In den vergangenen zweieinhalb Jahren durften wir Teil eines außergewöhnlichen Forschungskonsortiums sein, dem Projekt X2Log (Anything-to-Log). Es hatte das Ziel, neue Wege zu finden, strukturierte und unstrukturierte Daten, also etwa Videomaterial, Sensorwerte oder Textdokumente, in logische Prozesse zu übersetzen.

Klingt theoretisch? War es auch. Aber was dabei herauskam, war für uns bei targenio ein Katalysator für unsere Zukunftsstrategie.

Daten sind nur der Anfang

Aus X2Log ergibt sich vor allem eine zentrale Erkenntnis: Entscheidend ist nicht die Datenmenge, sondern wie gezielt und sinnvoll sie genutzt wird.

Wir bei targenio betreuen Kundenserviceprozesse in hochkomplexen industriellen Umgebungen. Dort entstehen täglich Unmengen an Daten aus CRM-Systemen, ERP-Lösungen, Maschinensteuerungen und mehr. Und trotzdem haben wir erst durch die Zusammenarbeit in diesem Gremium wirklich verstanden, was unsere Nutzenden mit unserer Software machen.

• Prozesse sind nicht nur klickbare Abläufe. Unsere User springen zwischen Systemen, verwenden Kontextwissen, das nirgendwo dokumentiert ist, und lösen Probleme auf oft kreative Weise.
• Wir müssen dieses implizite Wissen sichtbar machen. Dazu entwickeln wir jetzt Assistenzsysteme, die genau beobachten, wie Entscheidungen entstehen, und daraus schrittweise lernen.
• Der Weg zur Automatisierung ist ein iterativer Prozess. Nicht alles muss sofort „vollautomatisiert“ sein. Stattdessen bauen wir auf lernende Systeme, die kontinuierlich besser werden.

Forschung, die Wirkung zeigt

Ein zentraler Bestandteil des Projekts war eine Reihe von begleitenden Forschungsarbeiten, die konzeptionell eng mit dem Fortschritt des Konsortialprojekts verknüpft waren. Diese lieferten fundierte Impulse für die Weiterentwicklung zentraler Komponenten. Die Komponenten dienten anschließend der Integration von strukturierten und unstrukturierten Datenquellen im Process Mining.

Zu Beginn stand eine umfassende Analyse des aktuellen „Stand der Technik“ rund um Process Mining mit Texten, Bildern und Videos im Fokus. Das Ergebnis bildete eine Art „Fahrplan für künftige Forschungsaktivitäten“.  So ist die Nutzung von Textdaten im Bereich Process Mining bereits gut erforscht, während es bei anderen Datenformen – insbesondere Videodaten – noch große Lücken gibt. Vor allem die Integration multimodaler Datensätze hat das Konsortium als dringendes Forschungsthema identifiziert.

Eine weitere Forschungsarbeit widmete sich genau dieser Lücke: der Nutzung von Videodaten als Input für Process Mining. In diesem Zusammenhang entwickelte das Fraunhofer FIT einen Ansatz, der mit Hilfe eines Algorithmus in der Lage ist, Prozessschritte allein anhand von Bewegungsmustern in Videos zu erkennen – ohne vorher zu wissen, wonach er sucht. Warum das relevant ist? In vielen industriellen Kontexten, wie Serviceeinsätzen oder Reparaturprozessen ist Video oft die einzige Datenquelle.

Aus der Zusammenarbeit heraus entstand seitens des Fraunhofer-FIT ebenfalls ein synthetischer, aber realitätsnaher Datensatz, der Videomaterial, Sensorwerte und strukturierte ERP-Daten vereint. Der Datensatz soll künftig anderen Forschungsgruppen zur Verfügung stehen, um daran neue Verfahren zu testen. Dadurch entstehen langfristig bessere Werkzeuge, die auch in der Praxis funktionieren.

