KI-Agenten im Kundenservice mit Malte Kosub: Wie Parloa klassische Chatbots ablöst und Effizienz, Customer Experience und Umsätze steigert

da glauben wir, dass Prompting ein Prozess der Vergangenheit ist. In Zukunft werden Leute nicht mehr prompten, sondern werden Agents Feedback geben, aber der Agent baut sich dann im Grunde selber und irgendwann wird es auch so sein, dass der Agent sich vergangene Konversationen anguckt, sich KPIs anguckt und dann sogar selber sich verbessert. Das werden spannende Zeiten. Das ist der Return on Investment Podcast mit Anne Schlösser und Heike Löffler. Willkommen zu einer neuen Folge von Return on Investment. Mein Gast heute ist Malte Kosub, CEO und Mitgründer von Parloa. Parloa baut eine Plattform, mit der Großunternehmen KI-Agenten für ihren Kundenservice erstellen, ausrollen und managen können. Die große Frage, die sich gerade viele stellen: Bringt KI eigentlich wirklich einen messbaren Impact oder ist das alles nur Hype? Parloa jedenfalls gehört zu den Unternehmen, die darauf eine Antwort haben. Herzlich willkommen, Malte. Danke, Anne, für die Einladung. Sehr gerne. Malte, du bist bei Parloa, das haben wir gehört. Bevor wir in die Geschichte einsteigen, was macht Parloa konkret? Also, wenn jetzt bei euch ein Unternehmen morgen anklingt, was bekommt es dann von euch? Wir haben eine Agentic Plattform entwickelt, mit der wir großen Unternehmen helfen, AI Agents in Produktion zu bringen, die beispielsweise ans Telefon gehen, wenn jemand im Kundenservice anruft oder auf der Homepage im Chat helfen, ein Problem zu lösen und da helfen wir einigen der größten Unternehmen der Welt, ihre Kundenerfahrung besser zu machen. Sehr cool. Mehrere Studien haben Agentic AI als Top-Technologietrend für 2025 benannt. Die Prognose: Bis 2028 werden rund ein Drittel aller Enterprise-Softwareanwendungen Agentic AI integrieren. Was genau ist Agentic AI und wie unterscheidet sich das von einem klassischen Chatbot? Wir kennen wahrscheinlich alle Chatbots, die Fragen beantworten und vielleicht Weltwissen haben. Und das hilft in einigen Fällen. Es hilft aber insbesondere im Unternehmenskontext nur oberflächlich, weil wir eigentlich Agenten brauchen, die Dinge erledigen, die in Backend-Systeme eingreifen können, also die Probleme lösen können. Ein Beispiel ist, ich möchte mein meine Buchung stornieren, dann kann das nicht nur ein schöner Dialog sein, sondern es muss eine Aktion ausgeführt werden in einem Backend. Und Agentic AI sind im Grunde Agenten, die tatsächlich mit Backend-Systemen kommunizieren und auch Aktionen ausführen für den Nutzer. Und um diese Agenten auszurollen, arbeitet ihr stark partnergetrieben, z.B. mit Systemintegratoren wie Accenture oder Deloitte. Warum ja, warum setzt ihr da auf Partner, anstatt alles selber beim Kunden zu implementieren? Wir glauben, dass eine Transformation in der Kundenerfahrung ein ein großes Unterfangen ist, wenn man das ganzheitlich denkt und dass wir eine Plattform bieten können, mit denen mit der Unternehmen schnell diese Transformationen anfangen können. Nichtsdestotrotz aber viele Unternehmen schon mit Systemintegratoren zusammenarbeiten, die beispielsweise die Systemlandschaft sehr gut kennen, wie beispielsweise SAP oder Salesforce, ServiceNow und und so weiter. Und wenn wir mit diesen Systemintegratoren Parloa direkt tief integrieren in die Systeme und die Prozesse des Unternehmens und so die Geschwindigkeit beschleunigen und auch nicht auf unsere unser Wachstum unserer Implementierungsressourcen angewiesen sind, sondern so viel schneller über Partner skalieren können. Ja, und ihr seid dabei ja bewusst auch jetzt große Enterprise-Kunden fokussiert. Was ist denn jetzt bei einem Enterprise-Kunden anders als bei einem KMU, wenn es jetzt um KI im Kundenservice geht? Also die Komplexität ist natürlich signifikant größer. Du hast auf der einen Seite in in vielen großen Unternehmen mehrere Länder, mehrere Sprachen und so hast du auf einmal einen Agent, der in 30 Ländern ausgerollt werden muss und dann auf drei