Andrej Jonovic, CEO von XBP Global – Interviewreihe

Andrej Jonovic ist CEO von XBP Global, einem multinationalen Technologie- und Dienstleistungsunternehmen, das sich auf geschäftskritische Unternehmensprozesse konzentriert. XBP Global setzt agentische KI in regulierten Bereichen ein, darunter das Gesundheitswesen, der öffentliche Sektor und Finanzdienstleistungen, in denen Präzision, Sicherheit, Datensouveränität und Prüfbarkeit unverzichtbar sind. In diesem Interview spricht Jonovic über adaptive Prozessorchestrierung, Modelle mit offenen Gewichten, intelligente Dokumentenverarbeitung, menschliche Entscheidungsprüfung und darüber, was nötig ist, um KI von einer technischen Fähigkeit in messbare betriebliche Ergebnisse zu überführen.

Sie begannen Ihre Karriere als Anwalt im Transaktionsgeschäft, wechselten dann in den Bereich Fusionen und Übernahmen sowie der Unternehmenstransformation und übernahmen schließlich die Leitung von XBP Global. Wie hat dieser Hintergrund Ihre Einschätzung der Governance, der kommerziellen Risiken und der organisatorischen Auswirkungen geprägt, die mit dem Einsatz künstlicher Intelligenz in geschäftskritischen Prozessen verbunden sind?

Ich betrachte KI in erster Linie aus der Perspektive des Betriebsmodells. Durch die Arbeit an Transaktionen und Transformationen gewöhnt man sich daran, zu fragen, ob die Struktur tatsächlich trägt, wenn man über die Präsentation hinausgeht und mit der Umsetzung beginnt.

Das ist bei KI besonders wichtig, denn ein Modell kann für sich genommen äußerst leistungsfähig sein und trotzdem zu schlechten betrieblichen Ergebnissen führen. Im Gesundheitswesen, im öffentlichen Sektor und im Bankwesen sind Präzision bei der Verarbeitung, die Einhaltung regulatorischer Vorgaben und die Prüfbarkeit unverzichtbar. Man muss wissen, wo die Daten gespeichert sind, was das System tun darf, wie Entscheidungen kontrolliert werden und wie die Kostenstruktur aussieht, wenn der Prozess in großem Umfang ausgeführt wird.

Die Governance muss von Anfang an in diese Architektur eingebaut werden. Ich möchte wissen, wo das Modell ausgeführt wird, welche Informationen die Unternehmensgrenzen überschreiten, was im Prüfpfad protokolliert wird und was geschieht, wenn der Prozess an einen Entscheidungspunkt gelangt, der eine andere Kontrollstufe erfordert.

Dort wirkt sich mein Hintergrund vermutlich am stärksten aus. Mich interessiert in der Regel weniger, was die Technologie in einer kontrollierten Demonstration leisten kann. Ich möchte wissen, ob man sie in einen geschäftskritischen Prozess integrieren und sich auf sie verlassen kann.

XBP Global beschreibt agentische KI als Weiterentwicklung der herkömmlichen regelbasierten Automatisierung und der robotergestützten Prozessautomatisierung. Was verändert sich technisch, wenn ein Prozess nicht mehr vorgegebenen Anweisungen folgt, sondern KI-Agenten nutzt, die Schlussfolgerungen ziehen, Entscheidungen treffen und mehrere Aufgaben koordinieren können?

Die Architektur wird deutlich anpassungsfähiger.

Herkömmliche Prozessautomatisierung ist deterministisch. Es gibt festgelegte Regeln, man weiß, was im nächsten Schritt geschieht, und verdrahtet zusätzliche Logik fest, wenn der Prozess komplexer wird. Bei vorhersehbaren Aufgaben funktioniert das sehr gut. Schwierig wird es, wenn die Zahl der Regeln enorm wächst oder sich der Prozess schneller verändert, als das System neu aufgebaut werden kann.

Was wir jetzt umsetzen, ist adaptive Prozessorchestrierung. Wo Präzision und Compliance es erfordern, kann man deterministische Regel-Engines beibehalten und dann intelligente Modelle in jene Teile des Prozesses einführen, in denen Schlussfolgerungen einen Mehrwert bieten. Agenten können Aufgaben koordinieren, auf Informationen zugreifen und die nächste Aktion auswählen, ohne dass jemand jeden möglichen Prozessweg fest programmieren muss.

