Andreea Pleşea, PhD, COO und Mitbegründerin von Druid AI – Interviewreihe

Andreea Pleşea, PhD, COO und Mitbegründerin von Druid AI, ist eine Technologie‑Führungskraft und Unternehmerin mit fast zwei Jahrzehnten Erfahrung in den Bereichen Software‑Engineering, Unternehmens‑Technologie, Künstliche Intelligenz, Betrieb und Kundenerfolg. Seit der Mitgründung von Druid AI hat sie mehrere leitende Positionen im Unternehmen übernommen, darunter Chief Operating Officer, Chief Revenue Officer und Chief Customer Success Officer, wodurch sie Erfahrung sowohl auf der technischen als auch auf der kommerziellen Seite beim Skalieren eines Enterprise‑Software‑Unternehmens gesammelt hat. Vor Druid AI verbrachte Pleşea fast ein Jahrzehnt bei TotalSoft, wo sie vom .NET‑Programmierer zur Software Development Managerin und schließlich zur Charisma Business Applications Director aufstieg, wobei sie Produktentwicklung, Implementierung, technischen Support, Lösungsarchitektur und P&L‑Verantwortung überwachte. Ihr akademischer Hintergrund umfasst zudem KI‑Forschung an der Universität Rom Tor Vergata, wo sie mit der Artificial Intelligence Research Group der Universität an Technologien zur Extraktion und Strukturierung von Informationen aus unstrukturierten Daten arbeitete. Sie sitzt außerdem im Beirat von Women in Tech Romania.

Druid AI ist ein Enterprise‑KI‑Unternehmen, das sich auf den Aufbau und die Orchestrierung von KI‑Agenten konzentriert, die komplexe Geschäftsprozesse in Organisationen automatisieren können. Die Plattform kombiniert natürlichsprachliches Verständnis, generative KI, Retrieval‑Augmented Generation (RAG), Unternehmens‑Integrationen, Workflow‑Automatisierung, Analytik und Governance, wobei Druid Conductor mehrere spezialisierte Agenten und Systeme zu geschäftlichen Ergebnissen koordiniert. Unternehmen können Druid‑Agenten an Systeme wie Enterprise‑Resource‑Planning (ERP), Customer‑Relationship‑Management (CRM), IT‑Service‑Management (ITSM) und Human‑Resources‑Plattformen anbinden und die Technologie in Cloud‑, Hybrid‑, On‑Premises‑ oder air‑gapped‑Umgebungen einsetzen. Das Unternehmen gibt an, dass seine Technologie von mehr als 300 Enterprise‑Kunden genutzt wird und von über 200 globalen Partnern unterstützt wird, mit Anwendungsfällen in Bereichen wie Mitarbeitersupport, Kundenservice, Gesundheitswesen, Hochschulbildung und Shared Services.

Sie haben Druid AI 2018 in Bukarest mitbegründet, nachdem Sie fast ein Jahrzehnt bei TotalSoft verbracht haben, wo Sie vom .NET‑Entwickler in leitende Technologie‑ und Business‑Funktionen aufgestiegen sind. Was hat Sie damals überzeugt, dass Conversational AI zu einer Kernschicht der Unternehmens‑Technologie werden könnte, und wie hat sich diese ursprüngliche Vision entwickelt, seit Druid in die agentische KI übergegangen ist? 

Die Konvergenz zweier unterschiedlicher Pfade – akademische Strenge und unmittelbarer Unternehmens‑Schmerz – prägte meine Denkweise während meiner Promotion. Doch erst als Liviu Dragan, ein äußerst visionärer Leiter, die Idee zur Gründung von Druid AI entwickelte, wurde mir klar, wie die von mir geleistete Forschung endlich im realen Leben Anwendung finden könnte.

