Become a Creator today!Start creating today - Share your story with the world!
Start for free
00:00:00
00:00:01
#07 - AI und NoCode: Wie Levity künstliche Intelligenz demokratisiert - mit Thilo Huellmann
224 Plays5 years ago
Diese Woche hatten wir das Vergnügen mit Thilo Huellmann sprechen zu dürfen.
Thilo ist Co-Founder und CTO bei Levity, einem Unternehmen, dass mithilfe von künstlicher Intelligenz Prozesse automatisiert. In der aktuellen Folge spricht er darüber, wie Levity eigentlich eher durch Zufall entstanden und er selbst zum Thema AI (Künstliche Intelligenz) gekommen ist.
Levity hat gerade eine erfolgreiche 1,7 Millionen Dollar Pre-Seed Runde hinter sich (herzlichen Glückwunsch nochmal dafür) und wir sind wahnsinnig gespannt, wie es bei Levity weitergeht.
Thilo auf LinkedIn: https://www.linkedin.com/in/thilo-a-huellmann/
Mehr zu Levity: https://www.levity.ai
Recommended
Transcript
Einführung und Vorstellung von Tilo Hülmann
00:00:00
Speaker
Herzlich willkommen zum Visual Makers Podcast. Ich bin Lilith. Und ich bin Alex. Und wir unterhalten uns jede Woche rund um das Thema No Code.
00:00:14
Speaker
Wir freuen uns heute mit Tilo Hülmann sprechen zu dürfen. Tilo ist Co-Founder und CTO beim Berliner Tech-Startup Levity und er und sein Mitgründer haben zuletzt in einer Finanzierungsrunde einen siebenstelligen Betrag für ihr Unternehmen eingesammelt. Wir sind super gespannt auf die Einblicke und Hintergründe von Levity und eurer Gründungsgeschichte. Tilo, schön, dass du hier heute dabei bist. Herzlich willkommen.
00:00:34
Speaker
Ja, danke für die Einladung. Du hast schon ein bisschen vorweggenommen. Ich bin einer der Mitgründer und CTO, wenn man das so bezeichnen möchte, in der aktuellen Stage. Und ja, freue mich auf das Gespräch.
00:00:46
Speaker
Sehr schön, wir freuen uns. Tilo, magst du dich so ein bisschen vorstellen, wer bist du und was ist eigentlich Levity? Klar, gerne. Ja, wer bin ich? Wie gesagt, einer der Mitgründer des Unternehmens. Wir sind damals ganz ursprünglich gestartet, 2018. Das waren im Prinzip mein Mitgründer und ich noch im Studium. Und wir hatten eigentlich eine ganz andere Idee, die wir verfolgt haben, wo wir beide über Ineffizienzen in Vertriebsprozessen gestolpert sind.
00:01:16
Speaker
und wollten ganz speziell ein Problem lösen in dem Bereich, haben dann aber gemerkt, dass man dazu eben künstliche Intelligenz bräuchte und so kam es dazu, dass wir am Ende Levity gegründet haben.
00:01:33
Speaker
kurz zu mir. Ich habe eigentlich keinen technischen Hintergrund, bin aber trotzdem jetzt der technische Mitgründer, bin so mehr der Autodidakt und wir haben beide eigentlich BWL studiert, mein Mitgründer und ich. Und ja, habe aber auch während des Studiums und auch davor schon immer viel programmiert, Webseiten gebaut und so kam das dann eben, dass wir uns gefunden haben und doch
00:01:58
Speaker
ein relativ komplementäres Gründungsteam waren.
Gründungsgeschichte von Levity
00:02:02
Speaker
Genau. Und die ersten eineinhalb Jahre haben wir dann so ein bisschen rum experimentiert, bis wir dann tatsächlich auch bei dem gelandet sind, was wir heute machen. Wie seid ihr damals gestartet? Hattet ihr schon die konkrete Idee von der Lösung, die es heute so gibt? Oder habt ihr einen Prototyp gebaut und das so ein bisschen mit der Zielgruppe getestet? Wie seid ihr da vorgegangen?
00:02:20
Speaker
Ja, also wie ich gerade schon meinte, wir sind da so ein bisschen reingestolpert. Am Anfang hatten wir, wie gesagt, ein anderes Problem, als wir uns angeschaut haben. Da ging es darum, dass wenn ich im Vertrieb oder wenn ich T-Account Manager bin, dann möchte ich ja möglichst viele Informationen über meine Kunden oder auch
00:02:44
Speaker
potenzielle Kunden haben und wenn es neue Informationen gibt, möchte ich die möglichst schnell haben. Sprich, wenn jetzt jemand ein neues Büro aufmacht oder wenn jemand Mitarbeiter entlässt oder einen neuen CFO oder so einstellt, dann will ich ja als erster die Informationen haben, weil mir das im Zweifel dann einen Vorteil bringt, wenn ich irgendwas verkaufen möchte. Beispielsweise neu Möbel, wenn ich ein neues Büro aufmache. Das war so die Grundidee.
00:03:05
Speaker
Und wir haben eben gemerkt, dass der Großteil der Daten eben unstrukturiert vorliegen. Das heißt, es gibt irgendwie eine Pressemitteilung oder es gibt einen Artikel irgendwo in der Nachrichten, in der Zeitung oder wie auch immer.
00:03:21
Speaker
Das heißt, es ist einfach Text und wir wollten eben diesen Text den Leuten strukturiert zur Verfügung stellen, sodass ich dann nicht nur daran davon abhängig bin, was es eben unstrukturiert gibt, sorry, strukturiert gibt. Das heißt, normalerweise habe ich irgendwie eine Datenbank von potenziellen Leads und die kann ich dann irgendwie nach Unternehmensgröße und sonstigem irgendwie scoren und dann sagen, okay, den rufe ich zuerst an.
00:03:47
Speaker
am Ende arbeiten alle auf der gleichen Datengrundlage und wir wollten das eben besser machen, indem wir diesen Datenschatz an unstrukturierten Daten eben heben und das eben zur Verfügung stellen. Das war so die Grundidee und da ist uns relativ schnell aufgefallen, das war 2018.
00:04:03
Speaker
dass das nicht so einfach ist, gerade wenn man jetzt nicht selber einen Hintergrund in KI-Technologie hat, weil am Ende des Tages ist eben die Extraktion von strukturierten Informationen aus unstrukturierten Daten extrem herausfordernd. Und ja, dadurch sind wir so in dieses Thema reingestolpert und am Anfang haben wir eigentlich nur für uns selbst
00:04:27
Speaker
interne Tools gebaut, um das eben zu bewerkstelligen. Und haben so ein Tool gebaut, das hieß, haben wir uns damals ausgedacht, Colabel. Da ging es darum, im Prinzip kollaborativ Daten zu labeln. Und der Hintergrund ist der, dass man, wenn man so ein System trainieren möchte, wie jetzt beispielsweise, ist eine News über ein Unternehmen positiv oder negativ, dass man dann
00:04:53
Speaker
dass man dann das System trainieren muss und labeln muss. Und dann haben wir im Prinzip uns überlegt, okay, Labeln irgendwie in Excel dauert zu lange, wir bauen jetzt ein Slackbot, haben das in einer Woche oder so zusammengezimmert und haben dann angefangen, diese Daten zu labeln.
00:05:10
Speaker
Und ja, dann ist uns aufgefallen, okay, was jetzt? Dann müssen wir mit den Daten irgendwie, müssen wir was trainieren und so weiter und so fort. Also wir haben immer mehr eigene Tools gebaut. Bis uns dann irgendwann aufgefallen ist, okay, vielleicht sollten wir ein bisschen größer denken und jetzt nicht uns nur auf dieses eine Problem, was wir uns jetzt überlegt hatten, fokussieren, sondern vielleicht ist ja das, was wir jetzt als Problem hatten, nämlich dieser eigentliche Prozess dahinter.