Kanälen. Dann hast du auf einmal 90 verschiedene Versionen dieses Agent. Du hast eine höhere Herausforderung an Compliance, an Regulatorik. Du hast komplexere Backend-Systeme. Das heißt, die die Gesamtkomplexität ist signifikant größer und deswegen musst du eine ganz andere Plattform dafür bauen. Und Parloa gibt es jetzt seit 2018, das ist so ein bisschen vor der dem KI-Hype, den wir alle mitgemacht haben, vor dem ChatGPT-Moment. Warum hast du das damals so gegründet und was war damals so deine ursprüngliche Idee? Was war euer erstes Produkt? Tatsächlich war die Idee gar nicht so anders. Wir haben im Jahr 2017 gesehen, dass Spracherkennung signifikant besser wird. Ja, das heißt, die Qualität ein Audio

Audio-Fall in Text übersetzen. War damals schon wahnsinnig gut und wir kennen es wahrscheinlich alle von Alexa oder Google Assistant. Die ersten Sprachassistenten haben wir ja irgendwie alle schon im Jahr 2017, 2018 äh genutzt. Die Qualität war leider aber noch überschaubar gut. Äh wir haben schon im Jahr 2017, 2018, wir haben 100 Vorträge in diesen zwei Jahren gehalten, also ein Vortrag jeden jede Woche, wie Voice Assistants die Welt verändern. Ähm, es hat am Ende ein bisschen länger gedauert, wenn man ehrlich ist. Äh, wir hatten schon den richtigen Riecher, hätten aber nicht gedacht, dass es so lange dauert. Und damals haben wir mit der gleichen Vision schon ein Produkt gebaut, das im Grunde auf die ältere Technologie aufgebaut hat mit Natural Language Understanding. Man hat so Regelbäume gebaut. Aber wir haben immer intern gesagt, dass es eigentlich nicht das, wie wir Konversationen skalieren können, weil Konversationen einfach viel komplexer sind als ein Entscheidungsbaum. Und als dann Large Language Models ähm immer relevanter und besser wurden, haben wir die Entscheidung getroffen, wir müssen eigentlich ein komplett neues Produkt bauen, äh das das agentic nativ ist und Large Language Models im Zentrum äh hat. Und das haben wir gemacht und äh das funktioniert äh tatsächlich sehr gut. Anne Schlösser: Also wie war denn das eigentlich so dieser Moment für euch, als dann ChatGPT rauskam? Wusstet ihr schon vorher, hattet ihr ChatGPT-2 schon irgendwie probiert oder hat euch das selbst auch überrascht, wie groß dann der Sprung war? Malte Kosub: Wir hatten die GPT-Modelle vorher, äh bevor ChatGPT veröffentlicht wurde, schon genutzt und ausprobiert. Ähm, die Qualität war damals noch nicht so gut. Und auch mit ChatGPT, mit dem Launch, war der nächste Schritt vorhanden, aber wir waren noch weit davon entfernt, dass wir die Qualität umsetzen äh konnten, die die wir jetzt äh mittlerweile sehen. Die Wette war aber, dass die Qualität der Modelle weiter signifikant zunimmt und auch die Latency signifikant abnimmt, weil damals hat das so ungefähr 20 Sekunden gedauert, um eine sinnvolle Antwort zu generieren. Ähm, und äh das war viel zu teuer. Äh, jetzt mittlerweile sind wir natürlich äh in einer ganz anderen Situation und die Wette ist aufgegangen. Damals war das aber alles noch nicht ganz so absehbar. Anne Schlösser: Mhm. Und ähm wie habt ihr das dem Team verkauft, als ihr gesagt habt, wir machen jetzt das Ding noch mal äh auf einer anderen Plattform? Ihr habt ja im Grunde alles noch mal neu gebaut, oder? Malte Kosub: Wir haben erzählt, woran wir glauben und was da gerade passiert. Und ehrlich gesagt, waren die Leute ähm sehr motiviert, diesen Schritt mitzugehen und äh die die Zukunft zu gestalten. Das war aber natürlich eine eine eine Wette. Damals gab es große Diskussionen und viele haben gesagt: "Ja, das ist doch viel zu radikal, ein komplett neues Produkt zu bauen. Lass uns doch unser bestehendes Produkt äh Schritt für Schritt erweitern." Und wir haben damals gesagt, wir glauben, dass es so ein signifikanter Bruch an Technologie, wir müssen das Ganze äh komplett neu bauen. Anne Schlösser: Und als ihr euch entschlossen hattet, dann ein kannibalistisches Produkt nebenbei zu bauen, wie lange hat das gedauert und was habt ihr zwischenzeitlich gemacht? Also, ihr habt sicherlich