Zwischen 2008 und 2011 konzentrierte sich meine Promotion auf autonome KI‑Agenten, die über Semantic‑Web‑Technologien und Ontologien kommunizieren, und untersuchte, wie intelligente Systeme traditionelle Unternehmenssoftware ersetzen oder ergänzen könnten. Kurz darauf offenbarte mir die Arbeit in leitenden Positionen der Unternehmens‑Technologie eine harte Realität: wir verlangten von Mitarbeitenden, eine untragbare Komplexität zu managen.

Eine einzelne Routine‑Aufgabe zu erledigen bedeutete zu wissen, welche Anwendung zu öffnen ist, wo die Daten liegen, welche Richtlinie gilt und wer den nächsten Schritt besitzt. Gleichzeitig wurde Messaging außerhalb des Büros zur dominierenden Schnittstelle menschlicher Interaktion.

Als wir 2018 Druid AI gründeten, war unsere Vision einfach, aber ambitioniert: jedem Mitarbeitenden und Kunden einen virtuellen Assistenten zu geben, der Arbeit über das gesamte Unternehmen hinweg orchestrieren kann.

Fast ein Jahrzehnt später hat sich diese Kernvision nicht geändert – die Technologie hat lediglich aufgeholt. Conversational AI drehte sich damals hauptsächlich um Intent‑Erkennung, Retrieval und das Auslösen statischer Skripte. Agentische KI verschiebt die Grenze der Delegation. Moderne Agenten bewerten Ziele, arbeiten mit spezialisierten Sub‑Agenten zusammen, navigieren durch disparate Systeme und führen komplexe, mehrstufige Workflows autonom aus.

Für uns ist die aktuelle agentische Revolution kein strategischer Wechsel weg von Conversational AI. Sie ist die natürliche Verwirklichung unserer Gründungs‑These: Unternehmens‑Technologie muss für Menschen einfacher werden, damit sie die Arbeit erledigen können, selbst wenn die Orchestrierung hinter dem Vorhang unendlich komplexer wird.

Ein großer Teil der KI‑Branche hat sich darauf konzentriert, immer leistungsfähigere Foundation‑Modelle zu bauen, während Druid AI sich darauf fokussiert hat, verschiedene Modelle mit Unternehmens‑Daten, -Systemen und -Workflows zu verbinden. Da Modelle zunehmend austauschbar werden, glauben Sie, dass Orchestrierung zu einem wichtigeren Wettbewerbsvorteil wird als das zugrunde liegende Modell selbst?

Bei Druid AI ist unsere Kernmission einfach: das Außergewöhnliche aus jeder menschlichen Interaktion zu extrahieren, indem wir die Aufgabe effizient erledigen. Aber während der Markt reift, verschiebt sich der Schlüssel zur Wertschöpfung vom zugrunde liegenden Technologie‑Stack.

Wir beobachten ein klassisches Muster in der Unternehmens‑Technologie: Fähigkeiten, die einst frühe Differenzierungsmerkmale waren, werden schnell zu einer Ware. Heute sind Foundation‑Modelle für jeden Akteur zugänglich. Unternehmen werden unvermeidlich ein hybrides Portfolio von Modellen einsetzen, das für spezifische Leistungs‑, Kosten‑, Sicherheits‑ oder Regulierungsanforderungen ausgewählt wird. Da Intelligenz zur Ware wird, verschiebt sich das strategische Schlachtfeld nach oben im Stack.

Heute sind die schwierigsten Probleme in Enterprise‑AI die Ausführungskontexte: Governance und Zugriff (welche Daten die KI berühren darf und unter welchen Richtlinien), agentische Routing‑Entscheidungen (welcher spezialisierte Agent eine gegebene Aufgabe übernehmen soll), System‑Integration (wie koordinieren mehrere transaktionale Systeme sicher miteinander), Autonomie vs. Kontrolle (wann darf ein Agent eigenständig handeln und wann ist menschliche Freigabe nötig) und Auditierbarkeit (wenn ein Workflow fehlschlägt, kann man die Entscheidungsschritte Schritt für Schritt rekonstruieren).