Entwicklung und Investitionen für Levity
00:05:35
Speaker
Vielleicht ist das das, was wir eigentlich lösen sollten und vielleicht sollten wir aus unseren
00:05:39
Speaker
internen Tools am Ende eine Softwarelösung machen. Und dann sind wir auf Leute in unserem Netzwerk zugegangen und haben versucht, das zu validieren, ob das auch so ist.
00:05:51
Speaker
Scheint ganz gut geklappt zu haben. Ja, war ein Prozess auf jeden Fall. Also wir haben 2018, wie gesagt, gestartet. So im Sommer sind wir dann auch aus unserem Wohnzimmer im Studienort quasi ins Wohnzimmer in Berlin in einer kleinen WG umgezogen.
00:06:10
Speaker
Und haben dann die ersten eineinhalb Jahre, waren es quasi nur meine Mitgründer und ich, haben das Ganze mehr oder weniger gebootstrapped, haben aber auch eine Förderung bekommen von öffentlichen Geldern, quasi als Lebenshaltungskosten für uns jetzt als Gründer.
00:06:28
Speaker
Und darüber konnten wir echt viel experimentieren, bis wir dann am Ende auch zu dem gekommen sind, wo wir jetzt sind. Das war natürlich ein Prozess und das war nicht so Tag eins, wir wussten genau, so soll es aussehen und das bauen wir jetzt. Super spannend. Das klingt auch nach einer Lösung, die eigentlich für jeden sinnvoll ist und für jedes Team. Gibt es eine bestimmte Kundengruppe, auf die ihr euch gerade fokussiert?
00:06:53
Speaker
Ja, also vielleicht gehe ich noch mal ein bisschen darauf ein, wie es dann weiterging und was jetzt tatsächlich das ist, was wir machen. Genau, also erst mal am Anfang hatten wir, wie gesagt, nur dieses Labeling-Tool, wo es einfach nur darum ging, unstrukturierte Daten, sprich Bilder oder Text oder Dokumente, also nichts, was irgendwie in Tabellen vorliegt, zu labeln oder ein Tool an die Hand zu geben, dass du eben diese Daten labeln kannst, in einer sehr einfachen Art und Weise.
00:07:26
Speaker
Der Grund, warum man das macht, ist, wie gesagt, um dann mit diesen Daten, die man dann generiert hat, ein System zu trainieren und zu sagen, hier guck dir meine historischen Daten an und versuche irgendwie zu lernen, wie jetzt beispielsweise eine Rechnung aussieht oder wie ein anderes Dokument aussieht.
00:07:44
Speaker
Und wenn ich dir dann in der Zukunft neue Daten zeige, dann bist du hoffentlich in der Lage, das automatisch zu machen. Genau. Und wir hatten halt erst am Anfang nur diesen kleinen Teil der Wertschöpfungskette abgedeckt. Und haben den Rest, weil wir dann gemerkt haben, wir sind auf Kunden zugegangen, die genauso nicht technisch sind wie wir, die auch keine Machine Learning Engineers haben, die dann mit den Daten irgendwas machen können oder irgendwelche Data Scientists.
00:08:11
Speaker
Die haben dann auch gemerkt, gut, jetzt habe ich zwar diese Daten, aber was mache ich jetzt damit? Und so haben wir uns dann Stück für Stück entlang dieser Wertschöpfungskette mit dem Produkt integriert. Wir konnten natürlich mit unseren begrenzten Ressourcen nicht alles auf einmal bauen. Dementsprechend haben wir erst eben dieses ganz vorne angefangen, ein kleines Tool angeboten und den Rest dann für den
00:08:31
Speaker
für den Kunden ja manuell gemacht und darüber halt auch schnell gelernt, wie läuft so ein Projekt intern beim Kunden ab, was sind die Anforderungen und welche Rückschlüsse können wir dann darauf ziehen, wie wir unser Produkt bauen müssen, damit wir in Zukunft das quasi komplett Self-Service anbieten können. Wie aufwendig ist das für euch im Moment, so einen neuen Use-Case abzubilden, damit das System lernt, Daten einzufliegen und all das?
00:08:58
Speaker
Ja, mittlerweile sind wir an dem Punkt, dass wir gar nichts mehr machen müssen, also nichts mehr manuell für den Kunden machen müssen. Also da haben wir dann auch, es war so ein bisschen so, dass wir gesagt haben, okay, wir müssen erst mal herausfinden, ist das überhaupt irgendwas, was Leute wollen, ja, und sind die auch bereit, dafür Geld auszugeben.
00:09:18
Speaker
Und als wir dann an dem Punkt waren, dass wir eben diesen ersten Prototypen hatten und dass wir erste zahlende Kunden, oder das war natürlich auch noch zu einem großen Teil projektbasiert, aber man hat gesehen, es gibt irgendwie eine Nachfrage und es gibt Leute, die wollen das machen.
00:09:34
Speaker
Genau, aber das Produkt war dann natürlich noch nicht auf dem Level, dass wir das komplett alles abdecken konnten, gerade wenn es darum geht, im späteren Verlauf das Ganze zu integrieren. Das heißt, wir haben am Anfang einfach nur eine Zapier-Integration angeboten, mit denen der Kunde dann arbeiten konnte oder einfach eine API von uns ansteuern konnte. Aber für uns ging das noch nicht weit genug, weil wir wollten nicht, dass der Kunde am Ende noch
00:09:58
Speaker
andere Tools nutzen muss, wie Zapier oder irgendein Entwickler fragen muss, ja, wie kann ich jetzt die API hier integrieren, sondern wir wollten das wirklich Ende zu Ende gestalten und als wir dann an dem Punkt waren, sind wir halt auf Investoren zugegangen, haben gesagt, ok, pass auf, das haben wir jetzt das letzte Jahr oder die letzten anderthalb Jahre gemacht.
00:10:18
Speaker
Aus den Gründen glauben wir, dass das eine gute Sache ist. Wir haben gezeigt, dass wir Prototypen bauen können und es gibt Leute, die dafür zahlen wollen. Wir würden jetzt gerne dieses ganze projektbasierte Ding beiseite legen.
00:10:35
Speaker
quasi das Produkt auch so wie es ist oder den Prototypen erstmal auch wieder beiseite legen und nochmal von Grund auf neu starten und auch wirklich ein Ende-zu-Ende-Produkt bauen. Das war dann so gegen Ende 2019, Anfang 2020.
00:10:50
Speaker
Genau, und als wir dann quasi Investoren davon überzeugen konnten, haben wir angefangen, unser Team aufzubauen und das Produkt in der Form auch zu bauen. Und jetzt ist es so, dass der Kunde quasi mit dem Use-Case, wie du schon meintest, es ist sehr horizontal. Also wir machen jetzt nicht nur Bilderkennung für Versicherungen, die irgendwelche Schäden auf Bildern erkennen wollen und dann irgendwie eine total vertikale, digerierte Lösung.
00:11:15
Speaker
sondern es ist quasi wie ein Werkzeugkasten und es funktioniert natürlich auch nicht für jeden. Also wir können nicht alles für jeden machen, da kann ich auch gerne nochmal drauf eingehen, was genau wir machen und für was das funktioniert. Aber mittlerweile ist es so, dass der Kunde zu uns kommt mit seinen Daten, wo auch immer die Daten drin sind, kann sich integrieren, kann die Sachen reinholen, kann was trainieren ohne, dass er jetzt Input von uns braucht.
Herausforderungen bei der Investorenakquise
00:11:42
Speaker
und das dann am Ende auch Zapier-ähnlich in den Prozess integrieren. Aber wir haben quasi das, was Zapier zum Beispiel macht, leicht abgewandelt, dass es eben für die Art von Use Cases, die wir haben, besonders gut funktioniert.
00:11:55
Speaker
Ja, super spannendes Thema. Mega cool, vielen Dank. Vielleicht können wir mal so ein bisschen bei dieser Finanzierungsrunde einhaken. Ich habe gelesen, da gab es ein paar Hindernisse in der Hinsicht, dass ihr ja beide kein Informatik-Background habt. Kannst du da vielleicht noch mal drauf eingehen so ein bisschen?
