Vor etwa neun Jahren bin ich \u00fcber ein YouTube-Video gestolpert, das mein Leben ver\u00e4ndert hat. Es zeigte einen Algorithmus, der versuchte, Super Mario zu spielen. Am Anfang war er katastrophal \u2013 er lief in jeden Gegner, fiel in jedes Loch. Aber mit jeder Runde wurde er besser. Nach tausenden Versuchen meisterte er das Level perfekt.<\/p>\n\n\n\n
Damals wusste ich nicht, dass diese Methode Reinforcement Learning hei\u00dft. Aber die Idee, dass ein System durch Interaktion mit seiner Umwelt selbstst\u00e4ndig lernen und sogar menschliche F\u00e4higkeiten \u00fcbertreffen kann \u2013 das hat mich nicht mehr losgelassen. Ich habe daraufhin meine gesamte Studienrichtung ge\u00e4ndert.<\/p>\n\n\n\n
Fast forward sieben Jahre: Ich forschte am Max-Planck-Institut f\u00fcr Intelligente Systeme an genau diesen Technologien. Gleichzeitig arbeitete ich als Data Scientist in einer Marketing-Agentur \u2013 gemeinsam mit Mehmet, meinem sp\u00e4teren Co-Founder. Dort entwickelten wir die erste Anwendung eines selbstlernenden Algorithmus f\u00fcr einen Marketing-Agenten.<\/p>\n\n\n\n
Diese Algorithmen aus der Forschung und aus Videospielen in die echte Welt zu bringen \u2013 das war der Grundstein f\u00fcr pi_optimal. Heute fragen wir uns: Wie w\u00fcrde unsere Welt aussehen, wenn alle Prozesse wie der Mario in diesem Video selbst lernen und sich kontinuierlich verbessern k\u00f6nnten? Das ist unsere Motivation.<\/p>\n\n\n\n
Wir sind zu Viert mit einer ungew\u00f6hnlichen Kombination aus Forschung und Praxis.<\/p>\n\n\n\n
Ich selbst habe Kognitionswissenschaft in T\u00fcbingen studiert und am Max-Planck-Institut f\u00fcr Intelligente Systeme an Reinforcement Learning geforscht. Parallel dazu habe ich vier Jahre als Data Scientist in einer mittelst\u00e4ndischen Marketing-Agentur gearbeitet und davor bei Bertelsmann im AdTech-Bereich \u2013 ich kenne die Schmerzpunkte unserer Kunden aus erster Hand.<\/p>\n\n\n\n
Mehmet kommt aus der Computational Neuroscience, hat am Graduate Training Centre in T\u00fcbingen studiert und ebenfalls mehrere Jahre in derselben Agentur gearbeitet. Er ist unser Experte f\u00fcr skalierbare Produktarchitektur und filtert meine manchmal zu ambitionierten Ideen und baut die Systeme, die tats\u00e4chlich funktionieren.<\/p>\n\n\n\n
Urs bringt Startup-Erfahrung aus Berlin mit und hat den Agentur-Markt als unsere erste Zielgruppe identifiziert. Er verantwortet alles rund um Go-to-Market und Operations.<\/p>\n\n\n\n
Mehdi studiert Bio-Informatik und verantwortet trotz Vollzeitstudium unsere Forschung. Er arbeitet daran, die Br\u00fccke zwischen akademischer Innovation und produktionsreifer Software zu schlagen.<\/p>\n\n\n\n
Was uns verbindet: Wir kommen aus der Forschung, aber wir wollen Produkte bauen, die in der echten Welt funktionieren. Nach mehreren Jahren Forschungsarbeit haben wir unseren MVP innerhalb sechs Wochen entwickelt und auf der DMEXCO pr\u00e4sentiert.<\/p>\n\n\n\n
Ein typischer Agentur-Alltag: Zehn Google-Ads-Kampagnen gleichzeitig managen. Jeden Tag hunderte kleine Entscheidungen treffen \u2013 Gebote anpassen, Keywords optimieren, Budgets verschieben. Das ist keine kreative Arbeit, das ist Flei\u00dfarbeit, die trotzdem Expertise erfordert.<\/p>\n\n\n\n
Unser erstes Prodkt pi-automate \u00fcbernimmt genau diese Arbeit. Nutzer beschreiben in einfacher Sprache, was sie erreichen wollen \u2013 keine Programmierung, kein Code. Das System trifft dann Entscheidungen wie der beste Kampagnenmanager, aber rund um die Uhr und \u00fcber alle Kampagnen gleichzeitig.<\/p>\n\n\n\n
Der konkrete Nutzen: Unsere Pilot-Agenturen sparen 8 Stunden pro Woche an manueller Optimierungsarbeit. Das ist ein Tag pro Woche, den Teams f\u00fcr Strategie, Kundenbeziehungen oder bessere Work-Life-Balance nutzen k\u00f6nnen.<\/p>\n\n\n\n
