octonomy

In meinem Airbnb hängt eine Klingel an der Wand. Darauf steht: 𝑷𝒓𝒆𝒔𝒔 𝒇𝒐𝒓 𝑪𝒉𝒂𝒎𝒑𝒂𝒈𝒏𝒆 Ich habe gedrückt. Dann nochmal. Dann ganz fest. Champagner: null. 🥂 Berufskrankheit: Ich musste sofort an meine Kundentermine denken. Das höre ich echt oft: „Wir haben KI schon getestet. Die Demo war top, im Alltag kam nichts Brauchbares raus.“ Glaube ich sofort. Nur werden da oft Äpfel mit Tomaten verglichen. Heißt: Jede KI hat eine Art Arbeitsgedächtnis, das sogenannte Kontextfenster. Wie bei uns: Zehn Seiten kann ich mir gut merken. Ein Handbuch mit 1.000 Seiten eher schwierig. In der Demo passen alle Dokumente rein, deshalb sieht da fast jedes Tool gut aus. Im echten Betrieb liegen da aber tausende Handbücher, Schaltpläne und Excel-Listen mit Querverweisen. Die passen da nicht mehr rein. Die KI muss also erst selbst finden, was relevant ist. Und genau da bricht die Genauigkeit massiv ein. In der Demo kommt Champagner raus. Im Alltag bleibt es beim Klingeln. 🛎️ Mein Tipp: Testet richtig! Wie so ein fairer Test aussehen kann, zeigt der Benchmark Report von octonomy. Die Tolly Group hat vier KI-Lösungen mit einem Servicehandbuch von über 1.000 Seiten und 50 echten Fragen gegeneinander antreten lassen. Hier könnt ihr ihn euch holen: https://lnkd.in/eV5Ec2x4 Wie testet ihr KI-Tools, bevor ihr euch entscheidet? Mit Demo-Daten oder direkt mit euren eigenen?

Kennen Sie das? Die Frage ist speziell, das Handbuch irgendwo auf einem Laufwerk, und der Kollege mit der Antwort ist seit Kurzem in Rente. octonomy gibt Ihnen Zugriff auf Schaltpläne, Stücklisten und Servicehistorie direkt vor Ort, mit Quellenangabe statt Rätselraten. Sehen Sie, wie das für Techniker im Feld aussieht: https://lnkd.in/efrQPYrj/?utm_campaign=GER%257CTraffic%257CUseCases%252BSelfcheck%257CNerds&utm_source=linkedin&utm_medium=paid&utm_id=1149305024&hsa_acc=514238103&hsa_cam=1149305024&hsa_grp=801602894&hsa_ad=1515037784&hsa_net=linkedin&hsa_ver=3

Die Handynummer eines Pensionärs ist kein Plan B. Wenn das entscheidende Wissen nur in einem Kopf steckte, kostet jede Rückfrage Zeit, die Sie vor Ort nicht haben. octonomy beantwortet technische Fragen direkt auf Ihrem Tablet, aus Ihren eigenen Unterlagen. Sehen Sie, wie das aussieht: https://lnkd.in/efrQPYrj/?utm_campaign=GER%257CTraffic%257CUseCases%252BSelfcheck%257CNerds&utm_source=linkedin&utm_medium=paid&utm_id=1149305024&hsa_acc=514238103&hsa_cam=1149305024&hsa_grp=801602894&hsa_ad=1515037784&hsa_net=linkedin&hsa_ver=3

„Wir haben doch ein ERP und unsere Handbücher.“ Das hat mir gestern ein Head of Service aus dem Maschinenbau gesagt. Er leitet ein Team von zehn Leuten, die alle viel Erfahrung mitbringen. Dann kam meine Nachfrage, wo die Handbücher denn genau liegen. Ein Teil der Handbücher liegt als PDF auf dem Laufwerk, ein anderer Teil steht in Ordnern im Büro. Und das wirklich wichtige Wissen hat ein Kollege im Kopf, der seit Jahren jede Maschine kennt. Ehrlich gesagt höre ich das ziemlich oft. Im Alltag funktioniert es ja auch irgendwie, denn wer lange dabei ist, weiß, wo was liegt. Für eine KI reicht „irgendwie“ aber nicht. Sie kann nur mit dem arbeiten, was sie auch findet. Die KI ist in so einem Moment also noch gar nicht das Problem. Das Problem ist, dass das Wissen verstreut ist und niemand genau weiß, in welchem Zustand es ist. „Sind wir bereit für KI?“ bringt einen da selten weiter. Hilfreicher finde ich die Frage, was uns konkret für den ersten Use Case fehlt, der wirklich produktiv laufen soll. Wir haben dafür einen Self-Check mit 16 Fragen gebaut. Er liefert kein fertiges Urteil, sondern einen Rahmen, um die eigene Lücke zu finden. Den Link findet ihr im ersten Kommentar und wenn ihr gerade an derselben Stelle steht, schreibt mir gern.