00:12:15
Speaker
Ja, genau. Also wie gesagt, wir haben keinen Informatikhintergrund, wir sind Wirtschaftswissenschaftler, wenn man das so nennen will. Wir haben einfach nur unseren Bachelor gemacht und ich bin halt ein Autodidakt. Gero ist auch ein Autodidakt, natürlich irgendwie in seinem Bereich und wir sehen uns da schon als ein sehr komplementäres Team.
00:12:34
Speaker
Was uns aber aufgefallen ist, gerade im Gespräch mit deutschen Investoren oder auch generell europäischen Investoren, ist, dass da immer noch, ja zumindest am Anfang, wenn man sich noch nicht so gut kennt, auch sehr viel Wert darauf gelegt wird, dass man jetzt von irgendeiner Top-Uni
00:12:50
Speaker
irgendwie einen Informatikabschluss hat, auch wenn es nur ein Bachelor ist. Aber das konnten wir jetzt nicht unbedingt vorweisen. Dementsprechend war da immer oder zumindest am Anfang, wenn man sich kennengelernt hat, immer so ein bisschen, da gab es immer so Vorbehalte oder Leute waren ein bisschen skeptisch. Okay, wie kann das sein? Gerade weil es auch kein, sag ich mal,
00:13:16
Speaker
naja, simples Thema ist. Es ist ja kein, ich bau jetzt hier einen Marktplatz für irgendwas, sondern es ist halt schon ein Deep Tech und es ist jetzt nicht ganz ohne ein relativ dickes Brett zu bohren. Dementsprechend kann ich das schon verstehen. Aber wir haben halt gemerkt, die Investoren, bei denen auch selbst ein technischer Hintergrund vorlag,
00:13:37
Speaker
Da hat sich das relativ schnell geklärt. Also da hat man kurz miteinander gesprochen, hat gemerkt, okay, die erzählen uns hier nicht irgendeinen Humbug. Die wissen, was sie machen und die wissen auch, wie sie es machen. Wohingegen bei den Investoren, die selber keinen technischen Hintergrund haben, da war es ein bisschen schwieriger oder nicht möglich, sie davon zu überzeugen, weil sie halt selber nicht sich auf der Ebene bewegen. Und das ist leider in Deutschland immer noch die Mehrheit im Vergleich zu den USA jetzt.
00:14:12
Speaker
Wenn du jetzt ein Startup auf der Suche nach Investoren bist, was würdest du so als Tipp mitgeben? Was sollte man vorbereiten? Auf welche Fragen sollte man sich vielleicht auch vorbereiten? Was an Anforderungen sollte man eigentlich erfüllen?
00:14:26
Speaker
Ja, also das ist jetzt natürlich, Start-up ist natürlich ein weiter Begriff, das ist natürlich schwer zu beantworten, pauschal. Ich kann jetzt primär irgendwie von unserer Erfahrung sprechen, wenn du jetzt sagst, du bist ein Software-Unternehmen und du arbeitest
00:14:43
Speaker
Ja, sagen wir mal, du bist ein SaaS-Startup wie wir, dann ist es schon so, dass du wahrscheinlich irgendwann in die USA gehen musst, weil einfach da der größte Markt ist. Also Software ist zu 50%, also die Umsätze, die in der Softwarebranche gemacht werden, weltweit liegen zu über 50% in den USA.
00:15:06
Speaker
Und du bist ja auch als Softwareunternehmen durch nichts gehindert. Das heißt, warum solltest du nicht von Tag eins alles auf Englisch machen und versuchen, überall quasi zu verkaufen. Eigentlich hindert dich daran nichts. Und genau, was halt dazu kommt, ist wie gesagt, dass die Investorenlandschaft in den USA deutlich freundlicher ist für das, was wir jetzt machen. Aber jetzt angenommen, du machst das völlig anderes, wäre dann natürlich auch der Case ein anderer.
00:15:35
Speaker
Was sollte man vorbereiten? Ich habe gemerkt, bei den Investoren, die wir wollen oder die wir gut finden, ist sehr viel, gerade am Anfang, das Gespräch geht sehr viel um, was ist das Produkt, warum baut man dieses Produkt, also was ist das Problem dahinter und wo will man damit hin, also Vision.
00:16:01
Speaker
Und klar, wie sieht das Team aus und so weiter. Das ist eigentlich das Wichtigste. Wir haben jetzt gar nicht mal so viel irgendwelche Finanzmodelle oder Pitch Decks bis zum letzten Pixel poliert oder irgendwas, sondern es geht dann wirklich darum, gerade jetzt in der frühen Phase, ich kann jetzt natürlich nicht für später Phase, ich gehe jetzt natürlich ganz klar um KPIs, die man trifft, aber gerade am Anfang,
00:16:27
Speaker
Ja, dass man einfach eine klare Vorstellung davon hat, was das Produkt ist. Im besten Fall hat man natürlich auch das Produkt schon und kann mit dem Investor darüber sprechen, kann Demos machen und das Produkt und die Vision dahinter sollten auf jeden Fall im Vordergrund stehen.
00:16:44
Speaker
Und wenn es das nicht ist, dann ist das für mich auch schon so eine erste Red Flag, weil dann ist es auch häufig damit korreliert, dass die nicht so ganz so technischen Investoren, die es zum Großteil in Deutschland gibt, überhaupt keinen Wert darauf legen. Die interessieren sich auch nicht dafür. Die wollen das Produkt nicht sehen. Die wollen einfach nur wissen, was sind deine Zahlen und wie sieht das jetzt aus.
00:17:06
Speaker
Das mag funktionieren für das, was in Deutschland in der Start-up-Szene auch gut funktioniert hat, im Bereich E-Commerce beispielsweise. Da musst du nicht viel bauen, um irgendwie mal Umsätze zeigen zu können. Aber bei so einem Produkt wie unserem hast du halt extrem viel Vorlauf und das ist halt ein
00:17:28
Speaker
Ja, viel risikoreicheres Ding natürlich, weil du musst erst mal bauen, bauen, bauen. Klar, du validierst immer mit deinen ersten Nutzern, aber ob das dann am Ende wirklich so abhebt, wie du es dir vorgestellt hast, das steht natürlich in den Sternen. Und du wirst jetzt nicht in der Pre-Seed-Seed-Phase irgendwie mit den großen Umsätzen um die Ecke kommen, wie es vielleicht bei anderen Startups, die andere Modelle haben, wiederum anders ist.
Tilos Weg zum CTO
00:17:53
Speaker
Ich würde gerne mal einen Schritt zurückgehen und fragen, wie du eigentlich reingekommen bist. Du sagst, du bist quasi autodidakt und hast dir selber Programmieren und so beigebracht. Wie bist du dann zu ARR allgekommen? Ist das dann erst durch Levity passiert oder hast du dich schon davor damit beschäftigt?
00:18:12
Speaker
Ja, also die größte Entwicklung in dem Bereich jetzt persönlich habe ich auf jeden Fall mit der Gründung gemacht. Also das Schöne ist ja immer, wenn man, wenn man Code schreibt und den irgendwo in der History, in dem Version Control System hat, dann kann man auch mal
00:18:28
Speaker
zwei, drei Jahre zurückgehen und schauen, was man da so gemacht hat. Und das ist schon erschreckend. Aber nee, andererseits ist es natürlich schön zu sehen, dass man sich weiterentwickelt. Und wie bin ich dazu gekommen?
