KI-Gründer baut ein autonomes Unternehmen und zeigt, wie man agentische Workflows für Projektabwicklung und Kundensupport entwickelt

Diese Einschränkung wurde zu einem unbeabsichtigten Labor für die Projektdurchführung. Wenn man sich nicht aus Problemen heraus einstellen kann, wird jede Projektentscheidung existenziell: Verzehnfacht das unsere Ergebnisse oder handelt es sich nur um Aktivität, die sich wie Fortschritt anfühlt?

Dieser gnadenlose Filter hat Muster sichtbar gemacht, die ich früher nicht erkennen konnte, als ich noch den Luxus hatte, einfach mehr Leute auf Probleme zu setzen – wie bei meinen letzten beiden Startups, die ich nach dem alten "Wachstum um jeden Preis"-Playbook gegründet und skaliert habe. Jetzt, nachdem ich beobachtet habe, wie über 200 Unternehmen KI durch das Produkt von Swan implementiert haben, kann ich die Scheiterns-Muster sofort erkennen.

You should also read

• Warum Projektmanagement eine grundsätzlich unternehmerische Rolle ist

• Vom Junior zur Führungskraft: Wie Führungskräfte Projektmanager strategisch weiterentwickeln

• PMs berichten: Wo Projektpläne im echten Leben scheitern

Warum KI die Projektdurchführung von Planung hin zu Mustererkennung und Entscheidungs-Geschwindigkeit verlagert

Die größte Veränderung ist, wie ich meine Zeit einsetze – und das steht fast im Gegensatz zum traditionellen Projektmanagement. Für Aufgaben, die früher meinen Fokus erforderten – wie Vorausplanung, Statusmeetings und ungenutzte Dokumentationen – verwende ich heute nur noch wenig Zeit. Dazu gleich mehr.

Das ist es, was heute meine Aufmerksamkeit bekommt:

• 60% entfallen auf Mustererkennung und Entscheidungsfindung: Ich analysiere in Echtzeit, was bei unseren über 200 Implementierungen funktioniert. Keine monatlichen Reviews – tägliches Erkennen von Mustern. Welche Implementierungen erzielen stetig bessere Ergebnisse und wo stagniert es? Wo tauchen Engpässe tatsächlich auf im Gegensatz zu unseren Prognosen? Das Spiel heißt, schnell zu entscheiden, was abgebrochen und worauf gesetzt werden soll – das geht nicht mit vierteljährlichen Analysen. Dafür haben wir ein Retool-Dashboard für die Kundengesundheit, das Benachrichtigungen über Slack sendet. Außerdem nutze ich Metabase, wo wir detaillierte Produktanalysen pro Kunde haben.
• 30% entfallen auf das Design von Feedback-Schleifen: Wie erfahren wir innerhalb von 48 Stunden, ob eine KI-Implementierung funktioniert? Welche Signale geben uns Hinweise auf einen notwendigen Kurswechsel? Ich baue "Brucherkennungssysteme" – Mechanismen, um zu erkennen, wenn die KI vom vorgesehenen Ablauf abweicht oder ein Workflow nicht liefert, noch bevor es zur Krise kommt. Dafür ist es wichtig, einen klaren Plan mit kleinen, messbaren Schritten zu starten. Traditionelle Projektmanager haben auf den Erfolg hin geplant; ich entwerfe Systeme, die Fehler sofort sichtbar machen, damit wir sie beheben können, solange sie noch klein sind.
• 10% entfallen auf den eigentlichen "Projektstart": Früher war das der Höhepunkt monatelanger Planungen. Heute ist es einfach ein Dienstag. Wir schicken ständig Version 1 raus und betrachten den Start als Beginn des Lernens, nicht als Endpunkt der Planung. Der Go-live ist kein Erfolg mehr, sondern die Erlaubnis, echtes Feedback einzuholen.

In einer KI-orientierten Welt ist die Umsetzung günstig und schnell. Der Engpass ist die Geschwindigkeit der Entscheidungsfindung. Meine Rolle ist vom "perfekten Planer" zum "schnellen Entscheider basierend auf echtem Feedback" geworden. Deshalb investiere ich 90% meiner Zeit in Lernsysteme, nicht in Ausführungssysteme.