Deshalb ist Orchestrierung zum ultimativen strategischen Hebel geworden. Modelle erzeugen Intelligenz, aber Unternehmen benötigen zuverlässige Ausführung.

Druid AI ist darauf gebaut, diese definitive Kontroll‑ und Orchestrierungsschicht zu sein. Sie verbindet verschiedene Modelle sicher über Unternehmens‑Daten, Workflows und Menschen hinweg. Entscheidend ist, dass sie ein Referenz‑Framework bereitstellt, um die Effektivität der Ausführung zu messen und echte geschäftliche Ergebnisse zu bewerten.

Langfristig wird die entscheidende Frage nicht sein, „Welches Modell verwenden Sie?“ Sie wird sein, „Wie effektiv können Sie rohe Intelligenz in erledigte Arbeit für Ihre Mitarbeitenden und Kunden verwandeln?“

Druid Conductor kann mehrere spezialisierte Agenten über Wissens‑Retrieval, Entscheidungslogik und Systemaktionen koordinieren. Was wird technisch schwierig, wenn ein Unternehmen von einem einzigen KI‑Assistenten, der Fragen beantwortet, zu mehreren Agenten übergeht, die eigenständig mehrstufige Geschäftsprozesse ausführen können?

Der Übergang von einfachen konversationellen Schnittstellen zu Multi‑Agent‑Architekturen verändert grundlegend die technische Herausforderung. Man hört auf, ein lineares Gespräch zu managen, und beginnt, ein verteiltes Entscheidungs‑ und Ausführungssystem zu steuern.

Mit einem einzigen Q&A‑Assistenten liegen die Kernhürden in Intent‑Erkennung, Retrieval und der Generierung einer hochpräzisen Antwort. Multi‑Agent‑Ökosysteme führen eine völlig andere Klasse verteilter Systeme und Fragen ein:

1. Welcher Agent hat die Autorität zu handeln und wie verhindert man Domain‑Drift?
2. Wie wird der Zustand aufrechterhalten, wenn Verantwortlichkeiten zwischen Agenten übergeben werden?
3. Wie werden widersprüchliche Entscheidungen zwischen spezialisierten Agenten abgeglichen?
4. Wie erben Sub‑Agenten Zugriffsrechte dynamisch und sicher?

Diese Herausforderungen verstärken sich, wenn sie auf reale Unternehmens‑Infrastrukturen angewendet werden. Ein einzelner Workflow kann ein CRM, ERP, Identity‑Management‑Plattform, Ticket‑System und Legacy‑Datenbanken umfassen. Jeder arbeitet nach eigenen Geschäftslogiken und Fehlermodi, doch am Ende muss der Conductor‑Agent die Aufgabe korrekt erledigen.

Wenn Schritt vier eines sechs‑stufigen Prozesses nach drei bereits ausgeführten Systemen fehlschlägt, bricht eine einfache agentische Pipeline zusammen. Die Orchestrierungsschicht kann nicht einfach einen generischen Fehler werfen. Sie muss den Zustand verwalten, Rollbacks ausführen, alternative Routen bestimmen oder die Situation elegant an eine menschliche Intervention weiterleiten.

Echte Unternehmens‑Orchestrierung bedeutet Zustands‑Management, transaktionale Konsistenz, Beobachtbarkeit, Durchsetzung von Richtlinien und fehlersichere Autonomie. Das Ziel dieser zugrunde liegenden Komplexität ist Einfachheit: eine einzige, reibungslose Interaktion zu liefern, bei der komplexe, systemübergreifende Aufgaben einfach erledigt werden.

Druid AI hat inzwischen mehr als eine Milliarde Gespräche über tausende bereitgestellter Agenten geführt. Was haben Sie auf dieser Skala über Enterprise‑AI gelernt, das aus Pilotprojekten oder kontrollierten Demonstrationen nicht hätte gelernt werden können?

Die Produktion lehrt Demut schnell.