dann ja nicht aufgehört, äh das alte Produkt zu verkaufen. Malte Kosub: Genau, wir haben weiter mit dem alten Produkt gearbeitet und haben anderthalb Jahre entwickelt, äh wahrscheinlich plus minus, bevor wir dann äh das Produkt der Welt gezeigt haben, weil du natürlich gerade, wenn du Enterprise-fähig sein möchtest, dann musst du schon ganz schön viel ähm liefern. Und äh das das haben wir gemacht, äh äh und natürlich war die Zeit sehr anspruchsvoll, weil wir in unserem alten Produkt keine wirkliche Innovation mehr zeigen konnten, weil wir natürlich die ganzen Engineering- äh Ressourcen auf das neue Produkt äh gesteckt haben. Das war eine herausfordernde Zeit, äh aber es war äh ein ein wichtiges Investment. Und wir haben dann, auch wenn wir keine Innovation gezeigt haben über eine gewisse Zeit, dann eine Sprunginnovation gezeigt, äh und das dafür war es es wert. Anne Schlösser: Und würdest du jetzt äh retrospektiv betrachtet auch wieder so machen? Malte Kosub: Das würde ich genau wieder so machen. Das war die richtige Entscheidung. Das ist natürlich bei so Wetten, wenn sie aufgehen, äh dann würdest du es wieder machen. Und diese Wette ist auf jeden Fall aufgegangen. Anne Schlösser: Ja. Eure Kunden kommen aus unterschiedlichen Gründen zu euch. Das ist jetzt mal zum Teil Kostensenkung oder manche wollen auch vielleicht das Kundenerlebnis verbessern, äh ja, oder Teams von repetitiven Aufgaben entlasten. Ähm, was was ist so der häufigste Treiber, den ihr hört? Malte Kosub: Im Grunde sind das zwei Dimensionen. Das eine ist natürlich Kostensenkung oder Effizienzgewinnung, und der zweite Treiber ist Kundenerfahrung, die verbessert werden soll. Also, wir kennen es alle, wenn wir im Kundenservice anrufen, passiert es sehr gerne mal, dass wir 10, 20 Minuten warten, und dass wir mit den falschen Personen verbunden werden, dass die Person uns nicht helfen kann. Also,

ist allgemein eine nicht so richtig zufriedenstellende Erfahrung im im Kundenservice anzurufen und genau da äh kann man sehr schnell signifikante Fortschritte in der Kundenerfahrung schaffen und das machen wir. Und was muss jetzt bei einem Großunternehmen organisatorisch und technisch vorhanden sein, bevor jetzt überhaupt man sagen kann, dass man an so einen Agenten denken kann? Als Fundament brauchen wir natürlich Backend-Systeme, mit denen wir interagieren können, sonst können wir schöne Fragen beantworten, aber wir wollen ja Dinge umsetzen. Grundsätzlich sage ich immer, dass es drei Themen geben muss, die zusammenkommen, damit ein großes Unternehmen Generative AI skalieren kann. Das erste ist ein ganz klares Executive C-Level Buy-in, äh dass ein Executive sagt, das ist mein Thema, äh und und das möchte ich treiben. Das zweite Thema ist klare KPIs. Welche KPIs möchte ich äh optimieren? Und nur wenn ich diese KPIs optimiere, komme ich zum Erfolg. Und das dritte ist ein dediziertes Team. Ja, das sollte nicht jetzt irgendwie ein ein Thema nebenbei werden, sondern das sollte ein Thema werden, das äh ein Team end-to-end treibt. Und wenn ich dieses C-Level Buy-in habe, ein eine klare KPI und ein Team habe, das dafür end-to-end Tag ein und Tag aus zuständig ist, dann haben wir sehr gute Fortschritte gesehen. Und ihr deckt jetzt so den ganzen Life Cycle von so einem KI-Agenten ab, also den zu erstellen, den auszurollen, den zu überwachen und zu verbessern. Warum ist jetzt gerade sozusagen der Moment, wenn der installiert ist oder wenn der anfängt zu laufen, also das danach so wichtig, das Monitoring und die kontinuierliche Verbesserung? Ja, das Spannende ist, wir haben es hier ja mit nicht-deterministischen Systemen zu tun. Also ein deterministisches System, da hast du gesagt, wenn A passiert, mach B, und wenn B passiert, mach C, und das ist dann auch immer so passiert. Agenten sind natürlich ähm nicht deterministisch, das heißt, das ist eine Wahrscheinlichkeit, was passiert. Äh das heißt, du musst viel testen, simulieren und evaluieren. Und du musst dann auch im Live-Betrieb ein sehr genaues Auge haben, was die Agents