Eine weitere Veränderung besteht darin, dass sich das zugrunde liegende Modell leichter austauschen lässt. Wir beobachten, dass sich Modelle mit offenen Gewichten in Enterprise-Qualität sehr schnell weiterentwickeln. Ist die Pipeline richtig aufgebaut, kann man ein leistungsfähigeres Modell integrieren, während sich das Ökosystem weiterentwickelt, ohne dafür den gesamten Betriebsprozess neu aufbauen zu müssen.

Ich denke daher, dass der entscheidende technische Vermögenswert zunehmend der Prozess selbst ist: die Orchestrierung, das Fachwissen, die Kontrollen und die Daten rund um das Modell.

Viele Unternehmen experimentieren mit KI, haben aber Schwierigkeiten, Pilotprojekte in den Produktivbetrieb zu überführen. Welche architektonischen oder organisatorischen Hindernisse stehen dem breiten Einsatz agentischer Prozesse in Unternehmen am häufigsten im Weg? 

Kunden sind über die Experimentierphase hinaus. Sie haben die Demos gesehen und sehr ambitionierte Versprechen zum Return on Investment gehört. Irgendwann muss jemand die Technologie in einen echten Prozess integrieren und dafür sorgen, dass sie funktioniert.

Genau hier wird die Architektur anspruchsvoll. Ein produktiver Prozess muss an die bestehende IT-Umgebung des Unternehmens angebunden werden. Sensible Informationen müssen möglicherweise in einer privaten Cloud oder vor Ort verbleiben. Auf bestehende Systeme muss weiterhin zugegriffen werden können. Regulatorische Anforderungen müssen erfüllt sein. Auch die Wirtschaftlichkeit muss sich bei einem Einsatz im Unternehmensmaßstab bewähren.

Kürzlich haben wir einen Auftrag zur Unterstützung des Wartungslebenszyklus einer globalen Flugzeugflotte gewonnen. Jeder Wartungsposten wird vektorisiert und in einer privaten Vektordatenbank innerhalb der privaten Cloud des Kunden gespeichert. Die agentische Infrastruktur verwaltet den Zugriff auf diese Informationen und ermöglicht die erneute Bereitstellung der Unterlagen, wenn Flugzeuge aus dem Leasing zurückgegeben oder verkauft werden.

Das ist eine ganz andere Herausforderung, als lediglich nachzuweisen, dass ein Modell eine Frage zu einem Flugzeugdatensatz beantworten kann. Hier geht es um eine vollständige Betriebsumgebung mit Datenkontrollen und einem Prozess, der wiederholt zuverlässig funktionieren muss.

Organisatorisch liegt die Lücke meist in der Zuständigkeit. Jemand muss den Prozess so genau verstehen, dass er festlegen kann, was ein tatsächlicher Einsatz im Produktivbetrieb bedeutet. Ohne diese operative Disziplin kann ein Pilot noch sehr lange beeindruckend bleiben, ohne jemals nützlich zu werden.

XBP Global kombiniert Automatisierung mit menschlicher Kontrolle, insbesondere bei Entscheidungen mit weitreichenden Folgen. Wie bestimmen Sie, welche Entscheidungen ein KI-System autonom treffen kann und an welchen Stellen menschliches Urteilsvermögen Teil des Prozesses bleiben muss? 

Wir gestalten die menschliche Rolle so, dass sie in der Fallentscheidung liegt.

In einem Arbeitsablauf mit weitreichenden Folgen gibt es in der Regel eine große Menge an Aufgaben, die mit hoher Zuverlässigkeit die Prozesskette durchlaufen können. Daneben gibt es Sonderfälle, in denen Informationen unvollständig, die Umstände ungewöhnlich oder die Folgen einer falschen Entscheidung zu schwerwiegend sind.

Erreicht die Prozesskette einen solchen Fall, leitet sie den Vorgang an eine Fachexpertin oder einen Fachexperten weiter. Diese Person klärt den Fall, und die dabei getroffene Entscheidung kann anschließend in das System zurückgespielt werden, sodass das Modell sich kontinuierlich verbessert.

Ich halte diese Rückkopplungsschleife für wichtig. Menschliche Aufsicht ist wertvoller, wenn sie den Arbeitsablauf mit der Zeit verbessert. Die Fachperson bringt ihr Domänenwissen in jene Fälle ein, in denen das Modell es noch benötigt.