Wie wir aus technologischer Architektur eine zukunftsfähige Lösung machen

Das Projekt hat uns auf Produktseite stark geprägt. Wir haben in den vergangenen Jahren unsere bestehende Plattform überdacht und setzen nun auf einen radikal neuen Technologieansatz.

Wir haben uns intensiv mit datengetriebener Optimierung, Protokollierung von Kontextdaten und weiterem beschäftigt. Damit wir all das in unserem Produkt vereinen, ist für uns die Überzeugung erwachsen, in Zukunft auf Basis der Low-Code-Plattform Mendix zu arbeiten.

Die Gründe dafür lagen auf der Hand:

• Geschwindigkeit | Wir sind mit Mendix 5–7x schneller als mit herkömmlicher Java-Entwicklung.
• Sicherheit & Skalierbarkeit | Als Teil des Siemens-Ökosystems erfüllt Mendix höchste Sicherheitsstandards.
• Kundenzentrierung | Wir können Lösungen in Echtzeit verändern, auf neue Anforderungen reagieren und gleichzeitig eine moderne User Experience gewährleisten.

Unsere neue Plattform denkt nicht mehr in starren Abläufen, sondern in dynamischen Assistenzsystemen, die lernen, wie Menschen Probleme lösen. Dabei protokollieren wir alle relevanten Kontextinformationen.

Diese Informationen bilden die Grundlage für kontinuierliche Verbesserung, gesteuert von einem „Trainer“-Modul, das Verbesserungsvorschläge liefert oder direkt Anpassungen an der Automatisierung vornimmt.

X2Log war ein Forschungsprojekt mit echtem Impact

Für targenio war X2Log weit mehr als ein Forschungsprojekt. Es war ein Innovationslabor, das uns neue Perspektiven eröffnet und unser Produktverständnis grundlegend erweitert hat.

Wir gehen aus dem Projekt mit:

• einem klareren Blick auf den Wert von Daten,
• konkreten Lösungen für unsere Kunden,
• und einer Technologieplattform, die bereit ist für die nächste Generation von digitalen Assistenten im industriellen Kundenservice.

 

Seit zwei Jahren sind sie das Hauptthema der digitalen Welt: Large Language Models (LLMs). Ob beim Beantworten von Fragen, dem Komponieren von Liedern, der Generierung von Code oder der automatisierten Textanalyse – ihre Einsatzmöglichkeiten scheinen nahezu unbegrenzt.

Doch wie grenzenlos sind LLMs wirklich? Und wo kommen sie eigentlich her?

Ein Buch mit 500 Seiten enthält etwa 250.000 Tokens

Zwei technologische Durchbrüche verhalfen in den letzten Jahren zum Erfolg. Large Language Models lesen Texte nicht wie Menschen. Damit die Technologie versteht, was wir wollen, wandelt sie die Texte in so genannte Tokens um. Tokens sind Zahlenfolgen, anhand derer das Sprachmodell Zusammenhänge erkennt und clustert. Diese Tokens können ganze Wörter, Silben oder häufige Zeichenfolgen sein.

Je nach Schriftgröße und -art enthält ein 500-seitiges Buch etwa 250.000 Tokens. Diese Umwandlungstechnik erhöht die Effizienz und macht die Verarbeitung großer Textmengen robuster – insbesondere bei unbekannten oder neuen Wörtern.

Next-Level-Sprachverarbeitung mit Transformer

Frühere Sprachmodelle waren langsam und hatten ein begrenztes Erinnerungsvermögen. Der Transformer-Ansatz, den es seit 2017 gibt, bringt zwei wesentliche Vorteile mit sich:

• Self-Attention: Der Transformer setzt jedes Wort in Beziehung zu allen anderen Wörtern im Text. Dadurch kann das Modell kontextabhängige Bedeutungen besser erfassen.
• Parallele Verarbeitung: Anstatt jedes Wort einzeln zu analysieren, verarbeitet der Transformer den gesamten Satz gleichzeitig. Das führt nicht nur zu einer schnelleren Verarbeitung langer Texte, sondern verbessert auch das Verständnis von Zusammenhängen über längere Passagen hinweg.

