#153: Ein Agent nimmt Arbeit ab, wenn der Mensch die Regeln setzt

Wenn ein Bot den Kaffee bucht und du endlich Zeit hast, ihn zu trinken: Wir nehmen dich mit hinter die Kulissen eines internen AI-Concierge, der Kalender sortiert, E-Mails formuliert und Meeting-Hürden senkt – und zeigen, wie daraus belastbarer Alltag statt bunter Demo wird. Gemeinsam mit Andrea sprechen wir offen darüber, was wirklich zählt: klare Regeln, Human-in-the-Loop, Vertrauen durch Vorleben und ein risiko­basierter Rollout, der in unkritischen Bereichen startet und Schritt für Schritt Verantwortung an Agenten übergibt. So werden aus Benachrichtigungen echte Handlungen – vom Dashboard-Wächter bis zum Supply-Chain-Agenten, der innerhalb definierter Leitplanken Bestellungen steuert und nur eskaliert, wenn Unsicherheit oder Risiko steigen.

Wir erzählen, warum der Weg klein begann: ein Chatbot als „Spielerei“, der mit internen Daten und Workflows reifte. Heute bucht der Concierge intern Termine, verfasst höfliche Mails für externe Absprachen und entlastet Teams genau dort, wo Koordination Zeit frisst. Entscheidend für die Adoption war nicht Zwang, sondern Vorbild: Wir nutzen das Tool im Meeting live, machen Nutzen sichtbar und lassen die Praxis sprechen. Parallel etablieren wir Guardrails, Monitoring und Freigaben, damit Qualität stimmt und Verantwortung klar bleibt – ein Muss in regulierten Umfeldern.

Unser größtes Learning: Viele Experimente bringen wenig, wenn sie isoliert bleiben. Wert entsteht, wenn Datenzugriff, Rechte, Identitäten, Beobachtung und Automatisierung wie ein KI-Betriebssystem greifen. Dann arbeiten Menschen und Agenten wirklich Hand in Hand – transparent, sicher und messbar wirksam. Klingt nach Zukunft? Es ist Gegenwart, wenn man klein anfängt, sauber skaliert und die Kultur mitnimmt. Wenn dir diese Einblicke helfen, abonniere den Podcast, teile die Folge mit deinem Team und hinterlasse uns eine Bewertung – welche Aufgabe würdest du zuerst an deinen Concierge abgeben?

Transcript

SPEAKER_00 0:01

Herzlich willkommen zur nächsten Folge von Sophie's Next AI Talk. Bevor ich sozusagen mit meinem Büronachbarn, kann man fast sagen, in das Interview starte, möchte

Begrüßung Und Partnerdank

SPEAKER_00 0:13

ich natürlich euch alle begrüßen und vor allen Dingen meinen Podcast-Partnern Solonex und CMM360 ganz herzlich danken. Und ja, das ist eine ganz interessante Bekanntschaft. Und zwar der Andrea und ich, ich würde sagen, wir verfolgen uns schon seit längerer Zeit auf LinkedIn und haben dann letztens zufällig festgestellt, dass sein Büro, der Sanofi, direkt eigentlich neben meinem Büro an der Hochschule

Kennenlernen Und Kontext Andrea

SPEAKER_00 0:36

Luzern ist. Und somit sollen wir einen Kaffee trinken gegangen. Und natürlich haben wir über künstliche Intelligenz gesprochen. Und ich war sehr beeindruckt, wie Andrea dort mir schon erzählt, was er alles mit Agenten macht, mit AI-Assistants und wie er da KI wirklich ja im täglichen Arbeit-, aber vielleicht sogar auch Freizeitaltag integriert hat und eben trotzdem auch noch so Mensch ist und sich die Zeit für einen Kaffee mit mir nehmen kann. Andrea, vielen Dank auch jetzt für deine Zeit zum Interview und vielen Dank für die ganzen Insights.

