Ich habe 350k+ mit AI-Beratung verdient und das Geld steckt nicht in Agenten. Es steckt größtenteils in Datenverrohrung.

Hallo zusammen – ich möchte meine Erfahrungen der letzten Jahre mit Automatisierungsberatung in Teilzeit (neben einem 9-to-5-Job) teilen. Zunächst komme ich aus dem Cloud-/Plattform-Engineering und der Entwicklung und habe mit Fortune-500-Finanzdienstleistungsunternehmen gearbeitet. Als ich den Multiplikator sah, den Dinge wie Claude Code (als es neu war) in Kombination mit echten Best Practices und Prinzipien bewirken können, war ich völlig begeistert.

Um es klar zu sagen: Alles, was ich jetzt erzähle, ist nur meine Erfahrung und das, worauf ich mich konzentriere.

Ich habe angefangen wie viele andere auch, indem ich kleine Unternehmen ansprach und ihnen half, ihre Prozesse und Abläufe zu automatisieren. Es war schmerzhaft. Die meisten wussten nur vage, was Automatisierung ist und worum es dabei geht. Das war etwa 2023, also noch frühe Tage für Dinge wie ChatGPT usw., aber ich stellte fest, dass kleinere Unternehmen entweder:

nicht das Geld hatten, um die monatliche Pauschale zu zahlen, die ich damals verlangte (3k/Monat) oder

nicht organisiert genug waren, um überhaupt zu artikulieren, was sie automatisiert haben wollten, oder zu verstehen, was „automatisierbar“ ist.

Das ließ mich erkennen, dass es wahrscheinlich einen guten Grund gibt, warum diese Unternehmen klein waren und klein blieben. Sie hatten keine Systeme, die ihnen halfen, zu wachsen/skalieren, und obwohl ich das anbieten konnte, wenn sie es nicht aus eigenem Antrieb wollten, kann ich es nicht erzwingen. Kurz gesagt: Zwinge niemandem Systeme auf, die nicht bereits selbst welche aufbauen.

Im Laufe der Zeit stellte ich fest, dass ich weiterhin größere, aber immer noch mittelgroße Kunden (5M+ / Jahr Umsatz) gewann. Denken Sie an bekannte Namen, aber in kleineren Bereichen/Branchen. Jeder von ihnen hatte das gleiche Problem. Sie wollten KI nutzen, fanden die Ergebnisse aber entweder sehr generisch und nicht auf ihr Geschäft zugeschnitten, oder die wichtigsten Anwendungsfälle erforderten viele Tools, die nicht gut miteinander kommunizierten. Grundsätzlich hatten sie keinen Daten-Fußabdruck (Erfassung, Speicherung, Governance, Transformation usw.)

Ich habe jetzt mit 10+ Unternehmen in mehreren Branchen zusammengearbeitet, um eine Art KI-Datenplattform aufzubauen. Denken Sie an Konnektoren über API zu all ihren Kern-Tools und Diensten, die diese Daten regelmäßig erfassen, normalisieren und in AWS S3 schreiben, mit einem Datenkatalog aller regelmäßig erfassten Daten.

Es ist keine sexy Arbeit, aber sie schafft die Grundlage für jeden anderen Automatisierungs-Anwendungsfall, an dem wir gemeinsam gearbeitet haben. Die Vertrautheit mit ihren Daten, ihren Kerndiensten usw. ermöglichte es mir, Automatisierungen exponentiell schneller zu entwickeln, da ich nie benutzerdefinierte Integrationen erstellen musste, um die Daten zu bekommen, herauszufinden, wo ich sie ablegen würde, usw.

Fragen zu Abwanderung, Werbeausgaben, CAC usw., die früher mühsam zu beantworten waren, wurden super einfach, wenn man Codex und Claude Code einfach auf den Data Lake in AWS verweisen und loslegen konnte. Dies wiederum hat auch zu einer schnellen und kontinuierlichen Entwicklung von Dashboards geführt, da sie so schnell und einfach zu erstellen sind, sobald alle Daten zugänglich sind.

