Werben im Podcast: HUBER Business AI Podcast

Reto Gamper hat bei Unilever, Ciba Vision, Steinfels Swiss, Bogar und Avosano Veränderungen verantwortet. Vom Turnaround bis zum Zusammenschluss zweier gleich grosser Pharma-Grosshändler. Er erklärt, warum ein Change nur mit dem Team gelingt und weshalb der Chef danach zurückstehen muss. Am Beispiel einer geschlossenen Verteilzentrale mit 300 Kunden zeigt er, wie Kundenfeedback einen fertigen Plan verändert hat. Im zweiten Teil geht es um datengestützte Vertriebssteuerung. Und um eine Kundenbefragung mit sechs Fragen, die abwanderungsgefährdete Kunden zu Fans gemacht hat. Zum Gast: Reto Gamper, Verkaufs- und Change-Profi, zuletzt verantwortlich für Verkauf und Einkauf bei Avosano. https://www.linkedin.com/in/r-gamper/ Gastgeber: Andy Huber. https://www.linkedin.com/in/andy-huber-ai-consulting/ Takeaways Ohne Team kein Change. Ist das Ziel gesetzt, muss der Chef zurückstehen und machen lassen.Den Plan mit Kunden testen. Beim Transfer von 300 Kunden hat erst das Kundenfeedback gezeigt, dass eine zweite Variante nötig war.Transaktionsdaten sind Gold. Sie zeigen, welcher Aussendienst welche Segmente verkauft und wo Cross- und Upselling-Potenzial liegt.Kurz fragen, schnell reagieren. Sechs Fragen mehrmals im Jahr, wöchentlich ausgewertet, haben die Abgangsrate gesenkt.KI bereitet vor, der Mensch baut Vertrauen auf. Briefings und Auswertungen werden schneller, der persönliche Kontakt bleibt.Kapitel 00:01 KI im Alltag00:38 Retos Stationen von Unilever bis Avosano02:57 Das Muster hinter jedem Change05:36 Wenn der Plan auf die Kunden trifft08:05 Umgang mit Widerstand im Team09:13 Change im Konzern und im KMU11:25 Leitplanken und Firmenwissen schützen12:12 Wie fit ist der Vertrieb bei Daten15:25 Datengesteuert statt nach Routine18:13 Mehrwert im Kundengespräch21:22 Die richtigen KPI im Vertrieb23:57 Trigger statt Excel-Listen27:41 Kundenbefragung als Frühwarnsystem33:22 Besuchsrapporte und Transkription39:34 Verabschiedung

Oswald entwickelt, produziert und vermarktet seine Produkte selbst. Die Traditionsmarke treibt heute 14 KI-Projekte parallel voran. Franco Kölliker ist Co-CEO sowie Chief Digital und Marketing Officer bei Oswald. Er erzählt, wie eine KI das Werbebudget auf die Kanäle verteilt und das gleiche Budget damit 300 Prozent mehr Wirkung bringt. Die Suche auf der Website hat sein Team in fünf Arbeitstagen durch eine KI-gestützte Suche ersetzt. Die Conversion der Suchenden stieg von 4,5 auf fast 40 Prozent. Nicht alles lief nach Plan. Beim Chatbot hat das Team unterschätzt, wie viel Prozesswissen und wie viele Leitplanken es braucht. Es ging sechs Monate, bis er für alle Kunden gut genug war. Im Gespräch geht es auch um Copilot im Backoffice, um die Frage, wie man die Leute mitnimmt, und darum, wo bei einer Traditionsmarke der Mensch bleiben muss. Gast: https://www.linkedin.com/in/franco-kölliker-74a1ab86/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ TakeawaysKlein anfangen. Oswald hat nicht mit einem grossen KI-Projekt gestartet, sondern mit vielen kleinen Projekten, die schnell Wirkung zeigen. Heute laufen 14 parallel.Die KI schlägt vor, der Mensch entscheidet. Die Budgetsteuerung im Performance Marketing war nach drei Monaten Testphase besser als die manuelle Steuerung. Die Freigabe bleibt beim Menschen.Produktdaten allein reichen nicht. Ein Chatbot braucht Prozesswissen und klare Leitplanken. Sonst empfiehlt er Produkte, die gar nicht im Sortiment sind.Eine feste Frist bündelt die Kräfte. Für die neue Suche hatten Agentur und Projektleitung fünf Arbeitstage. KI hat dabei auch bei der Programmierung geholfen.Nicht auf perfekte Daten warten. Der Einstieg gelingt über repetitive Tätigkeiten. Die Daten werden parallel verbessert.Die Menschen sind der wichtigste Faktor. Gute Daten und dokumentierte Prozesse nützen wenig ohne Leute, die das Thema aus eigenem Antrieb vorantreiben.Jede Lizenz braucht einen Business Case. Copilot ist im Backoffice breit im Einsatz. Ob eine Person eine Lizenz braucht, wird trotzdem jedes Mal geprüft. Kapitel00:00 Intro01:32 KI im privaten Alltag, Kochen und Smart Home02:44 ChatGPT, Claude und Gemini statt Google03:54 Franco und Oswald05:49 Zielgruppen, von B2C bis Export06:38 Die ersten Use Cases, Performance Marketing und Chatbot10:22 Agentur oder in-house10:49 KI in der Geschäftsleitung, Business Case und Testphase13:03 Daten, Prozesse und die Menschen14:06 Die zweite Führungsstufe mitnehmen16:42 Kreativität und A/B-Tests mit Visuals18:43 Copilot im Backoffice19:02 Wie das Team Copilot gelernt hat20:49 KI als Change-Projekt22:12 Was KI für das Kundenerlebnis bedeutet24:16 Schnellere Antworten, höhere Erwartungen26:08 Wo der Mensch bleiben muss27:56 KI-generierte Inhalte und menschliche Kontrolle29:18 KI-Agenten am Telefon31:54 Nicht auf perfekte Daten warten34:30 Neue Suche in fünf Tagen35:51 Wie weit die Branche ist37:15 Rückstand aufholen38:00 KI-Kompetenz bei der Rekrutierung39:05 Oswald in drei Jahren41:44 Was KI nicht kann, der Geschmack42:30 Verabschiedung