da draußen überhaupt machen. Mhm. Und da brauchst du klare Guardrails, klares Monitoring, Observability, Alerting und und ähm das ist Teil äh des des gesamten Entwicklungs- und des des Produktionsprozesses. Mhm. Und kannst du mal so ganz konkret werden am Beispiel eines Kunden erklären von der Ausgangssituation bis vielleicht jetzt in den Betrieb hinein, inklusive auch das, was ihr messt, das finde ich auch sehr spannend. Ja, also du du fängst natürlich initial an, den Agenten zu bauen. Das ist so ein bisschen wie, wenn du einen menschlichen Agenten briefst, sagst du: "Hey, du bist Agent von Unternehmen XY, äh du bist ein Kundenservice-Agent und gehst ans Telefon und bist höflich und so weiter. Du kannst äh Auskunft geben zu Flügen, du kannst Auskunft geben bzw. äh äh Buchung stornieren, Buchung ändern" und so weiter, ja? Das heißt, du briefst den Agenten und dann simulierst du und evaluierst du, das heißt, du kreierst im Grunde AI-Kunden, die dann mit dem AI-Agenten reden und und scale und evaluierst dann diese ganzen Konversationen und sagen: "Hat der AI-Agent eigentlich alles richtig gemacht in diesen simulierten Konversationen?" Und wenn du dann sagst: "Ja, der AI-Agent hat sich immer richtig verhalten", dann bringst du ihn in Produktion. Und inner- innerhalb dieses Simulieren und Testen machst du auch Red Teaming, das heißt, du versuchst den Agenten auszutricksen und versuchst Attacks zu machen. Also das ist schon eine sehr ähm relevante und komplexe äh Aufgabe. So. Dann ist der Agent live und dann möchtest du natürlich wissen, wie funktioniert der Agent. Also du trackst dann sowas wie ähm Containment Rate, also wie viel wird äh im Grunde end-to-end äh automatisiert. Du trackst die Frustration des Kunden, ja, also die sollte natürlich so so gering sein wie möglich. Du äh trackst beispielsweise das die Sentiment-Entwicklung, ähm das heißt, wie war das Sentiment am Anfang des Gesprächs, wie war das Sentiment am Ende des Gesprächs. Und du willst ja immer eine eine steigende Sentiment während des Gesprächs messen. Du kannst aber auch, also Alerting beispielsweise einstellen, wenn wenn ähm der Agent über eine bestimmte Zeit zu lange braucht äh in in Calls, dann ist vielleicht irgendwas nicht richtig und dann kriegst du äh Alerts. Das heißt, du hast viele KPIs und Stellschrauben, die du tracken kannst und die dir helfen, in Echtzeit zu verstehen, ob der Agent funktioniert oder nicht. Und jetzt gibt's wieder so schöne Zahlen, bis zu 80 % aller KI-Projekte in Unternehmen liefern ihren Business-Wert nicht, laut Gartner. Und ihr sagt, die kommen wahrscheinlich aus der Pilotphase gar nicht raus. Aus deiner eigenen Erfahrung, woran scheitern denn die meisten Unternehmenskunden ähm bei KI? Ja, ich glaube, es sind zwei Dimensionen. Das die erste Dimension ist, dass oftmals tolle Demos gebaut werden. Wenn es dann aber in Produktion geht, merken alle, es ist doch anspruch-

spruchsvoller. Skalierte Simulationen und Evaluationen, Red Teaming, bis du den Agent überhaupt skaliert in die Produktion bringst, dann bringst du ihn in die Produktion, dann weißt du nicht, was was der Agent da macht. Also, du brauchst einfach ganz viel Infrastruktur um den Agent herum, um den Agent überhaupt in Produktion zu bringen. Und oftmals sehen wir, dass dann irgendwelche Demos toll aussehen und die funktionieren im Happy Path, aber wenn du dann das eigentlich skalieren möchtest, fehlt ganz viel fundamentale Infrastruktur. Das ist so die technologische Herausforderung. Die die zweite Herausforderung ist, dass Unternehmen ähm oft gar nicht die Backend-Systeme haben, um die Use Cases auszurollen. Das wird natürlich immer besser, aber auch das kann noch eine Herausforderung sein. In den meisten Fällen ist es aber die erste Herausforderung, dass eigentlich nicht die richtigen Grundlagen geschaffen werden, um Agents zu skalieren und das alles nur ein ähm viel Demowerk ist. Wie holt ihr eure Kunden aus dieser äh Zyklus vielleicht raus? Was macht ihr da anders? Wir haben diesen Prozess produktisiert. Das