In einer KI-orientierten Welt ist die Umsetzung günstig und schnell. Der Engpass ist die Geschwindigkeit der Entscheidungsfindung.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Amos Bar Joseph

CEO von Swan AI

Wie man den Koordinationsaufwand in der Projektdurchführung eliminiert

Unser Wandel vom traditionellen zum schlanken Projektmanagement war keine methodische Anpassung, sondern das gezielte Abschaffen von Ritualen, die uns verlangsamt haben. Das haben wir abgeschafft und damit ersetzt:

Statusmeetings (40% des Kalenders) → Asynchrone Updates (jetzt 5% der Zeit)

• Abgeschafft: Wöchentliche Projekt-Statusmeetings mit Präsentationen
• Ersetzt durch: Kurze Slack-Updates, wenn sich etwas ändert – nicht nach Zeitplan
• Warum es funktioniert: Informationen fließen dann, wenn sie gebraucht werden, nicht wenn der Kalender es vorgibt
• Ergebnis: 15+ Stunden pro Woche und Gründer eingespart

Detaillierte Projektpläne (2-4 Wochen im Voraus) → Zieldefinitionen (2-4 Stunden)

• Abgeschafft: Umfassende Anforderungsdokumente, Prozesslandkarten, Risikomatrizen
• Ersetzt durch: Klare Zielsetzung und das erste Experiment, das wir durchführen
• Warum das funktioniert: Pläne werden sofort überholt; Ergebnisse bleiben relevant
• Ergebnis: Erste Versionen werden in Tagen statt Monaten ausgeliefert

Genehmigungsketten → Klare Entscheidungsrechte

• Abgeschafft: "Leg das der Führung vor" bei kleinen Entscheidungen
• Ersetzt durch: Definierte Schwellen – unter $X oder Y Auswirkung: einfach umsetzen
• Warum das funktioniert: Geschwindigkeit ist wichtiger als kleine Fehler zu verhindern
• Ergebnis: Von Entscheidung bis Umsetzung braucht es nur noch Stunden statt Tage

Quartalsreviews → Tägliche Feedback-Signale

• Abgeschafft: Geplante "Mal schauen, wie das Projekt läuft"-Meetings
• Ersetzt durch: Automatisierte Metriken, die uns benachrichtigen, wenn etwas schiefläuft
• Warum das funktioniert: Probleme werden am zweiten Tag erkannt, nicht im dritten Monat
• Ergebnis: Probleme werden gelöst, bevor sie zu Krisen werden

Wir sind von 60% Koordinationsaufwand auf 90% tatsächliche Arbeit umgestiegen. Nicht, weil wir disziplinierter sind, sondern weil wir die Koordinationskosten entfernt haben, die traditionelles Projektmanagement verursacht.

Wie KI Liefer-Rituale verändert, indem sie reichhaltigeren Kontext erfordert

Traditionell geht man davon aus, dass KI weniger menschliche Kommunikation bedeutet. Unsere Erfahrung ist das Gegenteil: KI im Team bedeutet, dass wir expliziter kommunizieren, weil KI Kontext braucht, um nützlich zu sein.

Das ist für uns besonders relevant, weil wir unser eigenes Produkt nutzen, um die "Kontextsteuer" zu entfernen – das heißt, es integriert sich in unsere Kommunikationskanäle, um Kontext zu sammeln und abzurufen. Es hört zu.

Das hat großen Einfluss auf unsere Rituale. Kundenprojekte sind ein gutes Beispiel. Wenn ein Kunde ein Problem meldet oder etwas anfragt, kommunizieren unsere Gründer bewusst ausführlicher als füreinander nötig wäre – weil wir wissen, dass die KI alles aufnimmt.

So sieht das praktisch aus:

Statt: „Kunde X will Feature Y, besprechen wir morgen“

Formulieren wir: „Kunde X hat Feature Y angefragt. Kontext: Sie stoßen bei 200 Leads/Tag an ihre Grenzen, ihr Team aus 3 SDRs ist überlastet, und dieses Feature würde ihnen ermöglichen, 500/Tag ohne zusätzliches Personal zu bewältigen. Das passt zu unserem SMB-Skalierungs-ICP. Dringlichkeit: hoch – sie vergleichen diese Woche Wettbewerber.“

Später, wenn jemand aus dem Team – einschließlich KI – wieder mit diesem Kunden interagiert, steht relevanter Kontext zur Verfügung.