Die Schwelle für den autonomen Einsatz hängt auch stark vom Umfeld ab. Für die Leistungsprüfung im Gesundheitswesen, Unterlagen der öffentlichen Verwaltung und regulierte Finanzprozesse gelten andere Anforderungen als für eine interne Aufgabe mit geringen Folgen. Das akzeptable Maß an Zuverlässigkeit muss berücksichtigen, was die Entscheidung bewirkt, sobald das System danach handelt.

Ihre Kunden sind in regulierten Branchen und im öffentlichen Sektor tätig, wo Datensouveränität, Sicherheit und Nachvollziehbarkeit unerlässlich sind. Wie können Unternehmen große Sprachmodelle in geschützten Umgebungen einsetzen, ohne die Fähigkeiten einzubüßen, die diese Systeme nützlich machen? 

Open-Weight-Modelle verändern die Antwort auf diese Frage erheblich.

Lange Zeit ging man davon aus, dass sich die beste Modellleistung nur erzielen lässt, wenn Informationen in die Umgebung eines anderen Anbieters übertragen werden. Das ist ein offensichtliches Problem, wenn die Daten innerhalb der Unternehmensgrenzen bleiben müssen.

Inzwischen können wir leistungsfähige Open-Weight-Modelle für den Unternehmenseinsatz in produktiv genutzte agentische Prozessketten integrieren und dabei die Daten in der Umgebung des Kunden belassen. Je nach Anforderungen kann das eine private Cloud oder eine lokale Infrastruktur bedeuten. So profitieren Sie weiterhin von den Fortschritten im breiteren Modell-Ökosystem und behalten zugleich die Kontrollen, die das Unternehmen zum Schutz seiner Datensouveränität benötigt.

Auch die Architektur muss sich verändern lassen. Es gibt keinen Grund zu der Annahme, dass das heutige Modell für eine bestimmte Aufgabe auch künftig das beste sein wird. Unsere Trainingsprotokolle sind darauf ausgelegt, dass wir neue Modelle schnell in eine bestehende Prozesskette integrieren können.

Für Kunden in regulierten Branchen ist diese Flexibilität äußerst wertvoll, denn so lässt sich der Arbeitsablauf weiter verbessern, während die Datengrenzen gewahrt bleiben. Auf diese Weise können Sie auch beginnen, Anforderungen wie die EU-KI-Verordnung zu erfüllen, ohne die Compliance als etwas zu behandeln, das erst nach der Einführung der Technologie nachträglich ergänzt wird.

Ein erheblicher Teil der Unternehmensinformationen steckt weiterhin in Dokumenten, Bildern, Altsystemen und physischen Unterlagen fest. Wie entwickelt sich die intelligente Dokumentenverarbeitung weiter, und welche Rolle spielt sie dabei, fragmentierte Daten in Informationen umzuwandeln, die KI-Agenten zuverlässig nutzen können?

Ich denke, dass die intelligente Dokumentenverarbeitung zunehmend zur Infrastruktur agentischer Arbeitsabläufe wird.

Historisch gesehen beruhte ein Großteil der Dokumentenverarbeitung auf Vorlagen. Man wusste, wie das Dokument aussah, welches Feld man benötigte, und das System extrahierte den entsprechenden Inhalt. Unternehmensinformationen sind selten so übersichtlich. Allein im Gesundheitswesen kann es um EOBs, komplexe Korrespondenz, Angaben zu Leistungsansprüchen und Unterlagen gehen, die in unterschiedlichen Formaten eintreffen.

Der neuere Ansatz berücksichtigt den Kontext viel stärker. Unstrukturierte Informationen lassen sich erfassen, relevante Inhalte erkennen und in strukturierte Ausgaben umwandeln, die nachgelagerte Systeme tatsächlich nutzen können. Das ist wichtig, denn ein Agent kann Arbeitsabläufe nicht zuverlässig steuern, wenn die zugrunde liegenden Informationen unvollständig oder falsch interpretiert sind.

Auch der Umfang verändert die Herausforderung. Wir betreiben Umgebungen, in denen riesige Mengen an Bildern, Leistungsansprüchen, Zahlungsvorgängen und anderen Dokumenten verarbeitet werden. In diesem Maßstab wird bereits ein kleiner Unterschied bei der Qualität der Extraktion zu einem erheblichen betrieblichen Problem.