00:18:44
Speaker
auch wieder irgendwie wie die Jungfrau zum Kinde. Ich habe damals ein Praktikum gemacht bei einem Startup im Bereich Ferienhäuser. Die haben so ein bisschen versucht, dieses Airbnb-Modell zu challengen. Weil Airbnb ja bekanntermaßen irgendwie 20, 30 Prozent Provisionen abkassiert und das alte Modell von Ferienhausbetreibern ist eigentlich, dass du
00:19:10
Speaker
jährlich oder monatlich für die Listung zahlst und dann halt selber gucken musst, wie deine Performance ist und nicht ein Riesenteil deines Umsatzes abgibt. Aber wie auch immer, ich war da im Praktikum, es war ein sehr kleines Unternehmen damals und wir hatten, meine Aufgabe war auch irgendwie so alles und nichts. Es ging darum, irgendwie die Prozesse effizienter zu gestalten und
00:19:38
Speaker
Ja, da bin ich dann mit dem Thema Python in Kontakt gekommen, weil es irgendwie darum ging, Websites zu scrapen, also Informationen daraus zu sammeln und dem Sales-Vertriebsteam zur Verfügung zu stellen. Daraus ist dann die andere Idee entstanden, weil wir dann gemerkt haben, okay, was war der Prozess davor? Ja, der Prozess davor war, dass die Sales-Leute selber irgendwie auf die Websiten gehen, sich die Informationen rausziehen.
00:20:07
Speaker
und dann damit irgendwas anfangen oder sich eine Telefonnummer suchen und dann einmal anrufen. Und da habe ich dann gemerkt, okay, ich habe jetzt hier mit ein paar Zeilen Code, die ich mir irgendwie selber beigebracht habe, weil es halt niemand anderen gab, der das machen konnte oder wollte in dem Unternehmen.
00:20:27
Speaker
konnte ich eben einen großen Teil dieser Arbeit wegautomatisieren, sprich, die Leute hatten einfach mehr Zeit, um Kundenkontakt zu haben und anzurufen, als jetzt sich durchs Internet zu klicken.
00:20:43
Speaker
Und ja, mit dem Gedanken ist dann, wie gesagt, diese erste Idee entstanden, dass wir gesagt haben, okay, wir wollen das jetzt irgendwie systematisieren, dass wir auch diese Information rausziehen und darüber dann wiederum die Idee, okay, wie gehen wir dann mit den unstrukturierten Daten um? Wie gehen wir mit Text um? Wie gehen wir mit Bildern um?
00:21:01
Speaker
Ja, und da ist man dann relativ schnell mit dem Bereich in Kontakt gekommen. Und das Interessante ist, dass gleichzeitig auch eine extreme Weiterentwicklung im Bereich Text stattgefunden hat, was uns natürlich in die Karten gespielt hat, wir natürlich aber nicht beeinflussen konnten. Also es war zum Beispiel jetzt ein glücklicher Zufall, dass im Bereich Texterkennung oder Textklassifikation sich in den letzten
00:21:25
Speaker
zwei, drei Jahren extrem viel getan hat. Also als wir noch gestartet sind, waren die Modelle, auf denen man gearbeitet hat, die waren schon einige Jahre alt und die Ansätze, die man da verfolgt hat, haben so semi-gut funktioniert. Aber dann gab es, ähnlich wie bei der Bildklassifikation in den Jahren 2012, 2013, gab es halt einen Durchbruch und diesen
00:21:51
Speaker
jetzt vergleichbaren Durchbruch gab es eben im Textbereich. Und ja, das hat uns geholfen, weil wir dann quasi von Grund auf auch unser Produkt auf diesen neuen Entwicklung bauen konnten und Unternehmen, die jetzt vielleicht schon fünf, sechs Jahre dabei sind und irgendwie was ähnliches machen oder in dem Bereich unterwegs sind, wahrscheinlich ihre gesamte Architektur noch auf den alten
00:22:16
Speaker
Paradigmen gebaut haben und dementsprechend natürlich einen Nachteil haben, weil sie erstmal alles irgendwie umbauen müssten, um dann das Gleiche machen zu können.
00:22:27
Speaker
Du hast eben noch gesagt, dass du noch ein bisschen genauer erklären kannst, was ihr dann jetzt eigentlich genau aus diesen Daten macht, wie das eigentlich funktioniert bei euch. Wäre jetzt mal eigentlich ein schöner Moment dafür. Ja, klar. Also grundsätzlich, wie gesagt, wir sind zwar horizontal und wir sind auch, also was die Anwendungsfälle angeht und was jetzt irgendwie Industrie angeht, gehen wir nicht auf eine Industrie.
00:22:54
Speaker
Nur um jetzt mal zwei sehr unterschiedliche Beispiele zu nennen, wir haben irgendwie eine Firma, die ist sehr, sehr klassisch, dass die kriegen Dokumente zugeschickt per E-Mail als Anhänge. Und das kann alles Mögliche sein, die haben da glaube ich 40 verschiedene Dokumenttypen, aber es sind halt auch Dokumenttypen dabei, die jetzt nicht
00:23:16
Speaker
standard sind. Eine Rechnung ist total standard. Es gibt super viele Dokumente, die alle haben, aber die haben halt viele Dokumente, die jetzt niemand hat außer denen oder vielleicht noch ein paar anderen Unternehmen. Das heißt aber, es gibt keine fertige Lösung für dieses Unternehmen. Die können nicht einfach sagen, hier ist das Dokument-System für unseren Anwendungsfall.
00:23:43
Speaker
Weil niemand das bauen kann, weil niemand diese Datengrundlage hat. Das heißt, am Ende müssen sie es selber bauen und sie haben es auch versucht. Also sie wollten selber quasi das machen. Es hat aber nicht funktioniert, weil sie einfach intern auch nicht die Ressourcen haben und es einfach auch nicht so funktioniert hat, wie sie sich das vorgestellt haben.
00:24:04
Speaker
Ganz kurze Zwischenfrage, wenn du von verschiedenen Dokumententypen sprichst, sprichst du davon den, von den File-Typen oder von den Daten, die in dem Dokument quasi sind? Nö, von den Daten im Dokument. Bei unserem Fall reden wir jetzt nur von PDF-Dokumenten, also es können welche Scans sein oder so. Dieses Unternehmen ist im Bereich Hörgeräte, Akustik unterwegs und die haben zum Beispiel, kriegen die so Hörtests zurückgeschickt oder die Ergebnisse eines Hörtests von ihren Kunden.
00:24:33
Speaker
Also, die haben quasi Partner und der Partner schickt das dann zurück und dann steht da irgendwie, ja, okay, rechtes Ohr, linkes Ohr, so ist die Kurve und ja, genau. Und da gibt es halt eine Reihe von verschiedenen Dokumenten, die diese eben haben. Und dann haben die eben Mitarbeiter auch, die einen gewissen Teil ihrer Arbeitszeit, irgendwas zwischen 10 bis 20 Prozent, auch damit verbringen, diese Dokumente zu verarbeiten, weil die halt
00:24:58
Speaker
Täglich kommen da Hunderte, Tausende rein und die müssen irgendwie gucken, ja gut, hier steht jetzt Scan, 3. März 2021, was ist das, ja? Und dann muss ich mir das angucken, muss ich sagen, okay, was steht da drin, aha, für welchen Kunden ist das, umbenennen, irgendwie in den richtigen Ordner schieben und irgendwas im CRM.
00:25:19
Speaker
updaten. Also super nervig und müsste eigentlich automatisch gehen. Und es geht ja auch theoretisch automatisch mit Tools wie Zapier und so weiter. Nur, wo das halt scheitert, ist der Teil, wo ich mir das Dokument anschaue. Und was die mit uns im Prinzip machen, ist, dass sie ihre historischen Daten, die sie noch manuell verarbeitet haben,
00:25:43
Speaker
bei uns reinwerfen, das System dann auf diese Daten trainieren und dann ihr CRM und so weiter alles damit connecten, dass wir halt alle neuen Daten, die reinkommen, direkt bekommen. Das trainierte System sich das anschauen kann und auch direkt das, was dann damit passieren soll, ausführen kann. Plus man hat dann einen sogenannten Human Feedback Loop,
00:26:05
Speaker
Wenn sich das System eben nicht sicher ist, und das ist bei KI-Systemen so, dass sie halt nie perfekt sind, wenn es sich nicht sicher ist, dann wird es nochmal einem Menschen gezeigt. Und wo dieser Cutoff ist, bestimmt im Prinzip auch der Kunde, weil er sagt, okay, ich möchte, dass maximal so und so viele Fehler passieren. Und wenn ich halt einen sehr, sehr kritischen Prozess habe, dann setze ich dieses Level halt runter. Wenn ich einen weniger kritischen Prozess habe, setze ich es halt hoch.
