Hier erfährst du, was passiert, wenn Unternehmen den Definitionsschritt überspringen – und wie du das vermeiden kannst.

Wenn «KI» alles bedeutet, bedeutet es nichts

Der Begriff «KI» umfasst derzeit eine enorme Bandbreite an Technologien – regelbasierte Automatisierung, Empfehlungsmaschinen, Modelle für maschinelles Lernen, grosse Sprachmodelle wie GPT-5.5 und vollständig autonome KI-Assistenten. Das sind grundlegend verschiedene Dinge mit unterschiedlichen Kosten, Fähigkeiten und Ausfallmöglichkeiten. Dennoch werden sie alle in Vorstandssitzungen und Budgetgesprächen als «KI» bezeichnet.

Stell dir das so vor, als würde man alles, was einen Motor hat, als «Fahrzeug» bezeichnen. Technisch korrekt, aber nicht hilfreich, wenn du entscheiden musst, ob du einen Gabelstapler oder einen Firmenwagen brauchst.

In der Praxis führt diese Unschärfe zu drei konkreten Problemen für alle, die Entscheidungen treffen müssen:

• Für Kunden macht es die Bewertung von Anbietern fast unmöglich – du kannst keine Lösungen vergleichen, wenn du nicht weisst, welches Problem du lösen willst.
• Für interne Teams entsteht Verwirrung darüber, was erwartet wird und wie Erfolg gemessen werden soll.
• Für die Compliance macht es die Bewertung von Risiken, Verantwortlichkeiten oder der Einhaltung gesetzlicher Vorschriften fast unmöglich.

Gerade in der Schweiz, wo die Compliance-Anforderungen hoch sind und KMU unter strenger behördlicher Aufsicht stehen, ist «wir führen KI ein» keine ausreichende Antwort für Auditoren, Datenschutzbeauftragte oder Beschaffungsprüfer. Definitorische Unklarheit ist keine akademische Frage – sie birgt echte rechtliche und finanzielle Risiken.

Wenn ein neuer Kunde sagt «wir brauchen KI», stellt unser Team bei what. immer zuerst dieselben klärenden Fragen:

• Welche konkrete Aufgabe oder Entscheidung möchtest du verbessern oder automatisieren?
• Wo genau stockt der aktuelle Prozess oder verlangsamt er sich?
• Erfordert das Urteilsvermögen und Anpassungsfähigkeit, oder handelt es sich um eine vorhersehbare, regelbasierte Aufgabe?
• Woran willst du erkennen, ob es funktioniert?
• Wer trägt die Verantwortung für das Ergebnis, wenn etwas schiefgeht?

Das sind keine Fragen, die nur der Vorabprüfung dienen. Sie sind die Grundlage für jedes Projekt, das tatsächlich umgesetzt wird.

Warum vage KI-Ziele Projekte zum Scheitern bringen, bevor sie beginnen

Unternehmen setzen oft auf KI, weil es sich dringend anfühlt – die Konkurrenz «macht KI», die Führung fragt danach, und niemand will den Anschluss verpassen. Das ist verständlich. Aber KI einzuführen, weil sie gerade im Trend liegt, anstatt weil du ein konkretes Problem identifiziert hast, das sie löst, führt dazu, dass Budgets verschwinden, ohne dass etwas vorzuweisen ist.

Ohne eine klare Definition dessen, was die KI-Automatisierung leisten soll, werden drei Dinge wirklich unmöglich:

Das knüpft direkt an etwas an, worüber wir bereits geschrieben haben: das «Garbage in, garbage out»-Prinzip. Wie wir in «Bevor du KI einsetzt, optimiere zuerst deine Workflows» untersucht haben, behebt KI, die auf fehlerhaften oder undefinierten Prozessen aufbaut, diese Prozesse nicht – sie lässt die Verwirrung nur schneller laufen.

