Trainingsblatt: Deutsch / English

Zum Durchgehen während des Trainings — jede Zeile links auf Deutsch, rechts die englische Pitch-Version.

DE EN

01 Die 3 wichtigsten Vorbereitungspunkte

Vor dem Training einzeln vorbereiten.

1 Antwort auf „Warum baut OpenAI/Google das nicht selbst?" — in 2–3 Sätzen, ohne Buzzwords.

1 Answer to "Why won't OpenAI/Google just build this themselves?" — in 2–3 sentences, no buzzwords.

2 Zahlen im Kopf: Bruttomarge (inkl. Inferenzkosten), NRR, Kundenkonzentration (Top-3-Kunden = wie viel % Umsatz?).

2 Numbers by heart: gross margin (incl. inference costs), NRR, customer concentration (top 3 customers = what % of revenue?).

3 Eine konkrete Kunden-Anekdote (z. B. hepster, Prokon) aus dem Stegreif erzählen können.

3 One concrete customer story (e.g. hepster, Prokon) you can tell off the cuff.

02 Die 7 kritischen Fragen

Laut beantworten, unter 60 Sekunden pro Frage, in wechselnder Reihenfolge.

1 Warum baut ein Foundation-Model-Anbieter (OpenAI, Google, Anthropic) das nicht in 18 Monaten selbst?

1 Why won't a foundation model provider (OpenAI, Google, Anthropic) build this themselves within 18 months?

2 Wie entwickelt sich eure Bruttomarge, wenn Inferenzkosten X % des Umsatzes ausmachen — und was passiert, wenn ein Kunde 10× mehr Volumen durchschickt?

2 How does your gross margin evolve as inference costs make up X% of revenue — and what happens if a customer sends 10x more volume through the system?

3 Wie hoch ist die Kundenkonzentration, und was passiert, wenn einer der drei größten Kunden abspringt?

3 How concentrated is your customer base, and what happens if one of your top three customers churns?

4 Wie lang ist der durchschnittliche Enterprise-Sales-Zyklus, und wie verkürzt ihr ihn?

4 How long is your average enterprise sales cycle, and how are you shortening it?

5 Was ist die tatsächliche Fehlerquote in Produktion (nicht im Benchmark) — und was ist der Prozess, wenn die KI in einem sicherheitsrelevanten Feld-Szenario falsch liegt (Haftungsfrage)?

5 What's the actual error rate in production (not in the benchmark) — and what's the process when the AI gets it wrong in a safety-critical field scenario (liability question)?

6 Wie unterscheidet sich eure Genauigkeit von Out-of-the-Box-Multimodal-Modellen auf denselben Dokumenten — habt ihr diesen Vergleich selbst gemessen?

6 How does your accuracy compare to out-of-the-box multimodal models on the same documents — have you measured that comparison yourselves?

7 Wie viel Umsatz kommt aus Expansion bestehender Kunden vs. Neukundengewinn (NRR-Aufschlüsselung)?

7 How much revenue comes from expansion of existing customers vs. new customer acquisition (NRR breakdown)?

03 Elevator Pitch — zwei Varianten

Variante 1 für den Pitch selbst, Variante 2 eher für schriftliche Kurzform / E-Mail.

Variante 1 — Problem zuerst

Generische KI liest Text – aber die meisten kritischen Enterprise-Prozesse stecken in Schaltplänen, Explosionszeichnungen und Tabellen, an denen Chatbots scheitern. Octonomy versteht diese komplexen Dokumente mit eigener Visual-Cortex-Technologie und automatisiert damit Kundenservice- und Field-Service-Prozesse bei Unternehmen wie hepster und Prokon – mit 96 % Genauigkeit, wo Standard-AI typischerweise schwächelt. Das Ergebnis: bis zu 70 % Automatisierung im Kundenservice und halbierte Ausfallzeiten im Feldeinsatz.

Generic AI reads text — but most critical enterprise processes live in wiring diagrams, exploded views, and tables, exactly where chatbots fail. Octonomy understands these complex documents with our own Visual Cortex technology, automating customer service and field service for companies like hepster and Prokon — at 96% accuracy where standard AI typically struggles. The result: up to 70% automation in customer service and halved downtime in the field.

Variante 2 — Traktion zuerst

Octonomy skaliert bereits deutlich bei Enterprise-Kunden wie hepster, Emons und Prokon, die mit unserer AI bis zu 70 % ihres Kundenservice automatisieren und Ausfallzeiten im Feld halbieren. Der Grund: Wir sind die einzige AI-Plattform, die mit 96 % Genauigkeit auch komplexe visuelle Dokumente – Schaltpläne, Explosionszeichnungen, Tabellen – versteht, statt wie klassische Chatbots nur Text zu lesen. Genau diese Lücke macht uns für regulierte, dokumentenlastige Branchen unersetzlich und treibt unser Wachstum.

Octonomy is already scaling with enterprise customers like hepster, Emons, and Prokon, who automate up to 70% of customer service and cut field downtime in half using our AI. The reason: we're the only AI platform that understands complex visual documents — wiring diagrams, exploded views, tables — at 96% accuracy, instead of just reading text like standard chatbots. That gap makes us indispensable in regulated, document-heavy industries and is what's driving our growth.

04 Wortwahl: zwei Wörter, die er vermeiden sollte

Beide Begriffe lösen bei US-Investoren sofort eine Nachfrage aus, die man beantworten können muss.

proprietary → "our own model, trained on [X]"

Wird so inflationär benutzt, dass es als Buzzword-Warnsignal gilt — Investoren hören "beweise es, oder es ist nur ein Füllwort".

Used so often it now reads as a buzzword red flag — investors hear it as "prove it, or it's filler."

provably gets it wrong → typically struggles

"Provably" verlangt einen sofort abrufbaren Benchmark-Beweis. Ohne harte Zahl griffbereit wirkt es übertrieben. "Typically struggles" macht denselben Punkt, ohne diese Beweispflicht auszulösen.

"Provably" demands an instantly citable benchmark. Without a hard number ready, it sounds overstated. "Typically struggles" makes the same point without triggering that burden of proof.