Ein Pilot ist normalerweise ein relativ kontrolliertes Umfeld. Der Anwendungsfall ist definiert, die Daten sind einigermaßen sauber, die Nutzer sind bekannt und in der Regel gibt es ein Projektteam, das sehr genau beobachtet.

Die Produktion verhält sich überhaupt nicht so. Menschen stellen dieselbe Frage auf zwanzig verschiedene Arten. Sie ändern mitten im Gespräch ihre Meinung. Sie geben unvollständige Informationen. Sie wechseln Sprache oder Thema. Sie interagieren zu unerwarteten Zeiten. Richtlinien ändern sich. APIs versagen. Backend‑Systeme verlangsamen. Neue Randfälle tauchen auf, die niemand im ursprünglichen Design berücksichtigt hat. Eines ist sicher: die Erwartung der Nutzer ist, eine Aufgabe effektiv, nahtlos und natürlich erledigt zu bekommen. Ob im Text, besonders aber in der Stimme, sollte das Gespräch natürlich fließen, ohne Latenz; es sollte bis zu einem gewissen Grad empathisch klingen und die Aufgabe ausführen, dabei die besten Optionen und nächsten Schritte vorschlagen oder Ausnahmen und Schleifen menschlich behandeln, wenn nötig.

Ein Teil des wertvollsten Automatisierungspotenzials entsteht, wenn relativ gewöhnliche Dinge außergewöhnlich gut und hunderttausendfach erledigt werden: die Frage eines Mitarbeitenden zu beantworten, ein Konto zu prüfen, einen Termin neu zu planen, ein IT‑Ticket zu lösen oder die richtige Information aus einem Unternehmenssystem abzurufen. Das hat unser Denken über den Wert von KI verändert.

Die zweite Lektion lautet, dass der Go‑Live erst der Anfang eines Lernzyklus ist. Man muss sehen, wonach Nutzer fragen, welche Intents wachsen, wo Gespräche scheitern, wo Nutzer eskalieren und manchmal, wo der zugrunde liegende Geschäftsprozess selbst geändert werden muss.

Und vielleicht die wichtigste Lektion ist, dass Vertrauen operativ ist, weil Unternehmen KI vertrauen, wenn sie über die Zeit vorhersehbar agiert, Ausnahmen korrekt behandelt, Entscheidungen sichtbar sind und die Organisation die Kontrolle behält.

Druids Produktionsdaten zeigen, dass eine relativ kleine Anzahl von Workflows den Großteil der tatsächlichen Enterprise‑AI‑Nutzung ausmacht. Deutet das darauf hin, dass Unternehmen ihre KI‑Investitionen zunächst auf einige wenige hochvolumige Workflows konzentrieren sollten, anstatt eine breit angelegte, unternehmensweite Transformation zu versuchen?

Eines der klarsten Muster in unseren Produktionsdaten ist, dass die Nachfrage sich konzentriert. Im Finanzsektor zum Beispiel machen drei Workflow‑Kategorien rund 90 % der Produktionsnutzung aus. In der Hochschulbildung ist die Konzentration noch höher. Das sagt uns etwas Wichtiges darüber, wie Unternehmen über KI‑Transformation nachdenken sollten. Wir haben diese Erkenntnisse analysiert und Benchmark‑Reports für Hochschulbildung, Gesundheitswesen und Banken erstellt, die unseren Partnern und Kunden helfen, die Prozesse zu identifizieren, die Effizienz steigern und zu prognostizieren, wie Menschen mit Agenten interagieren werden.

Es gibt eine Versuchung, besonders auf Vorstandsebene, mit einer sehr breiten Forderung zu beginnen: „Ihr müsst KI einsetzen, sonst bleiben wir zurück.“ Das operative Team muss dann kämpfen, die richtigen Aufgaben für Agenten zu identifizieren, während gleichzeitig die Angst besteht, den eigenen Job zu verlieren. Also, was wäre das richtige Gleichgewicht und wie könnten sie den passenden KI‑Agenten einstellen, der die Aufgabe GEMEINSAM mit ihnen erledigt und gleichzeitig die vom Vorstand erwarteten KPIs maximiert?

