragung mit sechs Fragen, die abwanderungsgefährdete Kunden zu Fans gemacht hat.
Zum Gast: Reto Gamper, Verkaufs- und Change-Profi, zuletzt verantwortlich für Verkauf und Einkauf bei Avosano.
https://www.linkedin.com/in/r-gamper/
Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Ohne Team kein Change. Ist das Ziel gesetzt, muss der Chef zurückstehen und machen lassen.
Den Plan mit Kunden testen. Beim Transfer von 300 Kunden hat erst das Kundenfeedback gezeigt, dass eine zweite Variante nötig war.
Transaktionsdaten sind Gold. Sie zeigen, welcher Aussendienst welche Segmente verkauft und wo Cross- und Upselling-Potenzial liegt.
Kurz fragen, schnell reagieren. Sechs Fragen mehrmals im Jahr, wöchentlich ausgewertet, haben die Abgangsrate gesenkt.
KI bereitet vor, der Mensch baut Vertrauen auf. Briefings und Auswertungen werden schneller, der persönliche Kontakt bleibt.
Kapitel
00:01 KI im Alltag
00:38 Retos Stationen von Unilever bis Avosano
02:57 Das Muster hinter jedem Change
05:36 Wenn der Plan auf die Kunden trifft
08:05 Umgang mit Widerstand im Team
09:13 Change im Konzern und im KMU
11:25 Leitplanken und Firmenwissen schützen
12:12 Wie fit ist der Vertrieb bei Daten
15:25 Datengesteuert statt nach Routine
18:13 Mehrwert im Kundengespräch
21:22 Die richtigen KPI im Vertrieb
23:57 Trigger statt Excel-Listen
27:41 Kundenbefragung als Frühwarnsystem
33:22 Besuchsrapporte und Transkription
39:34 Verabschiedung
Er erklärt, warum ein Change nur mit dem Team gelingt und weshalb der Chef danach zurückstehen muss. Am Beispiel einer geschlossenen Verteilzentrale mit 300 Kunden zeigt er, wie Kundenfeedback einen fertigen Plan verändert hat.
Im zweiten Teil geht es um datengestützte Vertriebssteuerung. Und um eine Kundenbefragung mit sechs Fragen, die abwanderungsgefährdete Kunden zu Fans gemacht hat.
Zum Gast: Reto Gamper, Verkaufs- und Change-Profi, zuletzt verantwortlich für Verkauf und Einkauf bei Avosano.
https://www.linkedin.com/in/r-gamper/
Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Ohne Team kein Change. Ist das Ziel gesetzt, muss der Chef zurückstehen und machen lassen.
Den Plan mit Kunden testen. Beim Transfer von 300 Kunden hat erst das Kundenfeedback gezeigt, dass eine zweite Variante nötig war.
Transaktionsdaten sind Gold. Sie zeigen, welcher Aussendienst welche Segmente verkauft und wo Cross- und Upselling-Potenzial liegt.
Kurz fragen, schnell reagieren. Sechs Fragen mehrmals im Jahr, wöchentlich ausgewertet, haben die Abgangsrate gesenkt.
KI bereitet vor, der Mensch baut Vertrauen auf. Briefings und Auswertungen werden schneller, der persönliche Kontakt bleibt.
Kapitel
00:01 KI im Alltag
00:38 Retos Stationen von Unilever bis Avosano
02:57 Das Muster hinter jedem Change
05:36 Wenn der Plan auf die Kunden trifft
08:05 Umgang mit Widerstand im Team
09:13 Change im Konzern und im KMU
11:25 Leitplanken und Firmenwissen schützen
12:12 Wie fit ist der Vertrieb bei Daten
15:25 Datengesteuert statt nach Routine
18:13 Mehrwert im Kundengespräch
21:22 Die richtigen KPI im Vertrieb
23:57 Trigger statt Excel-Listen
27:41 Kundenbefragung als Frühwarnsystem
33:22 Besuchsrapporte und Transkription
39:34 Verabschiedung
43 Minuten
Oswald entwickelt, produziert und vermarktet seine Produkte selbst. Die Traditionsmarke treibt heute 14 KI-Projekte parallel voran.
Franco Kölliker ist Co-CEO sowie Chief Digital und Marketing Officer bei Oswald.
Er erzählt, wie eine KI das Werbebudget auf die Kanäle verteilt und das gleiche Budget damit 300 Prozent mehr Wirkung bringt.
Die Suche auf der Website hat sein Team in fünf Arbeitstagen durch eine KI-gestützte Suche ersetzt. Die Conversion der Suchenden stieg von 4,5 auf fast 40 Prozent.
Nicht alles lief nach Plan. Beim Chatbot hat das Team unterschätzt, wie viel Prozesswissen und wie viele Leitplanken es braucht. Es ging sechs Monate, bis er für alle Kunden gut genug war.
Im Gespräch geht es auch um Copilot im Backoffice, um die Frage, wie man die Leute mitnimmt, und darum, wo bei einer Traditionsmarke der Mensch bleiben muss.
Gast: https://www.linkedin.com/in/franco-kölliker-74a1ab86/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Klein anfangen. Oswald hat nicht mit einem grossen KI-Projekt gestartet, sondern mit vielen kleinen Projekten, die schnell Wirkung zeigen. Heute laufen 14 parallel.
Die KI schlägt vor, der Mensch entscheidet. Die Budgetsteuerung im Performance Marketing war nach drei Monaten Testphase besser als die manuelle Steuerung. Die Freigabe bleibt beim Menschen.
Produktdaten allein reichen nicht. Ein Chatbot braucht Prozesswissen und klare Leitplanken. Sonst empfiehlt er Produkte, die gar nicht im Sortiment sind.
Eine feste Frist bündelt die Kräfte. Für die neue Suche hatten Agentur und Projektleitung fünf Arbeitstage. KI hat dabei auch bei der Programmierung geholfen.
Nicht auf perfekte Daten warten. Der Einstieg gelingt über repetitive Tätigkeiten. Die Daten werden parallel verbessert.
Die Menschen sind der wichtigste Faktor. Gute Daten und dokumentierte Prozesse nützen wenig ohne Leute, die das Thema aus eigenem Antrieb vorantreiben.
Jede Lizenz braucht einen Business Case. Copilot ist im Backoffice breit im Einsatz. Ob eine Person eine Lizenz braucht, wird trotzdem jedes Mal geprüft.
Kapitel
00:00 Intro
01:32 KI im privaten Alltag, Kochen und Smart Home
02:44 ChatGPT, Claude und Gemini statt Google
03:54 Franco und Oswald
05:49 Zielgruppen, von B2C bis Export
06:38 Die ersten Use Cases, Performance Marketing und Chatbot
10:22 Agentur oder in-house
10:49 KI in der Geschäftsleitung, Business Case und Testphase
13:03 Daten, Prozesse und die Menschen
14:06 Die zweite Führungsstufe mitnehmen
16:42 Kreativität und A/B-Tests mit Visuals
18:43 Copilot im Backoffice
19:02 Wie das Team Copilot gelernt hat
20:49 KI als Change-Projekt
22:12 Was KI für das Kundenerlebnis bedeutet
24:16 Schnellere Antworten, höhere Erwartungen
26:08 Wo der Mensch bleiben muss
27:56 KI-generierte Inhalte und menschliche Kontrolle
29:18 KI-Agenten am Telefon
31:54 Nicht auf perfekte Daten warten
34:30 Neue Suche in fünf Tagen
35:51 Wie weit die Branche ist
37:15 Rückstand aufholen
38:00 KI-Kompetenz bei der Rekrutierung
39:05 Oswald in drei Jahren
41:44 Was KI nicht kann, der Geschmack
42:30 Verabschiedung
Franco Kölliker ist Co-CEO sowie Chief Digital und Marketing Officer bei Oswald.