,,𝗛𝗮𝗯𝘁 𝗜𝗵𝗿 𝗲𝗶𝗴𝗲𝗻𝘁𝗹𝗶𝗰𝗵 𝗮𝘂𝗰𝗵 𝗻𝗲 𝗔𝗣𝗜 𝗳ü𝗿 𝗱𝗶𝗲 𝗞ö𝗽𝗳𝗲 𝗺𝗲𝗶𝗻𝗲𝗿 𝗠𝗶𝘁𝗮𝗿𝗯𝗲𝗶𝘁𝗲𝗿?‘‘ Das hat mich diese Woche jemand im Kennenlern-Call gefragt. Halb im Spaß, halb ernst. Leider nein. Es gibt keine Schnittstelle, an die man sich im Kopf andocken kann. 😁 Dass das Wissen in den Köpfen steckt, höre ich super oft. Und ehrlich, ich kenne das auch privat. Auf jedem Geburtstag mache ich den Russischen Salat meiner Schwiegermama. Und jedes Mal fragt jemand nach dem Rezept. Gibt es nicht. Zumindest nicht auf Papier. Ich bin also selbst ein ziemlich gut gehütetes Wissenssilo. Im Job kommt danach meistens direkt der nächste Gedanke: Die Daten sind eh nicht vollständig, also macht man erst mal ein Datenbereinigungsprojekt. Ja, nee, verstehe ich. Klingt vernünftig. Aber lass uns da offen sein: Wer erst alles aufräumen will, fängt oft nie an. Und bis das Projekt durch ist, ist die Doku schon wieder veraltet. Ob ein Unternehmen bereit für KI ist, lässt sich deshalb pauschal kaum beantworten. Viel hilfreicher ist die Frage, was konkret für den ersten produktiven Use Case fehlt. Heißt, ihr fangt nicht mit dem ganzen Kochbuch an, sondern mit einem Rezept. Sucht euch einen klar abgegrenzten Use Case aus. Und dann: einfach loslegen. Den richtigen Zeitpunkt gibt es nicht. Es gibt nur zu spät. Wer prüfen will, wo bei euch die erste Lücke ist: Wir haben bei octonomy einen KI-Readiness Self-Check entwickelt. 16 Fragen, mit denen ihr ziemlich schnell seht, woran es noch hakt. https://lnkd.in/ekybizxK Wie ist das bei euch: Erst die Daten aufräumen oder mit dem starten, was da ist?

Which question decides whether an AI project makes it or doesnt? Most companies start their search with the vendor. Which platform, which price, which feature list looks best in the demo. Makes sense, thats the part you can actually see and compare. But heres what kept happening on the #octoconnect tour, Cologne, Hamburg, Munich: people kept asking me that exact question, and the real answer almost never pointed at a vendor. It pointed back inside their own building. Is the data actually usable, beyond existing somewhere in a drive? Who has to be in the room when the decision gets made? Whether the organization is actually ready to work with something that holds context instead of just spitting out answers. Thats the whole premise of our upcoming webinar, and honestly, this lineup earned it: Michaela Brehm from ANWR GROUP, Lena Bilstein from GITEC-IGIP GmbH, and Jost Löhnenbach from Vaillant Deutschland are doing the hard thing here: talking openly, in public, about the homework they did before their first AI use case, and the homework they wish theyd done. How do you spot the right first use case before you go shopping for a solution? What has to get settled internally before a single vendor call happens? How do you actually tell if your org is ready, versus just hoping it is? If youre somewhere in that how do we even start phase right now, before any vendor conversation: whats the one internal question your company still hasnt answered honestly? Sign up here: https://lnkd.in/egVDzCVp