Latest / Ignition / Ein Entwickler, 65 Prozent des Budgets: Lohnt sich Unternehmens-KI wirklich?
Transcript
- 0:00Willkommen bei IGNITION.
- 0:01Starte mit KI in Dein selbstbestimmtes Leben.
- 0:04Heute zerlegen wir ein Geschäft, das durch KI plötzlich anders funktioniert.
- 0:08Eine Finanzchefin sitzt vor einer Rechnung, die jeden Monat größer wird.
- 0:12Lizenzen, Token, Agenten.
- 0:15Der Vorstand fragt: Was bringt uns das?
- 0:17Und sie kann es nicht beantworten.
- 0:19Genau in diese Lücke stößt das US-Startup Larridin.
- 0:23Wenn ich das richtig verstehe, verkauft Larridin also keine KI,
- 0:26sondern die Antwort auf diese Frage im Vorstand.
- 0:30Wer bezahlt das konkret?
- 0:32Große Unternehmen.
- 0:33Die namentlich genannten Kunden sind SurveyMonkey, Vertiv, Klaviyo,
- 0:38Gainsight, Globality, TigerConnect, EcoVadis und Sundt.
- 0:45Larridin verbindet Nutzungsdaten, Produktivität und Ausgaben und hängt sie an die
- 0:50tatsächliche Arbeit, von Menschen und von KI-Agenten.
- 0:54Wie genau das Unternehmen Geld verdient, ist nicht offengelegt.
- 0:57Preise und Umsatz kennen wir nicht.
- 0:59Dazu gleich mehr.
- 1:00Das ist schon mal ehrlich.
- 1:02Und warum jetzt?
- 1:03Weil sich etwas verschoben hat.
- 1:05CEO Russ Fradin sagt sinngemäß: Unternehmens-KI ist von der Innovationsbudget-Phase
- 1:11in die Phase der finanziellen Rechenschaft gewechselt.
- 1:15Das ist seine Formulierung, also eine Firmensicht.
- 1:17Aber sie trifft den Nerv.
- 1:19Erst durfte man experimentieren.
- 1:21Jetzt will jemand den Beleg.
- 1:22Kurz zur Einordnung, weil wir viele Zahlen nennen werden.
- 1:26Was ist belegt, was ist Firmenangabe?
- 1:28Hier muss man trennen.
- 1:30Unabhängig berichtet sind die Finanzierung, die Investoren,
- 1:33das Gründungsjahr 2024, der CEO und die Kundennamen.
- 1:38Am 2.
- 1:38November 2026 wurde eine Series A über 30 Millionen Dollar bekannt gegeben,
- 1:44angeführt von Pelion Ventures, mit Andreessen Horowitz und Gradient Ventures dabei.
- 1:49Insgesamt sind es 47 Millionen.
- 1:52Alles andere, die Wirkungszahlen und die Fallbeispiele, sind Firmenangaben,
- 1:56nicht unabhängig geprüft.
- 1:58Für IGNITION vergleichen wir Quellen, prüfen Behauptungen und trennen belastbare
- 2:02Signale von kurzfristigem Hype.
- 2:04Gut.
- 2:04Dann zum Produkt.
- 2:06Was ist der Unterschied zu dem, was Firmen heute schon haben?
- 2:09Jedes Tool zeigt doch, wer sich eingeloggt hat.
- 2:11Genau da liegt der Punkt.
- 2:13Login-Zählung sagt: Jemand war da.
- 2:16Sie sagt nicht, was dabei herauskam und was es gekostet hat.
- 2:20Larridin führt drei Dinge zusammen: wie KI genutzt wird, was sie kostet und was
- 2:24dabei an Arbeit entsteht.
- 2:26Die Firma beschreibt vier Bausteine.
- 2:28Erstens Ausgaben: Lizenzen, Token und Modellkosten werden Teams und Agenten
- 2:33zugeordnet.
- 2:34Zweitens Wirkung: Wer nutzt KI wie routiniert, und wie viele Stunden kommen zurück?
- 2:39Drittens Entwicklerarbeit: KI-Kosten werden an Output und Code-Qualität gehängt.
- 2:44Viertens Abläufe: Welche wiederkehrende Arbeit sollte KI als Nächstes übernehmen?
- 2:49Ich versuche das mal für mich runterzubrechen.
- 2:52Die Lizenz ist der Sitzplatz im Kino.
- 2:54Larridin fragt, ob der Film etwas gebracht hat.
- 2:57Und was die Popcorn-Rechnung war.
- 3:00Bei Agenten wird das noch wichtiger.
- 3:02Ein Agent sitzt nirgends.
- 3:03Er verbraucht Token.