Siemens ist über 175 Jahre alt und im Projektgeschäft gross geworden. Seit 2022 bietet der Konzern auf seiner eigenen Plattform auch Lösungen von Partnern an. Mario Fürst verantwortet Siemens Xcelerator in der Schweiz. Auslöser für die Plattform war Feedback aus dem Markt. Viele Kunden finden die passenden Lösungen und Partner für ihre Digitalisierungsprojekte nicht. Intern stellte sich eine andere Frage. Wieso etwas ändern, wenn das Geschäft gut läuft? Wir sprechen über Industrial AI und Simulationen, die heute in wenigen Stunden laufen. Über einen KI-Agenten, der Ingenieure beim Programmieren von Steuerungen unterstützt. Und darüber, wann der KI-Agent eines Kunden selbst auf der Plattform einkauft. Gast: https://www.linkedin.com/in/mario-fürst-35291b12a/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Takeaways Die Qualität entscheidet über den Nutzen. Viele Projekte sind früher gescheitert, weil die Qualität nicht dort war, wo sie sein musste. Erst wenn die digitale Simulation der Realität entspricht, entsteht ein echter Nutzen.Simulationen laufen heute in wenigen Stunden. Lösungen, die vor 20 Jahren drei bis vier Tage gerechnet haben, schaffen das mit Physical AI in einem Bruchteil der Zeit.KMU sind oft schneller. Grosskonzerne haben die stärkeren Strategien und planen langfristiger. Eine allgemeine Aussage zur Industrie lässt sich nicht machen.Kein Anbieter kann alles allein. Deshalb stellt Siemens Partnerlösungen neben die eigenen. Geprüft wird, welche Lösungen sich ergänzen.Je grösser das Angebot, desto wichtiger die Suche. KI im Backend und die richtigen Keywords führen Besucher je nach Zielgruppe zur passenden Lösung.KI kann grosse Investitionen ersetzen. Mit Kameradaten und KI-gestützter visueller Qualitätskontrolle lässt sich zum Beispiel ein Röntgenscanner für rund 1 Million einsparen.Private Nutzung erleichtert den Einstieg im Beruf. Wer den Nutzen von KI privat erlebt hat, setzt sie auch im Vertrieb schneller ein. Kapitel 00:00 Intro00:07 KI im Alltag, Reiseplanung mit der Familie03:16 Von IoT zu Industrial AI, was sich verändert hat05:34 Warum Skalierung heute im Fokus steht06:54 Wie weit die Industrie ist, KMU und Grosskonzerne08:11 Techstandort Schweiz und Robotik08:37 Was Siemens Xcelerator ist10:38 Der Marktplatz auch für Nicht-Kunden12:04 Für welche Branchen die Plattform gedacht ist12:27 Warum Siemens auf Offenheit setzt14:57 Widerstände intern und wie man sie überwindet17:54 Globale Plattform, lokale Partner19:34 Wie Unternehmen Marketplace Seller werden20:31 Was die Zertifizierung bedeutet21:02 Die richtige Lösung finden, KI im Backend23:37 Wie die Plattform bekannter werden soll25:28 Der Eigen Engineering Agent im TIA Portal26:57 KI-Use-Cases von der Entwicklung bis zur Produktion31:38 AI Lab und Guardrails im Grosskonzern34:03 Wie Mario KI im Arbeitsalltag nutzt34:46 KI im Vertrieb36:51 Menschen mitnehmen, vom privaten Nutzen ins Geschäft40:38 Wann der KI-Agent des Kunden einkauft

Eine Bestellung kommt als PDF herein und muss ins ERP. Klingt nach einer Aufgabe für jedes Tool. Genau daran scheitern die meisten KI-Projekte im Handel. Marcel Rassinger war CIO von BRACK.Alltron. Heute baut er mit aikyma für den Handel KI-Lösungen. Sein Befund ist nüchtern. Die Anbindung an SAP oder Business Central ist der einfache Teil. Schwierig wird es Sonderwünschen in Notizfeldern und bei Wissen, das nur in den Köpfen der Mitarbeitenden steckt. Warum aus einem KI-Projekt schnell ein Prozess- und Datenprojekt wird und wo sich der ROI wirklich rechnet. Zum Gast: Marcel Rassinger, studierter Physiker, früher CIO der Competec-Gruppe, heute Co-Founder und CTO von aikyma in Basel. Gast: https://www.linkedin.com/in/marcel-rassinger-0b1b74/ Website:https://aikyma.ai/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Takeaways Die technische Anbindung ist heute der einfache Teil. Mit KI-Tools bekommt man die Verbindung zu SAP oder Business Central schnell hin. Der Aufwand steckt in den Prozessen dahinter.Die Prozesse laufen anders, als sie dokumentiert sind. Was im Kopf des Managements und in der Prozessbeschreibung steht, ist selten das, was im Tagesgeschäft tatsächlich passiert.Agenten wie neue Mitarbeitende behandeln. Jemand erklärt ihnen, wie das Unternehmen funktioniert. Marcel nennt das selbst edge und teilweise bleeding edge.Ein Mitarbeitender allein reicht als Quelle nicht. Erst die Spiegelung im Kreis von Teamleitern und Entscheidungsbefugten bringt ein belastbares Bild.Aus dem KI-Projekt wird ein Prozess- und Datenprojekt. In den Feedback-Runden zeigt sich, was ein Bug ist, wo der Prozess uneinheitlich ist und wo schlicht die Daten nicht stimmen.100 Prozent sind nicht das Ziel. Die Fleissarbeit soll wegfallen, entscheiden soll der Mensch dort, wo entschieden werden muss.Human in the Loop ist eine zweite Integrationsschicht. Nicht nur ins System, sondern in die Organisation. Die Feedback-Schlaufe läuft über Zuständigkeiten, Mails und Menschen.Ohne Management-Unterstützung geht es in komplexen Fällen nicht. Wer ein Tool kauft und es wie ein Excel behandelt, wird damit nicht weit kommen.Kapitel 00:00 Intro 00:17 Marcels Lieblings-KI-Tool 02:32 Vom Physikstudium ins Internetbanking 05:24 Was vom Physikstudium geblieben ist 06:19 Wohin sich KI entwickelt 11:05 Die CIO-Rolle vor zehn Jahren und heute 13:51 KI deckt die alten Baustellen auf 17:01 Was aikyma genau macht 18:23 Wenn der Teufel im Detail steckt 19:14 Die Kunden, bei denen es tatsächlich schnell geht 19:35 Gewachsene Systeme und die Adresse aus Shanghai 25:33 Wenn jeder den Prozess anders auslegt 26:40 Feedback-Runden mit Teamleitern und Entscheidern 28:40 Aus dem KI-Projekt wird ein Prozess- und Datenprojekt 29:42 Der ROI und die einfache Rechnung 33:02 Human in the Loop und die Integration in die Organisation 34:57 Kultur, Fehler und der Umgang damit 35:41 Change-Management-Projekte 36:37 Wie Mitarbeitende auf die Automatisierung reagieren 39:47 Was Unternehmen an KI-Projekten falsch verstehen 41:18 Ausblick, 80 Prozent der Bürokratie sind automatisierbar 45:56 Wenn Software fast gratis wird