SPEAKER_01 1:08

Hallo Sophie und vielen Dank für die Einladung. Es ist mir eine Freude, hier mit dir zu plaudern.

SPEAKER_00 1:14

Sehr gerne. Vielleicht kannst du direkt mal starten. Was genau machst du mit Assistenten? Sind das bei dir Assistenten, sind das bei dir Agenten? Wie hat das Ganze begonnen?

SPEAKER_01 1:27

Da haben wir alles. Also auf Arbeit, also ich

Private Vs. Arbeit: KI-Einsatz

SPEAKER_01 1:31

kann ja da unterscheiden between private and arbeit. Also privat programme selbst KI-Lösungen as space. Probier things to automatise in all day, but that is actually not so well beweged. In privat, would you say it's not so well bewegend? But of arbeit, I have a gross spell with my team KI Lösungen to entwer and um zu setzen, die dann auch wirklich etwas bringen in den Arbeitsabläufen. Da haben wir Chatbots, also an ChatGPT that we intern entwickelt have, and that we den Alltag erleichtern. So that are the kleiner Helfer, würde ich mal sagen. Dann haben wir aber auch Lösungen die tiefgreifend grosse Prozesse automatisieren, die dann viel Arbeit abnehmen anders Energie and Fokus auf andere setzen können, das mehr Wert hat als große Abläufe selbst manuell durchzuführen. Also die ganze Bandbreite.

SPEAKER_00 2:42

Okay, dann würde ich doch mal starten mit dem Einfachen, so der eigene GPT. Was genau habt ihr da und was sind also typische Anfragen, die du an denen stellst?

SPEAKER_01 2:52

Ja, wir haben die

Der Interne GPT „Concierge“

SPEAKER_01 2:54

Ambition, diesen eigenen GPT, we nennen ihn Concierge, it's a französische firm in which we arbeiten. And that hilft uns im Alltag. When man Microsoft Copilot forstellt, it is so etwas ähnliches, einfach intern in der Firma. And it has to be my calendar, it can for me E-Mails schreiben, the Concierge can also Termine buchen for me. It nehmen so viele things up, die in Alltag etwas mühsam sind. When I mean three, four people a Termin suchen in three weeks, then wird es meistens mühsam and I sit a half and versuche irgendwann eine Lücke zu finden. And the Concierge sucht mir das raus and buckt es gleich anders in den Kalendern.

SPEAKER_00 3:37

Okay, ganz kurz. Dann muss ich kurz direkt einsteigen. Meeting buchen, ich glaube, das Problem haben alle. Und vielmals werden ja dann Doodles verschickt, weil man ja nicht immer Zugang zu den Kalendern hat. Wie ist das denn bei deinem Concierge? Bucht er die Meetings dann nur intern in der Organisation,

Meetings, Kalender Und E‑Mail‑Flows

SPEAKER_00 3:55

wo er Zugang zu den Kalendern hat? Oder verschickt er sogar E-Mails und Anfragen und fragt mich zum Beispiel, Sophie, wann hast du Lust auf eine Podcast-Aufnahme? Würde das auch funktionieren oder ist er mehr wirklich für interne Meetings?

SPEAKER_01 4:10

Also Zugriff hat er nur auf unser internen Kalender und er kann E-Mails schreiben für mich natürlich. Also wenn ich sage, schreibe eine E-Mail and ich möchte mit Sophie einen Termin ausmachen, dann kann er die E-Mail schreiben. Can also einen Termin buchen, theoretisch, aber habe ich nie ausprobiert mit externen. Das müssten wir mal ausprobieren für uns zum nächsten Mal für einen Kaffee treffen.

SPEAKER_00 4:35

Ich wollte sagen, die Kappelvereinbarung mache ich mit einem Assistenten. Da würde mich nämlich dann auch interessieren, wenn der E-Mail schreibt, beantwortet er auch E-Mails, oder schreibt er nur, wenn du sagst, schreib, Sophie, ich will mit dir einen Kaffee trinken? Oder würde er dann auch auf meine E-Mail automatisch antworten?