heißt, wir haben viel Zeit in diese äh non-sexy Features äh investiert, die diesen Prozess gewährleisten, dass ein Agent sehr zuverlässig in Produktion gehen kann und und sehr zuverlässig ausgerollt und und äh analysiert und gemonitort werden kann. Ähm und da da sind dann ganz viele weitere Dimensionen, also wir haben Multi-Agent-Framework gebaut, das sehr komplexe Aufgaben übernehmen kann, äh das jetzt nicht nur in einem einfachen Democase funktioniert. Also, das ist ganz viele äh tieflegende technische Innovationen, damit sowas überhaupt funktioniert. Äh aber das ist einer unserer äh äh Kern- äh Plattformfunktionalitäten, dass wir halt aus dieser Demo- äh Readiness rauskommen zu einer hochskalierten Plattformintegration über 100 Länder hinweg, über verschiedene äh äh Sprachen und und und Use Cases hinweg. Und dann gibt's ja auch immer das Einsparpotenzial, das äh gemessen werden will, vor allem bei diesen KI-Anwendungen. Wie misst man jetzt den den Impact beim Kunden äh auf diesen KI-Anwendungen tatsächlich? Also, welche Metriken schauen sich eure Kunden dann an? Sind das die gleichen oder haben die andere? Hier unterscheiden wir auch in zwei Kategorien oder Gruppen von KPIs. Das eine sind Effizienzmetriken. Das heißt, wir gucken uns an, wie viel Calls wurden oder Chats wurden contained, das heißt, mussten nicht an einen menschlichen Agent weitergeleitet werden. Mhm. Wenn sie weitergeleitet werden, wie viel Average Handling Time konnten wir eigentlich reduzieren, weil wir schon Kontext mitgegeben haben, beispielsweise. Das heißt, das sind äh klare Effizienz- äh Metriken. Und dann haben wir auf der anderen Seite äh Customer Experience Metriken, also den CSAT-Score. Ähm äh wie wie haben wir den CSAT äh äh verbessern können und so weiter. Mhm. Und jetzt kommen immer mehr Cases, wo wir eine dritte KPI tracken und das ist der der Revenue Impact. Das heißt, du hast immer mehr Agents, die auch Upselling machen, Crossselling machen, Mhm. direkte Sales Cases machen, wo du dann nicht nur eine Kosteneffizienz hast und eine Customer Experience Increase, sondern du hast auch einen direkten Umsatz-Impact. Unser Podcast heißt ja Return on Innovation. Ähm wenn du den Return on AI für Kundenservice in einem Satz zusammenfassen müsstest, ähm was ist er dann? Das war jetzt sehr viel, aber was ist es in einem Satz? Die Zusammensetzung aus höherer Effizienz, höherer Kundenzufriedenheit und höherem Umsatzpotenzial. Mhm. Und das ist eigentlich so eine Formel. Effizienzsteigerung plus äh höhere Kunden- äh Zufriedenheit plus äh potenzielle Umsatzsteigerung. Eigentlich kannst du diese drei KPIs kannst du eigentlich nehmen und dann im Grunde dein dein Agent gegen diese drei Variablen in einer Formel. Und KI-Agenten äh können ja jetzt mehr als Kundenservice, hast du auch schon angedeutet. Wo siehst du denn Agentic AI in drei bis fünf Jahren? Das finde ich jetzt sehr spannend von dir zu hören. Wenn wir uns zwei Horizonte angucken, einmal den Horizont der Kundenerfahrung des Endkunden. Da glauben wir, dass es nicht nur das Telefon ist, wo irgendwie ein AI Agent rangeht oder ein Chatbot auf der Homepage. Wir glauben, dass jedes digitale Interface anders aussehen wird. Das heißt, jede Homepage, jede App wird anders aussehen. Im Moment gehst du auf eine Homepage und du hast ein Menü, du hast vielleicht so Eingabe-Formulare und wir glauben, in der Zukunft hast du ein ein conversational Interface. Das heißt, du sagst, welche Schuhe, welche Hose, welchen Urlaub du möchtest und dann wird dir direkt das angezeigt, was eigentlich für dich infrage kommt. Du musst ja nicht lange suchen. Werden Tastaturen obsolet? Ja, ich glaube, dass es ein Mix wird aus Sprache und Chat. Ich glaube, es gibt schon auch gute Use Cases für Chat, ähm wenn du in der Bahn bist, äh wenn du gerade nicht sprechen möchtest, dann ist Chat halt immer noch eine super äh Alternative. Das heißt, ich glaube nicht, dass jetzt nur Voice oder Chat ist. Ich glaube, dass Voice immer relevanter wird, weil äh es halt sehr einfach ist.