Er erzählt, wie eine KI das Werbebudget auf die Kanäle verteilt und das gleiche Budget damit 300 Prozent mehr Wirkung bringt.
Die Suche auf der Website hat sein Team in fünf Arbeitstagen durch eine KI-gestützte Suche ersetzt. Die Conversion der Suchenden stieg von 4,5 auf fast 40 Prozent.
Nicht alles lief nach Plan. Beim Chatbot hat das Team unterschätzt, wie viel Prozesswissen und wie viele Leitplanken es braucht. Es ging sechs Monate, bis er für alle Kunden gut genug war.
Im Gespräch geht es auch um Copilot im Backoffice, um die Frage, wie man die Leute mitnimmt, und darum, wo bei einer Traditionsmarke der Mensch bleiben muss.
Gast: https://www.linkedin.com/in/franco-kölliker-74a1ab86/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Klein anfangen. Oswald hat nicht mit einem grossen KI-Projekt gestartet, sondern mit vielen kleinen Projekten, die schnell Wirkung zeigen. Heute laufen 14 parallel.
Die KI schlägt vor, der Mensch entscheidet. Die Budgetsteuerung im Performance Marketing war nach drei Monaten Testphase besser als die manuelle Steuerung. Die Freigabe bleibt beim Menschen.
Produktdaten allein reichen nicht. Ein Chatbot braucht Prozesswissen und klare Leitplanken. Sonst empfiehlt er Produkte, die gar nicht im Sortiment sind.
Eine feste Frist bündelt die Kräfte. Für die neue Suche hatten Agentur und Projektleitung fünf Arbeitstage. KI hat dabei auch bei der Programmierung geholfen.
Nicht auf perfekte Daten warten. Der Einstieg gelingt über repetitive Tätigkeiten. Die Daten werden parallel verbessert.
Die Menschen sind der wichtigste Faktor. Gute Daten und dokumentierte Prozesse nützen wenig ohne Leute, die das Thema aus eigenem Antrieb vorantreiben.
Jede Lizenz braucht einen Business Case. Copilot ist im Backoffice breit im Einsatz. Ob eine Person eine Lizenz braucht, wird trotzdem jedes Mal geprüft.
Kapitel
00:00 Intro
01:32 KI im privaten Alltag, Kochen und Smart Home
02:44 ChatGPT, Claude und Gemini statt Google
03:54 Franco und Oswald
05:49 Zielgruppen, von B2C bis Export
06:38 Die ersten Use Cases, Performance Marketing und Chatbot
10:22 Agentur oder in-house
10:49 KI in der Geschäftsleitung, Business Case und Testphase
13:03 Daten, Prozesse und die Menschen
14:06 Die zweite Führungsstufe mitnehmen
16:42 Kreativität und A/B-Tests mit Visuals
18:43 Copilot im Backoffice
19:02 Wie das Team Copilot gelernt hat
20:49 KI als Change-Projekt
22:12 Was KI für das Kundenerlebnis bedeutet
24:16 Schnellere Antworten, höhere Erwartungen
26:08 Wo der Mensch bleiben muss
27:56 KI-generierte Inhalte und menschliche Kontrolle
29:18 KI-Agenten am Telefon
31:54 Nicht auf perfekte Daten warten
34:30 Neue Suche in fünf Tagen
35:51 Wie weit die Branche ist
37:15 Rückstand aufholen
38:00 KI-Kompetenz bei der Rekrutierung
39:05 Oswald in drei Jahren
41:44 Was KI nicht kann, der Geschmack
42:30 Verabschiedung
43 Minuten
Siemens ist über 175 Jahre alt und im Projektgeschäft gross geworden. Seit 2022 bietet der Konzern auf seiner eigenen Plattform auch Lösungen von Partnern an.
Mario Fürst verantwortet Siemens Xcelerator in der Schweiz. Auslöser für die Plattform war Feedback aus dem Markt. Viele Kunden finden die passenden Lösungen und Partner für ihre Digitalisierungsprojekte nicht. Intern stellte sich eine andere Frage. Wieso etwas ändern, wenn das Geschäft gut läuft?
Wir sprechen über Industrial AI und Simulationen, die heute in wenigen Stunden laufen. Über einen KI-Agenten, der Ingenieure beim Programmieren von Steuerungen unterstützt. Und darüber, wann der KI-Agent eines Kunden selbst auf der Plattform einkauft.
Gast: https://www.linkedin.com/in/mario-fürst-35291b12a/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Die Qualität entscheidet über den Nutzen. Viele Projekte sind früher gescheitert, weil die Qualität nicht dort war, wo sie sein musste. Erst wenn die digitale Simulation der Realität entspricht, entsteht ein echter Nutzen.
Simulationen laufen heute in wenigen Stunden. Lösungen, die vor 20 Jahren drei bis vier Tage gerechnet haben, schaffen das mit Physical AI in einem Bruchteil der Zeit.
KMU sind oft schneller. Grosskonzerne haben die stärkeren Strategien und planen langfristiger. Eine allgemeine Aussage zur Industrie lässt sich nicht machen.
Kein Anbieter kann alles allein. Deshalb stellt Siemens Partnerlösungen neben die eigenen. Geprüft wird, welche Lösungen sich ergänzen.
Je grösser das Angebot, desto wichtiger die Suche. KI im Backend und die richtigen Keywords führen Besucher je nach Zielgruppe zur passenden Lösung.
KI kann grosse Investitionen ersetzen. Mit Kameradaten und KI-gestützter visueller Qualitätskontrolle lässt sich zum Beispiel ein Röntgenscanner für rund 1 Million einsparen.
Private Nutzung erleichtert den Einstieg im Beruf. Wer den Nutzen von KI privat erlebt hat, setzt sie auch im Vertrieb schneller ein.
Kapitel
00:00 Intro
00:07 KI im Alltag, Reiseplanung mit der Familie
03:16 Von IoT zu Industrial AI, was sich verändert hat
05:34 Warum Skalierung heute im Fokus steht
06:54 Wie weit die Industrie ist, KMU und Grosskonzerne
08:11 Techstandort Schweiz und Robotik
08:37 Was Siemens Xcelerator ist
10:38 Der Marktplatz auch für Nicht-Kunden
12:04 Für welche Branchen die Plattform gedacht ist
12:27 Warum Siemens auf Offenheit setzt
14:57 Widerstände intern und wie man sie überwindet
17:54 Globale Plattform, lokale Partner
19:34 Wie Unternehmen Marketplace Seller werden
20:31 Was die Zertifizierung bedeutet
21:02 Die richtige Lösung finden, KI im Backend
23:37 Wie die Plattform bekannter werden soll
25:28 Der Eigen Engineering Agent im TIA Portal
26:57 KI-Use-Cases von der Entwicklung bis zur Produktion
31:38 AI Lab und Guardrails im Grosskonzern
34:03 Wie Mario KI im Arbeitsalltag nutzt
34:46 KI im Vertrieb
36:51 Menschen mitnehmen, vom privaten Nutzen ins Geschäft
40:38 Wann der KI-Agent des Kunden einkauft
Mario Fürst verantwortet Siemens Xcelerator in der Schweiz. Auslöser für die Plattform war Feedback aus dem Markt. Viele Kunden finden die passenden Lösungen und Partner für ihre Digitalisierungsprojekte nicht. Intern stellte sich eine andere Frage. Wieso etwas ändern, wenn das Geschäft gut läuft?