Google, Nvidia, Meta, OpenAI, Anthropic. Warum sitzen diese Firmen ausgerechnet in Zürich? Christian Lüscher arbeitet seit vier Jahren daran, dass diese Frage im Ausland überhaupt gestellt wird. Als PR-Manager der Greater Zurich Area macht er einen Wirtschaftsraum von neun Kantonen sichtbar – ab 2027 sind es zehn. Sein Befund ist nüchtern: Niemand in San Francisco, Schanghai oder Tel Aviv weiss automatisch, was Zürich zu bieten hat. Rund 100 Ansiedlungen pro Jahr entstehen nicht durch Inserate, sondern durch Netzwerkarbeit – 80 Prozent davon werden aktiv angebahnt. Wir sprechen über Google als Leuchtturm: seit 20 Jahren hier, rund 5'000 Mitarbeitende, grösster Entwicklungsstandort ausserhalb der USA und über 200 Firmengründungen, die aus diesem Umfeld entstanden sind. Über die Zürcher AI-Karte mit rund 200 Firmen, die tatsächlich Forschung und Entwicklung betreiben. Und über den nächsten Schub, den Christian nicht bei KI sieht, sondern in der Robotik: Das Hirn der Roboter wird hier entwickelt, in Labs, die man von der Strasse aus gar nicht sieht. Dazu die Kehrseite: Wohnungspreise, Verdrängung, Wachstumsmüdigkeit. Christian ordnet ein, welchen Anteil die Ansiedlungspolitik daran wirklich hat – und warum er trotzdem für eine Annäherungs- statt eine Vermeidungsstrategie plädiert. Zurich AI Festival, Ende September bis Anfang Oktober: https://www.zurichaifestival.ch/ Christian Lüscher: https://www.linkedin.com/in/luschair/ Andy Huber: https://www.linkedin.com/in/andy-huber-ai-consulting/ TAKEAWAYS Google war der Leuchtturm. 20 Jahre, 5'000 Mitarbeitende, über 200 Firmengründungen aus diesem Umfeld.Cluster ziehen Cluster an. Die Erfolgreichen suchen die Nähe zueinander.Der nächste Hype ist Robotik, nicht KI. Das Hirn der Roboter entsteht in Zürich.Talent kommt vor Firma. Die Formel lautet Technology, Tax, Talent.Lebensqualität ist ein harter Standortfaktor, kein weicher.Die Ansiedlungen machen unter zwei Prozent der Zuwanderung aus.Vermeidung ist keine Strategie. Annäherung statt Rückzug ins Reduit.Standortfaktor Nummer eins ist Zusammenarbeit – auf allen Ebenen. KAPITEL 00:00 Intro 01:49 Vom Journalismus zur Standortförderung 05:12 Was die Greater Zurich Area genau macht 07:00 Neun Kantone, ab 2027 zehn 07:45 Büros in den USA und China: Netzwerkarbeit statt Werbung 09:34 Warum das nichts mit Tourismuswerbung zu tun hat 11:22 Was die Organisation leistet – und was nicht 14:14 Wer dahintersteckt: Public-Private-Partnership 15:13 Google in Zürich: grösster Standort ausserhalb der USA 17:59 Die AI-Karte: 200 Firmen mit Forschung und Entwicklung 19:55 Robotik: «Grossmacht Zürich» und die versteckten Labs 23:43 Warum jetzt? Die Dynamik der letzten 36 Monate 24:35 Talent, Hochschulen und die Formel der 3 T 26:36 Zürisee, Techno, Lebensqualität als harter Faktor 28:26 Die Karten – und was sie sonst noch zeigen 30:45 Die Kehrseite: Wohnungspreise und Verdrängung 33:00 Zuwanderung: der reale Anteil der Ansiedlungen 36:25 Zürich in den 90ern – wie weit der Standort gekommen ist 37:48 Ökosystem: Hochschulen, Konzerne, Startups 38:50 Über 200 Firmengründungen aus dem Google-Umfeld 40:36 Was es braucht, damit der Standort vorne bleibt 44:09 Standortfaktor Nummer eins: Zusammenarbeit