Wie eine brauchbare KI-Definition aussieht

Anstatt abstrakt darüber zu diskutieren, was KI «ist», lautet die produktivere Frage: Was muss sie für dein Unternehmen leisten, und braucht es dafür tatsächlich KI?

Bevor du ein KI-Projekt startest, arbeite diese Checkliste durch:

• Welche konkrete Aufgabe soll dieses System erfüllen? (Eine Aufgabe, genau definiert)
• Muss es lernen, sich anpassen oder mit mehrdeutigen Eingaben umgehen – oder würde eine einfachere, regelbasierte Automatisierung die Aufgabe genauso gut erfüllen?
• Wie viel menschliche Aufsicht ist erforderlich, und an welchen Stellen?
• Wie wird der Erfolg gemessen, und in welchem Zeitrahmen?
• Unterscheidet sich das wesentlich von der Standardautomatisierung?

Die letzte Frage ist die wichtigste. Wenn die ehrliche Antwort «nicht wirklich» lautet – ist das kein Misserfolg. Es ist ein Signal, das einfachere, kostengünstigere und zuverlässigere Tool zu nutzen.

Das ist besonders im Schweizer Kontext wichtig. Die Arbeitskosten hier gehören zu den höchsten weltweit. Jedes schlecht konzipierte KI-Projekt ist doppelt teuer: einmal durch die direkten Kosten und einmal durch die Arbeitsstunden, die durch ein nicht richtig funktionierendes Tool verloren gehen. Von vornherein präzise zu sein, ist kein Over-Engineering – es ist grundlegende finanzielle Disziplin.

Viele Probleme, die als KI-Probleme dargestellt werden, sind in Wirklichkeit Integrationsprobleme. Wenn ein Kunde uns erzählt, dass sein Team stundenlang damit beschäftigt ist, Daten zwischen CRM, ERP und Buchhaltungssystem manuell abzugleichen, geht er oft davon aus, dass er KI braucht, um das zu beheben. Meistens ist das nicht der Fall. Die Systeme müssen einfach miteinander kommunizieren. Unsere Tool-Integration löst die meisten dieser Situationen ohne jegliches KI-Modell – und das schneller und zuverlässiger.

Was unser KI-Experte sagt

Was unser KI-Experte sagt

Die meisten Kunden haben kein KI-Problem – sie haben ein Problem mit der Klarheit. Sobald wir die eigentliche Aufgabe definiert haben, wird die richtige Lösung meist klar, und sie ist oft einfacher als erwartet.

Sergei Gordeichuk

Technischer Leiter bei what.

Erst definieren, dann umsetzen

Die Unternehmen, die mit KI echte Ergebnisse erzielen, sind nicht unbedingt diejenigen, die am schnellsten vorankommen. Es sind diejenigen, die sich über das zu lösende Problem am klarsten waren, bevor sie sich auf eine Lösung festgelegt haben.

Ein präziser Auftrag – der die Aufgabe, die Erfolgskriterien, die Datenanforderungen und die Erwartungen an die Governance definiert – ist mehr wert als jedes Tool. KI-Automatisierung wird erst dann wirklich leistungsstark, wenn diese Grundlage geschaffen ist. Kein Hype, keine Demo, die nach einem Monat in der Schublade landet. Echte Hebelwirkung, angewendet auf ein gut verstandenes Problem.

Wenn du dir unsicher bist, ob es sich bei dem, was du vor dir hast, um ein KI-Problem, ein Automatisierungsproblem oder ein Integrationsproblem handelt, ist das genau die richtige Frage, die du klären solltest, bevor du Geld ausgibst. Nimm Kontakt mit unserem KI-Automatisierungsteam auf – wir helfen dir, die ehrliche Antwort zu finden.

The post KI ohne klare Definition: Warum das schiefgeht appeared first on what. AG.