Wir sprechen über Industrial AI und Simulationen, die heute in wenigen Stunden laufen. Über einen KI-Agenten, der Ingenieure beim Programmieren von Steuerungen unterstützt. Und darüber, wann der KI-Agent eines Kunden selbst auf der Plattform einkauft.
Gast: https://www.linkedin.com/in/mario-fürst-35291b12a/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Die Qualität entscheidet über den Nutzen. Viele Projekte sind früher gescheitert, weil die Qualität nicht dort war, wo sie sein musste. Erst wenn die digitale Simulation der Realität entspricht, entsteht ein echter Nutzen.
Simulationen laufen heute in wenigen Stunden. Lösungen, die vor 20 Jahren drei bis vier Tage gerechnet haben, schaffen das mit Physical AI in einem Bruchteil der Zeit.
KMU sind oft schneller. Grosskonzerne haben die stärkeren Strategien und planen langfristiger. Eine allgemeine Aussage zur Industrie lässt sich nicht machen.
Kein Anbieter kann alles allein. Deshalb stellt Siemens Partnerlösungen neben die eigenen. Geprüft wird, welche Lösungen sich ergänzen.
Je grösser das Angebot, desto wichtiger die Suche. KI im Backend und die richtigen Keywords führen Besucher je nach Zielgruppe zur passenden Lösung.
KI kann grosse Investitionen ersetzen. Mit Kameradaten und KI-gestützter visueller Qualitätskontrolle lässt sich zum Beispiel ein Röntgenscanner für rund 1 Million einsparen.
Private Nutzung erleichtert den Einstieg im Beruf. Wer den Nutzen von KI privat erlebt hat, setzt sie auch im Vertrieb schneller ein.
Kapitel
00:00 Intro
00:07 KI im Alltag, Reiseplanung mit der Familie
03:16 Von IoT zu Industrial AI, was sich verändert hat
05:34 Warum Skalierung heute im Fokus steht
06:54 Wie weit die Industrie ist, KMU und Grosskonzerne
08:11 Techstandort Schweiz und Robotik
08:37 Was Siemens Xcelerator ist
10:38 Der Marktplatz auch für Nicht-Kunden
12:04 Für welche Branchen die Plattform gedacht ist
12:27 Warum Siemens auf Offenheit setzt
14:57 Widerstände intern und wie man sie überwindet
17:54 Globale Plattform, lokale Partner
19:34 Wie Unternehmen Marketplace Seller werden
20:31 Was die Zertifizierung bedeutet
21:02 Die richtige Lösung finden, KI im Backend
23:37 Wie die Plattform bekannter werden soll
25:28 Der Eigen Engineering Agent im TIA Portal
26:57 KI-Use-Cases von der Entwicklung bis zur Produktion
31:38 AI Lab und Guardrails im Grosskonzern
34:03 Wie Mario KI im Arbeitsalltag nutzt
34:46 KI im Vertrieb
36:51 Menschen mitnehmen, vom privaten Nutzen ins Geschäft
40:38 Wann der KI-Agent des Kunden einkauft
46 Minuten
Eine Bestellung kommt als PDF herein und muss ins ERP. Klingt nach einer Aufgabe für jedes Tool. Genau daran scheitern die meisten KI-Projekte im Handel.
Marcel Rassinger war CIO von BRACK.Alltron. Heute baut er mit aikyma für den Handel KI-Lösungen. Sein Befund ist nüchtern. Die Anbindung an SAP oder Business Central ist der einfache Teil. Schwierig wird es Sonderwünschen in Notizfeldern und bei Wissen, das nur in den Köpfen der Mitarbeitenden steckt.
Warum aus einem KI-Projekt schnell ein Prozess- und Datenprojekt wird und wo sich der ROI wirklich rechnet.
Zum Gast: Marcel Rassinger, studierter Physiker, früher CIO der Competec-Gruppe, heute Co-Founder und CTO von aikyma in Basel.
Gast: https://www.linkedin.com/in/marcel-rassinger-0b1b74/
Website:https://aikyma.ai/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Die technische Anbindung ist heute der einfache Teil. Mit KI-Tools bekommt man die Verbindung zu SAP oder Business Central schnell hin. Der Aufwand steckt in den Prozessen dahinter.
Die Prozesse laufen anders, als sie dokumentiert sind. Was im Kopf des Managements und in der Prozessbeschreibung steht, ist selten das, was im Tagesgeschäft tatsächlich passiert.
Agenten wie neue Mitarbeitende behandeln. Jemand erklärt ihnen, wie das Unternehmen funktioniert. Marcel nennt das selbst edge und teilweise bleeding edge.
Ein Mitarbeitender allein reicht als Quelle nicht. Erst die Spiegelung im Kreis von Teamleitern und Entscheidungsbefugten bringt ein belastbares Bild.
Aus dem KI-Projekt wird ein Prozess- und Datenprojekt. In den Feedback-Runden zeigt sich, was ein Bug ist, wo der Prozess uneinheitlich ist und wo schlicht die Daten nicht stimmen.
100 Prozent sind nicht das Ziel. Die Fleissarbeit soll wegfallen, entscheiden soll der Mensch dort, wo entschieden werden muss.
Human in the Loop ist eine zweite Integrationsschicht. Nicht nur ins System, sondern in die Organisation. Die Feedback-Schlaufe läuft über Zuständigkeiten, Mails und Menschen.
Ohne Management-Unterstützung geht es in komplexen Fällen nicht. Wer ein Tool kauft und es wie ein Excel behandelt, wird damit nicht weit kommen.
Kapitel
00:00 Intro
00:17 Marcels Lieblings-KI-Tool
02:32 Vom Physikstudium ins Internetbanking
05:24 Was vom Physikstudium geblieben ist
06:19 Wohin sich KI entwickelt
11:05 Die CIO-Rolle vor zehn Jahren und heute
13:51 KI deckt die alten Baustellen auf
17:01 Was aikyma genau macht
18:23 Wenn der Teufel im Detail steckt
19:14 Die Kunden, bei denen es tatsächlich schnell geht
19:35 Gewachsene Systeme und die Adresse aus Shanghai
25:33 Wenn jeder den Prozess anders auslegt
26:40 Feedback-Runden mit Teamleitern und Entscheidern
28:40 Aus dem KI-Projekt wird ein Prozess- und Datenprojekt
29:42 Der ROI und die einfache Rechnung
33:02 Human in the Loop und die Integration in die Organisation
34:57 Kultur, Fehler und der Umgang damit
35:41 Change-Management-Projekte
36:37 Wie Mitarbeitende auf die Automatisierung reagieren
39:47 Was Unternehmen an KI-Projekten falsch verstehen
41:18 Ausblick, 80 Prozent der Bürokratie sind automatisierbar
45:56 Wenn Software fast gratis wird
Marcel Rassinger war CIO von BRACK.Alltron. Heute baut er mit aikyma für den Handel KI-Lösungen. Sein Befund ist nüchtern. Die Anbindung an SAP oder Business Central ist der einfache Teil. Schwierig wird es Sonderwünschen in Notizfeldern und bei Wissen, das nur in den Köpfen der Mitarbeitenden steckt.