Baut die Schweiz künstliche Intelligenz selber oder kaufen wir sie künftig einfach ein? Marcel Salathé hat die Frage durchgerechnet: Der Co-Direktor des AI Center der EPFL kommt auf rund eine Milliarde Franken pro Jahr, ein Bruchteil dessen, was in den USA in diese Technologie fliesst. Passiert nichts, sagt er, werden wir vollständig abhängig von Amerikanern und Chinesen und wer die Technologie besitzt, bestimmt Preis und Zugang. Ein Gespräch über das Schweizer Modell Apertus, über ein Departement für Technologie, das es in Bern nicht gibt, darüber warum KI privat längst funktioniert und in Unternehmen harzt – und was das für unsere Kinder in der Schule heisst. Gast: Marcel Salathé https://www.linkedin.com/in/salathe/ Host: Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting/ Takeaways Eine eigene Schweizer KI kostet rund eine Milliarde pro Jahr. Für Modelle und Ökosystem, nicht für den weltweiten Betrieb – ein kleiner Prozentsatz dessen, was die grossen Anbieter investieren. Die Schweiz wäre damit durchaus kompetitiv.Ohne Entscheid wird die Abhängigkeit zum Fakt. «Dann werden wir vollständig abhängig sein von Chinesen und Amerikanern.» Für Unternehmen heisst das: Die Technologie, auf der die eigenen Prozesse laufen, gehört jemand anderem.Apertus ist Vorarbeit, Als Forschungsprojekt wertvoll, insgesamt aber «massiv unter seinem Potenzial». Für ein konkurrenzfähiges Modell braucht es Ressourcen im Faktor hundert.Individuell klappt KI, institutionell harzt es. Der Grund ist nicht fehlender Wille: Die Technologie arbeitet nicht deterministisch, sondern probabilistisch – und fein austarierte Unternehmensprozesse kommen damit schlecht zurecht.Die Schule muss den Prozess bewerten, nicht das Resultat. Wer im Fitnessstudio die Maschine für sich arbeiten lässt, hat am Schluss keine Muskeln. Genau das passiert, wenn nur das abgegebene Dokument zählt. Kapitel 00:00  – Intro und Einordnung 00:11  – Wie Marcel Salathé KI im Alltag nutzt – und wo bewusst nicht 02:18  – Sein Setup: 80 Prozent Codex, 20 Prozent Claude 03:27  – Modell auf dem eigenen Laptop: 27 Sekunden gegen 37 Minuten 05:13  – Das AI Center der EPFL und die Rolle als Co-Direktor 06:54  – Warum er «Kompass Künstliche Intelligenz» geschrieben hat 09:35  – Wer das Buch liest – und was zurückkommt 11:12  – Vom Biologen zur KI: warum das Tempo nie neu ist 14:47  – Der Sprung in die Wirtschaft – und wo er stockt 15:10  – Warum Institutionen härter kämpfen als jeder Einzelne 18:10  – Drei Typen von Unternehmen: bereit, willig, überholt 20:26  – Die Schweiz im KI-Ranking ganz unten – und warum das richtig war 23:25  – Braucht Bern ein Departement für Technologie? 24:41  – USA und China: Milliarden für Rechenzentren 25:55  – Die Rechnung: eine Milliarde Franken pro Jahr 27:05  – Apertus: «massiv unter seinem Potenzial» 31:20  – Schule, Kinder und der Vergleich mit dem Fitnessstudio 34:48  – KI an der EPFL: wie Prüfungen heute funktionieren 38:52  – Die Fähigkeiten der Zukunft: das T-shaped Skillset 46:31  – In fünf Jahren: hat die Schweiz ihre Chance genutzt?

Wie führt man ein Unternehmen im technischen Handel als Geschwisterpaar und bringt gleichzeitig über 40 KI-Anwendungen in den produktiven Betrieb? Diese Folge ist live auf der Bühne der SCORE 2026 in Zürich entstanden. Elisabeth und Max Meister führen in dritter Generation die Ludwig Meister GmbH in Dachau, rund 300 Mitarbeitende und 125 Millionen Euro Umsatz und standen zum ersten Mal gemeinsam auf einer Konferenzbühne. Ein Gespräch über den eigentlichen Hebel hinter dem Wachstum (saubere Daten, nicht KI), über OKR als Betriebssystem der Firma, über Pickroboter und KI-Kontrolle im Wareneingang, darüber warum sie ihre Software lieber selber bauen und was sie einem anderen Geschwisterpaar auf keinen Fall empfehlen würden. Elisabeth Meister: https://www.linkedin.com/in/elisabeth-meister/ Max Meister: https://www.linkedin.com/in/maxmeister82/ Andy Huber https://www.linkedin.com/in/andy-huber-ai-consulting/: Key TakeawaysSaubere Daten sind der strategische Hebel, nicht KI: Wer eine Datenquelle wirklich versteht, entwickelt schnell und schlank – wer sie nicht versteht, jagt Fehler wie den Liefertermin «31.12.2999» durch seine Modelle.OKR wirkt nur konsequent: Auch der Geschäftsführer darf nicht mit 18 neuen Ideen zurückkommen und das Team umsteuern. Depriorisieren ja aber immer mit Begründung.Über 40 KI-Anwendungen im Einsatz, entstanden dezentral in den Abteilungen statt als Grossprojekt von oben.Digitalisieren möglichst weit weg vom Kunden: Pickroboter im AutoStore und KI-Kontrolle im Wareneingang lernen intern, bevor Fehler beim Kunden landen. Der Pickroboter war in drei Monaten in Betrieb.Selber bauen statt kaufen: Was der Wettbewerb ebenfalls einkaufen kann, ist keine Differenzierung. Die eigene Never-Out-of-Stock-Software erkennt automatisch, welcher Artikel in neun Monaten ausgeht – bei zehn Monaten Wiederbeschaffungszeit.Fast 30 Prozent der Belegschaft gehen in den kommenden Jahren in Pension. Die grösste Herausforderung ist nicht die Technik, sondern 20 bis 30 Jahre Produkt-, Prozess- und Marktwissen im Unternehmen zu halten.Kapitel00:00 – Intro & Einordnung01:35 – SCORE 2026: Ludwig Meister in Zahlen03:10 – Wie Elisabeth und Max in die Firma gekommen sind05:34 – Die Aufteilung der Verantwortung unter Geschwistern07:53 – Der eigentliche Hebel: eine saubere Datenbasis09:29 – Datenpflege als Führungsaufgabe10:36 – OKR als Betriebssystem: konsequent priorisieren11:57 – Wie lange es dauerte, bis OKR wirklich funktionierte13:45 – Über 40 KI-Anwendungen, dezentral entstanden14:37 – Der Pickroboter im AutoStore15:43 – Lens: KI-Kontrolle im Wareneingang16:38 – Warum sie ihre Software selber bauen18:00 – Never Out of Stock als echte Differenzierung18:49 – Warum der Wettbewerb durch KI nicht schneller aufholt19:31 – 30 Prozent gehen in Pension: Wissen sichern21:37 – Kultur: Verantwortung abgeben und vorleben23:03 – Technischen Handel attraktiv machen25:24 – Wenn Mitarbeitende beim Wandel nicht mitkommen27:29 – Was sie keinem anderen Geschwisterpaar empfehlen würden29:30 – Fun Fact: die erste eigene Firma mit 13 und 10