Frag die KI nach der aktuellen Preispolitik deines Unternehmens, und sie zitiert vielleicht eine Version von vor zwei Jahren. Frag sie nach einer Fallstudie mit echten ROI-Zahlen, und sie erfindet dir vielleicht eine, die plausibel klingt, aber nicht existiert. Das nennt man eine Halluzination – oder Drift, wenn sich das Muster wiederholt.

Warum passiert das? Das Modell wurde mit Daten trainiert, die vor deiner Frage existiert haben. Es hat keinen Zugriff auf das, was du intern geschrieben, kürzlich aktualisiert oder in deinen Systemen gespeichert hast. Manche Modelle können zwar das Internet durchsuchen, um Lücken zu füllen – aber das ist weder zuverlässig noch effizient, wenn es um unternehmensspezifisches Wissen geht. Also füllt das Modell die Lücken mit der statistisch wahrscheinlichsten Antwort. Und die ist nicht immer die richtige.

RAG – kurz für Retrieval-Augmented Generation – ist die praktischste Lösung für dieses Problem. Anstatt sich auf das Gedächtnis des Modells zu verlassen, verbindet RAG es in Echtzeit mit deiner tatsächlichen Wissensdatenbank. Unternehmensrichtlinien, Verkaufsunterlagen, interne Handbücher, FAQs – wenn jemand eine Frage stellt, sucht das System zuerst die relevanten Passagen aus deinen Inhalten heraus, fügt sie als Kontext hinzu und generiert erst dann eine Antwort auf dieser Grundlage.

Das ist sehr effektiv. Deine interne Dokumentation kann so etwas wie ein operatives Orakel werden, das in klarer Sprache antwortet. Aber es ist keine Zauberei – und es ist nicht für jede Situation das richtige Tool.

Am Ende dieses Artikels weisst du, was RAG wirklich macht, wie du deine Inhalte dafür vorbereitest und wann es die richtige Wahl ist – und wann du strukturierter vorgehen solltest.

Wie RAG funktioniert (ohne Fachjargon)

RAG sitzt unsichtbar zwischen deiner Frage und der Antwort der KI. Das Modell antwortet nicht allein aus dem Gedächtnis (eigene Wissensbasis) – es ruft zuerst relevantes Material aus deiner Wissensdatenbank ab und nutzt das als Grundlage für seine Antwort.

So läuft der Prozess ab, auf das Wesentliche reduziert:

1. Inhaltsvorbereitung: Du lädst deine Dokumente (Richtlinien, FAQs, Verfahren) in einem strukturierten, lesbaren Format ins System.
2. Indizierung: Das System verarbeitet diese Inhalte mit zwei sich ergänzenden Ansätzen – klassischer Stichwortsuche (Keyword-Search) und semantischer Suche (mehr dazu weiter unten).
3. Content-Retrieval: Wenn eine Frage eingeht, zieht der Index die relevantesten Passagen heraus.
4. Generierung: Die KI erstellt eine Antwort auf Basis dieser abgerufenen Passagen sowie ihres Allgemeinwissens.

Das Ergebnis ist eine Antwort, die auf deinen tatsächlichen Inhalten basiert – nicht von Grund auf neu generiert.

Warum hybride Suche wichtig ist

Die Stichwortsuche (Keyword-Search) funktioniert gut, wenn jemand genau den Begriff verwendet, der in einem Dokument steht. Die semantische Suche geht einen Schritt weiter: Sie versteht die Bedeutung – nicht nur die Wörter.

Ein Beispiel: «Wie man die Unternehmensmarge steigert» und «Betriebskosten senken» meinen dasselbe Konzept, haben aber kaum gemeinsame Stichwörter. Die semantische Suche findet relevante Inhalte auch dann, wenn die Formulierung unterschiedlich ist. Gut aufgebaute RAG-Systeme nutzen in der Praxis beide Ansätze zusammen. Stichwörter greifen bei präzisen Verweisen, Produktcodes und Eigennamen. Die semantische Suche übernimmt alles, wo die Absicht wichtiger ist als die genaue Wortwahl.