Warum aus einem KI-Projekt schnell ein Prozess- und Datenprojekt wird und wo sich der ROI wirklich rechnet.
Zum Gast: Marcel Rassinger, studierter Physiker, früher CIO der Competec-Gruppe, heute Co-Founder und CTO von aikyma in Basel.
Gast: https://www.linkedin.com/in/marcel-rassinger-0b1b74/
Website:https://aikyma.ai/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Die technische Anbindung ist heute der einfache Teil. Mit KI-Tools bekommt man die Verbindung zu SAP oder Business Central schnell hin. Der Aufwand steckt in den Prozessen dahinter.
Die Prozesse laufen anders, als sie dokumentiert sind. Was im Kopf des Managements und in der Prozessbeschreibung steht, ist selten das, was im Tagesgeschäft tatsächlich passiert.
Agenten wie neue Mitarbeitende behandeln. Jemand erklärt ihnen, wie das Unternehmen funktioniert. Marcel nennt das selbst edge und teilweise bleeding edge.
Ein Mitarbeitender allein reicht als Quelle nicht. Erst die Spiegelung im Kreis von Teamleitern und Entscheidungsbefugten bringt ein belastbares Bild.
Aus dem KI-Projekt wird ein Prozess- und Datenprojekt. In den Feedback-Runden zeigt sich, was ein Bug ist, wo der Prozess uneinheitlich ist und wo schlicht die Daten nicht stimmen.
100 Prozent sind nicht das Ziel. Die Fleissarbeit soll wegfallen, entscheiden soll der Mensch dort, wo entschieden werden muss.
Human in the Loop ist eine zweite Integrationsschicht. Nicht nur ins System, sondern in die Organisation. Die Feedback-Schlaufe läuft über Zuständigkeiten, Mails und Menschen.
Ohne Management-Unterstützung geht es in komplexen Fällen nicht. Wer ein Tool kauft und es wie ein Excel behandelt, wird damit nicht weit kommen.
Kapitel
00:00 Intro
00:17 Marcels Lieblings-KI-Tool
02:32 Vom Physikstudium ins Internetbanking
05:24 Was vom Physikstudium geblieben ist
06:19 Wohin sich KI entwickelt
11:05 Die CIO-Rolle vor zehn Jahren und heute
13:51 KI deckt die alten Baustellen auf
17:01 Was aikyma genau macht
18:23 Wenn der Teufel im Detail steckt
19:14 Die Kunden, bei denen es tatsächlich schnell geht
19:35 Gewachsene Systeme und die Adresse aus Shanghai
25:33 Wenn jeder den Prozess anders auslegt
26:40 Feedback-Runden mit Teamleitern und Entscheidern
28:40 Aus dem KI-Projekt wird ein Prozess- und Datenprojekt
29:42 Der ROI und die einfache Rechnung
33:02 Human in the Loop und die Integration in die Organisation
34:57 Kultur, Fehler und der Umgang damit
35:41 Change-Management-Projekte
36:37 Wie Mitarbeitende auf die Automatisierung reagieren
39:47 Was Unternehmen an KI-Projekten falsch verstehen
41:18 Ausblick, 80 Prozent der Bürokratie sind automatisierbar
45:56 Wenn Software fast gratis wird
#33 Warum sind Google, Nvidia, OpenAI, Anthropic in Zürich? – Christian Lüscher, Greater Zurich Area
48 Minuten
Google, Nvidia, Meta, OpenAI, Anthropic. Warum sitzen diese Firmen ausgerechnet in Zürich?
Christian Lüscher arbeitet seit vier Jahren daran, dass diese Frage im Ausland überhaupt gestellt wird. Als PR-Manager der Greater Zurich Area macht er einen Wirtschaftsraum von neun Kantonen sichtbar – ab 2027 sind es zehn. Sein Befund ist nüchtern: Niemand in San Francisco, Schanghai oder Tel Aviv weiss automatisch, was Zürich zu bieten hat. Rund 100 Ansiedlungen pro Jahr entstehen nicht durch Inserate, sondern durch Netzwerkarbeit – 80 Prozent davon werden aktiv angebahnt.
Wir sprechen über Google als Leuchtturm: seit 20 Jahren hier, rund 5'000 Mitarbeitende, grösster Entwicklungsstandort ausserhalb der USA und über 200 Firmengründungen, die aus diesem Umfeld entstanden sind. Über die Zürcher AI-Karte mit rund 200 Firmen, die tatsächlich Forschung und Entwicklung betreiben. Und über den nächsten Schub, den Christian nicht bei KI sieht, sondern in der Robotik: Das Hirn der Roboter wird hier entwickelt, in Labs, die man von der Strasse aus gar nicht sieht.
Dazu die Kehrseite: Wohnungspreise, Verdrängung, Wachstumsmüdigkeit. Christian ordnet ein, welchen Anteil die Ansiedlungspolitik daran wirklich hat – und warum er trotzdem für eine Annäherungs- statt eine Vermeidungsstrategie plädiert.
Zurich AI Festival, Ende September bis Anfang Oktober: https://www.zurichaifestival.ch/
Christian Lüscher: https://www.linkedin.com/in/luschair/
Andy Huber: https://www.linkedin.com/in/andy-huber-ai-consulting/
TAKEAWAYS
Google war der Leuchtturm. 20 Jahre, 5'000 Mitarbeitende, über 200 Firmengründungen aus diesem Umfeld.
Cluster ziehen Cluster an. Die Erfolgreichen suchen die Nähe zueinander.
Der nächste Hype ist Robotik, nicht KI. Das Hirn der Roboter entsteht in Zürich.
Talent kommt vor Firma. Die Formel lautet Technology, Tax, Talent.
Lebensqualität ist ein harter Standortfaktor, kein weicher.
Die Ansiedlungen machen unter zwei Prozent der Zuwanderung aus.
Vermeidung ist keine Strategie. Annäherung statt Rückzug ins Reduit.
Standortfaktor Nummer eins ist Zusammenarbeit – auf allen Ebenen.
KAPITEL
00:00 Intro
01:49 Vom Journalismus zur Standortförderung
05:12 Was die Greater Zurich Area genau macht
07:00 Neun Kantone, ab 2027 zehn
07:45 Büros in den USA und China: Netzwerkarbeit statt Werbung
09:34 Warum das nichts mit Tourismuswerbung zu tun hat
11:22 Was die Organisation leistet – und was nicht
14:14 Wer dahintersteckt: Public-Private-Partnership
15:13 Google in Zürich: grösster Standort ausserhalb der USA
17:59 Die AI-Karte: 200 Firmen mit Forschung und Entwicklung
19:55 Robotik: «Grossmacht Zürich» und die versteckten Labs
23:43 Warum jetzt? Die Dynamik der letzten 36 Monate
24:35 Talent, Hochschulen und die Formel der 3 T
26:36 Zürisee, Techno, Lebensqualität als harter Faktor
28:26 Die Karten – und was sie sonst noch zeigen
30:45 Die Kehrseite: Wohnungspreise und Verdrängung
33:00 Zuwanderung: der reale Anteil der Ansiedlungen
36:25 Zürich in den 90ern – wie weit der Standort gekommen ist
37:48 Ökosystem: Hochschulen, Konzerne, Startups
38:50 Über 200 Firmengründungen aus dem Google-Umfeld
40:36 Was es braucht, damit der Standort vorne bleibt
44:09 Standortfaktor Nummer eins: Zusammenarbeit
Christian Lüscher arbeitet seit vier Jahren daran, dass diese Frage im Ausland überhaupt gestellt wird. Als PR-Manager der Greater Zurich Area macht er einen Wirtschaftsraum von neun Kantonen sichtbar – ab 2027 sind es zehn. Sein Befund ist nüchtern: Niemand in San Francisco, Schanghai oder Tel Aviv weiss automatisch, was Zürich zu bieten hat. Rund 100 Ansiedlungen pro Jahr entstehen nicht durch Inserate, sondern durch Netzwerkarbeit – 80 Prozent davon werden aktiv angebahnt.