Starten Sie dort, wo Potenzial für Umsatzwachstum und/oder Kostensenkung besteht – also bei Aufgaben, die Menschen wiederholt ausführen. Wenn Tausende von Kunden, Mitarbeitenden, Studierenden oder Patient*innen immer wieder dasselbe Ergebnis erzielen wollen, haben Sie eine messbare Basis und eine starke Chance, den Wert zu beweisen.

Aber es gibt einen wichtigen Unterschied: klein anfangen, breit planen.

Die ersten Anwendungsfälle können konzentriert sein. Die darunterliegende Plattform sollte in der Lage sein, sich im gesamten Unternehmen auszudehnen. Sie beweisen Wirtschaftlichkeit, Governance‑Modell, Integrationen und menschliche Eskalationsmechanismen an einer Handvoll bedeutungsvoller Workflows. Dann erweitern Sie sich auf angrenzende Prozesse, basierend auf den gewonnenen Erkenntnissen.

Volumen sollte nicht das einzige Kriterium sein. Ein selten genutzter Workflow kann dennoch extrem wertvoll sein, wenn jede erfolgreiche Lösung einen erheblichen finanziellen oder operativen Einfluss hat.

Da Unternehmen zunehmend den erfolgreichen Abschluss statt der reinen Maximierung des Anteils von Interaktionen ohne Menschen in den Fokus stellen, wie sollten Organisationen bestimmen, welche Entscheidungen ein KI‑Agent autonom treffen kann und wo menschliche Eskalation zwingend erforderlich bleibt?

Druid AI hat ein Bewertungs‑Framework entwickelt, das 26 Kriterien abdeckt und eine objektive Bewertung der agentischen Orchestrierung von der Konzeption bis zur Ausführung ermöglicht.

Wenn eine Aktion reversibel, relativ risikoarm, durch klare Regeln gesteuert und durch zuverlässige Informationen unterstützt wird, spricht vieles für Autonomie. Das Neu‑Planen eines Termins mit vordefinierten Parametern unterscheidet sich stark von einer klinischen Entscheidung und mag simpel erscheinen. Dennoch müssen viele Aspekte berücksichtigt werden, damit es effektiv umgesetzt wird: z. B. wenn Arzt B einen freien Slot hat, diesen aber blockieren möchte, sollte der KI‑Agent den Patiententermin nicht in diesem Slot neu planen, nur weil die Aufgabe darin besteht, die Kalenderauslastung des Arztes zu maximieren.

Ich betrachte mehrere Dimensionen: die finanziellen oder personellen Konsequenzen eines Fehlers, ob die Aktion reversibel ist, die Vollständigkeit und Qualität der verfügbaren Informationen, regulatorische Anforderungen und ob echte menschliche Urteilskraft oder Empathie nötig sind. Darauf aufbauend wird die Eskalation bewusst gestaltet.

Hierbei denke ich, dass frühe Überlegungen zur KI‑Automatisierung zu simpel waren. Das Ziel war „so viele Interaktionen wie möglich ohne Menschen zu bewältigen“. In vielen Prozessen ist jedoch die Eskalation genau das richtige Ergebnis.

Deshalb bevorzuge ich das Denken in gesteuerter Lösung statt reiner Eindämmung.

Das Ziel ist, dass KI autonom die Arbeit löst, die sie lösen soll, erkennt, wann sie nicht handeln darf, und eine Person mit bereits zusammengetragenem Kontext in den Prozess einbindet.

Sobald KI‑Agenten sensible Informationen abrufen, Unternehmenssysteme aktualisieren und reale Aktionen initiieren können, werden Beobachtbarkeit und Governance deutlich wichtiger. Was sollten Unternehmen auditieren können bezüglich der Argumentation, des Datenzugriffs und der Aktionen eines Agenten, bevor sie ihm mission‑kritische Workflows anvertrauen?