SPEAKER_01 4:50

Also momentan hat er immer noch den Menschen im Loop, also nicht da drin, also der schickt nichts automatisch zurück. Wir haben andere Lösungen intern, die in Systeme zurückschreiben, wo dann wirklich was passiert. Also da haben wir dann auch schon diesen Loop, diesen Kreislauf geschlossen. Aber beim Concierge noch nicht. Aber es ist denkbar, dass der das dann mal macht. Also rein technisch könntet ihr das, aber haben wir momentan noch nicht freigeschaltet.

SPEAKER_00 5:20

Okay, jetzt haben wir ein bisschen technisch gesprochen. Jetzt möchte ich an dieser Stelle noch fragen, was auch immer wieder eine Herausforderung in den Unternehmen ist, ist die Einführung. Das heißt, wie wurde dieser Concierge

Einführung Und Adoption Des Concierge

SPEAKER_00 5:32

bei euch eingeführt?

SPEAKER_01 5:35

Ja, wir haben viel Erfahrung mit Einführung von KI-Lösungen in the firm. And the Concierge, that came so schleich. We wanted to evaluate: we have an external lesson, so we have internal bowls. And we also have to know what the data land is, etc. So there came to a chatbot, and there was so much as what we privately in ChatGPT had. And yeah, this was a typical agile, 80, 20. I would say it was 40, 60, but auf der schlechten Seite. And we wanted what you gave and there came. And then gave it rapid, all a year came was new. And it was a good when ChatGPT, and plots of internal data. There were the systems quite for this concierge. And it came then. And the people had to spend. And the life of the tool walked over the time. And that was a bit untypic. But it had us straight for short that it was a good thing and we have art. And it's also easy to feel that art. And it has been like two and a half, three years bald. But it had a year before it was right eingeset. And this is really so that I my team, in the zielen, nutze the chatbot so often as most. Under hilft uns jetzt bei allem.

SPEAKER_00 7:48

Okay. Und gab es dann auch Widerstände intern, dass manche gesagt haben, nein, das will ich nicht, finde ich doof.

SPEAKER_01 7:55

Also der muss niemand nutzen, wenn er oder sie es nicht will. Also der ist wirklich offen. Da haben wir ganz andere Systeme, wo

Vorbildfunktion Statt Zwang

SPEAKER_01 8:01

die Erwartung dann viel, viel höher ist. Also der Chatband dort ist für uns eine, ja was soll ich sagen, der war eine Spielerei und wurde jetzt ein nützliches Tool. Ich würde mal sagen, zwei Drittel nutzen den echt regelmäßig und vielleicht ein Drittel eher ab und zu mal, weil sie nicht daran denken. Und da ist es an uns, quasi Teamleadern, dass wir die Leute einfach, dass wir es vormachen, dass wir bei Meetings den Bot benutzen und vormachen, sodass er immer so ein bisschen in Erscheinung tritt. Und so geht das schleichend.

SPEAKER_00 8:34

Das finde ich einen coolen Input. Also dieses einfach gute Vorbildsein, das versuche ich in vielen Malen auch, dass ich einfach die Tools einfach nutze, da wo es sinnvoll ist, und dadurch dann eigentlich automatisch andere mitnehmen und eben nicht einfach nur immer dieses Predigt, ihr müsst es nutzen, ihr müsst es nutzen und so weiter and so fort. Also ja, sehr interessant. Jetzt hattest du ja upgive from the classical GPT, you have really agenten, die schon richtig Aufgaben, Prozesse for euch erledigen. Was genau habt ihr denn da?