Und das Wichtigste: Der Nutzer beh\u00e4lt die volle Kontrolle \u2013 setzt die Leitplanken, sieht jede Entscheidung, kann jederzeit \u00fcberschreiben. Wir automatisieren die Arbeit, nicht das Urteilsverm\u00f6gen.<\/p>\n\n\n\n
Unsere Vision: Jeder Workflow in jedem Unternehmen sollte sich kontinuierlich verbessern \u2013 automatisch, ohne zus\u00e4tzlichen Aufwand.<\/p>\n\n\n\n
Heute verbringen Menschen unz\u00e4hlige Stunden damit, Prozesse zu optimieren, die sich eigentlich selbst optimieren k\u00f6nnten. Das ist verschwendetes Potenzial \u2013 f\u00fcr Unternehmen und f\u00fcr die Menschen, die Besseres tun k\u00f6nnten.<\/p>\n\n\n\n
Wir starten bewusst fokussiert mit Marketing-Agenturen. Der Markt f\u00fcr Marketing-Automation in Europa liegt bei \u00fcber 10 Milliarden Euro, und die Schmerzpunkte sind klar messbar. Aber die gleichen Muster \u2013 wiederkehrende Entscheidungen, die von Daten profitieren w\u00fcrden \u2013 finden wir \u00fcberall: in Sales Operations, E-Commerce, Customer Success.<\/p>\n\n\n\n
Wenn wir beweisen, dass selbstverbessernde Workflows funktionieren, \u00f6ffnet das T\u00fcren in dutzende Branchen. Das ist die Plattform, die wir bauen.<\/p>\n\n\n\n
Die gr\u00f6\u00dfte Herausforderung ist, Zuverl\u00e4ssigkeit und Lernf\u00e4higkeit zu vereinen. Selbstlernende Systeme k\u00f6nnen exzellente Entscheidungen treffen \u2013 aber Unternehmen brauchen Konsistenz. Ein System, das meistens brillant ist, aber gelegentlich Unsinn macht, ist f\u00fcr den Gesch\u00e4ftsalltag unbrauchbar.<\/p>\n\n\n\n
Unsere L\u00f6sung: Wir setzen lernende Komponenten nur dort ein, wo sie ihre St\u00e4rken ausspielen \u2013 bei komplexen Entscheidungen und der Anpassung an neue Situationen. Drumherum bauen wir ein deterministisches Framework, das Zuverl\u00e4ssigkeit garantiert. Diese Architektur ist unser technischer Kern und das Ergebnis vieler Iterationen.<\/p>\n\n\n\n
Der Schl\u00fcssel liegt in der Kombination von Reinforcement Learning mit gro\u00dfen Sprachmodellen. Klassisches Reinforcement Learning braucht riesige Datenmengen \u2013 das funktioniert f\u00fcr Google, aber nicht f\u00fcr eine Agentur mit 50 Kampagnen.<\/p>\n\n\n\n
Durch die Integration von Sprachmodellen erreichen wir sample-effizientes Lernen: Unsere Systeme k\u00f6nnen aus den Datenmengen lernen, die normale Unternehmen haben. Das macht selbstverbessernde Workflows f\u00fcr den Mittelstand praktikabel.<\/p>\n\n\n\n
Gleichzeitig setzen wir auf deterministische Frameworks um die lernenden Komponenten herum. So garantieren wir Zuverl\u00e4ssigkeit und Nachvollziehbarkeit \u2013 entscheidend f\u00fcr den Einsatz in echten Gesch\u00e4ftsprozessen.<\/p>\n\n\n\n
Wir fokussieren uns auf kleine bis mittelgro\u00dfe digitale Agenturen in Deutschland mit 5-30 Mitarbeitern. Diese Agenturen verbringen 40+ Stunden pro Woche mit manueller Kampagnenoptimierung \u2013 ein klarer, messbarer Schmerzpunkt.<\/p>\n\n\n\n
Unseren Kunden-Fit erreichen wir durch drei Dinge: Erstens, wir kennen den Markt aus eigener Erfahrung \u2013 ich habe selbst vier Jahre als Data Scientist in einer Marketing-Agentur gearbeitet. Zweitens, wir validieren kontinuierlich mit echten Pilotprojekten statt theoretischen Annahmen. Drittens, wir l\u00f6sen ein konkretes Problem mit messbarem Outcome: 8 Stunden Zeitersparnis pro Woche. Das ist keine abstrakte Verbesserung, das ist ein kompletter Arbeitstag.<\/p>\n\n\n\n
Nach 10+ Gespr\u00e4chen auf der DMEXCO und zwei aktiven Pilotprojekten wissen wir: Das Problem ist real, und unsere L\u00f6sung adressiert es direkt.<\/p>\n\n\n\n
Das ist tats\u00e4chlich unser technischer Durchbruch. Klassisches Machine Learning braucht riesige Datenmengen \u2013 das funktioniert f\u00fcr Google, aber nicht f\u00fcr eine Agentur mit 50 Kampagnen.<\/p>\n\n\n\n