Wir sprechen über Google als Leuchtturm: seit 20 Jahren hier, rund 5'000 Mitarbeitende, grösster Entwicklungsstandort ausserhalb der USA und über 200 Firmengründungen, die aus diesem Umfeld entstanden sind. Über die Zürcher AI-Karte mit rund 200 Firmen, die tatsächlich Forschung und Entwicklung betreiben. Und über den nächsten Schub, den Christian nicht bei KI sieht, sondern in der Robotik: Das Hirn der Roboter wird hier entwickelt, in Labs, die man von der Strasse aus gar nicht sieht.
Dazu die Kehrseite: Wohnungspreise, Verdrängung, Wachstumsmüdigkeit. Christian ordnet ein, welchen Anteil die Ansiedlungspolitik daran wirklich hat – und warum er trotzdem für eine Annäherungs- statt eine Vermeidungsstrategie plädiert.
Zurich AI Festival, Ende September bis Anfang Oktober: https://www.zurichaifestival.ch/
Christian Lüscher: https://www.linkedin.com/in/luschair/
Andy Huber: https://www.linkedin.com/in/andy-huber-ai-consulting/
TAKEAWAYS
Google war der Leuchtturm. 20 Jahre, 5'000 Mitarbeitende, über 200 Firmengründungen aus diesem Umfeld.
Cluster ziehen Cluster an. Die Erfolgreichen suchen die Nähe zueinander.
Der nächste Hype ist Robotik, nicht KI. Das Hirn der Roboter entsteht in Zürich.
Talent kommt vor Firma. Die Formel lautet Technology, Tax, Talent.
Lebensqualität ist ein harter Standortfaktor, kein weicher.
Die Ansiedlungen machen unter zwei Prozent der Zuwanderung aus.
Vermeidung ist keine Strategie. Annäherung statt Rückzug ins Reduit.
Standortfaktor Nummer eins ist Zusammenarbeit – auf allen Ebenen.
KAPITEL
00:00 Intro
01:49 Vom Journalismus zur Standortförderung
05:12 Was die Greater Zurich Area genau macht
07:00 Neun Kantone, ab 2027 zehn
07:45 Büros in den USA und China: Netzwerkarbeit statt Werbung
09:34 Warum das nichts mit Tourismuswerbung zu tun hat
11:22 Was die Organisation leistet – und was nicht
14:14 Wer dahintersteckt: Public-Private-Partnership
15:13 Google in Zürich: grösster Standort ausserhalb der USA
17:59 Die AI-Karte: 200 Firmen mit Forschung und Entwicklung
19:55 Robotik: «Grossmacht Zürich» und die versteckten Labs
23:43 Warum jetzt? Die Dynamik der letzten 36 Monate
24:35 Talent, Hochschulen und die Formel der 3 T
26:36 Zürisee, Techno, Lebensqualität als harter Faktor
28:26 Die Karten – und was sie sonst noch zeigen
30:45 Die Kehrseite: Wohnungspreise und Verdrängung
33:00 Zuwanderung: der reale Anteil der Ansiedlungen
36:25 Zürich in den 90ern – wie weit der Standort gekommen ist
37:48 Ökosystem: Hochschulen, Konzerne, Startups
38:50 Über 200 Firmengründungen aus dem Google-Umfeld
40:36 Was es braucht, damit der Standort vorne bleibt
44:09 Standortfaktor Nummer eins: Zusammenarbeit
49 Minuten
Baut die Schweiz künstliche Intelligenz selber oder kaufen wir sie künftig einfach ein? Marcel Salathé hat die Frage durchgerechnet: Der Co-Direktor des AI Center der EPFL kommt auf rund eine Milliarde Franken pro Jahr, ein Bruchteil dessen, was in den USA in diese Technologie fliesst. Passiert nichts, sagt er, werden wir vollständig abhängig von Amerikanern und Chinesen und wer die Technologie besitzt, bestimmt Preis und Zugang. Ein Gespräch über das Schweizer Modell Apertus, über ein Departement für Technologie, das es in Bern nicht gibt, darüber warum KI privat längst funktioniert und in Unternehmen harzt – und was das für unsere Kinder in der Schule heisst.
Gast: Marcel Salathé https://www.linkedin.com/in/salathe/
Host: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Eine eigene Schweizer KI kostet rund eine Milliarde pro Jahr. Für Modelle und Ökosystem, nicht für den weltweiten Betrieb – ein kleiner Prozentsatz dessen, was die grossen Anbieter investieren. Die Schweiz wäre damit durchaus kompetitiv.
Ohne Entscheid wird die Abhängigkeit zum Fakt. «Dann werden wir vollständig abhängig sein von Chinesen und Amerikanern.» Für Unternehmen heisst das: Die Technologie, auf der die eigenen Prozesse laufen, gehört jemand anderem.
Apertus ist Vorarbeit, Als Forschungsprojekt wertvoll, insgesamt aber «massiv unter seinem Potenzial». Für ein konkurrenzfähiges Modell braucht es Ressourcen im Faktor hundert.
Individuell klappt KI, institutionell harzt es. Der Grund ist nicht fehlender Wille: Die Technologie arbeitet nicht deterministisch, sondern probabilistisch – und fein austarierte Unternehmensprozesse kommen damit schlecht zurecht.
Die Schule muss den Prozess bewerten, nicht das Resultat. Wer im Fitnessstudio die Maschine für sich arbeiten lässt, hat am Schluss keine Muskeln. Genau das passiert, wenn nur das abgegebene Dokument zählt.
Kapitel
00:00 – Intro und Einordnung
00:11 – Wie Marcel Salathé KI im Alltag nutzt – und wo bewusst nicht
02:18 – Sein Setup: 80 Prozent Codex, 20 Prozent Claude
03:27 – Modell auf dem eigenen Laptop: 27 Sekunden gegen 37 Minuten
05:13 – Das AI Center der EPFL und die Rolle als Co-Direktor
06:54 – Warum er «Kompass Künstliche Intelligenz» geschrieben hat
09:35 – Wer das Buch liest – und was zurückkommt
11:12 – Vom Biologen zur KI: warum das Tempo nie neu ist
14:47 – Der Sprung in die Wirtschaft – und wo er stockt
15:10 – Warum Institutionen härter kämpfen als jeder Einzelne
18:10 – Drei Typen von Unternehmen: bereit, willig, überholt
20:26 – Die Schweiz im KI-Ranking ganz unten – und warum das richtig war
23:25 – Braucht Bern ein Departement für Technologie?