SPEAKER_01 9:05

Ja, we have schon for around seven

Von Chatbots Zu KI‑Agenten

SPEAKER_01 9:07

years damit angefangen, ganz stark auf KI zu setzen. Damals war es diese Predictive AI, also diese neuronalen Netze. Wir hatten da all diese Modelle, die es damals schon gab, um Vorhersagen zu treffen. And that was bright eingesetzed, also in the forgiving, entwickling, but also in the hairstylation, and in the commercial. And that had the offense for KI lessons. And as the generative AI came, also the chatbots, who has a art for KI agents, were we then bright. And with KI agent a tool that entered self can. What this wrote to the office to lose. But the agent will really enter for men in upload. And that we are relatively often, but in the KIB. The people were often, we had any, and then we have the lessons. We had so many dashboards, also Tabellen where we the Kennzahlen of the firm verfolged, and they had all from KI drauf. And a KI agent drauf, that we have without in these boost and data. That was the first anwending that we have.

Dashboard‑Wächter Bis Supply‑Chain‑Agent

SPEAKER_01 11:26

Happen an auge drauf oder ruf mal an oder find heraus, was das Problem ist. And that wurde dann immer besser. Also vom reinen Beobachten und Hinweise geben, dann bis hin zu richtigen Handlungen treffen. Also anstatt einfach nur nachforschen und Tipps geben, haben diese Bots dann angefangen or diese Agenten angefangen, auch, nachdem wir sie dementsprechend aufgesetzt hatten, auch richtige Entscheidungen zu treffen und for uns dann Dinge in den Systemen vorzunehmen, die dann auch in der realen Welt zu etwas geführt haben. Also wenn ich dann beispielsweise, we have one agent who for both products the supply chain steured, also the case. And that was very, very self-ständically. And not when the ideas the bots that you will, outside of all we can, outside of the grips that we the agent have landed, then a supply chain planer contacted, and the bot says, We are not sure what you will machin. When it's under a bestimmted risiko is, macht er das einfach selbst. So that's zum Beispiel a Möglichkeit oder ein Beispiel, wie wir es umgesetzt haben. Aber es gibt viele davon. We have hundreds of solar Bots schon im Einsatz. Wobei relativ wenige nur eine handvoll wirklich dann zurückschreibt und wirklich was macht. Der grösste Teil sind immer noch diese Bots oder KI-Lösungen, die uns einfach auf Dinge aufmerksam machen, die wir dann aber selbst in Angriff nehmen. Aber eben die Ersten, die dann wirklich Arbeit machen, haben wir ernst.

SPEAKER_00 13:09

Wow, also da muss ich sagen, finde ich, wirklich interessant, zumal ihr sagt, die treffen wirklich eigene Entscheidungen. Gab es dort auch schon Fehlentscheidungen?

SPEAKER_01 13:19

Ja, also wir sind natürlich sehr vorsichtig bei der Einführung solcher Agenten, weil wir ja in einem

Fehlentscheidungen Und Risk‑Based Rollout

SPEAKER_01 13:28

eigenen Umfeld arbeiten. Also wir können uns keine Fehler leisten. Wir suchen uns Bereiche aus, die nicht ganz so heikel sind wie vielleicht direkt die Herstellung des Medikaments selbst, sondern wir fangen mal irgendwo in der Peripherie an, wo we have a few weeks or months to reague when it was falsch was. We go in a risico-basier answer, such as what without, which is a great verb, when we ask a KI agent, but it's not gefairly. And then batten we the regions off, and then we the bot and arbeiten with the agent zusammen. This person shout, what the bot gerade vorschlägt, is that what Sinn macht? Ja, nein. And so lernt man dann quasi gemeinsam den Bot zu justieren. Am Ende funktioniert das dann sehr gut. Und dann beobachtet man ihn einfach eine Weile. Und ja, solange dann die Regeln eingehalten werden, die man dem Tool gegeben hat, dann funktioniert das eigentlich ganz gut. Da haben wir ganz gute Erfahrungen gemacht.