00:26:35
Speaker
Und dementsprechend werden mehr oder weniger Daten an den Menschen noch weitergeleitet.
Produktentwicklung und Skalierungsstrategien
00:26:42
Speaker
Und über Zeit, durch diesen Feedback Loop, kann das System im Prinzip auch weiter lernen, weil es mehr Daten bekommt und besser wird. Somit müssen dann auch über Zeit immer weniger Dokumente bei Menschen landen.
00:26:53
Speaker
Das wäre so ein klassischer Case, was es auch gibt. Völlig anderes Thema ist, wir haben jetzt einen Kunden oder sagen wir einen Labor, die schauen sich den ganzen Tag Sachen unter dem Mikroskop an. In dem Fall wollen die erkennen, ist in der Probe ein Parasit zu sehen oder nicht.
00:27:14
Speaker
Und dann musst du die Probe vorbereiten und das Mikroskop legen und dann ist da entweder ganz viel Dreck und halt nichts oder da ist ein Parasit oder mehrere Eier von Parasiten.
00:27:30
Speaker
Genau, das ist halt ein sehr aufwendiger Prozess, weil du musst dann irgendwie einmal über dieses ganze mikroskopische Ding drüber gehen. Du musst es auch irgendwie dreimal machen pro Probe. Und das ist einfach sehr aufwendig. Und was sie mit uns machen, ist, sich ein automatisiertes Mikroskop zu kaufen, dass sie quasi nur diese ganzen Proben vorbereiten müssen, die sie dann alle in dieses Mikroskop reinschieben.
00:27:54
Speaker
Dann kriegen Sie ein paar tausend Bilder raus und die Bilder wiederum schieben Sie einfach in eine Dropbox. Und die Dropbox spricht dann wiederum mit uns und wir können dann sagen, okay, da ist ein Parasit drauf, da ist kein Parasit drauf. Und die Ergebnisse werden beispielsweise in Google Sheets abgespeichert. Und so muss halt der Labormitarbeiter jetzt nicht jede Probe einzeln sich anschauen, sondern kann einfach sagen, okay, ich mache jetzt mal 100 Proben fertig. Das geht alles in das automatisierte Mikroskop.
00:28:23
Speaker
Und am Ende muss ich mir vielleicht 10 Sachen anschauen, wo es sich jetzt nicht ganz sicher war. Aber das kriege ich dann direkt aufs Handy und kann mir das dann da anschauen. Boah, ich hab so einen richtigen Fan-Girl-Moment gerade. Ich finde ja, mein Thema ist auch Automatisierung. Also ich arbeite ganz viel mit Zapier und Integromat und so. Und das ist ja der Wahnsinn. Also unstrukturierte Daten dann in Google Sheets und in mein CRM und sowas. Super cool.
00:28:50
Speaker
Ja, so freut mich zu hören. Übrigens, wir integrieren uns natürlich auch mit Integromat und Zapier, weil wir können jetzt nicht von Tag eins alle Integration natürlich bieten. Zapier hat ja, glaube ich, 2000 verschiedene und wir haben natürlich auch eine API-Anbindung.
00:29:05
Speaker
Wir versuchen natürlich jetzt Schritt für Schritt die Integration zur Verfügung zu stellen. Aber zum Beispiel auch der Unterschied zwischen einem Integromat und einem Sepp hier sieht man ja häufig, dass man sehr viel mehr
00:29:21
Speaker
Routing machen kann, dass man sagen kann, okay, hier kommt was rein und jetzt habe ich aber fünf verschiedene Sachen oder zehn oder fünfzig, die ich machen will und router das entsprechend. Das ist bei Sepp hier nicht so wirklich möglich, weil es sehr linear ist und ich mir nur irgendwie so ein, zwei verschiedene Paths bauen kann. Und wir konnten uns im Prinzip beides anschauen und sagen, okay, für unsere Fälle, was interessiert uns,
00:29:43
Speaker
Bei Dropbox interessieren uns eigentlich nur, neue Pfeile landet in Dropbox. Bei Google Sheets interessiert uns irgendwie nur das. Das heißt, wir konnten uns so die paar Sachen rauspicken und wir konnten auch unseren Workflow-Bilder quasi für die Prozesse, die wir automatisieren möchten, ja, bauen. Und das Schöne ist, dass du dann quasi mit dieser Kombination aus Klassifizierungslösungen, also Parasit Ja oder Nein oder
00:30:14
Speaker
welches Dokument ist es ungefähr, dass du das dann auch miteinander verknüpfen kannst. Also du könntest quasi erstmal ein System trainieren, was nur sagt Parasit ja oder nein. Und wenn Parasit drauf ist, trainierst du ein zweites System, was dann guckt, welcher Parasit ist das denn. Und dann kannst du wiederum das so verschachteln, wie du es eben brauchst für deinen Use-Case.
00:30:35
Speaker
Superspannende Themenfelder und natürlich in beiden Fällen eine super Zeitersparnis. Also ich kann mir gar nicht vorstellen, wie viel Arbeit da entlastet wird von den jeweiligen Mitarbeitern. Wiener, bist du noch an der Entwicklung dran? Ihr wächst ja stetig mit eurem Team. Entwickelt du noch aktiv mit an der Applikation?
00:30:54
Speaker
Ja, definitiv. Also am Anfang war es natürlich 95 Prozent meiner Zeit, die ich damit verbracht habe. Wir haben uns dann mal gut aufgeteilt, dass mein Mitgründer quasi am Anfang einfach alles andere gemacht hat und ich halt nur Produkt und Engineering. Mittlerweile würde ich sagen, es ist so 50-50. Ich werde verbringen schon noch 50 Prozent meiner Zeit damit, häufig aber auch
00:31:19
Speaker
eher in der Koordination und gucken, wie bauen wir das jetzt auf. Hiring von neuen Engineers natürlich. Aber wir sind noch nicht, sag ich mal, in der Phase, wo wir jetzt 20, 30, 50 Leute haben, die irgendwie gemanagt werden müssen. Wir sind immer noch ein kleines Team, was sehr agil arbeitet und da hat einfach jeder so seinen Bereich. Und bei mir ist es eben der
00:31:41
Speaker
Python, also Backend-Machine Learning Bereich. Und wir haben damals, weil der Frontend-Teil ist jetzt nicht mein Checkendwert, da brauchten wir auf jeden Fall als erstes Hilfe, haben wir uns als erstes ein Frontend-Engineer an Bord geholt. Da waren wir dann zwei, drei Monate zu zweit. Und jetzt sind wir aktuell fünf. Das heißt, ich mache auch immer noch relativ viel. Automatisierst du auch selber in deinem Alltag?
00:32:07
Speaker
Ja, also wenn die Zeit dafür bleibt, wir haben natürlich die Sachen sehr gut aufgesetzt bei uns. Also grundsätzlich, ich würde sagen, der, der am meisten mit Sepia arbeitet, tatsächlich ist Gero oder auch die Leute auf der Businessseite bei uns.
