Ehemaliger Google-Startup-CTO erklärt, wie er mit KI sein Unternehmen von Grund auf aufbaut

Valliappa Lakshmanan ist Mitgründer und CTO von Obin, einem KI-nativen Unternehmen, das autonome Agenten für Finanz-Workflows entwickelt. Zuvor war er Director of Analytics and AI Solutions bei Google Cloud und verfügt über umfassende Erfahrung in der KI-Integration.

Wir haben uns mit Lak zusammengesetzt, um zu verstehen, wie er ein KI-natives Unternehmen aufbaut. Das hat er dazu gesagt.

Tiefergehende Expertise in der KI-Integration

Ich bin Lak, Mitgründer und CTO bei Obin. Wir entwickeln autonome KI-Agenten, die Finanz-Workflows von Anfang bis Ende ausführen.

Meine Karriere begann ich als Machine-Learning-Forscher mit dem Schwerpunkt auf Unwettervorhersagen. Wir waren eine der ersten Branchen, die Echtzeit-ML-Modelle entwickelten und in den produktiven Einsatz brachten. Die Deep-Learning-Technologiewelle von 2014 führte mich anschließend in die Privatwirtschaft.

Ich leitete das Analytics- und KI-Lösungen-Team bei Google Cloud und arbeitete mit vielen Kunden an der Umsetzung von KI in der Produktion. Danach wechselte ich zu Silver Lake, einer Private-Equity-Firma, wo ich half, die KI-Strategie der von ihnen betreuten Unternehmen zu entwickeln und umzusetzen.

Ich bringe also umfassende Erfahrung sowohl bei der Implementierung von KI in der Produktion als auch darin mit, wie Unternehmen ihr Geschäftsmodell neu denken und sich die Möglichkeiten neuer Technologien zu Nutze machen.

Arbeiten unter höchsten Ansprüchen

Obin ist weniger als ein Jahr alt, aber unser Team wächst rasant. Die technische Herausforderung beim Aufbau autonomer KI-Agenten im Finanzbereich besteht darin, das Modell vom klassischen Ansatz mit Chatbots und Copiloten – bei dem Menschen jeden Schritt überwachen – zu einer Vorgehensweise zu verändern, bei der die KI den Workflow komplett selbstständig ausführt und Menschen nur noch überprüfen und überwachen.

Das entspricht auch unserer Softwareentwicklung – die meisten Codes werden von KI-Agenten geschrieben und von unseren Ingenieurinnen und Ingenieuren sorgfältig überwacht.

Wir arbeiten mit einigen der größten Unternehmen der Finanzbranche an deren wichtigsten Aufgaben, daher ist die Messlatte für den Abschluss und die Genauigkeit der Aufgaben sehr hoch.

Daher setzen wir auf Robin – unser Agenten-Framework, das den Bau von Agenten für regulierte Branchen vereinfacht und dafür sorgt, dass alle erforderlichen Compliance- und Prüfanforderungen erfüllt werden.

Warum KI-native Unternehmen im Vorteil sind

Valliappa teilt mit

Solange wir die Funktionsweise des Codes überprüfen können und der Code klein genug ist, ist er sehr zuverlässig.

Da das Unternehmen noch relativ neu ist, hatten wir die Möglichkeit, von Anfang an agentisch zu arbeiten. In allen Bereichen sind wir vollständig KI-nativ.

Vor allem setzen wir KI intensiv bei der Softwareentwicklung ein. Claude Code erzeugt fast unseren gesamten initialen Code. Solange wir die Funktionsweise des Codes überprüfen können und der Code klein genug ist, ist er sehr zuverlässig. Unser Claude-Review-Bot prüft im CI/CD jede Änderung und jeden PR. Die „Quick Wins“ und Hinweise, die unser Bot liefert, haben die Arbeit für menschliche Code-Reviewer deutlich erleichtert und uns schneller gemacht.

Ein weiterer Vorteil: Wir benötigen für Softwareentwicklung keine User-Stories oder PRDs mehr. Stattdessen bauen und iterieren wir einfach schnell Prototypen.

KI erzeugt auch Design-Dokumentationen direkt aus dem Code, und wir nutzen KI zudem, um diese Dokumente für verschiedene Zielgruppen (Sicherheit, Datenarchitekten, KI-Ingenieure etc.) neu zu formatieren. Wir können die Dokumentation schneller erfassen, hervorheben und anpassen, als es Menschen manuell möglich wäre.

Und zuletzt nutzen wir KI auch, um Präsentationen für Investor*innen und den Vertrieb zu erstellen.

Warum das Management von KI-Arbeitskräften seine Herausforderungen hat

Jede und jeder unserer Entwickler*innen ist im Prinzip eine Art Engineering Manager, der eine Kohorte von KI-Arbeitskräften betreut. Mit diesem Ansatz steigerten wir die Geschwindigkeit bei der Umsetzung von Funktionen – und die Codequalität verbesserte sich durch bessere Fehlerbehandlung sogar noch.

