Ihr Unternehmen wird niemals skalieren, wenn Headcount noch die Antwort ist

Einblicke vom Scaling Business Summit 2026, Ho-Chi-Minh-Stadt.

Der Nachmittags-Session hatte den schwierigsten Zeitslot des Tages — direkt nach dem Mittagessen, mit einer parallel laufenden Masterclass als Konkurrenz. Lars Jankowfsky, Gründer von Gradion, betrat trotzdem die Bühne und eröffnete mit einem deutschen Sprichwort: Der Schuster hat die schlechtesten Schuhe. Es war ein Geständnis. Gradion hatte jahrelang KI-Lösungen für Kunden gebaut. Das eigene Haus war ein Chaos.

Gemeinsam mit Dung Nguyen, Director of Technology & Innovation bei Gradion, verbrachte Lars die nächsten vierzig Minuten damit, genau zu zeigen, was sie gebaut haben und was es sie gekostet hat zuzugeben, dass sie ihre Daten bereinigen mussten, bevor sie KI überhaupt anfassen konnten.

Die Session war eine Live-Fallstudie darüber, was es tatsächlich braucht, um agentenbasierte KI in einem echten Unternehmen zum Laufen zu bringen — einem Unternehmen, das in sieben Ländern und auf drei Kontinenten tätig ist.

1. Garbage In, Garbage Out – Bereinigen Sie Ihre Daten, bevor Sie KI anfassen

Die meisten Unternehmen wollen diesen Schritt überspringen. Sie hören von KI, budgetieren für KI und fangen an, KI-Tools einzukaufen. Dann stoßen sie auf die Wand, gegen die Gradion zuerst gestoßen ist.

Als Lars und sein Team ihre internen Systeme prüften, stellten sie fest, dass Mitarbeitercodes — etwas so Einfaches wie eine ID-Nummer — in Ägypten, Vietnam und Thailand unterschiedlich formatiert waren. "Wenn man versucht, eine ganzheitliche Lösung zu entwickeln, stellt man fest: So können wir nicht arbeiten." Das gleiche Problem tauchte bei Kundencodes auf. Verschiedene Länder, verschiedene Rechtssysteme, verschiedene Formate. Keine einzige Quelle der Wahrheit.

Es dauerte Monate, einen einheitlichen Mitarbeitercode und einen einheitlichen Kundencode zu etablieren, bevor sie überhaupt daran denken konnten, KI darüber laufen zu lassen. Die Lektion gilt universell. Wie Lars es formulierte: "Ich bin zu 100 % sicher, dass Ihre Daten, egal wo Sie arbeiten, nicht sauber genug oder strukturiert genug sein werden, um mit KI voranzukommen." Dies ist auch das erste Gespräch, das Gradion mit potenziellen Kunden führt. Sie reden nicht über KI, bis sie die Daten gesehen haben.

Lektion 1: Bevor Sie für KI budgetieren, prüfen Sie Ihre Daten. Das Problem liegt fast immer zuerst dort.

2. Ein Agent ist kein Chatbot. Definieren Sie die Aufgabe und messen Sie den Output

Es gibt eine Version von KI, die Millionen von Euro verschlingt und nichts liefert, das irgendjemand verwendet. Lars hat es gesehen. Das Muster ist vorhersehbar: ein großes, teures, allgemeines System, über eine lange Zeitspanne aufgebaut, ohne klares Erfolgskriterium.

Der agentenbasierte Ansatz dreht das vollständig um. "Wir entwickeln kleine, spezifische Agenten, die sehr klare, domänenspezifische Aufgaben übernehmen und einen messbaren Output liefern." Bei Gradion bedeutete das einen Agenten für die Lebenslauf-Sichtung, einen für die Rechnungsextraktion. Keine Plattform. Keine Suite. Ein Agent, ein Problem, eine Zahl, die beweist, dass es funktioniert.

Dung Nguyen demonstrierte den Rechnungsextraktions-Workflow live. Rechnungen landen in einem definierten Ordner. Der Agent verarbeitet sie, kategorisiert sie — unterscheidet Rechnungen von Quittungen, verarbeitet Dokumente auf Thailändisch — und postet Ergebnisse direkt in einen Slack-Channel und ein Google Sheet. Das Finanzteam handelt auf Basis des Outputs. Sie verwalten den Prozess nicht. Token-Kosten: ein paar Dollar pro Tag.

Lektion 2: Wenn Sie das genaue Problem, das der Agent löst, und die Zahl, die beweist, dass es funktioniert, nicht benennen können, sind Sie noch nicht bereit, ihn zu bauen.

3. Lineare Kosten durch nichtlineare ersetzen

Wachstum bedeutete früher Headcount. Mehr Umsatz erforderte mehr Menschen, was mehr Management, mehr Schulung, mehr Fehler, mehr Overhead erforderte. Jeder Gründer im Raum kannte die Rechnung.

Das Talent-Acquisition-Team von Gradion erhielt täglich über 300 Lebensläufe. Bei sieben Minuten pro Lebenslauf mit fünf Führungskräften im Team waren das sieben Stunden pro Person und Tag — nur für den ersten Schritt des Einstellungsprozesses. Sie bauten einen einzigen Agenten, der jetzt 700 Lebensläufe pro Tag verarbeitet. Kapazität hinzufügen kostet nur zusätzlichen Token-Verbrauch von Gemini, gemessen in Dollar, nicht in Gehältern.

Lars wendete dieselbe Logik auf den SaaS-Stack an. Gradion gibt über eine halbe Million Euro pro Jahr für Tools aus — HubSpot, Slack, Expensify, Lever, Google. Allein für HubSpot beläuft sich die Rechnung auf 47.000 € im Jahr, für grob 5 % der Funktionalität. "Das sind mindestens zwei bis drei Ingenieure für ein ganzes Jahr in Vietnam." Der Plan: ein eigenes CRM mit KI bauen, das IP besitzen und es anderen Unternehmen anbieten.