Woher weiß ein Large Language Modell so viel?

Ein LLM muss – ähnlich wie ein Mensch – erst „zur Schule“ gehen. Während des Pretrainings liest die KI Milliarden von Texte aus Wikipedia, Büchern, Nachrichtenseiten, Foren und Code-Datenbanken. Jede Information wird analysiert und in einen entsprechenden Kontext eingeordnet.

Über die Methode der Next-Token-Prediction gewinnt das Modell zunehmend Sicherheit in seinen Annahmen. Dabei erhält es unvollständige Sätze und soll das wahrscheinlichste nächste Wort vorhersagen. Beispielsweise wäre bei dem Satz „Die Sonne geht im Westen …“ die wahrscheinlichste Vorhersage „unter“. Je häufiger die KI diesen Prozess erfolgreich wiederholt, desto präziser werden ihre Wahrscheinlichkeitsannahmen.
Fehlannahmen werden durch einen Algorithmus namens Backpropagation korrigiert. Dieser schickt die Fehler eines LLMs rückwärts durch das Netzwerk und korrigiert die Gewichtung der Fehlaussage, um die Vorhersagequalität iterativ zu verbessen. So passt das neuronale Netz seine Vorhersagen kontinuierlich an.

Das abschließende Fine-Tuning ermöglicht es dem Modell, spezifische Anwendungsfälle abzudecken. Dadurch kann es beispielsweise unangemessene oder gefährliche Inhalte filtern, sich auf bestimmte Sprachstile einstellen oder Fachgebiete wie Medizin oder Recht professionell abdecken.

Eine weit verbreitete Methode ist das Reinforcement Learning from Human Feedback (RLHF). Hierbei bewerten Menschen verschiedene KI-Antworten und helfen dem Modell, bessere Ergebnisse zu liefern. Diese Technik wird auch genutzt, um unsere Skills während ihrer Laufzeit kontinuierlich zu verbessern.
So wächst das Wissen der LLM in kürzester Zeit exponentiell.

Die Grenzen und Herausforderungen von LLMs

Trotz ihres Fortschritts unterliegen LLMs einigen Herausforderungen und Limitierungen, die Nutzer kennen sollten:

• Halluzinationen: Da Large Language Modelle auf Wahrscheinlichkeiten und nicht auf echtem Wissen basieren, können sie falsche oder erfundene Inhalte generieren. Eine Lösung hierfür ist die Retrieval-Augmented Generation (RAG), bei der externe, verifizierte Datenquellen zur Faktenprüfung herangezogen werden.
• Vorurteile (Bias): LLMs spiegeln die gesellschaftlichen Vorurteile ihrer Trainingsdaten wider. Beispielsweise könnte ein Modell den Satz „Ein Arzt ist…“ eher mit „männlich“ als mit „kompetent“ vervollständigen. Um Bias zu reduzieren, nutzen Entwickler vielfältigere Trainingsdaten und setzen Methoden wie RLHF ein.
• Eingeschränktes Langzeitgedächtnis: Obwohl die Sprachmodelle den Kontext über lange Textpassagen erfassen können, besitzen sie kein echtes Langzeitgedächtnis. Alle Informationen einer Sitzung sind nach deren Ende verloren.
  Zwei Entwicklungen wirken dieser Schwäche entgegen:
  • Erweiterung des Kontextfensters: Es bestimmt, wie viele Tokens das Modell gleichzeitig speichern und analysieren kann.
  • Memory-Augmented LLMs: Diese speichern Nutzerdaten über mehrere Interaktionen hinweg.
• Hoher Energieverbrauch: Large Language Models sind extrem rechenintensiv. Allein die Anfragen für ChatGPT verbrauchen jährlich 226,82 Millionen kWh – das Doppelte des Energiebedarfs für Bitcoin-Mining. Forschende arbeiten bereits an effizienteren Hardware-Lösungen, um diesen Verbrauch zu senken.