Nach den Gartner‑Richtlinien verfügt Druid über ein integriertes Bewertungs‑Framework, das Agenten aus fünf Blickwinkeln analysiert: Fehlertoleranz, Risiko, Compliance, Beobachtbarkeit und Abweichung. Unter diesen Kategorien haben wir insgesamt 26 Komponenten. Jede besitzt eine Definition, ein Artefakt, das Sie öffnen können, und eine Messgröße.

Bei der Bewertung eines Agenten sollte die Plattform in der Lage sein, die komplette Kette vom ursprünglichen Nutzer‑Request bis zur finalen Aktion im System nachzuvollziehen. Das bedeutet zu wissen, welcher Agent die Anfrage bearbeitet hat, welches Modell verwendet wurde, welchen Kontext das Modell erhalten hat, welche Unternehmensinformationen abgerufen wurden, welche Geschäftsregeln oder Richtlinien angewendet wurden, warum ein bestimmter Pfad oder eine bestimmte Aktion gewählt wurde und exakt, was in den zugrunde liegenden Systemen geändert wurde. Zehntel von auditierbaren Interaktionen werden erfasst, analysiert und gemessen.

Identität ist ebenso wichtig. Ein KI‑Agent darf niemals ein Shortcut um die Unternehmens‑Zugriffskontrolle herum sein. Man muss wissen, wer die Anfrage initiiert hat, welche Berechtigungen diese Person hatte und ob der Agent innerhalb genau dieser Grenzen geblieben ist.

Bei Multi‑Agent‑Architekturen wird Nachverfolgbarkeit noch bedeutender. Welcher Agent delegierte an welchen anderen Agenten? Welche Informationen überschritten diese Grenze? Woher stammt die Entscheidung? Welche Komponente hat die Aktion tatsächlich ausgeführt? Und dann gibt es operative Nachweise: Zeitstempel, Vertrauens‑Signals, Ausführungsergebnisse, Ausnahmen, Eskalationsereignisse und die Möglichkeit, zu verstehen oder zu reproduzieren, was geschehen ist.

Dies ist einer der größten Wandel, wenn wir von konversationeller zu agentischer KI übergehen.

Wenn KI nur eine Frage beantwortet, ist Beobachtbarkeit nützlich. Wenn KI jedoch Kundendaten ändert, Zahlungen auslöst, mehrere Aufzeichnungs‑Systeme aktualisiert oder einen Geschäftsprozess startet, wird Beobachtbarkeit Teil der Kontroll‑Architektur.

Sie haben bei Druid AI eine ungewöhnlich breite Palette von Rollen innegehabt, von Entwicklung über Betrieb bis hin zu Umsatz und Kundenerfolg. Wie hat die direkte Arbeit mit Kunden Ihre Sicht darauf geprägt, warum manche Enterprise‑KI‑Implementierungen messbaren Wert erzeugen, während andere im Pilot‑Modus stecken bleiben?

Ich begann meine Karriere als Entwickler und hatte wie viele Ingenieure zunächst die starke Instinktion, dass gute Technologie ihren Wert von selbst zeigen sollte. Kunden lehren einen schnell, dass das in der Unternehmens‑Technologie nicht so funktioniert.

Eine technisch anspruchsvolle Implementierung kann kaum Wert schaffen, wenn das Geschäftsproblem nicht wichtig genug ist, der Prozesseigner fehlt, die Integration als nachträglicher Gedanke behandelt wird oder niemand definiert hat, was Erfolg bedeutet. Kunden sind exzellent darin, die Technologiegeschichte zu entzaubern. Sie interessieren sich nicht dafür, wie elegant etwas architektonisch ist, wenn der von ihnen verantwortete Prozess nicht verbessert wurde.