"Der Schlüssel ist, dass wir Wachstum von Kosten entkoppeln. In der Vergangenheit bedeutete Wachstum mehr Menschen. Jetzt können wir wachsen, ohne mehr Headcount hinzuzufügen."

Lektion 3: Der Wechsel von Headcount zu Agenten geht nicht darum, Menschen zu kürzen — es geht darum, die Decke über Ihrem Wachstum zu entfernen.

4. Kulturellen Widerstand erwarten. Trotzdem auf Exzellenz hinarbeiten

Der Fall der Leistungsbeurteilung war der ehrlichste Teil der Session. Es lief anfangs nicht gut.

Gradion implementierte eine KI-unterstützte 360-Grad-Beurteilung: Selbsteinschätzung, Führungskräfte-Input und ein dritter Gutachter, von KI verarbeitet, um einen klaren und messbaren Leistungsoutput zu erzeugen. Technisch funktionierte es. Kulturell kollidierte es mit dem, was Lars die "Gefälligkeitswirtschaft" "Ich kratze deinen Rücken, du kratzt meinen. Du gibst mir eine gute Beurteilung, ich gebe dir eine gute Beurteilung." Die KI brach dieses System auf. Mitarbeiter wehrten sich. Die erste Version war zu direkt. Sie lernten, passten an und machten weiter.

Lars war klar über die weitreichende Implikation: "Wir bauen eine Kultur der Exzellenz, keine Kultur des Komforts. Wir tauschen Klarheit und Exzellenz gegen Komfort und Höflichkeit."

Wenn Mitarbeiter nicht bereit sind, mit KI zu wachsen, oder sich aktiv gegen Innovation sperren, sollten sie nicht bleiben. Es klingt direkt. Es ist auch die ehrliche Haltung jedes Unternehmens, das diesen Übergang erfolgreich gemeistert hat.

Lektion 4: Automatisierung wird informelle Systeme aufbrechen, auf die Menschen sich verlassen haben. Das ist der Sinn. Bereiten Sie Ihre Mitarbeiter vor oder verändern Sie Ihre Mitarbeiter.

5. Den Elefanten Biss für Biss essen

Die letzte Frage aus dem Publikum war die nützlichste: Warum scheitern so viele KI-Projekte, und was macht Gradion anders?

Die Antwort war einfach. "Agentenbasierte Projekte sind sehr klein. Sie sind in einer Abteilung. Sie lösen genau ein spezifisches Geschäftsproblem." Kein Transformationsprogramm. Nicht alles auf einmal. Ein Schmerzpunkt, zwei oder drei Personen, ein messbares Ergebnis. Wenn es funktioniert, kommt das Nächste dran. So ging Gradion von der Lebenslauf-Sichtung zur Rechnungsextraktion zu Leistungsbeurteilungen bis hin zu einem geplanten CRM-Ersatz — nicht indem sie die vollständige Roadmap im Voraus planten, sondern indem sie das Modell mit einem Agenten nach dem anderen bewiesen.

Als eine Führungskraft aus dem Gesundheitswesen im Publikum die Herausforderung fragmentierter Daten über Vertriebs-, Marketing- und Point-of-Sale-Systeme ansprach, gab Lars dieselbe Antwort. Mit dem größten Schmerz anfangen. Die Systeme für dieses eine Problem verbinden. Es lösen. Dann wiederholen.

"Wie isst man einen Elefanten? Biss für Biss. Viele KI-Projekte scheitern, weil sie versuchen, den Elefanten auf einmal zu bekommen."

Lektion 5: Die Unternehmen, die bei KI scheitern, versuchen das Meer zum Kochen zu bringen. Wählen Sie das eine Ding, das am meisten wehtut, und lösen Sie nur das.

Das CEO-Execution-Playbook: Was Sie morgen tun sollten

1. 1. Prüfen Sie zuerst Ihre Daten. Listen Sie jedes System in Ihrem Unternehmen auf, das operative Daten enthält. Identifizieren Sie, wo dieselbe Entität — Mitarbeiter, Kunde, Rechnung — in verschiedenen Systemen unterschiedlich beschrieben wird. Diese Lücke ist Ihr eigentlicher Ausgangspunkt.
2. 2. Benennen Sie einen Prozess mit messbaren Kosten und einem klaren Output. Finden Sie die Aufgabe, bei der Sie sagen können: Sie dauert X Minuten pro Einheit, wir verarbeiten Y Einheiten pro Tag. Das ist Ihr erster Agent-Kandidat.
3. 3. Berechnen Sie, was Ihr SaaS-Stack pro genutztem Feature tatsächlich kostet. Rechnen Sie es durch: Was zahlen Sie für Tools, die Sie zu weniger als 20 % der Kapazität nutzen? Das ist Ihre Build-vs-Buy-Chance.
4. 4. Entscheiden Sie, welche Feedback-Schleife Sie bereit sind, objektiv zu machen. Wählen Sie einen Bereich — Recruiting, Projektabwicklung, Kundenzufriedenheit — und verpflichten Sie sich dazu, ihn ohne politische Abschwächung zu messen. Ertragen Sie das Unbehagen.
5. 5. Wählen Sie ein Problem, weisen Sie zwei Personen zu, setzen Sie eine 30-Tage-Deadline. Versuchen Sie nicht, alles zu verbinden. Lösen Sie das eine Ding, das am meisten kostet oder am meisten blockiert. Beweisen Sie das Modell. Dann skalieren Sie es.

→ Sehen Sie sich die vollständige Live-Demo auf YouTube an