Die intelligente Dokumentenverarbeitung steht daher zunehmend am Anfang des intelligenten Arbeitsablaufs. Sie verwandelt fragmentierte Informationen in nutzbare Daten, liefert dem nächsten Prozessschritt eine verlässliche Grundlage für Entscheidungen und schafft die Basis für weitere Automatisierung in nachgelagerten Prozessschritten.

XBP Global hat darüber gesprochen, regelbasierte Altprozesse in agentische KI-Prozessketten zu überführen und eine höhere Erstlösungsquote zu erzielen. Was muss ein KI-System über die Prozesse, Ausnahmen und das institutionelle Wissen einer Organisation verstehen, bevor es verlässliche Ergebnisse liefern kann?

Ein großer Teil des institutionellen Wissens ist nie in einer klar strukturierten Prozessdokumentation festgehalten worden.

Sie steckt in alten Systemen, Regelwerken und im Urteilsvermögen von Menschen, die den Prozess seit Jahren betreiben. Sie wissen, welche Informationen wichtig sind, welche Regel unter bestimmten Umständen gilt und was nachgelagert passiert, wenn eine falsche Entscheidung getroffen wird.

Wenn Sie diese Arbeit migrieren, müssen Sie dieses Prozesswissen bewahren. In unserem Bereich bedeutet das oft, deterministische Logik mit KI zu kombinieren, statt anzunehmen, dass jede Regel sofort wegfallen sollte. In bestimmten Teilen eines regulierten Arbeitsablaufs ist eine Regel-Engine äußerst nützlich, weil die Anforderungen präzise sind. In anderen Bereichen kann ein intelligentes Modell mit Abweichungen deutlich besser umgehen.

Fachwissen zeigt Ihnen, wo was hingehört.

Deshalb lässt sich die Lösung im ersten Durchlauf auch nicht allein anhand eines Modell-Scores beurteilen. Der Arbeitsablauf muss ein Ergebnis liefern, das dem nächsten Prozessschritt standhält. Wenn dadurch an anderer Stelle im nachgelagerten Prozess ein weiterer Eskalationsfall entsteht, haben Sie das Problem verschoben, statt es zu lösen.

Das System muss den Prozess gut genug verstehen, um zu erkennen, wie eine erfolgreiche Transaktion von Anfang bis Ende aussieht.

XBP Global setzt Automatisierung nicht nur im Kundengeschäft ein, sondern auch beim eigenen Übergang zu einem KI-zentrierten Betriebsmodell. Was haben Sie daraus gelernt, das Unternehmen intern als Testfeld zu nutzen, und wie bringen Sie Produktivitätssteigerungen mit der Personalentwicklung und dem Veränderungsmanagement in Einklang?

Wir sind bei der internen Umsetzung ziemlich entschlossen vorgegangen, denn ich glaube, man lernt sehr schnell, wenn die eigenen wirtschaftlichen Ergebnisse davon abhängen.

Von unseren KI-zentrierten Automatisierungsinitiativen erwarten wir inzwischen annualisierte betriebliche Effizienzgewinne von 65 bis 75 Millionen US-Dollar; für 2026 rechnen wir mit einem Nutzen von etwa 35 Millionen US-Dollar. Der Umsatz pro Mitarbeiter erreichte im zweiten Quartal rund 89.000 US-Dollar, gegenüber etwa 82.000 US-Dollar im Vorquartal. Bis zum Jahresende dürfte er sich der Marke von 100.000 US-Dollar nähern.

Diese Kennzahlen sind hilfreich, weil sie uns zeigen, ob das Betriebsmodell tatsächlich produktiver wird.

Die Auswirkungen auf die Belegschaft sind real. Im Zuge des Übergangs zu einem produktiveren Betriebsmodell rechnen wir bis Ende 2026 mit einem Rückgang der weltweiten Beschäftigtenzahl um rund 20 %. Das Veränderungsmanagement muss berücksichtigen, dass eine höhere Produktivität den Personalbedarf verändert.

Gleichzeitig müssen die Menschen, die weiterhin in diesen Arbeitsabläufen tätig sind, ihre Kompetenzen ausbauen. Wir brauchen Fachleute, Architekten und operative Mitarbeiter, die Arbeit strukturieren, Ergebnisse bewerten und Verantwortung für Entscheidungen mit höherem Mehrwert übernehmen können.