RAG vs. Fine-Tuning

Diese beiden Begriffe werden oft durcheinandergebracht. RAG verändert das Modell selbst nicht – es nutzt ein fertiges LLM (wie Claude oder GPT) und übergibt ihm bei jeder Frage die passenden Ausschnitte aus deiner Wissensdatenbank. Aktualisierst du die Wissensdatenbank und indizierst sie neu, bleiben die Antworten aktuell.

Fine-Tuning funktioniert anders. Es passt das Verhalten oder den Stil des Modells dauerhaft an. Das ist sinnvoll, wenn du einen einheitlichen Tonfall oder domänenspezifisches Verhalten brauchst – nicht aber, wenn es hauptsächlich darum geht, präzise und aktuelle Antworten aus Dokumenten zu bekommen.

Ein wichtiger Punkt: RAG ist nur so gut wie sein Content-Retrieval. Falscher Kontext als Eingabe führt zu einer selbstbewussten, aber falschen Antwort. Mehr abgerufene Inhalte bedeuten auch mehr verarbeitete Tokens – und damit höhere Kosten. Dieses Gleichgewicht musst du bewusst gestalten. «Mehr Dokumente gleich bessere Antworten» stimmt eben nicht.

Bei what. entwickeln wir RAG nicht immer von Grund auf neu. Wir wählen den Ansatz, der zum tatsächlichen Bedarf passt – massgeschneidertes RAG, Managed-Search-Lösungen oder eine Kombination – damit du dort investierst, wo es sich wirklich lohnt.

Auch lesen: Warum brauchst du überhaupt KI-Automatisierung für deine Abläufe?

Deine KI-Wissensdatenbank vorbereiten: Warum das Format wichtiger ist, als du denkst

RAG greift auf das zurück, was du geschrieben hast. Wenn deine Dokumente unstrukturiert, fragmentiert oder schlecht aufgebaut sind, versteht das System dein Geschäft nicht wie von selbst – es findet nur schwache Stellen, und das Modell füllt die Lücken mit selbstsicherem Inhalt. Genau dann schleichen sich Halluzinationen wieder ein.

Die Qualität des Retrievals hängt fast genauso stark von deinen Inhalten ab wie vom Algorithmus dahinter.

Markdown vs. PDF

PDFs sind grossartig zum Lesen und Teilen. Für RAG sind sie oft ein Problem. Komplexe Layouts, fehlerhafte Tabellen, gescannte Seiten – all das braucht OCR oder einen Parsing-Schritt, bevor es indexiert werden kann. Das verursacht zusätzliche Kosten, verlängert die Verarbeitungszeit und birgt das Risiko, dass verzerrter Text in deiner Wissensdatenbank landet. Tools wie LlamaIndex werden häufig eingesetzt, um das zu handhaben, wenn PDF unvermeidbar ist – aber es ist immer aufwändiger als sauber strukturierter Text.

Markdown funktioniert besser, weil die Struktur eindeutig ist: Überschriften, Abschnitte und Listen sagen dem Indizierungssystem genau, wo ein Thema aufhört und ein anderes beginnt. Für ein KI-Modell, das den richtigen Abschnitt abrufen will, macht diese Klarheit einen grossen Unterschied.

Markdown ist ausserdem formatunabhängig. Es lässt sich sauber in HTML, Word, PDF und die meisten CMS-Exporte konvertieren – deine RAG-Pipeline ist also nicht an einen bestimmten Anbieter oder ein bestimmtes Tool gebunden. Und es ist seit Jahren Standard in der Software-Dokumentation, weil es Klartext ist, sich gut versionieren lässt und leicht zu pflegen ist.

Die Faustregel: Behalte PDFs für die Archivierung und Verteilung. Verwende Markdown (oder gleichwertigen strukturierten Text) als Arbeitsformat für alles, was in RAG einfliessen soll. Wenn du nur gescannte PDFs hast, plane Budget für die Extraktion ein – es ist machbar, kostet aber mehr und birgt ein höheres Fehlerrisiko.