Ja, das kostet pro Kommunikation 2-3 Minuten mehr. Aber es spart Stunden bei:

• Abstimmungsmeetings — KI hält alle auf dem gleichen Stand
• Kontext-Beschaffung — KI kennt die Situation bereits
• Übergaben — KI bewahrt den Kontext über Interaktionen hinweg

Wenn man KI als Teammitglied behandelt, das im Loop bleiben muss, verändern sich die Kommunikations- und Dokumentationsrituale grundlegend — und erst dann wird KI wirklich nützlich, nicht bloß ein Feature.

Amos' Tipp

Wenn man KI als Teammitglied behandelt, das im Loop bleiben muss, verändern sich die Kommunikations- und Dokumentationsrituale grundlegend — und erst dann wird KI wirklich nützlich, nicht bloß ein Feature.

Warum das Definieren menschlicher Rollen Voraussetzung für erfolgreiche KI-Einführung ist

Fehlgeschlagene KI-Einführungen scheitern fast nie daran, dass die KI zu wenig kann. Sie scheitern, weil Teams einer grundsätzlicheren Frage nie nachgehen: "Was sollten Menschen in diesem Prozess eigentlich verantworten?"

Folgendes Muster sehe ich immer wieder bei unseren über 200 Implementierungen:

Teams verbringen Wochen mit der Frage "Kann KI diese Aufgabe übernehmen?" Sie kartieren den bestehenden Ablauf, identifizieren, was KI automatisieren kann, bauen das System und starten. Die KI funktioniert. Sie kann die Aufgabe zu 70-80% zuverlässig erledigen.

Und dann geht alles schief. Nicht weil die KI ausfällt, sondern weil niemand festgelegt hat, was Menschen mit den verbliebenen 20-30% tun sollen. Folgendes passiert dann:

1. Menschen kontrollieren alles im Detail. Sie vertrauen der KI nicht und überprüfen jede Entscheidung, sodass aus der $20K-KI-Lösung nur ein teures Vorschlagswerkzeug wird. Das Team brennt durch das ständige KI-Checken aus.
2. Menschen geben die Verantwortung ganz auf. Sie denken „KI macht das ja“ und schenken dem Prozess keine Aufmerksamkeit mehr. Dann geht etwas schief oder läuft aus dem Ruder – und niemand merkt es, bis der Kunde sich meldet und es zur Krise wird.

Dies liegt daran, dass wir die Implementierung von KI von hinten aufgezäumt haben. Wir fragten: „Was können wir automatisieren?“ anstatt „Wo ist menschliches Urteilsvermögen unersetzlich, und wie bauen wir KI, die dieses Urteilsvermögen verstärkt?“

Stattdessen sollte jedes KI-Projekt damit beginnen, zunächst die menschliche Rolle zu definieren. Welche Entscheidungen benötigen Intuition? Wo ist Kontext entscheidend? Welche Fehlermodi erfordern menschliche Aufsicht? Dann entwickelt man KI, die alles andere übernimmt und den Menschen die relevanten Signale zum passenden Zeitpunkt für die Entscheidungsfindung liefert.

Im Nachhinein klingt das offensichtlich. Aber wenn man von den Möglichkeiten der KI begeistert ist, ist es unglaublich leicht, diesen Schritt zu überspringen und sich ausschließlich darauf zu konzentrieren, was KI leisten kann – statt die Zusammenarbeit zwischen Mensch und KI von vornherein zu gestalten.

Ein praxisnaher Rahmen zur Entscheidung, was KI automatisieren sollte

Ich betrachte Automatisierungsentscheidungen entlang zweier Dimensionen: Auswirkung eines Fehlers und Komplexität des benötigten Urteilsvermögens. Daraus ergeben sich vier klare Kategorien, die ich gleich erläutern werde.

Mit steigender Komplexität oder Auswirkung wechselt die Rolle der KI von „Eigentümer“ zu „Assistent“. Aber man muss für jeden Arbeitsablauf vorab definieren, welche Rolle die KI spielt – und zwar nicht erst nach der Einführung, wenn Menschen nicht wissen, ob sie KI-Entscheidungen vertrauen oder sie übersteuern sollen.

Das Framework richtet sich nicht danach, was KI technisch kann. Es geht darum, was KI besitzen sollte, gemessen am Risikoprofil und dem geforderten Urteilsvermögen.