Der Wandel im eigenen Unternehmen hat die Diskussion deutlich praxisnäher gemacht. Man erkennt sehr schnell, welche Automatisierung dauerhaft Effizienz schafft und bei welchen Aktivitäten jemand lediglich häufiger KI nutzt.

Unternehmensweite KI-Projekte werden oft anhand von Vorführungen statt anhand messbarer Geschäftsergebnisse beworben. An welchen Kennzahlen sollten sich Führungskräfte orientieren, um einen intelligenten Arbeitsablauf zu bewerten, und wie sollten sie Genauigkeit, Ausnahmequoten, Bearbeitungszeit, Betriebskosten und Risikominderung berücksichtigen?

Ich würde den Arbeitsablauf auf zwei Ebenen messen.

Auf der operativen Ebene möchte ich Genauigkeit, Lösungsquote im ersten Durchlauf, Bearbeitungszeit, Anzahl der Ausnahmen und Kosten pro Vorgang kennen. In einem regulierten Umfeld ist mir außerdem wichtig, ob sich die Transaktion prüfen lässt und ob die Kontrollen auch bei hohem Volumen zuverlässig greifen.

Dann möchte ich sehen, ob sich diese Verbesserungen auch in der Wirtschaftlichkeit des Unternehmens niederschlagen.

Bei XBP erreichte unsere bereinigte Bruttomarge im zweiten Quartal mit 24,9 % den bislang höchsten Stand, während der Umsatz pro Mitarbeiter auf rund 89.000 US-Dollar stieg. Unser Ziel für die annualisierten betrieblichen Effizienzgewinne wurde ebenfalls auf 65 bis 75 Millionen US-Dollar angehoben, nachdem wir weitere Automatisierungsmöglichkeiten identifiziert hatten.

Diese Kennzahlen sagen etwas anderes aus als ein Benchmark-Score. Sie zeigen, ob die Technologie die Kostenstruktur des Betriebs verändert.

Ein Arbeitsablauf kann eine hervorragende Modellgenauigkeit aufweisen und dennoch eine schlechte Implementierung sein, wenn sein Betrieb zu teuer ist oder zu viel manuelle Nacharbeit verursacht. Führungskräfte sollten das Ergebnis meiner Meinung nach bis zum Ende verfolgen. Die Technologie muss einen betrieblichen Nutzen bringen, der sich tatsächlich messen lässt.

Wird agentische KI Ihrer Ansicht nach künftig eine zusätzliche Ebene auf bestehenden Unternehmenssystemen bleiben, oder wird sie zur zentralen Orchestrierungsebene, über die Menschen, Software, Daten und Geschäftsprozesse miteinander interagieren?

Ich denke, immer mehr Arbeitsabläufe werden agentisch ablaufen.

In Unternehmen wird es weiterhin Systeme, Datenbestände und Anwendungen geben, die bestimmte Aufgaben erfüllen. Verändern wird sich, wie die Arbeit zwischen ihnen abläuft. Eine agentische Prozesskette kann Informationen abrufen, Tools koordinieren, Aktionen auslösen und feststellen, wann bei einer Transaktion eine andere Art von Eingriff erforderlich ist.

Das lässt sich bereits am Beispiel der Fluggesellschaft erkennen. Die Wartungsaufzeichnungen liegen in einer privaten Vektordatenbank innerhalb der Umgebung des Kunden, während die agentische Ebene steuert, wie während des gesamten Wartungszyklus auf diese Informationen zugegriffen und wie sie genutzt werden.

Ich gehe davon aus, dass diese Art der Orchestrierung deutlich häufiger werden wird.

Die zugrunde liegenden Modelle werden sich weiter verändern. Open-Weight-Modelle verbessern sich rasant, und auf die Modelle, die wir heute verwenden, wird eine weitere Generation folgen. Dadurch wird die Orchestrierungsebene immer wichtiger, denn Unternehmen brauchen eine beständige Grundlage für diese Modelle.

Wenn man die Pipeline auf den Prozess, das Fachwissen, die Sicherheitsanforderungen und die Kontrollen im Unternehmen ausrichtet, kann man auch künftig von besseren Modellen profitieren, sobald sie verfügbar sind. Ich denke, dass ein großer Teil des langfristigen Werts genau darin liegen wird.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, besuchen bitte XBP Global.