Jan Arendtsz, Gründer und CEO von Celigo – Interview-Serie

Jan Arendtsz ist der Gründer und CEO von Celigo und ein Veteran der Softwareindustrie mit mehr als 25 Jahren Erfahrung in Produktentwicklung, Geschäftsentwicklung, Vertrieb, Kundenerfolg und Marketing. Er gründete Celigo mit dem Ziel, die Art und Weise, wie Unternehmen Geschäftsprozesse über das gesamte Unternehmen hinweg integrieren, automatisieren und optimieren, zu vereinfachen. Er ist verantwortlich für die Überwachung aller Unternehmensoperationen.

Vor Celigo war Jan Director bei NetSuite, der führenden cloudbasierten ERP-Plattform, wo er ihre Integrationsplattform startete. Vorher arbeitete Jan für Cambridge Technology Partners, wo er komplexe Geschäftslösungen für Kunden von Internet-Startups bis hin zu Fortune-500-Unternehmen umsetzte.

Celigo ist eine cloudbasierte intelligente Automatisierungs- und Integrationsplattform (iPaaS), die designed ist, um Organisationen zu helfen, Anwendungen zu verbinden, Geschäftsprozesse zu automatisieren und Daten über ihren Technologie-Stack hinweg zu synchronisieren, ohne schwere benutzerdefinierte Entwicklung. Ihre Plattform kombiniert vorgefertigte Konnektoren, wiederverwendbare Integrationsvorlagen und künstliche Intelligenz-gestützte Tools, sodass sowohl technische als auch nicht-technische Teams Integrationsmuster entwerfen, bereitstellen und verwalten können. Celigo wird häufig verwendet, um Workflows in Bereichen wie E-Commerce, Finanzen, Betrieb und IT zu straffen, manuelle Arbeit zu reduzieren, die DatenGenauigkeit zu verbessern und schnellere, widerstandsfähigere Geschäftsprozesse zu ermöglichen.

Was motivierte Sie ursprünglich, Celigo zu gründen, und wie prägte Ihre Erfahrung bei der Leitung von Integrationsdiensten und Produktinitiativen bei Softwareunternehmen wie NetSuite die Lücke, die Sie in der Unternehmensintegration sahen?

Diese frühe SaaS-Erfahrung zeigte mir, dass die Cloud zwar ein Software-Lieferproblem löste, aber auch ein massives Daten-Verbindungsproblem schuf. Wir verkauften die Vision eines einheitlichen Unternehmens, aber die Realität waren fragmentierte Daten-Silos. Ich gründete Celigo, um diese Herausforderungen zu lösen.

Heute sehe ich, wie sich die Geschichte mit künstlicher Intelligenz wiederholt. Wir wechseln von einer “Verbindungs-Lücke” zu einer “Betriebs-Lücke”. Genau wie Unternehmen vor zwanzig Jahren Schwierigkeiten hatten, SaaS zu operationalisieren, haben sie jetzt Schwierigkeiten, künstliche Intelligenz zu operationalisieren. Unternehmen kämpfen darum, künstliche Intelligenz von Experimenten zu zuverlässigen Geschäftsergebnissen zu bewegen. Dies schafft die nächste Welle von Herausforderungen, die Celigo einzigartig positioniert ist, um IT-Führungskräften zu helfen: Wie man eine Plattform bereitstellt, die nicht nur Systeme verbindet, sondern auch die Nutzung von künstlicher Intelligenz über das gesamte Unternehmen hinweg ermöglicht.

Celigo hat sich von traditioneller Integration zu AI-getriebenen Workflows entwickelt. Welche Signale zeigten Ihnen, dass die Plattform in diese Richtung gehen musste?

Das größte Signal war die sich verschiebende Flaschenhals. Vor zehn Jahren war der Flaschenhals die Verbindung: einfach System A mit System B verbinden. Wir lösten dies mit iPaaS. Als wir jedoch die Integration demokratisierten und Geschäftsanwendern ermöglichten, ihre eigenen Workflows zu erstellen, wurde der neue Flaschenhals zur Verwaltung, Governance und Ausnahmehandhabung.