Geringe Auswirkungen + geringe Komplexität = vollständige Automatisierung

Beispiel 1: Datenanreicherung und Recherche

• KI sammelt Unternehmensdaten, Technologie-Stacks, Social-Media-Profile
• Wenn Fehler auftreten, werden sie von Menschen bei der Überprüfung entdeckt
• Es ist kein Urteilsvermögen nötig – nur Datensammlung
• Umsetzung: API-Integrationen, KI strukturiert Ergebnisse, leichte stichprobenartige Kontrolle durch Menschen

Beispiel 2: Initiales Lead-Scoring und Routing

• KI bewertet Leads nach definierten ICP-Kriterien und leitet sie an den entsprechenden Prozess weiter
• Falschzuweisungen sind offensichtlich und leicht korrigierbar
• Logik ist codierbar (Unternehmensgröße, Branche, Verhaltensmuster)
• Umsetzung: Regelbasierte und KI-Bewertung, Menschen prüfen Sonderfälle

Geringe Auswirkungen + hohe Komplexität = KI-Vorbereitung, menschliche Entscheidung

Beispiel: Kundenservice-Antworten

• KI formuliert Antworten auf Basis ähnlicher vergangener Fälle
• Komplex, weil Ton, Kontext und Sonderfälle wichtig sind
• Aber geringe Auswirkungen, wenn wir vor dem Versenden prüfen
• Umsetzung: KI entwirft, Mensch prüft/bearbeitet und wir lernen aus den Änderungen

Hohe Auswirkungen + geringe Komplexität = automatisiert mit Kontrollmechanismen

Beispiel: Versand ausgehender Nachrichten

• Hohe Auswirkung, weil schlechter Versand Ihrer Marke/Markt schaden kann
• Aber relativ geringe Komplexität – und die Qualität ist messbar
• Umsetzung: KI erzeugt, strikte Freigabe-Workflows, automatische Not-Aus-Schalter bei Leistungsabfall

Hohe Auswirkungen + hohe Komplexität = menschliche Verantwortung

Beispiel: Strategische Kurswechsel bei Projekten

• Entscheidung, ein Projekt zu beenden oder weiter auszubauen
• Erfordert Mustererkennung über mehrere Kontexte hinweg
• Falsche Entscheidung ist teuer wegen Ressourcenverschwendung oder verpasster Chancen
• Umsetzung: KI liefert Signale (Nutzungsrückgang, Feedback-Muster), Mensch trifft die Entscheidung

Beispiel: Komplexe Kundenverhandlungen

• Preisverhandlungen, Ausbaugespräche, Verlängerungsrisiken
• Erfordert das Lesen von Beziehungsdynamiken, politischem Kontext, unausgesprochenen Bedenken
• Ein Fehler beschädigt Vertrauen, das schwer wiederherzustellen ist
• Umsetzung: KI übernimmt Recherche und Vorbereitung, der Mensch führt das Gespräch

Wie agentische Workflows in 13 Stunden ein selbstlernendes Supportsystem ermöglichten

Hier ist ein Beispiel für Komplexität, die wir mit agentischen Workflows bei dem Aufbau eines automatisierten Geschäfts gemeistert haben.

Die Einschränkung: Das Ziel, $10M ARR pro Mitarbeiter mit nur 3 Gründern zu erreichen, bedeutete, dass wir unsere Probleme nicht einfach durch Neueinstellungen lösen konnten. Als die Anzahl der Support-Tickets auf über 200 pro Woche anstieg, war die traditionelle Lösung – zwei Customer Success Manager einzustellen – für uns nicht möglich. Jedes Ticket erforderte die volle Aufmerksamkeit eines Gründers – Recherche der Antwort, Formulierung der Antwort, Dokumentation irgendwo. Wir waren am Ertrinken.

V1 (Woche 1): Bekannte Fragen beantworten

Wir starteten mit dem absoluten Minimum: Ein KI-Agent in Slack, der ca. 20 Fragen beantworten konnte, die wir bereits in Notion dokumentiert hatten.

• Tools: Swan AI, Slack, Notion
• Einrichtung: 6 Stunden
• Ergebnis: 15% der Tickets wurden übernommen
• Neues Problem: Die Kunden waren frustriert, wenn sie die Antwort „Ich weiß es nicht“ bekamen. Wir beantworteten immer noch 85% der Tickets manuell.