00:32:24
Speaker
Wir haben, ich kann mal ein Beispiel nennen, wir hatten letztens ein bisschen PR gemacht und haben dann relativ viele Anfragen bekommen und unser Prozess davor war, dass Leute einfach auf die Website gehen konnten, konnten ihre E-Mail hinterlassen und dann haben sie wenig später eine E-Mail zurückbekommen mit, hier kannst du ein Telefonat mit Gero oder wie man auch immer buchen, über Calendly
00:32:49
Speaker
Das wäre aber nicht so gut gewesen mit irgendwie 2.000, 3.000 Sign-ups in wenigen Tagen. Also haben wir das ein bisschen umgewandelt zu... Wir wollen ein bisschen mehr Friction, also dass die Leute quasi beschreiben, was ihr Use-Case ist. Und wir dann kriegen wir dann eine Slack-Message. Das geht dann wiederum über Sepp hier zurück, an welche E-Mail wir rausschicken. Also wir haben dann quasi so
00:33:17
Speaker
Emoji-Reactions definiert, wenn es ein guter Use-Case ist, dann Daumen nach oben oder so, dann wird halt der Prozess getriggert und die Person kriegt den Call oder sie kriegt halt eine E-Mail, in der steht, ja, sorry, aktuell können wir das jetzt noch nicht covern für dich, aber wir melden uns oder wenn es dann frei verfügbar ist, kannst du dich gerne trotzdem anmelden.
00:33:40
Speaker
Genau, sowas haben wir mit Sepp hier automatisiert und dann versuchen wir natürlich auch unser eigenes Produkt dann einzusetzen, weil die Leute schreiben, ist wieder ein ähnliches Thema. Surveys, wenn Leute einfach Text schreiben und sagen, das und das ist mein Use-Case, dann kann das entweder ein guter Fit für uns sein oder ein schlechter Fit.
00:33:57
Speaker
Das wissen nur wir eigentlich. Und wir haben dann, nachdem wir so circa 1000 von diesen Surveys bekommen haben, haben wir die quasi einfach ausgezogen aus Slack beziehungsweise Intercom, wo wir die halt gespeichert haben. Und haben dann Levity genutzt, um eben einen Classifier zu trainieren, der, wenn du ihm eine Beschreibung von einem Use-Cast gibst, sagen kann, okay, ist das jetzt für uns ein guter Fit oder nicht?
00:34:25
Speaker
wo du gerade eben in Presse sagtest, ich bin auf euch gestoßen durch einen Artikel auf TechCrunch. Und für diejenigen, die TechCrunch nicht kennen, das ist ein Tech-Blog aus den USA. Und die haben im Februar, habe ich mal nachgeschaut, 14 Millionen Besuche gehabt, glaube ich. Wie war so für euch der Zulauf, nachdem der Artikel auf der Seite veröffentlicht wurde?
00:34:48
Speaker
Ja, sehr gut. Man muss natürlich dazu sagen, dass das immer nur eine Momentaufnahme ist. Wir sind eigentlich schon davon ausgegangen, dass wir dadurch einen gewissen Ansturm kriegen, weil wir auch einfach das Gefühl haben, dass unsere Zielgruppe da jetzt schon unterwegs ist auf TechCrunch. Vielleicht jetzt mehr als auf dem Handelsblatt oder so.
00:35:14
Speaker
Dementsprechend haben wir da schon mit viel gerechnet, aber nicht mit so viel. Also wir waren schon positiv überrascht. Das hat auf jeden Fall unsere Erwartungen über erfüllt. Und, ja, konkret in Zahlen, ich glaube, wir haben in den ersten 48 Stunden hatten wir so 5.000 Leute, die auf die Seite gegangen sind über TechCrunch und auch über 1.000 quasi Sign-ups, die unseren Survey ausgefüllt haben.
00:35:44
Speaker
Was eine Conversion Rate von 20% ist. Und damit haben wir natürlich nicht gerechnet. Wir haben mit einer viel niedrigeren Conversion gerechnet. Genau, aber natürlich ein paar Wochen später hat sich das dann auch wieder auf ein normales Level eingependelt. Das ist dann meistens nur so ein einmaliges Ding.
00:36:00
Speaker
Andererseits verleiht einem das natürlich immer so ein bisschen mehr Kredibilität im Hiring. Auch aus SEO Sicht ist das nicht schlecht, wenn man da vertreten ist. Also wir gehen schon davon aus, dass das einfach nur langfristig ein gutes Ding war. Aber man darf das dann nicht überbewerten. Ja, trotzdem interessant von den Zahlen her, die du gerade genannt hast. Sehr schön. Wie sieht bei euch so die weitere Planung aus dieses Jahr mit Levity?
00:36:29
Speaker
Ja, es steht sehr, sehr viel an. Wir müssen auf unserer Seite immer, also ich kann, ich spreche immer vor allen Dingen aus der Produktseite und denke darüber nach, okay, wie können wir das Produkt noch besser machen für mehr Leute und ja, wir müssen immer so ein bisschen aufpassen, dass wir die Wiege halten zwischen wie einfach machen wir die Dinge und wie viel kann unser Tool und
00:36:56
Speaker
Es ist auch so ein bisschen, ist das Produkt damals daraus entstanden, dass wir unzufrieden waren mit dem, was es eben gab. Wir haben uns angeschaut, es gab viele Tools, die Teile der Wertschöpfungskette für Entwickler einfacher gemacht haben. Also für Leute, die eh schon wissen, wie das Ganze funktioniert.
00:37:15
Speaker
den Prozess vereinfachen oder ein bisschen convenient machen, so ungefähr. Und dann immer nur einen Teil davon, Labeling, Model Training, Model Deployment, wie auch immer. Also diese ganzen Einzelkomponenten und das Ganze extrem komplex ist, weil es halt sehr, sehr viel kann.
00:37:33
Speaker
Wir haben dann gesagt, okay, wir wollen eigentlich gar nicht, dass es so viel kann, das soll eigentlich nur genug können, um diesen Großteil der Use Cases, die wir eben sehen, auch gut abdecken zu können. Und dann aber in die Breite gehen und sagen, wir integrieren uns wirklich Ende zu Ende, von deinen Rohdaten bis zu Integration in deine Systeme, bis hin zu, ja, also, dass du quasi diese gesamte Wertschöpfungskette abdecken kannst.
00:37:57
Speaker
Und ja, jetzt so langsam, die Vision, die wir vor einem Jahr sogar hatten, da sind wir jetzt auch langsam angekommen mit dem Produkt. Und jetzt ist die Frage, wie geht es weiter? Bei uns ist es eher so, dass wir halt sehen, okay, im Zweifel können wir es halt noch einfacher machen. Wir müssen erstmal gucken, weil wir sind aktuell auch noch in der Close Beta, dass wir die ganzen Systeme stabil kriegen.
00:38:19
Speaker
dass wir das Ganze auch skalierbar anbieten können, weil wir haben jetzt irgendwie eine dreistellige Anzahl an Nutzern und wir merken schon, wenn dann halt jemand um die Ecke kommt und mal eben eine Million Datenpunkte hochladen will, kann das halt schnell zu Problemen bei den Servern führen.
Demokratisierung von KI
00:38:40
Speaker
Kinderkrankheiten müssen wir halt erst mal beseitigen, bevor wir dann auch wirklich die Waitlist, die wir haben und auch weitere Marketingideen, die wir haben, angehen und an der anderen Seite mehr Leute auf die Plattform holen. Ich kann dir sagen, wie es quasi mittel- oder langfristig auch weitergeht oder wo wir hinwollen.
00:39:01
Speaker
Wir wollen natürlich einerseits ein bisschen mehr die Capabilities erweitern. Also ein grobes Beispiel von uns ist, aktuell können wir nur Klassifikationen für Bilder, PDFs und Text.
00:39:20
Speaker
Und wir machen auch nur quasi exklusiv, wie würde man das sagen, Klassifikation. Also es ist nicht so, dass jetzt wir, du gibst mir ein Bild und ich sag dir, welche Dinge da drauf sind, sondern ich sag dir halt, okay, das ist das oder das oder das oder das. Also es ist, können, das eine wäre irgendwie Tagging, das andere wäre irgendwie Klassifikation. Und solche Sachen hinzuzufügen ist schon wichtig, weil wir halt sehen, okay, viele Leute fragen das nach.