24:41 – USA und China: Milliarden für Rechenzentren
25:55 – Die Rechnung: eine Milliarde Franken pro Jahr
27:05 – Apertus: «massiv unter seinem Potenzial»
31:20 – Schule, Kinder und der Vergleich mit dem Fitnessstudio
34:48 – KI an der EPFL: wie Prüfungen heute funktionieren
38:52 – Die Fähigkeiten der Zukunft: das T-shaped Skillset
46:31 – In fünf Jahren: hat die Schweiz ihre Chance genutzt?
Gast: Marcel Salathé https://www.linkedin.com/in/salathe/
Host: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Eine eigene Schweizer KI kostet rund eine Milliarde pro Jahr. Für Modelle und Ökosystem, nicht für den weltweiten Betrieb – ein kleiner Prozentsatz dessen, was die grossen Anbieter investieren. Die Schweiz wäre damit durchaus kompetitiv.
Ohne Entscheid wird die Abhängigkeit zum Fakt. «Dann werden wir vollständig abhängig sein von Chinesen und Amerikanern.» Für Unternehmen heisst das: Die Technologie, auf der die eigenen Prozesse laufen, gehört jemand anderem.
Apertus ist Vorarbeit, Als Forschungsprojekt wertvoll, insgesamt aber «massiv unter seinem Potenzial». Für ein konkurrenzfähiges Modell braucht es Ressourcen im Faktor hundert.
Individuell klappt KI, institutionell harzt es. Der Grund ist nicht fehlender Wille: Die Technologie arbeitet nicht deterministisch, sondern probabilistisch – und fein austarierte Unternehmensprozesse kommen damit schlecht zurecht.
Die Schule muss den Prozess bewerten, nicht das Resultat. Wer im Fitnessstudio die Maschine für sich arbeiten lässt, hat am Schluss keine Muskeln. Genau das passiert, wenn nur das abgegebene Dokument zählt.
Kapitel
00:00 – Intro und Einordnung
00:11 – Wie Marcel Salathé KI im Alltag nutzt – und wo bewusst nicht
02:18 – Sein Setup: 80 Prozent Codex, 20 Prozent Claude
03:27 – Modell auf dem eigenen Laptop: 27 Sekunden gegen 37 Minuten
05:13 – Das AI Center der EPFL und die Rolle als Co-Direktor
06:54 – Warum er «Kompass Künstliche Intelligenz» geschrieben hat
09:35 – Wer das Buch liest – und was zurückkommt
11:12 – Vom Biologen zur KI: warum das Tempo nie neu ist
14:47 – Der Sprung in die Wirtschaft – und wo er stockt
15:10 – Warum Institutionen härter kämpfen als jeder Einzelne
18:10 – Drei Typen von Unternehmen: bereit, willig, überholt
20:26 – Die Schweiz im KI-Ranking ganz unten – und warum das richtig war
23:25 – Braucht Bern ein Departement für Technologie?
24:41 – USA und China: Milliarden für Rechenzentren
25:55 – Die Rechnung: eine Milliarde Franken pro Jahr
27:05 – Apertus: «massiv unter seinem Potenzial»
31:20 – Schule, Kinder und der Vergleich mit dem Fitnessstudio
34:48 – KI an der EPFL: wie Prüfungen heute funktionieren
38:52 – Die Fähigkeiten der Zukunft: das T-shaped Skillset
46:31 – In fünf Jahren: hat die Schweiz ihre Chance genutzt?
#31 - Elisabeth & Max Meister: Wie ein Geschwisterpaar zum (KI-)Vorreiter im technischen Handel wird
32 Minuten
Wie führt man ein Unternehmen im technischen Handel als Geschwisterpaar und bringt gleichzeitig über 40 KI-Anwendungen in den produktiven Betrieb? Diese Folge ist live auf der Bühne der SCORE 2026 in Zürich entstanden. Elisabeth und Max Meister führen in dritter Generation die Ludwig Meister GmbH in Dachau, rund 300 Mitarbeitende und 125 Millionen Euro Umsatz und standen zum ersten Mal gemeinsam auf einer Konferenzbühne. Ein Gespräch über den eigentlichen Hebel hinter dem Wachstum (saubere Daten, nicht KI), über OKR als Betriebssystem der Firma, über Pickroboter und KI-Kontrolle im Wareneingang, darüber warum sie ihre Software lieber selber bauen und was sie einem anderen Geschwisterpaar auf keinen Fall empfehlen würden.
Elisabeth Meister: https://www.linkedin.com/in/elisabeth-meister/
Max Meister: https://www.linkedin.com/in/maxmeister82/
Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting/:
Key Takeaways
Saubere Daten sind der strategische Hebel, nicht KI: Wer eine Datenquelle wirklich versteht, entwickelt schnell und schlank – wer sie nicht versteht, jagt Fehler wie den Liefertermin «31.12.2999» durch seine Modelle.
OKR wirkt nur konsequent: Auch der Geschäftsführer darf nicht mit 18 neuen Ideen zurückkommen und das Team umsteuern. Depriorisieren ja aber immer mit Begründung.
Über 40 KI-Anwendungen im Einsatz, entstanden dezentral in den Abteilungen statt als Grossprojekt von oben.
Digitalisieren möglichst weit weg vom Kunden: Pickroboter im AutoStore und KI-Kontrolle im Wareneingang lernen intern, bevor Fehler beim Kunden landen. Der Pickroboter war in drei Monaten in Betrieb.
Selber bauen statt kaufen: Was der Wettbewerb ebenfalls einkaufen kann, ist keine Differenzierung. Die eigene Never-Out-of-Stock-Software erkennt automatisch, welcher Artikel in neun Monaten ausgeht – bei zehn Monaten Wiederbeschaffungszeit.
Fast 30 Prozent der Belegschaft gehen in den kommenden Jahren in Pension. Die grösste Herausforderung ist nicht die Technik, sondern 20 bis 30 Jahre Produkt-, Prozess- und Marktwissen im Unternehmen zu halten.
Kapitel
00:00 – Intro & Einordnung
01:35 – SCORE 2026: Ludwig Meister in Zahlen
03:10 – Wie Elisabeth und Max in die Firma gekommen sind
05:34 – Die Aufteilung der Verantwortung unter Geschwistern
07:53 – Der eigentliche Hebel: eine saubere Datenbasis
09:29 – Datenpflege als Führungsaufgabe
10:36 – OKR als Betriebssystem: konsequent priorisieren
11:57 – Wie lange es dauerte, bis OKR wirklich funktionierte
13:45 – Über 40 KI-Anwendungen, dezentral entstanden
14:37 – Der Pickroboter im AutoStore
15:43 – Lens: KI-Kontrolle im Wareneingang
16:38 – Warum sie ihre Software selber bauen
18:00 – Never Out of Stock als echte Differenzierung
18:49 – Warum der Wettbewerb durch KI nicht schneller aufholt
19:31 – 30 Prozent gehen in Pension: Wissen sichern
21:37 – Kultur: Verantwortung abgeben und vorleben
23:03 – Technischen Handel attraktiv machen
25:24 – Wenn Mitarbeitende beim Wandel nicht mitkommen
27:29 – Was sie keinem anderen Geschwisterpaar empfehlen würden
29:30 – Fun Fact: die erste eigene Firma mit 13 und 10
Elisabeth Meister: https://www.linkedin.com/in/elisabeth-meister/
Max Meister: https://www.linkedin.com/in/maxmeister82/
Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting/:
Key Takeaways
Saubere Daten sind der strategische Hebel, nicht KI: Wer eine Datenquelle wirklich versteht, entwickelt schnell und schlank – wer sie nicht versteht, jagt Fehler wie den Liefertermin «31.12.2999» durch seine Modelle.