Aktuelle Trends und Forschung: Die Zukunft der Large Language Modelle

Aktuell forscht man an kompakteren Modellen, die leistungsfähig und zugleich ressourcenschonend sind. Ein Beispiel ist Mistral 7B, das mit nur sieben Milliarden Parametern eine Leistung bietet, die mit GPT-3 (175 Milliarden Parameter) vergleichbar ist. Solche Entwicklungen ermöglichen das direkte Ausführen der Modelle direkt auf Smartphones oder Laptops.

Auch das Gedächtnis rückt zunehmend in den Fokus. Künftige Modelle sollen sich langfristig an Nutzer und frühere Konversationen erinnern können. Das ist ein bedeutender Schritt hin zu personalisierten KI-Assistenten.

Ein weiteres Forschungsfeld ist die Multimodalität. Neuere Modelle verarbeiten nicht nur Text, sondern auch Bilder, Videos und Audio, können diese verknüpfen und neu generieren.

Ansätze wie Tree-of-Thoughts und Chain-of-Thoughts verbessern das logische Denken der Modelle. Hierbei rückt die bloße Wahrscheinlichkeitsberechnung in den Hintergrund, während valide Informationen stärker gewichtet werden. Zudem ermöglichen Kombinationen mit Mathematik-Engines wie Wolfram Alpha präzisere Berechnungen in Wissenschaft und Technik.

Der Markt wird derzeit von Closed-Source-Modellen wie ChatGPT dominiert. Doch es zeichnet sich eine Verschiebung zu Open-Source-LLMs ab. Diese bieten mehr Transparenz und Anpassungsmöglichkeiten – bei gleichzeitig geringeren Kosten für Unternehmen und Forschende. Namen wie LLaMA 3, Mistral 7B und Falcon werden in Zukunft eine immer größere Rolle spielen.

Foto von Google DeepMind auf Unsplash

Als Unternehmen, das sich seit Jahrzehnten mit Kundenservicesoftware befasst, haben wir täglich mit dem Begriff „Kunde“ zu tun. Wir wissen, wie wir mit unseren Kunden umgehen wollen und welche Ziele diese mit ihren Kunden verfolgen.

Deshalb haben wir uns zum Ziel gesetzt, diesen Begriff detaillierter zu beleuchten und was man verstehen muss, wenn man gemeinsam vom Kunden spricht.

Wir wühlten uns durch verschiedene Lektüren, sprachen mit Experten und fragten Kundenservicemitarbeiter.

Woraus hat sich „Kunde“ entwickelt?

Laut Wikipedia kommt das Wort „Kunde“ vom althochdeutschen „kundo“, das etwa um 870 nach Christus zum ersten Mal auftaucht. Übersetzt in die heutige Sprache bedeutet das soviel wie „Einheimischer“, „Bekannter“ oder „Kundiger“. Das heißt, die Person war für den Verkäufer in gewisser Weise bekannt. Eine Eigenschaft, die auch heute noch relevant ist, wenn wir herausfinden, welche Zielgruppe wir haben.

Im kommerziellen Sinn taucht der Begriff erstmals im 16. Jahrhundert auf. Kunde ist „wer (regelmäßig) ein Geschäftsangebot wahrnimmt, einen Laden, Dienstleistungsbetrieb (wiederholt) in Anspruch nimmt“ (Pfeifer 1997, S. 744).

Wie wird Kunde definiert?