00:39:48
Speaker
Andererseits müssen wir uns halt überlegen, dadurch dass wir es halt sehr sehr einfach machen oder dem Nutzer alle unnötigen Entscheidungen quasi abnehmen wollen und durch Heuristiken bei uns im Backend lösen wollen.
00:40:03
Speaker
bringt das halt auch immer eine große Komplexität mit sich. Wie verpackt man das in einer UX, so dass man jetzt nicht mehr dazu packt und dann merkt, oh, jetzt ist irgendwie das, was wir ursprünglich gebaut haben, plötzlich viel zu kompliziert. Und das sieht man ja auch häufig mit allen möglichen Tools.
00:40:21
Speaker
Integromat ist schön und es ist super powerful, aber man merkt halt auch schnell, es kann einfach zu viel und man weiß gar nicht mehr, was abgeht. Und dann wollen wir lieber sagen, okay, wenn man jetzt nach dem 80-20 Prinzip denkt, wir schauen einfach, dass das Produkt die 80 Prozent gut abdeckt und die 20 Prozent, die es abdecken könnte, wir erstmal vernachlässigen und sagen, okay, tut uns leid, können wir leider nicht.
00:40:45
Speaker
können wir vielleicht irgendwann, aber jetzt aktuell wollen wir uns erstmal auf die Sachen fokussieren, die wir gut können und die noch besser machen und wirklich auch das Ganze noch schneller, noch einfacher machen. Das ist eigentlich für uns der Hauptfokus, weil wir es eben auch als Differenziator sehen und das wir jetzt nicht verwässern wollen durch solche Aktionen.
00:41:07
Speaker
Genau, und sorry nochmal für die langfristige Ausblick. Wir sehen halt, also was noch dazu kommt, ist, dass viele KI-Firmen, die zum Beispiel behaupten, was ähnliches wie wir zu machen, oder die sagen, okay, wir machen irgendwie die Entwicklung von KI einfacher, ist häufig dann auch auf den Entwickler ausgerichtet, nicht jetzt auf den
00:41:30
Speaker
nicht technischen Anwender. Was aber noch dazu kommt, ist, dass diese Unternehmen sich auch häufig auf sehr, sehr große Unternehmen fokussieren und sagen, okay, wir schauen uns irgendwie Fortune 500 oder DAX jetzt in Deutschland an, versuchen da irgendwie ein Deal an Land zu holen, bei dem ich jetzt eine Million pro Jahr irgendwie abkassieren kann.
00:41:50
Speaker
aber dann mit meinen Machine Learning Engineers und so weiter in die Firma reingehe und dann am Ende irgendwie so von dem Grundprodukt irgendwas halt anpasse, damit es irgendwie passend gemacht wird für das Unternehmen. Ziemlicher Top-Down-Ansatz. Wir sind ja eher bottom-up und sagen, okay, der Endnutzer soll damit klarkommen, der soll das ganz alleine machen und wir schauen uns eher die kleinen Unternehmen an.
00:42:17
Speaker
Problem dabei ist, was wir jetzt lösen müssen für uns, ist, natürlich haben große Unternehmen viel, viel mehr Daten und wenn sie mehr Daten haben, können sie theoretisch auch bessere Ergebnisse kriegen, wenn es um solche KI-Themen geht. Das ist erstmal Grundsatz. Was wir aber wiederum sehen, ist,
00:42:37
Speaker
Wenn wir jetzt viele kleine Unternehmen auf der Plattform haben, sind wir in der Lage, diese Daten zu poolen, ohne dass wir jetzt die Daten kennen müssen oder dass die Unternehmen untereinander die Daten des anderen kennen müssen. Können wir sagen, okay, wir haben jetzt im Bereich Hörakustik haben wir jetzt irgendwie 10 Firmen oder 50 Firmen und wir wissen, die Daten sind ähnlich, also können wir im Hintergrund
00:43:05
Speaker
quasi diese Daten nehmen, mit Einverständnis der Unternehmen natürlich, und das Ganze poolen und dann allen zusammen eine deutlich bessere Lösung zur Verfügung stellen. Genau. Und das Schöne ist, dass
00:43:21
Speaker
dass in dem Fall sogar am Ende bessere Lösungen bei rauskommen können, als wenn ich nur ein großes Unternehmen habe, weil das große Unternehmen sehr homogene Daten hat. Und wenn ich aber sehr viele heterogene Daten von kleinen Unternehmen habe, kriege ich dadurch auch robustere Systeme. Megaspannend. Finde ich auch total schönen Ansatz.
00:43:44
Speaker
No-Code ist ja quasi Programmieren für jeden, beziehungsweise Software bauen für jeden, ohne programmieren zu können. Und das ist ja noch mal Next Level.
Zukunft von Software und No-Code
00:43:56
Speaker
Ihr macht AI zugänglich für dann im Endeffekt auch jeden langfristig. Super, super cool. Wie siehst du das generell mit, wie sich die Softwarelandschaft oder Programmierlandschaft, wie man es auch immer frameen möchte,
00:44:13
Speaker
so in den nächsten Jahren entwickelt, dass es auch eher dahingehend wird, dass es vereinfacht wird, also seht ihr No-Code, euch mit AI und so wie siehst du, wie denkst du, dass sich die Landschaft da verändern wird in den nächsten Jahren?
00:44:28
Speaker
Ja, also ich glaube, die Entwicklung, die man hat, seit es irgendwie Code gibt, seit es Computer gibt, ist eigentlich immer die gleiche gewesen. Ja, also Leute haben immer mehr obendrauf gebaut und immer die Sachen mehr vereinfacht.
00:44:45
Speaker
Es gibt immer natürlich die Stimmen von Leuten, die sagen, ja, aber jetzt weiß man ja gar nicht mehr, was passiert und ich kann da gar nicht mehr reinschauen und so weiter. Aber das wurde auch schon gesagt, als man irgendwie von Assembly auf irgendwie C gegangen ist, so ungefähr. Also irgendwie von dem, ich schiebe irgendwelche Bits im Computer hin und her auf, ich schreibe da mal irgendwie eine Funktion oder so.
00:45:08
Speaker
Das wurde damals auch schon gesagt und wenn man dann von so Sachen wie C auf Programmiersprachen geht, die dann wiederum auf C basieren, wie Python, dann hat man ja auch wieder so ein Level obendrauf und man kann nicht mehr reinschauen.
00:45:27
Speaker
Also die Entwicklung wird es immer geben. Ich glaube auch, dass quasi No-Code-Lösungen und Code an sich immer einfach coexistieren werden. Ich glaube nicht, dass das eine irgendwie das
00:45:41
Speaker
besser oder schlechter ist oder irgendwie No-Code jetzt komplett alles ersetzen wird, sondern es gibt einfach Fälle, in denen man Code braucht, und Fälle, in denen man eben keinen Code braucht. In unserem Fall, wir könnten jetzt, natürlich bauen wir viel an unserem Unternehmen, wie unsere Website, ja, bauen wir mit Webflow oder wir automatisieren Dinge mit Zapier.
00:46:04
Speaker
Aber wir könnten jetzt nicht unsere Applikation, oder wir könnten schon, aber wir sollten unsere Applikation vielleicht nicht mit Bubble bauen. Das würde keinen Sinn ergeben. Aber ich glaube, es wird auch in die Richtung gehen, dass man die Sachen kombiniert, dass man sagt,
00:46:22
Speaker
Gerade im Frontend-Bereich, warum muss ich da immer irgendwie alles in Code bauen? Warum kann ich nicht wiederverwendbare Komponenten nehmen und sagen, okay, und jetzt möchte ich aber die API ansprechen und in der API läuft vielleicht Code. Ich habe da überhaupt nichts gegen, da irgendwie so ein hybrides Modell rauszumachen.