Wie bringt ein Händler mit über 1'400 Mitarbeitenden KI vom einzelnen Use Case auf die Ebene des ganzen Unternehmens? Tobias Quelle, CIO von BRACK.ALLTRON und zuvor bei Digitec Galaxus und Otto.de im digitalen Handel unterwegs, nimmt uns mit hinter die Kulissen: von der AI-Engine im Einkauf über Produktdatenanreicherung mit LLMs und Agentic Coding bis zur Shopping-App, die in drei Monaten live ging. Ein Gespräch darüber, warum die Motivation der Mitarbeitenden nie das Problem war, wie ein AI Circle aus 20 Leuten Ordnung in fragmentierte Aktivitäten bringt und weshalb KI aus schlechten Daten keine guten macht. Gast: https://www.linkedin.com/in/tobiasquelle/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ TakeawaysDie Motivation war nie das Problem. 92 Prozent der Mitarbeitenden stehen KI positiv gegenüber, gut 50 Prozent nutzen sie bereits. Gefehlt haben Transparenz, Koordination und Leitplanken – nicht Überzeugungsarbeit.Der AI Circle als Nucleus. Rund 20 Personen aus allen Unternehmensbereichen, je 20 Prozent ihrer Arbeitszeit, eigene Sprintlogik und vier Workstreams über 15 Monate: Tools und Datenschutz, Befähigung, Operating Model, Use Cases.Geschwindigkeit ist wichtiger als Perfektion. Grosse Vorhaben in kleine Meilensteine brechen, so schnell wie möglich am Kunden testen, Zielwerte vorher definieren – auch wenn der Business Case noch nicht sauber rechenbar ist.Ein Formel-1-Motor macht aus einem Traktor keinen Rennwagen. KI löst keine Datenprobleme. BRACK.ALLTRON hat deshalb im Rahmen der IT-Reorganisation einen eigenen Data-Bereich aufgebaut.Make if it's core, buy if it's non-core. Tobias' Rat an mittelgrosse Händler: Nur die geschäftskritischen Fähigkeiten selbst aufbauen, für den Rest bewusst externe Katalysatoren holen.Der Blick nach vorn: LLMs werden zum ganz normalen Traffic-Kanal, wie es SEO, Newsletter und Direct Traffic sind. Wer seine Produktdaten nicht strukturiert lesbar macht, wird nicht gefunden.Kapitel00:00 – Intro & Einordnung01:35 – Wie Tobias KI privat und geschäftlich nutzt03:29 – Warum er sich bewusst nicht auf ein Modell festlegt04:32 – Der Auftrag als CIO: 36 neue Jobprofile statt Systemmodernisierung07:12 – Kleine cross-funktionale Teams & die Brücke zum Business09:34 – Fünf Stossrichtungen: wo der grösste KI-Hebel liegt11:56 – Den Überblick behalten: Power to the people14:31 – Lernkultur: Schulterblick statt Schulungskatalog16:11 – Von bottom-up zur Strategie: die konkreten Use Cases20:24 – Der AI Circle: 20 Leute, 20 Prozent Zeit, vier Workstreams23:55 – Die Mitarbeiterumfrage & was daraus folgte25:27 – Wie misst man den Nutzen von KI?29:03 – Business Case ohne belastbare Zahlen31:47 – Datenqualität: der Formel-1-Motor im Traktor35:57 – Was mittelgrosse Händler tun können38:41 – Ausblick: LLMs als neuer Traffic-Kanal41:44 – Fazit & Verabschiedung

Wie schafft ein Büro- und Lagerausrüster mit 650 Mitarbeitenden in neun Ländern den Spagat zwischen Digitalisierungsanspruch und operativer Realität? Michael Gilgen, Geschäftsführer von Schäfer Shop Schweiz und zusätzlich verantwortlich für die Benelux-Länder, nimmt uns mit hinter die Kulissen: von dem eigenen Data Team über KI-gestützte Aussendienstler bis zu Bots, die Ausschreibungen prüfen. Ein Gespräch darüber, was heute schon funktioniert, wo konkrete Zahlen noch fehlen und warum auch ein KMU mit unperfekten Daten einfach anfangen sollte. Gast: https://www.linkedin.com/in/michael-gilgen/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Key TakeawaysData zuerst: Schäfer Shop baut seit rund 2,5 Jahren eine eigene «Data Foundation» auf, die Basis, um KI überhaupt sinnvoll einzusetzen.KI entlastet den Aussendienst spürbar: automatische Terminerfassung per Spracheingabe, strukturierte Kundendaten vor jedem Besuch und Look-Alike-Kunden als neue Leads.Bots übernehmen die Fleissarbeit bei Ausschreibungen – sie prüfen Compliance und passende Produkte, wo früher enormer manueller Aufwand nötig war.Selbstkritischer Blick: KI wird bisher eher für Kostensparungen genutzt als für neues Umsatzwachstum – eine Erkenntnis, die vielen Unternehmen bekannt vorkommen dürfte.«Quick and dirty» schlägt «perfekt»: Michael investiert lieber in eine schnelle Lösung als in eine, die lange auf sich warten lässt – Time-to-Market zählt.Der Blick nach vorn: individuelle Preise und agentische Verhandlungen zwischen Einkaufs- und Verkaufsagenten – die persönliche Beratung vor Ort bleibt trotzdem.Kapitel00:00 – Begrüssung & wie Michael KI privat nutzt01:52 – Lieblingstools im Vergleich: Copilot, ChatGPT & Claude03:28 – Schäfer Shop: vom Katalog zu PBS, Planung & Aussendienst05:51 – Die Chance für den Mittelstand gegen die grossen Player07:57 – Der Ursprung: die Data Foundation vor 2,5 Jahren11:26 – KI im Aussendienst: Kundendaten, Termine, Diktat14:49 – Akzeptanz im Team & Look-Alike-Kunden für Leads18:43 – Noch keine harten KPIs – aber eine klare Tendenz21:21 – Zwei Wege zu Use Cases: Effizienz & neue Value Proposition23:16 – Konkreter Kundennutzen: schnellere Offerten & 360-Grad-Blick26:54 – Governance: PMO, Ticketsystem & Priorisierung28:14 – Selbstkritisch: mehr Kostensparen als Umsatzwachstum32:41 – Make-or-Buy & «Quick and dirty» statt perfekt33:56 – Change Management: Trainings & Widerstand im Team37:49 – Ausblick: Webshop, persönliche Beratung & Agentic Commerce41:53 – Rat an Mittelständler ohne saubere Datenbasis