OKR wirkt nur konsequent: Auch der Geschäftsführer darf nicht mit 18 neuen Ideen zurückkommen und das Team umsteuern. Depriorisieren ja aber immer mit Begründung.
Über 40 KI-Anwendungen im Einsatz, entstanden dezentral in den Abteilungen statt als Grossprojekt von oben.
Digitalisieren möglichst weit weg vom Kunden: Pickroboter im AutoStore und KI-Kontrolle im Wareneingang lernen intern, bevor Fehler beim Kunden landen. Der Pickroboter war in drei Monaten in Betrieb.
Selber bauen statt kaufen: Was der Wettbewerb ebenfalls einkaufen kann, ist keine Differenzierung. Die eigene Never-Out-of-Stock-Software erkennt automatisch, welcher Artikel in neun Monaten ausgeht – bei zehn Monaten Wiederbeschaffungszeit.
Fast 30 Prozent der Belegschaft gehen in den kommenden Jahren in Pension. Die grösste Herausforderung ist nicht die Technik, sondern 20 bis 30 Jahre Produkt-, Prozess- und Marktwissen im Unternehmen zu halten.
Kapitel
00:00 – Intro & Einordnung
01:35 – SCORE 2026: Ludwig Meister in Zahlen
03:10 – Wie Elisabeth und Max in die Firma gekommen sind
05:34 – Die Aufteilung der Verantwortung unter Geschwistern
07:53 – Der eigentliche Hebel: eine saubere Datenbasis
09:29 – Datenpflege als Führungsaufgabe
10:36 – OKR als Betriebssystem: konsequent priorisieren
11:57 – Wie lange es dauerte, bis OKR wirklich funktionierte
13:45 – Über 40 KI-Anwendungen, dezentral entstanden
14:37 – Der Pickroboter im AutoStore
15:43 – Lens: KI-Kontrolle im Wareneingang
16:38 – Warum sie ihre Software selber bauen
18:00 – Never Out of Stock als echte Differenzierung
18:49 – Warum der Wettbewerb durch KI nicht schneller aufholt
19:31 – 30 Prozent gehen in Pension: Wissen sichern
21:37 – Kultur: Verantwortung abgeben und vorleben
23:03 – Technischen Handel attraktiv machen
25:24 – Wenn Mitarbeitende beim Wandel nicht mitkommen
27:29 – Was sie keinem anderen Geschwisterpaar empfehlen würden
29:30 – Fun Fact: die erste eigene Firma mit 13 und 10
#30 BRACK.ALLTRON-CIO Tobias Quelle: Wie aus starken KI-Use-Cases ein unternehmensweites System wird
42 Minuten
Wie bringt ein Händler mit über 1'400 Mitarbeitenden KI vom einzelnen Use Case auf die Ebene des ganzen Unternehmens? Tobias Quelle, CIO von BRACK.ALLTRON und zuvor bei Digitec Galaxus und Otto.de im digitalen Handel unterwegs, nimmt uns mit hinter die Kulissen: von der AI-Engine im Einkauf über Produktdatenanreicherung mit LLMs und Agentic Coding bis zur Shopping-App, die in drei Monaten live ging. Ein Gespräch darüber, warum die Motivation der Mitarbeitenden nie das Problem war, wie ein AI Circle aus 20 Leuten Ordnung in fragmentierte Aktivitäten bringt und weshalb KI aus schlechten Daten keine guten macht.
Gast: https://www.linkedin.com/in/tobiasquelle/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Die Motivation war nie das Problem. 92 Prozent der Mitarbeitenden stehen KI positiv gegenüber, gut 50 Prozent nutzen sie bereits. Gefehlt haben Transparenz, Koordination und Leitplanken – nicht Überzeugungsarbeit.
Der AI Circle als Nucleus. Rund 20 Personen aus allen Unternehmensbereichen, je 20 Prozent ihrer Arbeitszeit, eigene Sprintlogik und vier Workstreams über 15 Monate: Tools und Datenschutz, Befähigung, Operating Model, Use Cases.
Geschwindigkeit ist wichtiger als Perfektion. Grosse Vorhaben in kleine Meilensteine brechen, so schnell wie möglich am Kunden testen, Zielwerte vorher definieren – auch wenn der Business Case noch nicht sauber rechenbar ist.
Ein Formel-1-Motor macht aus einem Traktor keinen Rennwagen. KI löst keine Datenprobleme. BRACK.ALLTRON hat deshalb im Rahmen der IT-Reorganisation einen eigenen Data-Bereich aufgebaut.
Make if it's core, buy if it's non-core. Tobias' Rat an mittelgrosse Händler: Nur die geschäftskritischen Fähigkeiten selbst aufbauen, für den Rest bewusst externe Katalysatoren holen.
Der Blick nach vorn: LLMs werden zum ganz normalen Traffic-Kanal, wie es SEO, Newsletter und Direct Traffic sind. Wer seine Produktdaten nicht strukturiert lesbar macht, wird nicht gefunden.
Kapitel
00:00 – Intro & Einordnung
01:35 – Wie Tobias KI privat und geschäftlich nutzt
03:29 – Warum er sich bewusst nicht auf ein Modell festlegt
04:32 – Der Auftrag als CIO: 36 neue Jobprofile statt Systemmodernisierung
07:12 – Kleine cross-funktionale Teams & die Brücke zum Business
09:34 – Fünf Stossrichtungen: wo der grösste KI-Hebel liegt
11:56 – Den Überblick behalten: Power to the people
14:31 – Lernkultur: Schulterblick statt Schulungskatalog
16:11 – Von bottom-up zur Strategie: die konkreten Use Cases
20:24 – Der AI Circle: 20 Leute, 20 Prozent Zeit, vier Workstreams
23:55 – Die Mitarbeiterumfrage & was daraus folgte
25:27 – Wie misst man den Nutzen von KI?
29:03 – Business Case ohne belastbare Zahlen
31:47 – Datenqualität: der Formel-1-Motor im Traktor
35:57 – Was mittelgrosse Händler tun können
38:41 – Ausblick: LLMs als neuer Traffic-Kanal
41:44 – Fazit & Verabschiedung
Gast: https://www.linkedin.com/in/tobiasquelle/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Takeaways
Die Motivation war nie das Problem. 92 Prozent der Mitarbeitenden stehen KI positiv gegenüber, gut 50 Prozent nutzen sie bereits. Gefehlt haben Transparenz, Koordination und Leitplanken – nicht Überzeugungsarbeit.
Der AI Circle als Nucleus. Rund 20 Personen aus allen Unternehmensbereichen, je 20 Prozent ihrer Arbeitszeit, eigene Sprintlogik und vier Workstreams über 15 Monate: Tools und Datenschutz, Befähigung, Operating Model, Use Cases.
Geschwindigkeit ist wichtiger als Perfektion. Grosse Vorhaben in kleine Meilensteine brechen, so schnell wie möglich am Kunden testen, Zielwerte vorher definieren – auch wenn der Business Case noch nicht sauber rechenbar ist.
Ein Formel-1-Motor macht aus einem Traktor keinen Rennwagen. KI löst keine Datenprobleme. BRACK.ALLTRON hat deshalb im Rahmen der IT-Reorganisation einen eigenen Data-Bereich aufgebaut.