Erst jetzt, nach Monaten des Aufbaus der gesamten grundlegenden Plattform-Tools und Infrastruktur, kommen wir zu wirklich agentischen Arbeiten. Der eigentliche Knackpunkt ist jedoch, dass die Leute denken, sie bräuchten Agenten und agentische Arbeit, obwohl sie in Wirklichkeit als Ausgangspunkt nur ein besseres Verständnis dafür suchen, was in ihrem Unternehmen zu einem bestimmten Zeitpunkt passiert und wie sie die Verbindungen zwischen diesen Datenpunkten herstellen können.

Der von mir verwendete Tech-Stack basiert auf AWS, muss es aber nicht sein. Ich verwende AWS, weil ich es seit Jahren nutze und recht gut darin bin, es kosteneffektiv einzusetzen. Es erlaubt mir auch, im Wesentlichen eine Plattform für meine gesamte Arbeit zu verwenden, was viele Integrationsvorteile hat.

Auf hoher Ebene verwende ich Folgendes:

Lambdas / ECS-Aufgaben für die Datenerfassung

S3 für Data Lake Storage

Athena für Datenabfragen

Glue für Datenkatalogisierung

Cognito für Authentifizierung + Google Workspace Auth

CloudWatch für Protokollierung + Alarmierung

Secrets Manager für API-Schlüssel

CloudFront für das Hosting benutzerdefinierter Web-Frontends für Dashboards und zur Steigerung der Nutzung

GitHub Actions + Cloudformation / CDK für die Bereitstellung

Ich lege großen Wert darauf, dass dies eine unternehmensgerechte Infrastruktur und Konfiguration ist, denn eine Automatisierung, der man nicht vertrauen kann, ist am Ende nur KI-Schrott.

Für Kunden, mit denen ich diese Arbeit mache, zahlen die meisten zwischen 7.500 und 15.000 Dollar pro Monat für meine Dienstleistungen und bezahlen die Infrastruktur separat unter ihrem eigenen AWS-Konto. Die Arbeit ist nicht unbedingt „einfach“ für jemanden ohne Cloud-Erfahrung, also ist das eine der Einschränkungen in dieser ganzen Sache, aber sie ist beständig und klebrig wie die Hölle. Die Leute behalten einen, weil sie ständig neue Berichte/Funktionen wollen und weil man da sein muss, wenn etwas kaputt geht.

Ich habe vieles davon weitgehend automatisiert, mit automatischer Wiederherstellung fehlgeschlagener Jobs, Berichts-Dashboards zur Verfolgung und Auslösung von Alarmen bei Fehlern und Runbooks, um die Dinge am Laufen zu halten, aber ich finde, dass dies ein ziemlich leicht wiederholbares Modell ist.

Das Beste an diesem Angebot ist, dass es wirklich maßgeschneidert sein muss. Es gibt keine sauberen Standardlösungen, die Unternehmen dafür nutzen könnten. Die Konnektoren für verschiedene Dienste zur Datenerfassung sind ebenfalls wiederholbar.

Wie auch immer, das ist mein Pitch für den Verkauf der weniger sexy Dinge wie KI-Datenpipelines und meine Erfahrung damit. Der Bedarf dafür wird nicht verschwinden, und jeder Einwand wie „verwende einfach MCPs“ zeigt auch ein mangelndes Verständnis dafür, wann deterministische Arbeitslasten benötigt werden und welche zugrunde liegende Infrastruktur für den Betrieb solcher Arbeitslasten erforderlich ist.

Hoffentlich war das hilfreich für die Leute und ist eine willkommene Abwechslung für diejenigen, die das Gefühl haben, dass die einzige Möglichkeit, in diesem Bereich Geld zu verdienen, KI-Telefonagenten für 300 Dollar im Monat sind (nicht, dass ich das schlechtrede, es ist nur das, was ich oft sehe).

Ich beantworte gerne Fragen dazu und veröffentliche auch regelmäßig Bildungsinhalte zu den Konzepten, die ich für Kunden entwickle/einsetze.