Wenn wir über Implementierungen in diesem Umfang sprechen, gibt es einen Geschäftsinhaber mit einem realen Problem. Es gibt ein messbares Volumen, Kosten/Einnahmen oder Reibungsverluste. Die KI ist an die Systeme angeschlossen, in denen die Arbeit tatsächlich stattfindet. Und es gibt einen Plan für Adoption und kontinuierliche Verbesserung nach dem Go‑Live. Piloten bleiben oft Piloten, weil sie beweisen, dass die Technologie funktioniert, ohne zu zeigen, dass das Betriebsmodell funktioniert. Deshalb schulen wir unser Personal und unsere Partner, wenn sie ein KI‑Projekt planen, zuerst das „Job‑Problem“ zu verstehen, nicht die Klicks der Nutzer im System. Der „Job“ bedeutet den gesamten Prozess, wie Ausnahmen behandelt werden, welches Ergebnis erwartet wird, wie häufig Ausnahmen auftreten, was die Produktivität hemmt, wie lange es dauert und welcher Aufwand nötig ist, um eine Produktivitätssteigerung zu erzielen, wenn der Job nicht automatisiert würde.

Meine eigene Laufbahn hat mich durch Technologie, Betrieb, Vertrieb, Kundenerfolg und Unternehmensaufbau geführt, und ich sehe diese Breite heute als einen meiner größten Vorteile. Technologie lehrt, wie etwas funktioniert. Vertrieb lehrt, warum jemand dafür bezahlt. Kundenerfolg lehrt, ob es in der realen Welt funktioniert. Betrieb lehrt, ob die Organisation es wiederholt und skalierbar liefern kann.

In vielerlei Hinsicht hat die Entwicklung von Druid AI denselben Weg beschritten: von der Demonstration, dass Conversational AI funktionieren kann, über den Nachweis, dass sie Wert schafft, bis hin zum Aufbau der Infrastruktur, die intelligente Agenten auf Enterprise‑Skala zuverlässig macht.

Sie engagieren sich zudem bei Women in Tech Romania, während Sie Druid zu einem internationalen KI‑Unternehmen ausbauen. Wo sehen Sie heute noch die größten Hindernisse für Frauen, die KI‑Unternehmen gründen und führen, und was könnte ihre Vertretung auf Führungsebene und Gründer‑Level signifikant erhöhen? 

Aktuelle Daten zeigen eine auffällige Lücke im europäischen Tech‑Umfeld: nur 5 % der KI‑Start‑Ups werden von Frauen gegründet oder mitgegründet, und nur die Hälfte dieser Gründerinnen hat einen PhD. Während die Zahlen eindeutig sind, erfordert die Schließung dieser Diskrepanz ein Blick über traditionelle Erzählungen zur Geschlechterdiskriminierung hinaus.

Im Kern ist Unternehmertum ein individueller Pfad, geprägt von Persönlichkeit, Risikotoleranz, persönlichen Prioritäten und Karriereentscheidungen. Statt dies ausschließlich als soziale Barriere zu sehen, müssen wir die praktische Pipeline betrachten, durch die Gründer*innen geformt werden.

Während Mädchen statistisch weniger frühzeitig zu technischen Disziplinen hingezogen werden, entsteht ein weitaus signifikanteres und weniger diskutiertes Hindernis später in der Unternehmenskarriere: die fehlende Erfahrung mit voller Unternehmens‑Eigentümerschaft.

Frauen glänzen häufig als erstklassige technische Spezialistinnen und funktionale Führungskräfte. Weniger häufig wechseln sie jedoch in Rollen mit direkter Umsatzverantwortung, P&L‑Management, kommerziellen Entscheidungen und übergreifender Unternehmensstrategie. Genau diese operativen Muskeln sind nötig, um ein Enterprise‑Technologie‑Unternehmen zu gründen und zu skalieren.