So strukturierst du deine Dokumente für das Content-Retrieval

Ein paar einfache Gewohnheiten machen einen grossen Unterschied bei der Leistung von RAG:

• Ein Thema pro Abschnitt. Verwende klare Überschriften. Vermeide riesige Einzeldateien, die alles abdecken – bevorzuge themenbezogene Dokumente oder klar getrennte Abschnitte, damit das Retrieval zusammenhängende Blöcke liefert und nicht ein halbes Kapitel voller irrelevanter Inhalte.

• Beschreibende, spezifische Titel. «Einleitung» oder «Anhang» helfen bei der Suche nicht. «Richtlinien Remote-Work – Schweiz» oder «Umgang mit Preisvorbehalten – Unternehmenskunden» schon. Der Titel ist oft das Erste, das abgeglichen wird.

• Codes und Referenzen früh einbauen. Wenn du interne Verfahrenscodes, Modulnamen oder SKUs verwendest, füge sie in die Überschrift oder die erste Zeile ein. So trifft die Stichwortsuche sofort ins Schwarze.

• Nummerierte Listen für Prozesse verwenden. Schritt-für-Schritt-Anleitungen lassen sich besser abrufen und zitieren als dichte Textabschnitte. Wenn es eine Abfolge gibt, formatiere sie als Abfolge.

• Ballast rauswerfen. Wiederholte Kopf- und Fusszeilen, rechtliche Hinweise auf jeder Seite, doppelte Versionen desselben Dokuments – all das belastet deinen Index. Saubere Inhalte lassen sich sauber abrufen.

Ein Hinweis zum Chunking

Lange Dokumente werden zur Indizierung in kleinere Chunks aufgeteilt. Zu grosse Chunks bringen zu viel Rauschen mit sich; zu kleine verlieren den roten Faden. Das Aufteilen an Markdown-Überschriften hält verwandte Inhalte auf natürliche Weise zusammen und reduziert das Risiko, ein Konzept in zwei Hälften zu zerschneiden.

Gute Indizierungspipelines nutzen auch Überlappungen – ein paar Zeilen aus benachbarten Abschnitten werden in jeden Block aufgenommen, damit das Modell an den Grenzen nicht den Kontext verliert. Wenn ein Dokument kurz ist und in einem bestimmten Kontext immer relevant ist, funktioniert es manchmal besser, es vollständig einzubeziehen, als sich nur auf abgerufene Fragmente zu verlassen.

Die ehrliche Frage, die du dir stellen solltest, bevor du in ein teureres Modell oder eine teurere Plattform investierst: Ist deine Wissensdatenbank überhaupt auffindbar? Ein gut konzipiertes RAG mit sauberen Inhalten wird bei gleichen API-Kosten durchweg besser abschneiden als eine mittelmässige Konfiguration mit chaotischen PDFs.

Nicht alles gehört auf die gleiche Weise in RAG

Es lohnt sich, bewusst zu entscheiden, was wohin gehört. Drei Kategorien sind hilfreich:

Ein häufiger Fehler ist es, kritische Schritt-für-Schritt-Anleitungen in RAG zu speichern und zu hoffen, dass das Modell sie der Reihe nach befolgt. Das funktioniert nicht zuverlässig. Das Content-Retrieval findet relevante Fragmente – es ersetzt keine Workflow-Engine mit erzwungener Reihenfolge.

Zum Thema: Bevor du KI einsetzt, optimiere zuerst deine Workflows.

Wann RAG ausreicht – und wann du mehr brauchst

Das ist die Frage, die Teams davor bewahrt, zu viel oder zu wenig zu entwickeln.