00:46:45
Speaker
Wie siehst du das Potential auf dem europäischen Markt? Das sind ja jetzt hauptsächlich amerikanische Anbieter und da spielt der Datenschutz ja immer ein ganz großes Thema. Wie siehst du das Potential auf dem deutschen Markt oder auf dem europäischen Markt? Ja, also wenn ich es mit anderen Sachen vergleiche, die in Amerika
00:47:03
Speaker
gut laufen und jetzt mal verglichen mit dem, was Deutschland oder was Europa hervorbringt, glaube ich, wir sind gar nicht so schlecht unterwegs, was No-Code-Startups angeht. Wir haben in der Stelle, jetzt Rose, wir haben irgendwie uns, wir haben auch noch diverse andere, die wirklich auch Sachen machen, die Potenzial haben und die auch global agieren von Tag eins an.
00:47:32
Speaker
Ich glaube, da hat sich einiges getan in den letzten Jahren, aber da ist immer noch viel Luft nach oben, was den Datenschutz angeht.
00:47:40
Speaker
Ja, also ich glaube, da sind viele Unternehmen mittlerweile an dem Punkt, egal ob europäisch oder US-amerikanisch, dass sie wissen, wie man damit umgeht. Es gibt ja genauso auf der amerikanischen Seite die Sachen, an die man sich halten muss, um da agieren zu können. Genauso gibt es, wie gesagt, GDPR in Europa. Und da compliant zu sein, ist, glaube ich, mittlerweile einfach so ein Thema, was Unternehmen abhaken wollen.
No-Code-Tools in Startups
00:48:11
Speaker
Ja, also ich glaube, dadurch, dass wir, wenn wir No-Code-Tools bauen und Leute zur Verfügung stellen, ist es ja eher so ein, ja, Prosumer oder Business-Kontext und ich als Business sagten halt, okay, ich gehe jetzt hier bewusst die Entscheidung ein, dass ich meine Daten mit euch teile, ja.
00:48:32
Speaker
Und das ist ja natürlich ein ganz anderer Kontext, als wenn ich jetzt quasi vermeintlich umsonst irgendwelche Services von Google oder Facebook nutze und dann aber merke, okay, die nutzen eben meine Daten und ich habe hier halt nur einmal auf einen Button geklickt. Das ist ja eher so ein unbewusstes Ding. Und ich glaube, da ist einfach der Kontext oder die, ja, es ist einfach ein anderer.
00:48:56
Speaker
Ja, was beim No-Code auch immer so ein bisschen im Raum steht, womit wir uns auch in den letzten Wochen auseinandergesetzt haben, ist das Thema Tag Ownership. Ihr baut ja jetzt noch auch eine Art No-Code-Anwendung. Wie siehst du das Thema? Man sagt ja immer so, gerade im Start-up-Bereich, man soll sich mit dem eigenen Code beschäftigen, damit auseinandersetzen und man gibt bei No-Code-Tools ja so ein bisschen die Verantwortung ab an die jeweiligen Anbieter und hat das ja auch gar nicht mehr so in der eigenen Macht.
00:49:25
Speaker
Wie siehst du das Ganze? Ich glaube, das Thema kann man sowohl auf No-Code als auch auf Code anwenden. Also auch wir haben am Ende des Tages Vendoren, die uns bestimmte Teile unserer Applikationen quasi liefern oder einfacher machen, sie zu entwickeln. Ein Beispiel wäre jetzt unsere Integration-Plattform. Also wir wollen nicht
00:49:51
Speaker
mit jeder API, die es da draußen gibt, anfangen, uns die Dokumentation durchzulesen und dann irgendwie Konnektoren zu bauen. Das wäre noch ein viel zu großer Aufwand. Das heißt, wir haben zum Beispiel ein Vendor im Bereich Integration. Das ist aber nicht so, dass es jetzt ein komplettes Tool wie Zapier wäre oder wie Integromart, sondern halt wirklich darauf ausgelegt,
00:50:16
Speaker
Software-as-a-Service-Anbietern wie uns diese Integrationsarbeit zu erleichtern. Andererseits haben wir das Gleiche auch auf der Machine Learning Seite. Also wir schreiben unseren Machine Learning Code komplett selbst und wir wissen, okay, das ist irgendwie die Pipeline, wo wir unsere Daten durchschicken.
00:50:37
Speaker
Aber wenn es jetzt darum geht, die Infrastruktur dahinter, also jetzt nicht nur Cloud, weil da hast du ja irgendwie ein AWS oder Google, sondern auch, wie stellt man jetzt die richtigen Ressourcen zur richtigen Zeit für Machine Learning zur Verfügung? Das Spezielle daran ist, dass man eben Grafikkarten braucht und die relativ teuer sind.
00:51:06
Speaker
Und dann ist das Problem, dass man nicht einfach jetzt permanent eine Grafikkarte laufen haben lassen will, wenn die nicht genutzt wird, und wie stellt man das dynamisch zur Verfügung und so weiter. Da haben wir einen Vendor, der heißt Valohai, der das für uns quasi macht, also nicht macht, sondern uns da eine sehr einfache API zur Verfügung stellt, wo wir einfach sagen können, okay, das wollen wir laufen lassen und das wollen wir dabei rauskriegen. Genau.
00:51:32
Speaker
Das gleiche ist ja, kannst du im Prinzip dann auch auf No-Code anwenden. Ja, wenn du jetzt dein Unternehmen baust und du baust irgendwie einen großen Teil auf Webflow oder du baust einen Teil auf Bubble. Ich habe halt häufig gehört von Leuten, die dann sagen, okay, was ist denn mit der Intellectual Property in dem Fall? Ja, also ich owne ja nicht alles.
00:51:55
Speaker
Aber ich glaube, das ist so ein bisschen eine Illusion, der man sich dahingibt. Wenn du wirklich, also jetzt aus unserem Case gesprochen, wenn du jetzt ein Unternehmen gründest und du willst irgendwie schnell sein, dann kann dir das auch erstmal egal sein. Wenn du irgendwann merkst, okay, irgendwie mit einem Vendor, da bin ich nicht ganz zufrieden mit den, wie die Konditionen sind, ja, und ich will das jetzt doch vielleicht selber bauen, ja, dann kannst du es immer noch machen.
Abschluss und Einladung zum Zuhören
00:52:24
Speaker
Aber wenn du jetzt schnell unterwegs sein willst, glaube ich, überwiegen da auf jeden Fall die Vorteile gegenüber dem vermeintlichen Nachteil, dass ich das nicht komplett owne. Ja, kann ich voll und ganz nachvollziehen, dein Ansatz. Sehr schön. Ich würde sagen, Lilith, wenn du noch eine Frage offen hast.
00:52:43
Speaker
Ne, ich überleg grad, ich würd am liebsten noch Stunden weiter reden. Aber ich glaube, wir haben jetzt langsam ne Stunde durch und genau, erstmal hab ich grad noch keine Fragen mehr.
00:52:57
Speaker
Sehr cool, dann würde ich sagen, enden wir die Runde. Es hat mir super viel Spaß gemacht, es waren super viele interessante Einblicke und drückt euch die Daumen für die kommenden Jahre mit Levity. Ich denke, ihr habt da echt was Großes geschaffen und es hat viel, viel Potenzial, auch die Digitalisierung in Deutschland voranzutreiben.
00:53:18
Speaker
Ich freue mich auch sehr darauf, euch die nächsten Jahre zu beobachten. Und vielen, vielen Dank, dass du da warst. Danke euch. Wenn dir diese Folge gefallen hat, dann freuen wir uns sehr, wenn du uns ein paar Sternchen in der Apple Podcast App dalässt oder uns eine Review schreibst. Das hilft uns nämlich, gefunden zu werden. Und wenn du mehr über No-Code erfahren möchtest, dann schau doch gerne auf unsere Website visualmakers.de vorbei. Ansonsten freuen wir uns, wenn du auch in der nächsten Folge wieder dabei bist. Bis zum nächsten Mal.