KI wird gerade weniger zum Chatfenster und mehr zum Sensor, der in eurem Geschäft merkt, wo Nachfrage, Risiko und Arbeit liegen. Servus, ich bin Lissy, und heute ist Freitag. Also nicht einfach fünf lose KI-Meldungen, sondern die Frage: Was kann man aus dieser Woche als Unternehmer wirklich mitnehmen? Mein roter Faden heute ist ziemlich klar. Die spannendsten Werkzeuge sagen nicht nur schöne Sätze. Sie hören zu, lesen Signale, markieren Risiken und verkürzen Arbeitsschritte, die vorher irgendwo zwischen Mail, Meeting, CRM und Bauchgefühl hingen.
Fangen wir mit Google an. Gemini-3.5-Transcribe ist auf den ersten Blick eine Modellmeldung. Neues Speech-to-Text, bessere Transkription, typische Produktankündigung. Der wichtigere Punkt liegt darunter: Sprache wird ein sauberer Eingangskanal für Arbeit. Meetings, Support-Anrufe, Sprachnotizen, Podcast-Rohmaterial, Interviews. Alles, was früher erst mühsam abgetippt oder halb vergessen wurde, kann schneller in strukturierte Daten übergehen.
Für Creator wird ein Gespräch zu Kapitelmarken, Zitaten, Shownotes und Snippets. Für Support-Teams kann ein Anruf zu Anliegen, Stimmung, Eskalationsgrund und nächstem Schritt werden. Und für kleine Firmen ist genau das der Hebel: Man muss nicht sofort einen riesigen Agenten bauen. Der erste Test ist viel kleiner. Nehmt zehn echte Gespräche oder fünf lange Sprachnotizen, transkribiert sie, und fragt: Welche Probleme tauchen wieder auf? Welche Wörter benutzen Kunden wirklich? Wo verliert ihr Zeit, weil Information nur gesprochen existiert?
Das klingt unspektakulär, aber mei, genau da passiert oft der Unterschied. Viele Betriebe haben keinen Mangel an Daten. Sie haben Daten in der falschen Form. Wenn Transkription günstiger, schneller und besser wird, wird daraus kein Zauberstab. Aber es wird ein Rohstoff, mit dem man arbeiten kann.
Das zweite Beispiel ist ReachFast. Das Tool liest eine Website oder einen Shop, versteht grob das Angebot und sucht dann auf X nach öffentlichen Posts, in denen Menschen gerade ein passendes Problem äußern. Die Demo nennt zum Beispiel einen kleinen Etsy-Skincare-Shop und bewertet einzelne öffentliche Posts mit Intent-Scores wie 75 von 100, 60 von 100 oder 55 von 100. Also nicht einfach Social-Media-Monitoring nach Keywords, sondern ein Versuch, Kaufabsicht aus Sprache herauszufiltern.
Ich würde das nicht als fertige Verkaufsmaschine erzählen. Dafür fehlen Conversion-Zahlen, und öffentliche Posts sind immer laut, chaotisch und voller falscher Signale. Aber als Idee ist es stark, weil es eine alte Unternehmerfrage neu stellt: Wartest du, bis Nachfrage bei dir landet, oder suchst du dort, wo Menschen sie gerade aussprechen? Für kleine Shops, Berater oder spezialisierte Anbieter kann genau das spannend sein. Nicht tausend kalte Nachrichten rausblasen, sondern zehn konkrete Bedarfssignale finden und manuell sauber beantworten.
Der Test wäre simpel. Eine Landingpage rein, ein enges Produktprofil definieren, eine Woche lang Leads sammeln, dann nicht sofort automatisieren. Erst manuell prüfen: Sind die Treffer wirklich relevant? Würde ich dieser Person seriös antworten? Kommt ein echtes Gespräch zustande? Wenn ja, kann man später CRM, Follow-up und Antwortentwürfe ergänzen. Wenn nein, hat man wenigstens gelernt, dass das Signal zu verrauscht ist. Das ist für mich ein guter KI-Test: klein, messbar und ohne Fantasiezahlen.
Rimplo geht in eine ähnliche Richtung, aber im B2B-SaaS-Kontext. Das Produkt verbindet CRM, Billing, Support und Produktnutzung und soll täglich Accounts markieren, bei denen Churn-Risiko, Upsell-Potenzial oder ein blockierter Deal sichtbar wird. Die Produktseite nennt konkrete Beispiele: 60 Prozent Nutzungsrückgang in zwei Wochen, Support-Ticket-Stau, ein QBR 45 Tage überfällig oder Seats, die von 4 auf 11 wachsen.
Auch hier gilt: Das sind Herstellerbeispiele, keine unabhängige Fallstudie. Trotzdem ist der Denkansatz wichtig. Viele Firmen verlieren Kunden nicht an einem dramatischen Tag. Sie verlieren sie in kleinen Signalen. Weniger Nutzung. Mehr Tickets. Kein Gespräch vor der Verlängerung. Ein Deal hängt zu lange in einer Phase. Menschen sehen diese Signale oft, aber sie liegen verteilt in fünf Systemen.