RAG in Kombination mit einem LLM ist die richtige Konfiguration, wenn jemand eine Frage stellt und eine fundierte Antwort braucht. Es ist nicht die richtige Konfiguration, wenn die Interaktion einen Prozess mit obligatorischen Schritten erfordert, einen über Sitzungen hinweg verfolgten Status oder aufeinanderfolgende Entscheidungen, die nicht übersprungen werden können.

Zwei Denkmodelle:

Einfache Faustregel: eine Frage, eine Antwort, keine vorgeschriebene Abfolge über Sitzungen hinweg – fang mit RAG und einem LLM an. Gleicher Nutzer, mehrere Runden, Schritte, die nicht übersprungen werden können – füge Orchestrierung hinzu. RAG dient dann als unterstützende Bibliothek, nicht als Rückgrat des Prozesses.

Drei Fälle, in denen RAG + LLM die richtige Wahl ist

• Interne FAQ oder HR-Richtlinien. «Wie lauten unsere Richtlinien zur Remote-Arbeit für Mitarbeitende in der Schweiz?» – Ein gut indexierter Korpus, eine Antwort, die auf dem tatsächlichen Richtliniendokument basiert, kein mehrstufiger Prozess nötig. Finden, erklären, fertig.

• Sales Enablement. «Haben wir eine Logistik-Fallstudie mit ROI?» – Eine Bibliothek mit Geschäftsdokumenten, die Nutzende je nach Absicht durchsuchen, nicht nach einem festen Skript. RAG bewältigt das ganz natürlich.

• Produkt-Support (L1). «Wie setze ich die Verbindung auf Gerät X zurück?» – Eine Frage, eine Antwort, direkt mit dem Handbuch verknüpft. Wenn das Retrieval fehlschlägt, korrigiere das Dokument – nicht die gesamte Architektur.

Drei Fälle, in denen du eine stärkere Architektur brauchst

• Digitales Coaching oder Beratung mit einem Playbook. Mehrwöchige Projekte, bei denen du Ziele verfolgst, Optionen durcharbeitest und mit einem Plan abschliessen willst. Die aktuellen Schritt- und Sitzungsregeln müssen ausserhalb des Modells liegen – in einer Datenbank oder einer Zustandsmaschine. RAG bringt Frameworks und Beispiele ein, wenn dieser Schritt sie erfordert. Ohne Orchestrierung überspringt die KI Phasen oder vergisst, was vor zwei Sitzungen vereinbart wurde.

• Onboarding von Mitarbeitenden oder Partnern. Woche eins: Dokumente. Woche zwei: Schulung. Woche drei: Kompetenzcheck. Diese Reihenfolge kann vertraglich oder durch Compliance-Vorgaben festgelegt sein. Das richtige PDF zu finden reicht nicht – du kannst Modul drei erst öffnen, wenn Modul zwei abgeschlossen ist. RAG liefert den Inhalt; eine Zustandsmaschine steuert den Ablauf.

• Geführte Verkaufsanalyse. Qualifizierung, dann Bedarfsanalyse, dann Angebot – mit obligatorischen Fragen in jeder Phase. RAG ruft Preise, Battle Cards und Einwandbehandlungen ab. Ein Orchestrator sorgt für die Reihenfolge: «Keine Preisdiskussion, bevor der Bedarf nicht ermittelt wurde.» Ohne das gibt die KI zu früh Angebote ab oder erfindet ein Framework, das nicht deins ist.

Verbessere deine Inhalte, bevor du dem Modell die Schuld gibst

Wenn RAG hinter den Erwartungen zurückbleibt, ist die Versuchung gross, das Modell zu aktualisieren oder auf eine teurere Plattform umzusteigen. Meistens ist das der falsche Schritt.

Die meisten Retrieval-Probleme lassen sich auf die Qualität der Inhalte zurückführen – nicht auf die Leistungsfähigkeit des Modells. Dokumente, die zu lang sind, schlechte Titel haben oder in verschiedenen Versionen doppelt vorhanden sind, verwirren selbst das beste Content-Retrieval-System. Die Lösung liegt in der redaktionellen Bearbeitung, nicht in der Architektur.