Fabio Mätzler hat Cohaga vom Studentenjob an der Uni Basel zu einem Unternehmen mit 30 Mitarbeitenden, 2 Millionen Franken Umsatz und über 2'000 Kunden aufgebaut – sechs Jahre lang gebootstrappt, seit Frühling 2026 mit siebenstelligem Funding. Und genau dann kommt der Bruch: AI-Tools machen das Kerngeschäft mit Firmenadressen für jeden zugänglich. In dieser Folge erzählt Fabio, wie er die Disruption im eigenen Sales-Alltag gespürt hat, warum er nicht gespart, sondern investiert hat und wie mit Ranq ein neues Produkt entstand, das Kunden in die Antworten der KI-Chatbots bringt. 168 Kunden und über 400'000 Franken Umsatz, bevor die Plattform überhaupt live ist. Gast: https://www.linkedin.com/in/fabio-m%C3%A4tzler-2917b6163/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Die wichtigsten Takeaways: Disruption erkennt man im Kundengespräch, nicht im Reporting – wer nah am Sales ist, spürt den Shift zuerstQualität schlägt Preis: Schlechte Daten kosten mehr als teure Adressen, wenn Schweizer Löhne dahinterstehenDer Shift von SEO zu GEO ist real – KI-Chatbots zitieren Vergleiche, lokale Inhalte und Verzeichnisse mit AutoritätHuman in the Loop bleibt: Multi-Agent-Systems liefern den Output, Menschen kontrollieren bis zur Fehlerquote unter 1,5 ProzentFokus statt Verzetteln: Zwei Produkte – Outbound und Inbound – statt zehn halbe LösungenLinkedIn funktioniert mit Konsistenz und Polarisierung, nicht mit Perfektion Kapitel: 00:00 – Intro und AI im Privaten: bewusste Abgrenzung01:51 – Was macht Cohaga: vom Adress-Broker zum Leadhub04:15 – Unternehmergeschichte: vier gescheiterte Ventures vor dem Durchbruch07:16 – Wachstum ohne Investoren: von 65'000 auf 1,8 Millionen Umsatz11:07 – Learning by Doing: Rollenteilung, externe Expertise, Make or Buy15:37 – Qualitätsversprechen: Handrecherche trifft Multi-Agent-Systems19:40 – Die Disruption: AI macht das Kerngeschäft angreifbar24:04 – Rank erklärt: der Shift von SEO zu GEO30:41 – Zielgruppen: warum KMU zuerst kommen33:23 – LinkedIn-Strategie: Memes, Polarisierung und 100 Prozent inhouse40:21 – Ausblick: Skalieren, Exit-Ambitionen und die nächsten zwei Jahre

Wie wird aus einem über 80-jährigen Industrieunternehmen ein KI-Vorreiter? Daniela Hermle verantwortet das Digital Office bei Schunk – dem Spezialisten für Spanntechnik und Greifsysteme mit Hauptsitz in Lauffen am Neckar (Baden-Württemberg) und rund 3'700 Mitarbeitenden weltweit. Im Gespräch mit Andy Huber erzählt sie, wie Schunk die ganze Organisation auf die KI-Reise mitgenommen hat – vom eigenen Schunk-GPT bis zum weltweiten Rollout. Ehrlich, praxisnah und voller Learnings für alle, die KI wirklich in den Alltag bringen wollen. Gast: https://www.linkedin.com/in/daniela-hermle-08471530/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Key Takeaways Kultur schlägt Technologie: «Pioniergeist» als Wert macht KI-Adoption erst möglich.Skeptiker gewinnt man mit Sicherheit, nicht mit Druck – Kommunikation ist alles.Nicht jedes Problem braucht KI – manchmal reicht ein simples Formular.Erfolg heisst Nutzen, nicht POCs: Adoption und Wirkung messen statt Tools zum Selbstzweck.Management-Commitment plus Machermentalität als Fundament.Wer heute noch nicht startet, verliert den Anschluss – der Druck wird nur höher. Kapitel 00:00 Intro & Begrüssung00:24 KI im Alltag: privat analog, geschäftlich Vollgas02:58 Wer ist Schunk? Digital Office & Team04:43 Pioniergeist: KI im Industrieunternehmen08:02 Die Reise seit 2021: Strategie & Rollout12:14 Hürden & Prozesse auf dem Prüfstand16:00 Formate: Tech Talk & «KI in 60 Sekunden»17:41 Erfolg messen: Adoption & Nutzen20:32 Nicht immer KI – manchmal reicht ein Formular24:41 Schunk-GPT, Copilot, Infrastruktur & Daten29:42 Menschen mitnehmen & Skeptiker überzeugen32:35 Erfolgsfaktoren & Ausblick: Agentic AI37:30 Benchmark & Rat an Nachzügler