- 3:05Da hilft ein Sitzplatz-Denken überhaupt nicht.
- 3:07Dann nimm mich mal mit: Wie sieht die Reise eines Kunden aus?
- 3:10Was passiert zuerst?
- 3:11Man schließt die Plattform an die Systeme an, und dann sieht man zum ersten Mal
- 3:15blinde Flecken.
- 3:16Das erste Beispiel, Firmenangabe: Bei einem Kunden waren 92 Prozent der Entwickler
- 3:21aktive KI-Nutzer.
- 3:23Klingt nach einem Triumph.
- 3:25Doch ein einziger Entwickler verursachte in einer Woche rund 65 Prozent der
- 3:30KI-Kosten des Teams.
- 3:31Ein Mensch, zwei Drittel der Rechnung.
- 3:34Aber wo ist da der Haken?
- 3:36Vielleicht ist genau dieser Entwickler der produktivste.
- 3:39Das ist die richtige Frage, und die Zahl allein beantwortet sie nicht.
- 3:43Sie zeigt nur: Die Adoptionsquote von 92 Prozent verdeckt eine extrem ungleiche
- 3:48Verteilung.
- 3:49Erst wenn man den Output danebenlegt, kann man entscheiden,
- 3:52ob das Verschwendung ist oder die beste Investition im Team.
- 3:56Der Wert liegt in der Frage, die plötzlich gestellt werden kann.
- 3:59Und das zweite Beispiel mit den zwei Tools?
- 4:01Bei einem anderen Kunden unterschieden sich zwei vergleichbare
- 4:04KI-Programmierwerkzeuge um das 66-Fache in den Kosten pro ausgeliefertem
- 4:09Code-Change.
- 4:10Das teurere wurde laut Larridin ohne Produktivitätsverlust gekündigt.
- 4:15Auch das ist eine Firmenangabe.
- 4:17Aber es zeigt die Mechanik: erst sehen, dann umschichten.
- 4:21Und jetzt zum Geld.
- 4:22Du hast gesagt, Preise sind unbekannt.
- 4:25Was können wir trotzdem sagen?
- 4:26Wenig Gesichertes, ehrlich gesagt.
- 4:28Ich vermute Enterprise-Software mit Verträgen für große Unternehmen,
- 4:32aber das ist Interpretation, nicht belegt.
- 4:35Ob nach Größe, nach analysierten Ausgaben oder anders abgerechnet wird,
- 4:39wissen wir nicht.
- 4:42Was man aber logisch begründen kann, ist die Zahlungsbereitschaft.
- 4:45Wenn ein Werkzeug Verschwendung sichtbar macht, kann es sich im besten Fall selbst
- 4:49bezahlen.
- 4:50Larridin gibt an, im ersten Jahr im Median 2,4 Millionen Dollar KI-Ausgaben
- 4:55optimiert zu haben.
- 4:56Wenn das stimmt, ist ein Vertrag dagegen eine leichte Rechnung.
- 4:59Wenn.
- 5:00Wer prüft die 2,4 Millionen?
- 5:02Und die 47 Prozent mehr Team-Output?
- 5:05Niemand unabhängig, soweit bekannt.
- 5:07Das ist die Behauptung.
- 5:08Die Frage ist, ob der Markt sie bestätigt, zum Beispiel über Verlängerungen der
- 5:12Kunden.
- 5:13Dazu haben wir keine Daten.
- 5:15Belegt ist die Finanzierung, nicht der Umsatz.
- 5:18Okay.
- 5:19Und was macht KI hier überhaupt möglich?
- 5:21Menschen hat man doch auch schon gemessen, mit Zeiterfassung und Kennzahlen.
- 5:25Und es hat nie sauber funktioniert, weil Bürotätigkeit schwer zu sehen ist.
- 5:30KI-Nutzung dagegen hinterlässt Spuren.
- 5:32Jede Sitzung, jeder Token, jeder Agentenlauf ist maschinenlesbar.
- 5:37Man kann das in großem Maßstab erfassen und Abläufen zuordnen.
- 5:40Larridin nennt über 2 Milliarden gemessene KI-Sessions und über 82.000 erfasste
- 5:45Workflows.
- 5:46Auch das sind Firmenangaben.
- 5:48Und KI ist nicht der Zauber.
- 5:50Sie ist der Grund, warum es so viel neue, schwer kontrollierbare Ausgabe gibt,
- 5:54die gemessen werden muss.
- 5:55Gibt es ein Signal, dass mehr KI-Output nicht automatisch mehr Wirkung heißt?
- 6:00Ja, im Firmenreport mit Daten von über 1.000 Entwicklern.
- 6:04KI-unterstützte Pull Requests, also Änderungsvorschläge am Code,
- 6:08stiegen von 35 auf 62 Prozent.