Bevor du in die Infrastruktur investierst, überprüfe drei Dinge:

1. Sind die Inhalte bereit? Strukturiert, im eigenen Besitz, auf dem neuesten Stand – keine Mischung aus verstreuten PDFs und sechs Versionen desselben Richtliniendokuments.
2. Handelt es sich um ein Such-und-Antwort-Problem oder ein Folge-einem-Pfad-Problem? FAQs und Richtlinien brauchen in der Regel RAG + LLM. Playbooks und mehrstufige Onboarding-Prozesse erfordern zusätzlich Orchestrierung.
3. Ist der Erfolg klar definiert? «Nützliche Antworten, die mit Quellen verknüpft sind» ist ein Erfolgskriterium. «Es klingt clever» ist keines.

Ein schneller Weg, um herauszufinden, wo der eigentliche Engpass liegt: Wähle einen Bereich aus, stelle 20 bis 30 Dokumente zusammen und schreib 10 echte Fragen auf, die dein Team tatsächlich stellt. Lass es laufen. Innerhalb weniger Tage weisst du, ob das Problem beim Retrieval, bei der Inhaltsqualität oder bei der Architektur liegt – und hast dafür fast nichts ausgegeben.

Brauchst du KI-Automatisierungsworkflows, die von Anfang bis Ende zuverlässig sind – nicht nur beim Retrieval? Unsere Tool-Integration verbindet die Systeme, auf die deine RAG-Pipeline angewiesen ist – damit Daten sauber in deine Wissensdatenbank fliessen und ohne manuellen Aufwand aktuell bleiben.

Bereit, eine Wissensdatenbank aufzubauen, die wirklich funktioniert?

Die richtige Frage lautet nicht: «Welche KI-Plattform soll ich kaufen?» Sondern: «Habe ich eine Wissensdatenbank, die es wert ist, abgefragt zu werden – und einen Prozess, der weiss, wann man sich auf RAG verlassen sollte und wann nicht?»

Genau bei dieser Art von Fragen helfen wir Teams weiter. Als KI-Automatisierungsagentur arbeitet what. mit Unternehmen zusammen, um RAG-Setups zu entwickeln, die zum tatsächlichen Anwendungsfall passen – nicht komplexer als nötig, aber auch nicht zu schwach für die Aufgabe. Ob das nun ein schlankes RAG-only-Setup oder einen vollständig orchestrierten KI-Workflow bedeutet: Wir helfen dir, den richtigen Umfang zu ermitteln, bevor du irgendetwas entwickelst.

Melde dich für eine gezielte Beratung. Kein Verkaufsgespräch – nur ein ehrlicher Blick darauf, ob RAG das Richtige für dich ist und was es braucht, damit es gut funktioniert.

The post RAG erklärt: Wie du KI mit deiner Wissensdatenbank verbindest appeared first on what. AG.

Diesen Wandel zu verstehen ist wichtig für alle, die heute im Web3-Bereich entwickeln oder sich darin bewegen.

Von monolithischen Ketten zur modularen Infrastruktur

Frühe Blockchains waren darauf ausgelegt, alles an einem Ort zu erledigen. Ein einziges Netzwerk kümmerte sich um die Transaktionsausführung, erzielte Konsens, stellte Datenverfügbarkeit sicher und sorgte für finale Abwicklung. Bitcoin und das frühe Ethereum sind die klarsten Beispiele: einheitliche Systeme, bei denen jeder Knoten an jeder Funktion beteiligt ist.

Das Problem dabei ist die Skalierbarkeit. Wenn eine Kette alles übernehmen muss, stösst sie schnell an ihre Grenzen. Mehr Nachfrage bedeutet höhere Gebühren, langsamere Transaktionen und den Druck, Kompromisse zwischen Dezentralisierung und Leistung einzugehen.