Wie bringt ein Grosskonzern wie die SBB künstliche Intelligenz in den Arbeitsalltag ohne den Menschen zu verlieren? Daniel Wegmüller, Senior Content Creation Manager bei der SBB und gelernter Texter, nimmt uns mit hinter die Kulissen: von der KI-Automatisierung der jährlichen Länderkampagnen über die ernüchternde «One-Shot»-Illusion bis zum Leitprinzip «mehr Mensch dank KI». Ein Gespräch über das, was heute schon funktioniert, wo der Flow an ihre Grenzen stösst und warum Däni überzeugt ist, dass uns Technik am Ende mehr Menschlichkeit bringt. Gast: https://www.linkedin.com/in/daniel-wegm%C3%BCller/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Deine Takeaways«One Shot» ist eine Illusion. Einmal briefen, Knopf drücken, fertige Texte für alle Kanäle – das klappt nur bei strikt definierten Inputs (Preis, Rabatt, Reisezeit). Sobald es kreativ wird, braucht es den Menschen, der iteriert.KI ist stark im Muster-Erkennen, schwächer im guten Reproduzieren. Zwischen «erkennen» und «wirklich gut machen» liegt ein grosser Schritt – gerade bei bildlicher Sprache und eigenem Stil.«Mehr Mensch dank KI», nicht «KI statt Mensch». Bei der SBB wächst die KI-Initiative bewusst von unten nach oben – die Use Cases kommen aus dem Alltag der Teams.Expertise wird wichtiger, nicht unwichtiger. Wer begründen kann, warum etwas (nicht) funktioniert, bleibt zentral. AI-Skills sind kein Nice-to-have mehr.Der Blick nach vorn: In 2–3 Jahren hat jede:r seinen eigenen, richtig guten KI-Assistenten – und genau darin liegt die Chance auf mehr Zeit für den Menschen.Kapitel00:00 – Intro & wie Däni KI privat nutzt (Ferienplanung, Kühlschrank, bester Kaffee)01:21 – Lieblingstool: warum Claude04:05 – «Mehr Mensch dank KI»: die Haltung der SBB06:21 – Das Projekt: Länderkampagnen automatisieren08:11 – Die One-Shot-Illusion: wo KI funktioniert – und wo nicht12:53 – Vorgehen mit Agentur, Systemprompt & iteratives Arbeiten14:24 – Das Team mitnehmen: Begeisterung & Verunsicherung21:07 – Führung, Kultur & der AI-Anlass «Restkompetenz Mensch?»22:42 – «Schaffe ich mich selber ab?» – der Wert des Menschen26:29 – Aktuelle Projekte & Tools (n8n, Asana Team-Mates)33:08 – Die Rolle von IT & Security37:12 – Ausblick: dein persönlicher KI-Assistent & mehr Menschlichkeit

In dieser Folge ist Andreas Kyburz zu Gast, Geschäftsführer von Procure Swiss, dem Fachverband der Einkäuferinnen und Einkäufer. Mit Andreas sprechen ich darüber, wie KI den Beruf des Einkäufers neu definiert, welche Skills in Zukunft entscheidend sind und über das Szenario, in dem ein Einkaufsagent direkt mit einem Verkaufsagent Konditionen verhandelt. Andreas bringt es auf den Punkt: KI verkleidet das Problem schlechter Daten nicht – sie macht es grösser. Saubere Stammdaten und ein echtes Grundverständnis bleiben darum die Basis. Gleichzeitig diskutieren ich mit ihm, warum mit KI eher mehr als weniger Stellen entstehen können und wie sich die Arbeit vom Repetitiven hin zu Beziehung, Vertrauen und Strategie verlagert. Zum Schluss gibt Andreas Einblick in den neuen Lehrgang «Procurement AI Expert» – die erste dedizierte KI-Ausbildung für Einkäufer der Schweiz. Gast: https://www.linkedin.com/in/andreas-kyburz/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Key Takeaways KI macht schlechte Daten nicht kleiner, sondern grösser – saubere Stammdaten sind das Fundament für jeden sinnvollen KI-Einsatz.Mut zum Experimentieren, aber auch Mut zum Abwarten: Nicht jeder Prozess muss heute automatisiert werden, vieles löst sich in 6 Monaten von selbst.KI verschiebt die Arbeit, statt sie wegzunehmen – Routine fällt weg, Interpretation, Risikoabwägung und Beziehungspflege gewinnen an Gewicht.Das menschliche Element bleibt: Vertrauen, Verhandlung und Lieferantenpflege lassen sich nicht restlos an Maschinen übergeben.Grundwissen bleibt Pflicht – wer nicht einschätzen kann, ob ein KI-Resultat plausibel ist, fliegt im Blindflug.Gratis-Lizenzen gehören nicht in den geschäftlichen Einsatz; Datenschutz (Schweizer DSG) ist kein KI-spezifisches, aber ein zentrales Thema.Verweigerung ist keine echte Option: Über versteckten Einkauf (Personal, IT, Beschaffung) betrifft KI früher oder später jedes Unternehmen.Am Ende entscheidet die Unternehmenskultur – Menschen mitnehmen und begeistern ist wichtiger als die reine Technik. Kapitel 00:01 – Intro & Vorstellung des Gasts01:06 – Wer ist Andreas Kyburz? ProCure Swiss & sein Alltag mit KI02:28 – Lieblingstool und die ersten Aha-Erlebnisse mit KI04:51 – KI auf der Geschäftsstelle: Stand und Vorgehen05:50 – Strategie bei rasantem Tempo07:25 – Akzeptanz, Vertrauen und die Angst vor Arbeitsplatzverlust08:19 – Mehr statt weniger Stellen?09:26 – Was die Mitglieder beschäftigt: das KI-Paradoxon12:36 – Herausforderungen: Compliance, Regulierung, Datenschutz13:41 – Gratis-Lizenzen und Schweizer Datenschutz15:46 – Use Cases aus Schweizer Unternehmen (Roche, SBB & Co.)17:14 – Die entscheidende Fähigkeit: Prozesse und Daten vernetzen18:29 – Stammdaten als Fundament: «KI macht schlechte Daten grösser»21:11 – Aus- und Weiterbildung im Einkauf24:04 – Future Skills der Einkäuferin der Zukunft26:04 – Agentisches Verhandeln: Einkaufsagent trifft Verkaufsagent38:02 – Was passiert mit Unternehmen, die KI ignorieren?41:21 – Wie Andreas am Thema dranbleibt43:31 – Schlussworte