- 6:11Die Durchlaufzeit sank von 9,5 auf 7,3 Stunden.
- 6:15Aber die Wartezeit auf die erste menschliche Prüfung stieg um fast 50 Prozent.
- 6:21Der Engpass wandert.
- 6:23Wer nur den Output zählt, übersieht den Stau dahinter.
- 6:25Für mich liegt das Muster darunter klar da.
- 6:28Baue die unabhängige Mess- und Rechenschaftsschicht auf einem Ausgabenboom,
- 6:32die neutrale Instanz, die Wirkung beweist, Verschwendung sichtbar macht und so zum
- 6:36Standard wird, nach dem sich das Budget richtet.
- 6:38Aber warum macht das nicht einfach Microsoft oder OpenAI mit einem eigenen
- 6:43Dashboard?
- 6:43Weil kein Anbieter freiwillig belegt, dass sein eigenes Tool überflüssig ist.
- 6:47Neutralität ist Teil des Produkts.
- 6:50Nur wer die teuren Werkzeuge nicht selbst verkauft, darf glaubwürdig über ihren
- 6:54Nutzen urteilen.
- 6:55Dazu kommt der zweite Hebel: Vergleichsdaten über viele Unternehmen.
- 6:59Ein Kunde kann sich selbst vermessen, aber nie wissen, ob er im Branchenschnitt
- 7:03liegt.
- 7:04Das ist der mögliche Burggraben, nicht das Dashboard.
- 7:07Das ist die Theorie.
- 7:08Wo bricht es?
- 7:09Ich sehe mehrere Stellen.
- 7:11Wirkung sauber zuzurechnen ist hart.
- 7:14Wurde das Team schneller wegen des Tools, wegen einer ruhigen Saison oder wegen
- 7:18eines besseren Codebestands?
- 7:20Henne und Ei, Scheinkorrelationen.
- 7:23Das ist das methodische Kernproblem, und ich würde es nicht kleinreden.
- 7:26Ein Dashboard kann eine Korrelation zeigen.
- 7:29Ob es Ursache ist, ist schwerer.
- 7:31Deshalb sind Vergleiche gegen eine gemessene Ausgangslage wichtig,
- 7:35wie sie bei den Abläufen genutzt werden sollen.
- 7:37Und trotzdem bleibt eine Restunsicherheit.
- 7:39Dann das Misstrauen.
- 7:41Detailliertes Tracking, wer wie mit KI arbeitet.
- 7:44Das ruft Betriebsräte auf den Plan, gerade bei uns in Europa.
- 7:48Und dann die Konkurrenz: FinOps-Anbieter oder Observability-Firmen bauen
- 7:53Token-Analysen als Zusatzfunktion ein.
- 7:56Alles plausible Risiken.
- 7:58Dafür spricht der Vorsprung bei Daten und Fokus, dagegen spricht,
- 8:01dass Funktionen kopierbar sind.
- 8:03Offen bleibt, ob die Vergleichsdaten wirklich so tief werden,
- 8:06wie die Firma hofft.
- 8:07Das ist ein frühes Signal, aber noch kein Beweis.
- 8:11Dann die Frage für unsere Hörer.
- 8:13Was nehmen Gründer und kleine Teams mit, ohne ein Larridin nachzubauen?
- 8:17Drei Dinge.
- 8:18Erstens: In jedem Hype entsteht Bedarf nach der Instanz, die Wirkung beweist.
- 8:22Das ist oft lukrativer als ein weiteres Tool.
- 8:25Zweitens: Miss und verkaufe Ergebnisse, nicht Sitzplätze.
- 8:30Wenn Agenten Arbeit übernehmen, trägt der Preis pro Kopf nicht mehr.
- 8:33Drittens: Neutralität und Vergleichsdaten sind der Burggraben.
- 8:37Wer zehn Kunden ehrlich vergleicht, weiß etwas, das keiner allein wissen kann.
- 8:42Und wer es kleiner angehen will: Man kann zuerst bei sich selbst messen.
- 8:46Welches Tool kostet wie viel pro Ergebnis?
- 8:49Das ist Handwerk, kein Großprojekt.
- 8:52Genau.
- 8:52Dann ist der Gedanke zum Schluss ein praktischer.
- 8:55KI verschiebt Macht zu denen, die klar sehen, was wirklich wirkt.
- 8:58Wer messen kann, baut schneller, selbstbestimmter und kapitaleffizienter.
- 9:03Das war der Business Case des Tages.
- 9:04IGNITION.
- 9:05Jeden Morgen.
- 9:06Ein echter Business Case.
- 9:08Eine echte Chance für Dich.