V2 (Woche 2): Unbekannte Fragen eskalieren

Wir haben einen Eskalationsprozess hinzugefügt: Die KI bleibt im Kundenthread, pingt uns intern an, wenn sie etwas nicht weiß. Wir antworten, die KI übermittelt unsere Antwort.

• Einrichtung: 3 Stunden
• Ergebnis: 35% autonome Lösung
• Neues Problem: Wir stellten fest, dass wir immer wieder die gleichen neuen Fragen beantworteten. Jede Eskalation brachte der KI nichts bei – sie war lediglich ein Weiterleitungssystem.

V3 (Woche 4): Aus Eskalationen lernen

Wir bauten die Lernschleife. Jetzt sammelt die KI bei jeder Antwort auf eine eskalierte Frage automatisch die Frage und Antwort, strukturiert sie und fügt sie der Wissensdatenbank hinzu.

• Einrichtung: 4 Stunden
• Ergebnis: 70% autonome Lösung innerhalb von 2 Wochen

Warum das funktionierte: Jede Version war in weniger als 6 Stunden gebaut, weil wir nicht auf Perfektion planten, sondern gezielt auf Feedback reagierten. Die „selbstlernende“ Fähigkeit stand anfangs gar nicht auf dem Plan. Sie entstand ganz natürlich, als wir fragten: „Warum beantworten wir dieselben Fragen zweimal?“

Heute beantworten wir über 200 Tickets pro Woche, 70% davon sind autonom, und unsere Wissensdatenbank wächst organisch durch echte Kundenfragen.

Mein Rat: Liefere das Minimum, das den akuten Schmerz adressiert. Beobachte, wo es bricht. Füge die minimale Funktion hinzu, um den Bruch zu beheben. Wiederhole das. So gelangten wir zu einem ausgefeilten, selbstlernenden System, ohne es je ursprünglich zu planen.

Weitere Bereiche, die sich für agentische Workflows eignen

Wir nutzen agentische Workflows auch in folgenden Bereichen:

• Onboarding: Neuer Kunde → Swan führt die Einrichtung im Dialog durch, stellt ICP-Fragen, konfiguriert Workflows basierend auf den Antworten
• Erfolg: Überwacht Nutzungsmuster → markiert Expansionsmöglichkeiten oder Risiken → leitet sie mit Empfehlungen an die Gründer weiter

Warum Feedbackschleifen wichtiger sind als die Wahl des KI-Tools – und wie man sie aufbaut

Alle fragen: „Welches KI-Tool sollten wir verwenden?“ Falsche Frage.

Das Wertvollste, was uns Zeit spart, ist kein Tool – sondern dass wir innerhalb von 48 Stunden wissen, wenn etwas schiefläuft.

Wir bauen Feedbackschleifen in jede Umsetzung ein. Wir verfolgen:

• Eskalationsmuster: Wenn die KI an Menschen weiterleitet, zeigt das, dass sie Unterstützung braucht
• Override-Quoten: Wenn Menschen KI-Antworten ändern, weist das auf eine schwache Bewertung hin.
• Ergebniskennzahlen: Gebuchte Meetings, gelöste Tickets, usw. – nicht nur Aktivität.
• Fehlerauslöser: Automatische Alarme bei Leistungsabfällen.

Ohne Feedbackschleifen startet man eine KI und hofft, dass sie funktioniert. Bis du bemerkst, dass sie es nicht tut – meist durch Beschwerden oder Quartalsreviews – sind Monate verloren gegangen.

Mit Feedbackschleifen erkennt man Probleme innerhalb von Tagen und behebt sie, solange sie noch klein sind.

Wir haben echte Auswirkungen gesehen:

• Support-KI: 35% → 70% Autonomie in 2 Wochen, indem wir analysierten, welche Fragen bessere Antworten erforderten
• Qualifizierungs-KI: 40% Genauigkeitssteigerung in 30 Tagen durch Nachverfolgung menschlicher Übersteuerungen

Die Wahl des KI-Tools ist viel weniger wichtig als die Fähigkeit, Fehler zu erkennen und schnell zu iterieren. Das „Tool“, das am meisten Zeit spart, ist das System, das dir mitteilt, was vor einem Krisenfall behoben werden muss.