Allerdings stellte die Geschwindigkeit bei der Bereitstellung eine Herausforderung dar. Jetzt müssen wir die Entwicklungsumgebungen sorgfältig verwalten, um möglichst effektives Feature-Testing zu ermöglichen.

Warum KI-Artefakte neue Prüfprozesse erfordern

Mit der Zunahme von KI-erstellten Artefakten – Code, Konfigurationsdateien, Dokumenten, Pipelines usw. – ist es für technische Führungskräfte wichtig, ihre Fähigkeit zur Überprüfung zu skalieren. Sie können und sollten Korrektheitsprüfungen für jedes Artefakt einrichten.

Hier ein Beispiel: Sie können die Informationen einer Zahlungsavis mit früheren Zahlungsavisen für das gleiche Geschäft, den gleichen Kreditnehmer usw. vergleichen.

Es ist besser, Korrektheitsprüfungen im Voraus durchzuführen, als ein Problem mit einem KI-generierten Artefakt erst zur Laufzeit zu entdecken!

Und natürlich nutzen Sie anschließend menschliche Prüfgates.

Wo Menschen in der KI-Softwareentwicklung weiterhin präsent sein müssen

Beim Code gibt es eine klare Trennung zwischen dem, was KI übernimmt, und dem, was Menschen übernehmen.

Derzeit erhalten alle Commits und PRs eine vorläufige KI-Überprüfung. Die endgültigen PR-Merges werden jedoch von Menschen durchgeführt. Ein leitender Ingenieur prüft weiterhin alle PRs hinsichtlich der Architektur.

Die Grenze liegt überall dort, wo Kontext über den Quellcode hinaus erforderlich ist. Das bedeutet, dass Menschen beispielsweise alles übernehmen müssen, was Stakeholder oder regulatorische Komplexität betrifft.

Warum Fachwissen bei der Integration von KI wichtig ist

KI funktioniert am besten in Bereichen, in denen Sie über fundiertes Fachwissen verfügen. Es ist wichtig, zu wissen, wie „gut“ aussieht, damit Sie mit dem Modell iterieren können, bis es gut funktioniert.

In Bereichen, in denen wir kein Fachwissen besitzen, waren die KI-Ausgaben tendenziell oberflächlich.

Hier ein Beispiel: Out of the box funktionierte KI bei uns nicht gut für die Erstellung von Deal-Zusammenfassungen. Sie konnte widersprüchliche Informationen in den Quelldokumenten nicht handhaben und konzentrierte sich oft auf die extremsten statt der wichtigsten Aussagen. Für nicht verankerte Informationen hat KI einfach nicht genug Informationen über Privatmärkte gesehen, um Nuancen zu erkennen. Und da wir selbst keine Experten dafür waren, fiel es uns schwer, sie auf den neuesten Stand zu bringen.

Valliappa teilt mit

Es ist wichtig zu wissen, wie “gut” aussieht, damit Sie mit dem (KI-)Modell iterieren können, bis es gut funktioniert.

Warum technische Führungskräfte bei der Automatisierung bestehender Prozesse vorsichtig sein müssen

Bei der Automatisierung gilt: Automatisieren Sie nicht Ihre aktuellen Prozesse. Nutzen Sie stattdessen KI, um die Zwischenschritte zu überspringen und direkt zum Endergebnis zu gelangen.

Überlegen Sie zum Beispiel, welche Schritte Sie für die Erstellung einer PowerPoint-Folie unternehmen. Es ist verlockend, die KI genau diese Schritte ausführen zu lassen, aber eine Folie ist letztlich XML + Bilder. Die KI kann sie generieren, ohne Ihre Schritte zu gehen. Das gilt auch für Geschäftsprozesse – Sie können eine Rechnung erstellen, ohne das bestehende Rechnungserstellungssystem zu nutzen. Rufen Sie einfach die relevanten Backend-APIs auf, um die richtigen Preise und Mengen zu erhalten.

Warum KI eine kognitive Überlastung verursachen kann

Einer der größten Nachteile, die ich für technische Führungskräfte gesehen habe, ist: Die Geschwindigkeit, mit der KI-Tools arbeiten, verursacht eine erhebliche kognitive Überlastung.

Um die Überlastung zu verringern, haben wir jeden Nachmittag eine zweistündige „Deep-Thinking“-Zeit eingeführt. Ob dies hilft, ist allerdings noch nicht abzusehen.

Bleiben Sie dran

Sie können Valliappa Lakshmanan auf LinkedIn folgen oder Obin besuchen.

Weitere Experteninterviews folgen im CTO Club!