SPEAKER_00 14:47

Sehr spannend. Also das finde ich wirklich sehr interessant. Natürlich gefällt mir auch der Ansatz Human in the Loop sehr gut, weil ich glaube, ohne geht es nicht. Aber ich finde es eben sehr schön, wie ihr doch dort schon Erfahrungen sammelt. Und wie du auch schön gesagt hast, wir versuchen es mal in Bereichen, wo es vielleicht weniger kaputt machen kann oder weniger, wo die Fehlentscheidungen weniger Auswirkungen haben. Sehr interessant. Das heißt, wenn ich mal zusammenfasse, was wir heute gelernt haben, die eine hat sicherlich das allgemeine Thema GPTs, Assistance, KI im täglichen im Umfeld, aber vor allen Dingen auch, dass wir Mitarbeiter

Learnings Und Human In The Loop

SPEAKER_00 15:22

auch dadurch mitnehmen, dass wir einfach ein gutes Beispiel vorwärts sind. Und ich glaube, das zweite, und das ist eben, glaube ich, technisch vor allen Dingen auch sehr interessant, wie die Agenten wirklich Entscheidungen schon treffen können, sage ich mal, erst Analysen machen, dann Entscheidungen treffen und diese eventuell sogar selbstständig ausführen, sofern es eben Entscheidungen sind, die nicht ganz so weit tragend sind, sofern der Mensch es vorher hilfreich geprüft hat. Wenn wir jetzt nochmal so ein bisschen in die Zukunft schauen oder an die Zuhörer denken, die das auch gerne umsetzen würden, was wäre so das eine Learning or this is the feedback, what you understand unbedingt möchtest?

SPEAKER_01 16:01

Yeah, I glaube the last two, three years had many experimentiert with KI-Lösungen and sannot use cases ausbesuch. Also Beispiele where many can. There we have a Betriebsystem that these KI lessons bring.

Zukunft: KI Als Betriebssystem

SPEAKER_01 17:42

So that the KI hand in hand with Menschen arbeites and not a bit KI there and a bit KI and dort wieder ein paar Leute. Das muss alles zusammenkommen. Aber wir müssen dahingehend arbeiten. Weil sonst verpassen wir was Grosses und verpassen auch eine grosse Chance, wahrscheinlich wirklich Wert aus seiner KI zu ziehen.

SPEAKER_00 18:11

Da hast du was sehr, sehr Wichtiges gesagt. Sicherlich ist es mal gut, mit irgendwelchen MVPs zu starten, aber dann brauchen wir ganzheitliche KI-Systeme und nicht 20.000 verschiedensten, die alle irgendwas wissen und irgendwas automatisieren, aber nicht zusammenpassen. Ich glaube, das ist ein sehr cooles Schlusswort. Soll natürlich euch keine Angst machen, liebe Zuhörer. Startet unbedingt damit. Die, die schon schwer nutzen, versucht auch mal ein cooles Beispiel nach außen zu sein. Guess ganz am Ende

Schlusswort, Kaffee Und Partnergruß

SPEAKER_00 18:39

nicht, dass wir alle Menschen sind, dass es auch noch den persönlichen Kaffee gibt. Aber ich glaube, es ist eben wichtig, dass wir damit unsere Erfahrungen sammeln und es intelligent und effizient integrieren, so dass wir dann auch eben genau wieder den Zeit für diese ganzen Cafés haben. Ich danke dir ganz herzlich, Andrea, für die ganzen Insig and for the Erfahrungen. Wahnsinnig spannend. Ich glaube, es gibt eine Fortsetzung, je nachdem, wer den Termin abmacht, dein Assistant oder wir zwei, aber wir machen das. Ich danke meinen Partnern Solonex und CMM360 und ich wünsche allen noch einen ganz, ganz tollen Tag.

SPEAKER_01 19:13

Danke dir, Sophie. Bis zum nächsten Mal. Bis zum Café.

SPEAKER_00 19:16

Gerne.