Hans Heinrich Path definierte im 20. Jahrhundert den Kunden so: „Ein Kunde ist die jeweils wichtigste Person in dem Betrieb. Er ist nicht von uns abhängig, sondern wir von ihm. Er bedeutet keine Unterbrechung unserer Arbeit, sondern ist ihr Inhalt. (…) Ein Kunde ist eine Person, die uns ihre Wünsche mitteilt. Unsere Aufgabe ist es, diese zu seiner Zufriedenheit auszuführen.“

Im Gespräch mit zwei unserer B2B-Kunden erfuhren wir eine ähnliche Definition: „Der Kunde ist eine Person, die den eigenen Lohn zahlt.“ Deshalb bieten sie die bestmögliche Kundenerfahrung an, inklusive Serviceerlebnis.

Der Kunde ist jemand, der kauft?

Einen Unterschied gibt es: Während Path den Kunden als eine Person definiert, die einen Wunsch äußert, gehen unsere Ansprechpartner weiter. Bei ihnen ist der Kunde jemand, der zahlt – den eigenen Lohn. Das heißt, hier ist der Kunde jemand, der bereits eine vertragliche Beziehung mit einem kaufrechtlichen Verhältnis eingegangen ist. Prof. Matthias Gouthier für Marketing und digitale Services von der Uni Koblenz sagt dazu: „Kauf und Nutzung einer Leistung bilden die Kernelemente des Kundenverständnisses.“

Der Kunde im eigenen Lebenszyklus

Für unsere Ansprechpartner aus dem Automotive Ersatzteilbereich haben Kunden einen hohen Wert, weshalb sie alles daran setzen, diese glücklich zu machen. Der Kundenwert kann, je nach Stadium, hoch oder niedrig sein. In diesem Lebenszyklusmodell verorten Unternehmen ihre Kunden, um sie einzuordnen und passende Maßnahmen zu ergreifen.

Nicht-Kunden sind vielleicht noch ahnungslos

Der Lebenszyklus eines Kunden beginnt beim Nicht-Kunden. Dieser hat noch keinen Kontakt zum Unternehmen. Er unterteilt sich in Kunden, die das Unternehmen noch nicht wahrgenommen haben und jene, die das Unternehmen kennen, aber noch nicht interagiert haben.

Diese Form von Kunde muss erst auf das Unternehmen, und im Zweifelsfall auch auf das Bedürfnis, das sie haben, aufmerksam gemacht werden. Mit dem Herausarbeiten einer zum Produkt passenden Zielgruppe, können sich Unternehmen dieser Kundenform sukzessive nähern.

Potenzielle Kunden stehen dem Bestandskunden sehr nahe

Potenzielle Kunden beschäftigen sich eingehender mit dem Unternehmen. Sie waren vielleicht schon auf der Website, haben auf eine Werbeanzeige reagiert oder folgen dem Unternehmen auf den Sozialen Medien. Die Wahrscheinlichkeit, dass sie kaufen, ist höher als in der vorhergehenden Gruppe. An der Stelle lohnt sich das Investment, die Kunden immer wieder auf das Unternehmen aufmerksam zu machen, bis sie ein Kaufinteresse äußern. Nach dem ersten Kauf betreten Sie den Bereich der Neukunden.

Bestandskunden gleichen einer Goldgrube, die gepflegt sein will

Hat der Kunde schon einmal bestellt, wechselt er die Sparte zu den Bestandskunden. Diese Kunden haben den höchsten Wert, der weiter wachsen kann. Je häufiger der Kunde mit dem Unternehmen agiert, desto wertvoller wird er. Sei es, wenn er erneut kauft oder Feedback gibt.

Die Interaktion mit dem Unternehmen ist eine Goldgrube und bedarf besonderer Aufmerksamkeit. Geben die Kunden über Bewertungen oder den Kundenservice Feedback, bieten sich dem Unternehmen zwei große Chancen.