KI wird in so einem Setup nicht wertvoll, weil sie perfekt vorhersagt. Wertvoll wird sie, wenn sie den nächsten richtigen Blick erzwingt. Schau dir diesen Account an. Frag nach diesem Problem. Prüfe diesen Vertrag, bevor die Verlängerung platzt. Ein Dashboard zeigt, was war. Ein guter Sensor sagt: Hier solltest du heute handeln. Der einfache Test: drei Signale definieren, täglich zusammenfassen lassen und zwei Wochen prüfen, ob daraus bessere Kundengespräche entstehen.
CaptureAgent ist ein weiteres schönes Signal, weil es nicht mit einem allgemeinen Versprechen kommt. Es geht um Federal Contracting, also Ausschreibungen für staatliche Aufträge in den USA. Das Produkt soll Chancen finden, qualifizieren, Proposals vorbereiten und Einreichungen managen. Die Metadaten sprechen von Qualifikation in Minuten statt Tagen und Proposal-Erstellung in Tagen statt Wochen. Das ist ein Herstellerclaim, aber der Workflow selbst ist konkret.
Generische KI wirkt oft beeindruckend, solange die Aufgabe schwammig ist. In echten Betrieben wird es spannender, wenn die Aufgabe eng ist und viele kleine Schritte hat. Ausschreibung finden. Fit prüfen. Preisannahmen sammeln. Alte Referenzen ziehen. Proposal entwerfen. Compliance-Check machen. Deadline überwachen. Menschliche Freigabe einholen.
Da kann KI nicht frei herumlaufen. Sie braucht Regeln, Quellen, Rollen und Stoppschilder. Aber gerade deshalb sind vertikale Tools interessant. Sie nehmen einen Prozess, der teuer und nervig ist, und bauen eine Schiene darum. Nicht damit niemand mehr nachdenkt, sondern damit menschliche Stunden auf Entscheidung, Qualität und Beziehung gehen. Wenn ich daraus eine Regel ableiten müsste: Sucht nicht nach dem allgemein besten KI-Tool. Sucht nach dem Arbeitsschritt, der teuer genug, wiederholbar genug und gut prüfbar ist.
Zum Schluss noch einmal Google, diesmal mit Gemini Omni 1.1 Flash. Laut Research ist das ein Entwickler- und Modellupdate für schnellere multimodale Gemini-Anwendungen. Solche Meldungen klingen schnell nach Benchmark-Liste. Aber für Builder zählt etwas anderes: Wird ein bestimmter Arbeitsschritt billig genug und schnell genug, dass ich ihn in ein Produkt einbauen kann?
Multimodal heißt praktisch: Eine App kann mehr Sorten von Realität verarbeiten. Ein Support-Tool kann Screenshot plus Nachricht lesen. Ein Creator-Tool kann Audio, Text und Bild verbinden. Ein internes Assistenzsystem kann mehrere Eingangssignale zusammenbringen. Wenn die Flash-Klasse schneller und günstiger wird, verschiebt sich die Grenze zwischen Demo und Alltag.
Das ist der Zusammenhang zur ganzen Folge. Transkription macht Sprache nutzbar. ReachFast sucht Nachfrage in öffentlicher Sprache. Rimplo liest Umsatzsignale in internen Systemen. CaptureAgent schiebt einen engen Geschäftsprozess durch mehrere Schritte. Und Gemini Omni Flash ist ein Infrastrukturbaukasten darunter. Nicht jedes Tool wird gewinnen. Aber das Muster bleibt: KI wird näher an den Stellen eingebaut, an denen Geschäft wirklich passiert.
Für diese Woche heißt das: Nicht fragen, welche Firma die lauteste Modellmeldung hatte. Fragt lieber, welcher Messpunkt in eurem Betrieb noch blind ist. Kundenstimme? Nachfrage? Churn-Risiko? Ausschreibungen? Dort lohnt sich der erste Test.
Das große Ganze von heute ist für mich deshalb ziemlich bodenständig. KI wird nicht nur stärker, sie wird betrieblicher. Sie rutscht in Tonspuren, Lead-Suche, Revenue-Checks, Ausschreibungen und multimodale Produktbausteine. Der Fehler wäre, daraus sofort eine komplette Automationsfantasie zu bauen. Der bessere Weg ist kleiner: einen blinden Messpunkt auswählen, eine Woche testen, Treffer manuell prüfen, dann entscheiden. Wenn euch die Folge geholfen hat, hinterlasst gerne eine Bewertung auf Spotify oder Apple Podcasts. Und wenn ihr mir schreiben wollt: Die Adresse steht in den Shownotes. Pfiat euch und bis zur nächsten Folge, eure Lissy.