Ein KI-nativer Tech-Stack für autonome Projektauslieferung

Und dennoch habe ich ein paar feste Bestandteile:

• Claude-Projekte (KI-Produktivitätstool): Ich erstelle und überarbeite alle projektbezogenen Dokumente in einem Claude-Projekt. So verdichtet sich der Kontext der KI und sie wird mit jeder Unterhaltung schlauer.
• Shortwave (KI-Kommunikationstools): Das ist ein neuer, KI-nativer E-Mail-Client mit integriertem KI-Agenten, der mir hilft, mühelos den richtigen Kontext aus dem ganzen Posteingangschaos zu finden. Außerdem hilft er mir, großartige E-Mails zu schreiben und Stakeholder abzustimmen, ohne Kontextwechsel oder ständiges Suchen nach früheren Nachrichtensträngen.
• N8N (KI-Workflow-Automatisierungssoftware): Ich nutze dies, um KI-Agenten zu bauen, die mit unserem Retool und Metabase verbunden sind, sodass wir Projekt-Updates direkt in Slack erhalten.

Warum sich das Projektmanagement zum Velocity Management entwickelt

KI im Projektmanagement wird sich von der Einzelprojektabwicklung zur kontinuierlichen Anpassung im Velocity Management weiterentwickeln.

Ich glaube, dass KI das Bauen und Ändern von Dingen so schnell machen wird, dass Projekte mit klar definiertem Anfang und Ende überflüssig werden. Bis ein dreimonatiges Projekt abgeschlossen ist, haben sich die Anforderungen geändert, die KI-Fähigkeiten sind weiterentwickelt und die „fertige“ Lösung ist bereits veraltet.

Was stattdessen kommt, sind kontinuierliche Verbesserungszyklen mit schnellen Feedbackschleifen. Anstatt "das Kundenportal im Q3 launchen" heißt es dann "Kundeninteraktionen kontinuierlich weiterentwickeln, täglich Änderungen auf Basis realer Rückmeldungen umsetzen."

"Velocity Manager" werden optimieren für:

• Feedback-zu-Anpassung-Geschwindigkeit – nicht Liefertermine
• Iterationsfrequenz – nicht Projektabschluss
• Lerngeschwindigkeit – nicht Umfangsmanagement

Erfolg wird dadurch definiert, wie schnell du Probleme erkennst und Lösungen bereitstellst – nicht durch das Erreichen vordefinierter Meilensteine.

Die Projektmanager, die sich behaupten, bauen diese Fähigkeit bereits auf – sie veröffentlichen unvollkommene v1-Versionen, iterieren anhand realer Nutzung und optimieren auf Geschwindigkeit statt Perfektion. Wer immer noch an perfekten Gantt-Diagrammen festhält, wird seinen Job in fünf Jahren nicht wiedererkennen.

Warum Iterationsgeschwindigkeit Planung schlägt – und wie Führungskräfte mit KI schneller ausliefern können

Mein Rat: Baue auf Iterationsgeschwindigkeit, nicht auf perfekte Umsetzung.

Stopp: Mehrwöchige Planung, perfekte Releases, das Vermeiden jeglicher Fehler.

Start: Minimal nützliche Versionen in wenigen Tagen veröffentlichen, erst Feedback-Schleifen aufbauen, aus schnellen Iterationen lernen.

Und mache es praktisch: Verkürze die Planungsphase deines nächsten Projekts um 75%. Veröffentliche noch diese Woche etwas Unvollkommenes, das dich lehrt, was tatsächlich relevant ist. Messe den Erfolg daran, wie schnell du von „das ist kaputt gegangen“ zu „hier ist v2" gelangst.

Lerngeschwindigkeit schlägt Planungstiefe immer.

Lerngeschwindigkeit schlägt Planungstiefe immer.

Share This Quote on:

• Share on Twitter
• Share on LinkedIn
• Share on Facebook

Amos Bar Joseph

CEO von Swan AI

Dranbleiben

Du kannst Amos' Arbeit zur Automatisierung von GTM-Workflows auf LinkedIn und im Swan-Newsletter verfolgen. Außerdem kannst du Swan und Autonamos, Amos' digitalen Klon, anschauen.

Weitere Experteninterviews folgen auf The Digital Project Manager!