1. Die Servicemitarbeitenden können den Kunden mit ihrer schnellen und individuellen Antwort begeistern. Ein begeisterter Kunde wird leicht zum Fan und macht kostenlos Werbung.
2. Feedback öffnet den Blick von außen auf das Unternehmen. Wenn diese Rückmeldungen genutzt werden, um besser zu werden, gehen sie auf die Wünsche der Kunden ein und beseitigen blinde Flecken.

In dieser Phase entscheidet sich, ob der Kunde bleibt oder geht. Deswegen ist es ratsam, die Kommunikation schnell, effizient und qualitativ hochwertig zu gestalten. Stellst Du Nachbesserungsbedarf fest, melde Dich gerne bei uns und wir schauen gemeinsam, wie wir die Prozesse für Dich und Deine Kunden mit unserer Software unterstützen können.

Verlorene Kunden haben das Interesse verloren

Ist die Kommunikation nicht gut gelaufen, sinkt der Kundenwert. Der Kunde ist enttäuscht und wendet sich ab. Er ist verloren und kommt vermutlich nie wieder zurück.

Das ist schmerzvoll und geschäftsschädigend. Der Rückholprozess ist teuer und langwierig, wenn er überhaupt funktioniert. Deswegen ist es besser, passend auf den Kunden eingehen und ihn so lange wie möglich zu begeistern.

Die Definition passt nicht immer zu jedem Unternehmen

Im Gespräch mit Andreas Schöler, Professor für Dienstleistungsmanagement, Konsumentenpsychologie und Marketing an der Hochschule für angewandtes Management, ist die Standarddefinition richtig, hat aber Tücken. Es gibt je nach Unternehmen Unterschiede. Der Grad zwischen Nicht-Kunden und potenziellen Kunden ist fließend. Auch die Frage, ab wann Kunden nicht mehr aus dem Bereich der verlorenen Kunden zurückzuholen sind, kann man nicht allgemeingültig definieren.

Deshalb ist es wichtig, sich als Unternehmen darüber klar zu sein, worauf man den Fokus legen möchte und wann man welche Grenzen zwischen den Übergängen ziehen will.

Für uns als Dienstleister im Kundenservicesektor ist das Thema ebenfalls sehr wichtig. Wenn wir unsere Kunden genau verstehen, können wir die passende Lösung bieten. Deswegen freuen wir uns immer auf Experten in diesem Gebiet, die ihre aktuellen Erkenntnisse und Forschungen mit uns teilen möchten.

Künstliche Intelligenz (AI) hat sich in der Gesellschaft zu einem geflügelten Wort entwickelt. Doch sie ist mehr als nur ein Schlagwort – sie entpuppt sich zu einer transformativen Kraft, die Branchen revolutioniert und Arbeitsweisen neu definiert. Bei targenio sind wir fest entschlossen, diesen Wandel aktiv mitzugestalten. Deshalb haben wir uns vorgenommen, interessierte Teammitglieder auf dem Weg in Richtung AI zu begleiten.

AI-Workshops: Alle zwei Wochen, freiwillig und praxisorientiert

Jeden zweiten Mittwoch nehmen wir uns freiwillig Zeit, uns mit den neuesten AI-Tools, -Trends und -Technologien auseinanderzusetzen. Diese Sessions haben wir informativ und interaktiv gestaltet. Das Ziel: Unser Team soll die Möglichkeiten von AI nicht nur theoretisch verstehen, sondern praktisch erleben und anwenden können.

Begeisterung wecken und greifbar machen

AI ist disruptiv[1] und kann auf den ersten Blick überwältigend wirken. Deshalb legen wir großen Wert darauf, AI greifbar und verständlich zu machen. In unseren Sessions zeigen wir KI-Tools, die in den Arbeitsalltag integriert werden können, und welche konkreten Vorteile dies für jeden Einzelnen und das gesamte Unternehmen mit sich bringt.

Ein zentraler Bestandteil, um das Team für Künstliche Intelligenz zu begeistern, ist der Wissenstransfer. Implizites Wissen im Unternehmen sichtbar und zugänglich zu machen, ist entscheidend.