Make if it's core, buy if it's non-core. Tobias' Rat an mittelgrosse Händler: Nur die geschäftskritischen Fähigkeiten selbst aufbauen, für den Rest bewusst externe Katalysatoren holen.
Der Blick nach vorn: LLMs werden zum ganz normalen Traffic-Kanal, wie es SEO, Newsletter und Direct Traffic sind. Wer seine Produktdaten nicht strukturiert lesbar macht, wird nicht gefunden.
Kapitel
00:00 – Intro & Einordnung
01:35 – Wie Tobias KI privat und geschäftlich nutzt
03:29 – Warum er sich bewusst nicht auf ein Modell festlegt
04:32 – Der Auftrag als CIO: 36 neue Jobprofile statt Systemmodernisierung
07:12 – Kleine cross-funktionale Teams & die Brücke zum Business
09:34 – Fünf Stossrichtungen: wo der grösste KI-Hebel liegt
11:56 – Den Überblick behalten: Power to the people
14:31 – Lernkultur: Schulterblick statt Schulungskatalog
16:11 – Von bottom-up zur Strategie: die konkreten Use Cases
20:24 – Der AI Circle: 20 Leute, 20 Prozent Zeit, vier Workstreams
23:55 – Die Mitarbeiterumfrage & was daraus folgte
25:27 – Wie misst man den Nutzen von KI?
29:03 – Business Case ohne belastbare Zahlen
31:47 – Datenqualität: der Formel-1-Motor im Traktor
35:57 – Was mittelgrosse Händler tun können
38:41 – Ausblick: LLMs als neuer Traffic-Kanal
41:44 – Fazit & Verabschiedung
45 Minuten
Wie schafft ein Büro- und Lagerausrüster mit 650 Mitarbeitenden in neun Ländern den Spagat zwischen Digitalisierungsanspruch und operativer Realität? Michael Gilgen, Geschäftsführer von Schäfer Shop Schweiz und zusätzlich verantwortlich für die Benelux-Länder, nimmt uns mit hinter die Kulissen: von dem eigenen Data Team über KI-gestützte Aussendienstler bis zu Bots, die Ausschreibungen prüfen. Ein Gespräch darüber, was heute schon funktioniert, wo konkrete Zahlen noch fehlen und warum auch ein KMU mit unperfekten Daten einfach anfangen sollte.
Gast: https://www.linkedin.com/in/michael-gilgen/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Key Takeaways
Data zuerst: Schäfer Shop baut seit rund 2,5 Jahren eine eigene «Data Foundation» auf, die Basis, um KI überhaupt sinnvoll einzusetzen.
KI entlastet den Aussendienst spürbar: automatische Terminerfassung per Spracheingabe, strukturierte Kundendaten vor jedem Besuch und Look-Alike-Kunden als neue Leads.
Bots übernehmen die Fleissarbeit bei Ausschreibungen – sie prüfen Compliance und passende Produkte, wo früher enormer manueller Aufwand nötig war.
Selbstkritischer Blick: KI wird bisher eher für Kostensparungen genutzt als für neues Umsatzwachstum – eine Erkenntnis, die vielen Unternehmen bekannt vorkommen dürfte.
«Quick and dirty» schlägt «perfekt»: Michael investiert lieber in eine schnelle Lösung als in eine, die lange auf sich warten lässt – Time-to-Market zählt.
Der Blick nach vorn: individuelle Preise und agentische Verhandlungen zwischen Einkaufs- und Verkaufsagenten – die persönliche Beratung vor Ort bleibt trotzdem.
Kapitel
00:00 – Begrüssung & wie Michael KI privat nutzt
01:52 – Lieblingstools im Vergleich: Copilot, ChatGPT & Claude
03:28 – Schäfer Shop: vom Katalog zu PBS, Planung & Aussendienst
05:51 – Die Chance für den Mittelstand gegen die grossen Player
07:57 – Der Ursprung: die Data Foundation vor 2,5 Jahren
11:26 – KI im Aussendienst: Kundendaten, Termine, Diktat
14:49 – Akzeptanz im Team & Look-Alike-Kunden für Leads
18:43 – Noch keine harten KPIs – aber eine klare Tendenz
21:21 – Zwei Wege zu Use Cases: Effizienz & neue Value Proposition
23:16 – Konkreter Kundennutzen: schnellere Offerten & 360-Grad-Blick
26:54 – Governance: PMO, Ticketsystem & Priorisierung
28:14 – Selbstkritisch: mehr Kostensparen als Umsatzwachstum
32:41 – Make-or-Buy & «Quick and dirty» statt perfekt
33:56 – Change Management: Trainings & Widerstand im Team
37:49 – Ausblick: Webshop, persönliche Beratung & Agentic Commerce
41:53 – Rat an Mittelständler ohne saubere Datenbasis
Gast: https://www.linkedin.com/in/michael-gilgen/
Host: https://www.linkedin.com/in/andy-huber-ai-consulting/
Key Takeaways
Data zuerst: Schäfer Shop baut seit rund 2,5 Jahren eine eigene «Data Foundation» auf, die Basis, um KI überhaupt sinnvoll einzusetzen.
KI entlastet den Aussendienst spürbar: automatische Terminerfassung per Spracheingabe, strukturierte Kundendaten vor jedem Besuch und Look-Alike-Kunden als neue Leads.
Bots übernehmen die Fleissarbeit bei Ausschreibungen – sie prüfen Compliance und passende Produkte, wo früher enormer manueller Aufwand nötig war.
Selbstkritischer Blick: KI wird bisher eher für Kostensparungen genutzt als für neues Umsatzwachstum – eine Erkenntnis, die vielen Unternehmen bekannt vorkommen dürfte.
«Quick and dirty» schlägt «perfekt»: Michael investiert lieber in eine schnelle Lösung als in eine, die lange auf sich warten lässt – Time-to-Market zählt.
Der Blick nach vorn: individuelle Preise und agentische Verhandlungen zwischen Einkaufs- und Verkaufsagenten – die persönliche Beratung vor Ort bleibt trotzdem.
Kapitel
00:00 – Begrüssung & wie Michael KI privat nutzt
01:52 – Lieblingstools im Vergleich: Copilot, ChatGPT & Claude
03:28 – Schäfer Shop: vom Katalog zu PBS, Planung & Aussendienst
05:51 – Die Chance für den Mittelstand gegen die grossen Player
07:57 – Der Ursprung: die Data Foundation vor 2,5 Jahren
11:26 – KI im Aussendienst: Kundendaten, Termine, Diktat
14:49 – Akzeptanz im Team & Look-Alike-Kunden für Leads
18:43 – Noch keine harten KPIs – aber eine klare Tendenz
21:21 – Zwei Wege zu Use Cases: Effizienz & neue Value Proposition
23:16 – Konkreter Kundennutzen: schnellere Offerten & 360-Grad-Blick
26:54 – Governance: PMO, Ticketsystem & Priorisierung
28:14 – Selbstkritisch: mehr Kostensparen als Umsatzwachstum
32:41 – Make-or-Buy & «Quick and dirty» statt perfekt
33:56 – Change Management: Trainings & Widerstand im Team
37:49 – Ausblick: Webshop, persönliche Beratung & Agentic Commerce
41:53 – Rat an Mittelständler ohne saubere Datenbasis