Mein eigener Werdegang von der Software‑Entwicklung zur CEO war keine lineare Linie, sondern eine Reihe von Übergängen über Führung, Betrieb, kommerzielle Umsetzung bis hin zum Unternehmensaufbau. In Umfeldern wie dem rumänischen Bildungssystem, wo praktische Finanz‑ und Gründerbildung für alle fehlte, war das Erlernen von Geschäfts‑Risiken ein schrittweiser Prozess der Exposition.

Das Überwinden dieser Lücke erfordert zudem das Zerstören eines verbreiteten Mythos: die Vorstellung, dass Technologie‑Führung absolute Meisterschaft voraussetzt, bevor man vorangeht. Im Zeitalter der rasanten KI‑Entwicklung hat niemand alle Antworten. Die entscheidenden Führungsqualitäten heute sind Neugier, kontinuierliches Lernen und das Selbstvertrauen, komplexe Probleme anzugehen, bevor das Ergebnis garantiert ist.

Um mehr Frauen in Technologie‑Unternehmen zu sehen, müssen wir den Zugang zu kommerziellen Netzwerken erweitern, sichtbare Vorbilder fördern und erfahrene Talente aktiv ermutigen, funktionale Silos zu verlassen, P&L‑Verantwortung zu übernehmen und die Risiken von Unternehmens‑Eigentum zu tragen.

Wie sehen Sie die Zukunft – was wird Ihrer Meinung nach die Enterprise‑KI‑Plattformen voneinander trennen, die tief in Geschäftsabläufe eingebettet werden, von den vielen KI‑Produkten, die letztlich nicht über das Experimentieren hinauskommen?

Die Trennlinie wird sein, ob sie von Intelligenz zu zuverlässiger Ausführung übergehen können.

Eine beeindruckende Antwort zu generieren wird bereits relativ einfach. Zuverlässig in einem großen Unternehmen zu operieren, ist eine andere Geschichte.

Plattformen, die in Geschäftsabläufe eingebettet werden, müssen sich sicher an bestehende Systeme anbinden, anstatt Unternehmen zu zwingen, alles zu ersetzen, was sie bereits nutzen. Sie müssen über verschiedene Modelle und Technologien hinweg funktionieren.

Sie benötigen Orchestrierung, die Agenten, Workflows und menschliche Entscheidungen koordinieren kann. Und sie müssen Identität, Governance, Beobachtbarkeit und Kontrolle in die Architektur integrieren, statt sie nachträglich hinzuzufügen.

Ein weiteres Kriterium, das meiner Ansicht nach Experimente zunehmend von Infrastruktur trennt, ist die Zuverlässigkeit unter unperfekten Bedingungen. Eine Demonstration zeigt, was ein KI‑System kann, wenn alles funktioniert, aber ein Unternehmen will wissen, was passiert, wenn etwas nicht funktioniert.

Was passiert, wenn Daten unvollständig sind? Wenn eine API ausfällt? Wenn zwei Richtlinien kollidieren? Wenn das Vertrauen niedrig ist? Wenn ein Nutzer etwas anfordert, wozu er nicht berechtigt ist?

Wenn ein Agent 90 % der Zeit brillant arbeitet, aber in den restlichen 10 % unvorhersehbar reagiert, kann man ihm keine Verantwortung für einen mission‑kritischen Prozess übertragen.

In den letzten Jahren lautete die dominierende Frage: „Was kann dieses Modell tun?“

Die Unternehmensfrage wird zunehmend: „Wie kann ich diese Arbeit effektiv erledigen?“

Die KI‑Plattformen, die tief in Organisationen verankert werden, werden diejenigen sein, die die zweite Frage überzeugend beantworten können: technisch, operativ und ökonomisch. Das war letztlich die Chance, die wir sahen, als wir Druid AI gründeten: Intelligenz zu einem Teil dessen zu machen, wie Arbeit selbst erledigt wird.

Vielen Dank für das großartige Interview, Leser*innen, die mehr erfahren möchten, sollten Druid AI besuchen.