Wir sahen uns unsere Daten an und sahen, dass das Erstellen von Automatisierungs-Workflows zwar einfacher geworden war, die Wartung jedoch immer noch menschenintensiv war. Benutzer verbrachten Stunden damit, Datenfehler zu beheben oder Mappings zu aktualisieren.

Wir reagierten, indem wir künstliche Intelligenz in den Kern unserer Plattform einbetteten, um Fehlerklassifizierung und -behebung zu automatisieren und die Betriebslast der Wartung von Integrationsmuster zu entfernen. Diese Plattform-Intelligenz bildet nun die Grundlage für kundenorientierte AI-getriebene Workflows, die mit größerer Autonomie und Kontext operieren können.

Viele Organisationen investieren stark in künstliche Intelligenz, sehen aber begrenzte Ergebnisse. Warum kommen so viele Initiativen an der Daten- und Integrations-Ebene zum Stillstand?

Wir haben alle Umfragen gesehen, die zeigen, dass die meisten Unternehmen mit künstlicher Intelligenz experimentieren, aber nur wenige messbare ROI erzielen. Der Grund liegt nicht in der Technologie. Es liegt in der Herangehensweise. Zu oft behandeln Organisationen die Einführung von künstlicher Intelligenz als Ziel anstatt mit den Geschäftsprozessen zu beginnen, die das Unternehmen antreiben.

Erfolgreiche Initiativen beginnen damit, die Prozesse zu identifizieren, bei denen Verbesserungen den größten Geschäftseinfluss haben, anstatt künstliche Intelligenz auf isolierte Aufgaben anzuwenden. Von dort aus muss künstliche Intelligenz mit den Systemen verbunden werden, in denen die Arbeit tatsächlich stattfindet, mit Schutzmechanismen, die Datenqualität und Richtlinien-Durchsetzung gewährleisten. Ohne diese kontrollierte Konnektivität bleibt künstliche Intelligenz von der Ausführung getrennt.

Schließlich erfordert künstliche Intelligenz ein orchestriertes Framework, das Autonomie mit Kontrolle ausgleicht. Mensch-im-Loop-Workflows und Ausnahmehandhabung sind entscheidend, um Vertrauen aufrechtzuerhalten, während künstliche Intelligenz mehr Verantwortung übernimmt. Wenn künstliche Intelligenz in End-to-End-Geschäftsprozesse eingebettet wird, entwickelt sie sich von einer Neuigkeit zu einem betrieblichen Enabler, der echte Geschäftsergebnisse liefert.

Aus Ihrer Sicht, welche architektonischen Fehler sind am häufigsten anzutreffen, wenn Unternehmen versuchen, künstliche Intelligenz auf fragmentierte Systeme aufzuschichten?

Ein wachsendes Problem ist derzeit die künstliche Intelligenz-Verbreitung. Wir sehen oft, dass Unternehmen mehrere verschiedene SaaS-Erweiterungen kaufen: Verkaufstools mit künstlicher Intelligenz, Kundenservice-Tools mit künstlicher Intelligenz, Marketing-Tools mit künstlicher Intelligenz und so weiter. All dies sind nur Hüllen um die gleichen zugrunde liegenden LLMs.

Architektonisch kann dies erhebliche Kosten- und Governance-Probleme schaffen. IT-Führungskräfte stellen fest, dass sie eine Integrationsplattform benötigen, um alle Daten und Erkenntnisse über Tools hinweg konsolidieren zu können. Die Nutzung einer einheitlichen Plattform kann das Wissen zusammenbringen, das über das Unternehmen verstreut ist, und den Kontext bereitstellen, der erforderlich ist, damit künstliche Intelligenz-Modelle skaliert und Wert liefern können.