Trotzdem glaube ich, es wird beides sein, aber dass halt jede Homepage, jede App eigentlich hyperpersonalisiert ist, weil jeder fragt und möchte ja gerade ein bisschen was anderes und dann wird halt das angezeigt, was wirklich für diese eine Person relevant ist. Das heißt, wir haben andere Homepages, wir haben andere Apps, wir haben alle digitalen Interfaces, die sich eigentlich verändern. Das ist so die die der Sicht auf den auf den Endkunden. Und der zweite Horizont ist, wie sich im Enterprise eigentlich die Art und Weise verändert, wie Agents gebaut werden und da glauben wir, dass Prompting ein Prozess der Vergangenheit ist. In Zukunft werden Leute nicht mehr prompten, sondern werden Agents Feedback geben, was war gut, was war nicht so gut, in diesem Edge Case geh andersrum, hier sind weitere Informationen, hier ist weiterer Kontext und Agents bauen sich dann im Grunde selber und und das ist eine weitere Veränderung, wie Agents im Unternehmen gebaut werden. Also eher von weg von Prompting hin zu Feedback und eigenverantwortlicher Verbesserung der Agenten. Exakt. Wie bei Menschen auch vielleicht. Ja, und du hast du hast du hast eine Human in the Loop, das heißt, der der Mensch sagt schon noch immer, hey, das und so und so sollst du es machen, aber der Agent baut sich dann im Grunde selber und irgendwann wird es auch so sein, dass der Agent sich vergangene Konversationen anguckt, sich KPIs anguckt und dann sogar selber sich sich verbessert. Ja, das werden spannende Zeiten. Da ihr ja bei Sprachinterfaces auch stark seid, werden wir in fünf Jahren überhaupt noch merken, wenn wir mit einer KI sprechen? Also ich finde es manchmal jetzt schon schwierig, KI-Voice zu erkennen in manchen Fällen. In in fünf Jahren auf keinen Fall. Ich glaube, das wird schon in einem Jahr der Fall sein, dass es kaum mehr unterscheidbar ist, ob du mit einem AI-Agent oder mit einem Menschen redest. Ist so ein bisschen es ist cool, aber es ist auch gruselig zugleich, ne? Auf jeden Fall, also da müssen wir auch unterscheiden. Wir sagen Unternehmen, sie sollen transparent damit sein, ja, dass ein AI-Agent rangeht. Am Ende, und da haben wir auch Studien, die Art und Weise der Interaktion ist signifikant besser, wenn die Stimme sich natürlich anfühlt. Weil die Menschen viel mehr Kontext geben. Das heißt, wenn du eine schlechte Stimme hast, sagen Menschen sehr gerne Versicherung oder Vertrag oder Mensch. Und wenn du merkst, dass die Stimme natürlich ist, sehen wir eine Korrelation zu deutlich längeren Sätzen und und mehr Kontext. Und vielleicht kennst du es, wenn du bei Claude oder ChatGPT mehr Kontext gibst, ist der Output auch signifikant besser. Und so kannst du dir das im Grunde auch vorstellen. Mhm. Du hast jetzt ja erzählt, dass du 2018 gegründet, dann den Pivot überstanden hast und mehrere große Funding-Runden hast du eingeworben. Und du baust eine Plattform, die Großunternehmen in der KI-Transformation begleitet. Was hast du in dieser Zeit über Innovation gelernt? Ich gehe davon aus, dass es viel ist. Da kommen wir wieder zurück auf diese drei Dinge, die zusammenkommen müssen. Du brauchst ganz klar C-Level-Buy-in, du brauchst klare KPIs und du brauchst ein Team, das End-to-End das Ganze treibt. Wir haben schon oft mit