Was, wenn du ein Produkt, einen Preis oder eine Kampagne testen könntest, ohne einen einzigen echten Kunden zu befragen? Genau das macht Delta Labs mit sogenannten AI-Twins: synthetische Kundenprofile, die auf realen Daten basieren und menschliches Verhalten simulieren. In dieser Folge spreche ich mit Mitgründerin Anne Scherer – ehemalige Assistenzprofessorin für Quantitatives Marketing an der Uni Zürich – darüber, wie aus jahrelanger Forschung ein Startup und einer 4,4-Millionen-Seed-Runde wurde, warum die Datengrundlage über alles entscheidet und weshalb die klassische Marktforschung nicht verschwindet, sondern eine völlig neue Rolle bekommt. Gast: https://www.linkedin.com/in/anne-scherer/ Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Key TakeawaysAI-Twins sind keine 1:1-Kopien echter Menschen, sondern synthetische Profile, die auf realen Verteilungen und Korrelationen basieren – so, wie sie in der Realität vorkommen könnten.Die Datengrundlage entscheidet über alles. Wer die KI «freilaufen» lässt, bekommt Halluzinationen. Delta Labs kalibriert jedes Profil dynamisch mit den verhaltensrelevantesten Merkmalen.Bis zu 95 % Übereinstimmung mit menschlichen Studien – in einzelnen Fällen waren die Twins sogar näher am realen Verhalten als die Befragten.Klassische Marktforschung verschwindet nicht, sie verändert sich. Statt einer 6-Monats-Umfrage lässt sich jeden Tag testen, nachfragen und anpassen.Vom Forschungslabor zum skalierenden Startup: 4,4 Mio. Seed, «Forward Deployed Researchers» statt klassischem Sales und ein klarer Bootstrap-geprägter Umgang mit dem Geld.KI wird für Unternehmen, was einmal der PC war – etwas, an dem keiner mehr vorbeikommt.Kapitel00:00 – Begrüssung & wie Anne KI im Alltag nutzt  01:24 – Anne Scherrer & Delta Labs: AI-Twins erklärt  02:32 – Der iPhone-Moment der KI & die Gründungsgeschichte  06:13 – Was AI-Twins sind – und was nicht  07:44 – Wie ein Twin entsteht: Daten, Merkmale, Korrelationen  11:33 – Validierung: 95 % Übereinstimmung mit echten Studien  13:52 – Wer kauft das? FMCG, Banken & Versicherungen  17:45 – Halluzinationen & der Reifegrad der Kunden  20:59 – Wachstum, 4,4 Mio. Seed-Runde & die richtigen Profile  23:57 – Talent-Kampf in Zürich & der Umgang mit dem Geld  29:03 – Forward Deployed Researchers statt klassischem Sales  31:48 – Datenqualität als Schlüssel: ERP, Kultur & Co.  37:03 – Ausblick: KI wie der PC & die Zukunft der Marktforschung  40:50 – Leben & Arbeit mit KI in 3–5 Jahren Mehr zu Anne und Delta Labs findest du in den Show Notes. Wenn dir die Folge gefällt, abonniere den HUBER Business AI Podcast und teile ihn mit jemandem, der KI im Unternehmen nicht nur diskutieren, sondern einsetzen will.

Beschreibung Zum dritten Mal zu Gast: Andreas Bock von AKI Solutions. Gemeinsam lassen Andy Huber und Andi die stärksten Aussagen aus sechs Monaten HUBER Business AI Podcast Revue passieren – und ordnen sie ehrlich ein. Es geht um KI-Readiness als entscheidenden Hebel, den richtigen Weg zum passenden Use Case, das immer höhere Tempo der Modelle, verändertes (Einkaufs-)Verhalten durch Agenten und die grosse Frage: Schafft KI am Ende mehr Jobs, als sie kostet? Ein kompakter Rück- und Ausblick mit vielen konkreten Praxisbeispielen. Gast: https://www.linkedin.com/in/andreas-bock-231870158/ KI-Kompass: https://aki-solutions.ch/ki-kompass Host: https://www.linkedin.com/in/andy-huber-ai-consulting/ Key Takeaways Daten-Readiness ist der grösste Hebel: Wer seine Daten und Prozesse aufbereitet hat, zieht mit KI davon – fehlende Datenqualität wird zum Showstopper, der Monate bis Jahre kostet.Testen ja, aber mit Strategie: Mitarbeitende ausprobieren lassen (ohne echte/sensible Daten), das Wissen aber gezielt verankern statt im Giesskannenprinzip verpuffen lassen.Treiber ist das Business, nicht die IT: Use Cases entstehen im Fachbereich – die IT liefert Basis, Guidelines und Security, soll aber nicht der Engpass sein.KI kritisch hinterfragen: Antworten challengen, echte Quellen einfordern, nicht blind vertrauen – der Umgang mit KI wird zur Kernkompetenz.Agenten verändern das Verhalten schnell: Produktberatung und Einkauf verlagern sich in den Chat – ein „Tipping Point“ wie beim Smartphone ist absehbar.Jobs-Frage offen: Neue Disziplinen entstehen, aber Andi bleibt vorsichtig – KI könnte mehr Jobs ersetzen als schaffen. Eine gesellschaftliche Aufgabe. Kapitel 00:00 – Begrüssung und Intro00:27 – Woran Andi arbeitet & seine Tools (Claude Code)01:42 – Wie gross sind die Modell-Sprünge der letzten 12 Monate?03:43 – Rückblick: Max Meister und der Daten-Vorsprung05:50 – Der KI-Kompass: Readiness-Check von AKI Solutions08:47 – Testen und Ausprobieren (Beispiel Fritschi / Simon Weiler)11:09 – AI-Kompetenz lernen: Schule, Hochschule, Eltern13:58 – Nicht blind vertrauen: KI kritisch hinterfragen & Quellen15:34 – Demokratisierung vs. Kommerzialisierung der Modelle17:47 – Use Cases im Vergleich: EM-Buddy vs. Brack-Ansatz19:59 – Top-down oder bottom-up? Stakeholder an einen Tisch21:56 – Bewegung im Markt – wann KI zur Belastung wird25:50 – IT-Thema oder Business-Thema?27:22 – Demografie und die Vision virtueller Mitarbeiter28:43 – Agenten und das veränderte Einkaufsverhalten31:00 – Tipping Point wie beim Smartphone32:37 – Tempo der Modelle: Bild- & Video-Generierung34:45 – Schafft KI mehr Jobs, als sie kostet?37:01 – Fazit: AI orchestrieren als Skill der Zukunft