Wie ändern sich intelligente Workflows, wenn künstliche Intelligenz autonomer wird, die Art und Weise, wie Anwendungen, Daten und Menschen innerhalb einer Organisation interagieren?

Wenn künstliche Intelligenz autonomer wird, ändern sich intelligente Workflows, wie Anwendungen, Daten und Menschen interagieren, indem sie die Automatisierung von Aufgabenausführung zu Entscheidungs-Orchestrierung verschieben. Anwendungen sind nicht mehr nur verbunden, um Daten auszutauschen. Sie werden zu koordinierten Teilnehmern in einem Workflow, in dem künstliche Intelligenz den Kontext über Systeme hinweg interpretiert und die nächste beste Aktion bestimmt.

Dieser Wechsel bringt das Change-Management in den Vordergrund. Sie können das beste Modell der Welt haben, aber wenn Teams es nicht vertrauen, werden sie es nicht verwenden. Die erfolgreiche Operationalisierung von künstlicher Intelligenz erfordert Sichtbarkeit darüber, warum ein künstliches Intelligenz-Agent eine bestimmte Entscheidung getroffen hat, und Vertrauen, dass es innerhalb eines geregelten Rahmens operiert.

Wenn Workflows von der Ausführung von Aufgaben zur Überprüfung von Ergebnissen evolvieren, bewegen sich Menschen von Operatoren zu Aufsehern. Benutzer können das Maß an Autonomie wählen, das sie künstlicher Intelligenz anvertrauen, wobei menschliche Steuerungen in der Schleife Governance, Rechenschaftspflicht und Anpassungsfähigkeit bieten, während Agenten über die Zeit hinweg verbessert werden. Das Ergebnis ist eine dynamische, hybride Umgebung, in der Anwendungen handeln, künstliche Intelligenz entscheidet und Menschen leiten.

Celigo dient sowohl großen Unternehmen als auch schnell wachsenden Marken. Wie unterscheiden sich Integrations-, Datenqualitäts- und Orchestrierungsherausforderungen über diese Skalierungsstufen hinweg?

Für schnell wachsende Marken ist das Ziel oft die Geschwindigkeit beim Erreichen von Ergebnissen. Sie adoptieren Tools so schnell, dass sie das Risiko eingehen, einen zerbrochenen Stack aufzubauen, der in einem oder zwei Jahren zusammenbrechen wird. Für sie bietet Celigo die Fähigkeit, schnell zu operationalisieren, ohne technische Schulden zu schaffen.

Für große Unternehmen sind die Herausforderungen um Kontext und Governance. Sie haben wertvolle Datenbestände, aber diese mögen nicht für AI-getriebene Workflows bereit sein. Sie müssen den Zugriff auf und den Wert von Daten in komplexen Umgebungen erhöhen. Sie müssen sicherstellen, dass sie, wenn sie künstliche Intelligenz über ihre Organisationen hinweg operationalisieren, keine personenbezogenen Daten oder Halluzinationen in ihre Kundeninteraktionen einbringen. Wir dienen als wichtige Verwaltungs- und Kontrollschicht.

Celigo befindet sich an der Kreuzung von iPaaS, Workflow-Orchestrierung und künstlicher Intelligenz. Wie sollten Organisationen ihre Integrations-Schicht entwerfen, damit sie zu einem aktiven Teil des künstlichen Intelligenz-Stacks wird und nicht nur passive Infrastruktur?
Organisationen bewegen sich über die einfache Datenbewegung hinaus und hin zu intelligenter Automatisierung als kontrollierter Konnektivitäts-Schicht für Geschäftsprozesse. Automatisierung existiert auf einem Spektrum von vorhersehbarer, regelbasierter Ausführung bis hin zu autonomem Verhalten, wobei der größte Unternehmenswert im Mittelpunkt entsteht.