Unsere KI-Jams bieten nicht nur eine Plattform für das Kennenlernen neuer Technologien, sondern auch Raum für Innovation. Jeder im Team hat die Möglichkeit, persönliche Interessen einzubringen und an der Lösung konkreter Probleme mitzuwirken.

Wir wollen Begeisterung im Team für Künstliche Intelligenz wecken – und das gelingt uns am besten durch praktische Beispiele und gemeinsame Erlebnisse.

Kickoff-Session und weitere Schritte

Unser Programm begann mit einem Kickoff-Workshop, in der wir alle Wünsche und Erwartungen zusammengefasst haben. Daraus haben wir einen Fahrplan entwickelt, der den Bedürfnissen und Interessen unseres Teams gerecht wird. Von der Auflistung und Nutzung der besten AI-Tools über das Erlernen von Prompting-Techniken bis hin zur Entwicklung von Prototypen – jede Session ist darauf ausgelegt, praktisches Wissen zu vermitteln und die Anwendung im Arbeitsalltag zu fördern.

Teaming with AI – Erfahrungen aus der Unconference

Ein weiterer Bestandteil unserer Workshops sind die externen Events, an denen unsere Teammitglieder bei Interesse teilnehmen können. Dabei lernen sie neue Tools kennen, die Eingang in die Session finden, um alle auf einen neuen Wissensstand zu heben. Darüber hinaus haben sie Möglichkeiten, die Erkenntnisse in ihren persönlichen Workflow einzubinden.

So zog es sechs Mitarbeiterinnen und Mitarbeiter zu einem Unconference-Event in Nürnberg. Unsere Teammitglieder teilten dabei verschiedene Erfahrungen. Beispielsweise nahm Andreas, unser UX-Designer, den ethischen Aspekt, den er kennenlernte als besonders wichtig wahr: „Im ersten Moment erscheint das Konzept „Doing evil for doing good“ in unserem Bereich eher unvorstellbar. Anhand des Beispiels der Vitaltracker wurde mir das dann aber klar. Diese wurden erstmal nur gemacht, damit sich Menschen mehr bewegen. Nun kann es aber sein, dass Krankenkassen Patienten, die eben schlechte Werte haben, ablehnen. Sowas sollten wir unbedingt in unseren Überlegungen beachten.“

Im Hinblick auf den ethischen Aspekt stimmt Nicolas, einer unserer Entwickler, die sich intensiv mit dem Aspekt KI auseinandersetzen, absolut zu. Aber auch der interdisziplinäre Austausch verschaffte ihm einen Blick über den Tellerrand, der ihm neuen Input für seine Arbeit lieferte.

Ein Fazit: Unser Engagement für die unternehmerische Zukunft

Unser Engagement für AI und kontinuierliches Lernen zeigt sich in der positiven Resonanz während der Sessions. Die Begeisterung ist spürbar. Die Bereitschaft, neue Technologien zu erkunden, ebenso. Wir sind überzeugt, dass wir durch diese Initiative nicht nur unsere Arbeitsprozesse verbessern. Wir leisten auch einen wertvollen Beitrag zur persönlichen und beruflichen Entwicklung jedes teilnehmenden Teammitglieds.

Natürlich gibt es auch Zweifel und Bedenken, die ernst genommen werden müssen. Gerade diese versuchen wir mit dem Format der Session zu beseitigen. Deshalb bleiben wir dran – für eine Zukunft, in der AI ein integrales Werkzeug unserer täglichen Arbeit werden soll. Gemeinsam wollen wir den Weg ins KI-Zeitalter gestalten und targenio fit für die Herausforderungen und Chancen von morgen machen.

---

[1] Disruptive Innovationen ersetzen häufig auf tiefgreifende Weise bestehende Technologien oder Geschäftsmodelle. Das kann unter Umständen zu eine Art „Zerstörung“ von Märkten führen.