Wir kombinieren Reinforcement Learning mit gro\u00dfen Sprachmodellen. Dadurch erreichen wir, was wir „sample-effizientes Lernen“ nennen: Unsere Systeme k\u00f6nnen aus den Datenmengen lernen, die normale Unternehmen haben \u2013 nicht aus Millionen von Datenpunkten.<\/p>\n\n\n\n
Das macht den Unterschied. Pl\u00f6tzlich werden selbstverbessernde Workflows f\u00fcr den Mittelstand praktikabel, nicht nur f\u00fcr Tech-Giganten. Eine Agentur mit 30 Mitarbeitern kann dieselbe Technologie nutzen, die sonst nur Konzernen vorbehalten war.<\/p>\n\n\n\n
Die meiste „Automation“ am Markt ist in Wahrheit regelbasiert \u2013 statische Wenn-Dann-Logik mit einem Chatbot als Interface. Das bricht, sobald sich Bedingungen \u00e4ndern.<\/p>\n\n\n\n
Assistenten wie ChatGPT k\u00f6nnen analysieren und Vorschl\u00e4ge machen, aber sie f\u00fchren nichts aus und sie lernen nicht aus den spezifischen Ergebnissen eines Unternehmens.<\/p>\n\n\n\n
Wir machen beides: Wir f\u00fchren aus UND wir lernen. Unsere Automation passt sich bereits an ver\u00e4nderte Bedingungen an. Die volle Selbstverbesserung \u2013 bei der das System aus jedem Ergebnis lernt und sich Monat f\u00fcr Monat steigert \u2013 rollen wir gerade schrittweise aus.<\/p>\n\n\n\n
Das ist der fundamentale Unterschied: Nicht Automation, die man einmal einrichtet und die dann stagniert. Sondern Workflows, die kontinuierlich besser werden.<\/p>\n\n\n\n
Nach Agenturen sehen wir drei klare n\u00e4chste Schritte:<\/p>\n\n\n\n
Sales Operations \u2013 Lead Scoring, optimales Timing f\u00fcr Outreach, Pipeline-Optimierung. \u00dcberall, wo Vertriebsteams heute auf Bauchgef\u00fchl setzen.<\/p>\n\n\n\n
E-Commerce \u2013 dynamische Preisgestaltung, Bestandsoptimierung, Personalisierung. Entscheidungen, die heute entweder manuell oder mit starren Regeln getroffen werden.<\/p>\n\n\n\n
Customer Success \u2013 proaktive Churn-Pr\u00e4vention, Account Health Monitoring, Upselling-Timing. Die Muster sind dieselben: wiederkehrende Entscheidungen, die von Daten profitieren.<\/p>\n\n\n\n
Langfristig: \u00dcberall dort, wo Menschen regelm\u00e4\u00dfig Optimierungsentscheidungen treffen, k\u00f6nnen selbstverbessernde Workflows Wert schaffen. Das ist ein riesiger Markt \u2013 aber wir bleiben diszipliniert. Erst beweisen wir es mit Agenturen, dann expandieren wir.<\/p>\n\n\n\n
Wir haben gerade unseren ersten Piloten erfolgreich abgeschlossen und starten den zweiten. Der Fokus liegt jetzt darauf, aus Piloten zahlende Kunden zu machen und auf 10-20 Agenturen zu skalieren.<\/p>\n\n\n\n
Technisch arbeiten wir daran, die Selbstverbesserungs-F\u00e4higkeit vollst\u00e4ndig in pi-automate zu integrieren.<\/p>\n\n\n\n
Mittelfristig: 50+ Kunden und der Start in die zweite Branche.<\/p>\n\n\n\n
Erstens: Baut ein echtes Produkt, das ein echtes Problem l\u00f6st \u2013 nicht ein Forschungsprojekt. Wir h\u00e4tten noch Jahre forschen k\u00f6nnen. Stattdessen haben wir in sechs Wochen einen MVP gebaut und auf der DMEXCO pr\u00e4sentiert. Die Marktreaktion war unsere beste Validierung.<\/p>\n\n\n\n
Zweitens: Erfolg ist nicht linear. Doppelt so viel Arbeit bedeutet nicht doppelter Fortschritt. Oft sind es die unerwarteten Dinge \u2013 der Bar Crawl nach einer Konferenz, das zuf\u00e4llige Gespr\u00e4ch \u2013 die den entscheidenden Unterschied machen. It’s not about the grind, es geht um Kreativit\u00e4t und offene Augen f\u00fcr Chancen.<\/p>\n\n\n\n
Drittens: Seid transparent \u00fcber das, was funktioniert und was noch nicht.<\/p>\n\n\n\n
Bild Teambild Fotocredit pi_optimal<\/p>\n\n\n\n
Wir bedanken uns bei Jochen Luithardt<\/a> f\u00fcr das Interview<\/p>\n\n\n\n Aussagen des Autors und des Interviewpartners geben nicht unbedingt die Meinung der Redaktion und des Verlags wieder<\/p>\n\n\n\n