Eine intelligente Automatisierungsplattform verbindet künstliche Intelligenz mit den richtigen Unternehmensdaten mit eingebauter Governance, Sichtbarkeit und menschlicher Aufsicht. Sie orchestriert die Konnektivität über Systeme hinweg, wendet Intelligenz selektiv an und führt Ergebnisse direkt in operativen Anwendungen aus, in denen die Arbeit tatsächlich stattfindet. Anstatt Daten einfach zwischen Systemen zu bewegen, wird die Integrations-Schicht aktiv, indem sie eine Echtzeit-Konnektivität und -Kontrolle aufrechterhält. Dies stellt sicher, dass intelligente Automatisierung zuverlässig, auditable und mit der Art und Weise ausgerichtet ist, wie das Unternehmen konzipiert ist, um zu laufen.

Bei der Zunahme von agenter künstlicher Intelligenz, welche Rolle sehen Sie Integrationsplattformen bei der Ermöglichung von künstlichen Intelligenz-Systemen, die sicher und zuverlässig über Geschäftsanwendungen hinweg handeln?

Agenter künstliche Intelligenz benötigt Schutzmechanismen. Celigo baut eine Zukunft, in der Integrationsmuster zunehmend selbst verwaltet werden, indem sie Schemäänderungen erkennen, Ausfälle vorhersagen und sich selbst heilen, bevor ein Mensch überhaupt weiß, dass etwas falsch ist.

Die Rolle unserer Plattform ist es nicht nur, Benutzern über das gesamte Unternehmen hinweg zu ermöglichen, Workflows schnell und effizient zu erstellen und auszuführen, sondern auch, es zentralen IT-Abteilungen zu ermöglichen, diese Schutzmechanismen bereitzustellen. Wenn ein Agent einen Datensatz aktualisieren möchte, wird die Plattform sicherstellen, dass diese Aktion gegen Geschäftsregeln validiert wird. Wir ermöglichen es Agenten, zu handeln, indem wir eine deterministische Umgebung bereitstellen, in der nicht-deterministische künstliche Intelligenz sicher operieren kann.

Wenn man auf 2026 blickt, welche realen Konsequenzen sehen Sie für Organisationen, die ihre Daten nicht speziell für künstliche Intelligenz straffen?

Die Konsequenz wird eine Divergenz in der ROI sein. Unternehmen, die es versäumen, künstliche Intelligenz in ihre Betriebe einzubetten, werden auf die Messung von “gesparten Stunden” bei Ad-hoc-Aufgaben beschränkt sein, während ihre Wettbewerber “Umsatzwachstum” von vollständig automatisierten Geschäftsbereichen messen.

Ohne die notwendigen Schritte zu unternehmen, um ihre Daten und Anwendungen zu verbinden, werden Organisationen eine Wand erreichen, an der künstliche Intelligenz-Modelle halluzinieren, weil sie keinen Kontext haben, oder Kosten eskalieren, weil sie für die isolierten Ausgaben von künstlicher Intelligenz-Verbreitung ohne eine einheitliche Strategie zahlen. Unternehmen könnten effektiv ausgeschlossen werden, weil sie nicht agil sind.

Für Technologie-Führer, die ihre Stacks heute modernisieren, welche Kernfähigkeiten sollten sie in einer iPaaS priorisieren, um sicherzustellen, dass ihre künstlichen Intelligenz-Initiativen skaliert und echte Ergebnisse liefern können?

Suchen Sie nach einer modernen iPaaS, die für eine Welt gebaut wurde, in der alles mit allem verbunden werden muss. Das bedeutet: eine universelle Plattform, die das gesamte Spektrum der Automatisierung abdecken kann: von Daten- und Anwendungsintegration, B2B-Lieferketten-Flows, API-Management und autonome Agenten. Dies stellt ein Unternehmen auf weniger Komplexität, weniger Overhead, mehr Ermächtigung von Benutzern und letztendlich die Fähigkeit von IT, künstliche Intelligenz und alles über das Unternehmen hinweg sicher und strategisch zu operationalisieren.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Celigo besuchen.