Innovationseinheiten gesprochen, die im stillen Kämmerlein versuchen, irgendwas umzusetzen, aber es gibt keine klare KPIs, sondern es ist eine kleine Research-Truppe, die dann keinen wirklichen Impact hat. Aber wenn so eine Innovationseinheit ganz klares C-Level-Buy-in hat, klare KPIs hat und dann ein Team hat, das End-to-End umsetzen kann, dann kommen wieder kommen wieder Resultate. Ich glaube, es kommt immer immer wieder auf diese drei Themen zurück. Innovationsbarometer. Wir kommen zu unseren drei schnellen Fragen. Wie gut ist deiner Meinung nach der Kundenservicemarkt für die Zukunft aufgestellt auf einer Skala von 1 bis 5 und was müsste passieren, damit du sagen würdest, wir sind klar bei einer 5? Vielleicht sagst du es aber auch. Nee, ich glaube, wir sind wahrscheinlich bei einer 3. Wir haben Unternehmen, die sind vielleicht bei einer 4 oder 4,5. Wir haben Unternehmen, die sind eher bei 1 bei einer 1 oder 1,5. Also wir sind irgendwo dazwischen. Die Motivation ist ganz oft vorhanden, allerdings sind die Strukturen, die Prozesse, die Backend-Systeme noch nicht so vorhanden, um wirklich Agentic AI für 90 % der Use Cases zu implementieren. Alle können anfangen und können auf 20, 30, 40, 50 % kommen, aber meist ist dann irgendwann ein natürliches Ende. Dafür müssen auch Backend-Systeme erneuert, ausgetauscht, Prozesse verbessert werden. Jetzt hattest du ja schon eine große Disruption in deiner beruflichen Karriere durch ChatGPT. Mit welcher anderen, vielleicht größten Disruption siehst du eure Branche konfrontiert? Ich rede immer von Supercycles, ja. Du hattest irgendwie das Internet als Supercycle, du hattest Mobile als Supercycle, Cloud und jetzt hast du AI und ich glaube, dass wir jetzt in den nächsten 10, 20 in den nächsten Supercycle laufen

offen. Äh das ist äh unwahrscheinlich. Ähm äh das heißt, wir sind jetzt im im AI-Zeitalter und da wird es natürlich weitere Veränderungen geben. Ich habe darüber gesprochen, wie eigentlich Agents gebaut werden, das wird sich radikal verändern. Ähm ich glaube, wir werden in eine Situation ähm kommen, wo im Grunde die Token Economy im Grunde wie Energie funktioniert, ja? Ähm äh äh es wird einen Markt geben, es wird ähm korrelieren mit Energiepreisen. Die Industrie, die sich um ähm Modelle und Compute und Tokens entwickelt, wird wahrscheinlich das der größte TAM, der jemals äh äh der jemals entstanden ist. Aber ich glaube, die der größte Paradigmenwechsel, der ist losgegangen und jetzt haben wir halt ganz viele Veränderungen und Erweiterungen auf diesem Weg. Anne Schlösser: Abschließend, was ist die wichtigste Zutat, wenn du nur eine nennen darfst, um aus Innovationen erfolgreiches Unternehmenswachstum zu generieren? Malte Kosub: Grandios ambitionierte äh und und gute Leute. Anne Schlösser: Genau. Vielen Dank, Malte. Sehr, sehr spannend, was ihr bei Parloa macht. Es hat mich sehr gefreut, mit dir zu sprechen. Malte Kosub: Danke dir, Anne. Danke für die Einladung. Host: Das war der Return on Innovation Podcast, eine Produktion der hy Consulting Group. Für mehr Inhalte zur Folge und rund um Innovation folg Anne und Heike auf LinkedIn. Wir freuen uns, wenn ihr eine Bewertung hinterlasst, unseren Podcast abonniert und wir uns nächsten Mittwoch zu einer neuen Folge wiederhören.