Der modulare Ansatz teilt diese Aufgaben auf. Ausführung, Abwicklung, Konsens und Datenverfügbarkeit werden zu eigenständigen Schichten, die unabhängig voneinander optimiert werden können. Ein Rollup beispielsweise wickelt die Ausführung ausserhalb der Hauptkette ab und überträgt Transaktionsdaten an eine separate Datenverfügbarkeitsschicht wie Celestia oder EigenDA – während die Abwicklung auf Ethereum erfolgt. Jede Komponente erledigt eine Aufgabe gut, statt dass ein einziges System alles nur mittelmässig macht.

Dieser architektonische Wandel spiegelt wider, was in der Softwareentwicklung breiter passiert ist – der Übergang von monolithischen Anwendungen zu Microservices. Die Logik ist dieselbe: Spezialisierung ermöglicht Skalierung.

Für Entwickler und Innovatoren im Kryptobereich hat diese modulare Grundlage neue Möglichkeiten eröffnet. Entwickler können jetzt anwendungsspezifische Blockchains starten, ohne die Validator-Infrastruktur von Grund auf aufbauen zu müssen, sich in gemeinsame Sicherheitsschichten einbinden und Datenverfügbarkeitslösungen wählen, die zu ihren Anforderungen und ihrem Budget passen.

Der Stack geht über die Blockchain-Skalierung hinaus

Hier wird es wirklich interessant. Der modulare Blockchain-Stack begann als Antwort auf ein Skalierungsproblem – entwickelt sich aber zunehmend zu etwas anderem: einer Infrastruktur, über die autonome KI-Assistenten kommunizieren, Transaktionen durchführen und sich koordinieren können.

Das klingt vielleicht weit hergeholt, aber die Logik ergibt sich ganz natürlich. KI-Assistenten – Softwaresysteme, die im Namen eines Nutzers Aktionen ausführen, Entscheidungen treffen und mit externen Diensten interagieren können – werden leistungsfähiger und autonomer. Wenn sie anfangen, an realer wirtschaftlicher Aktivität teilzunehmen, brauchen sie verlässliche Infrastruktur im Hintergrund. Sie müssen nachweisen, wer sie autorisiert hat, Zahlungen vornehmen, die Vertrauenswürdigkeit anderer Assistenten überprüfen und nachvollziehbare Aufzeichnungen ihrer Handlungen hinterlassen.

Die Kerneigenschaften der Blockchain – transparente Aufzeichnungen, programmierbare Regeln, übertragbare Identität und manipulationssichere Protokolle – passen fast perfekt zu dem, was agentische KI braucht. Der Stack ersetzt KI nicht; er liefert die Vertrauens- und Verantwortungsschicht, die autonome Assistentenaktivität sicher und überprüfbar macht.

Die Konvergenz von agentischer KI und dezentraler Infrastruktur ist kein Zukunftsszenario – sie beeinflusst bereits heute, wie wir über Web3‑Architekturen denken. Die Projekte, die die nächste Phase definieren werden, bauen nicht nur auf der Blockchain auf, sondern schaffen die Koordinationsschicht, die es autonomen Systemen ermöglicht, mit Vertrauen, Verantwortung und wirtschaftlichem Zweck zu handeln.

Liwaa Chehayeb

Leiter Web3 bei what.

Auch relevant: Das aktuelle Zeitalter der Tokenisierung zeigt einen parallelen Wandel – die Blockchain bewegt sich von rein spekulativer Infrastruktur hin zu Systemen, die echten wirtschaftlichen Wert unterstützen. Agentische KI beschleunigt genau diesen Kurs.

Die Protokolle, die den agentischen Web3-Stack prägen

Mehrere aufkommende Protokolle und Standards erweitern den modularen Stack gezielt zur Unterstützung von KI-Assistenten-Aktivitäten. Zusammen bilden sie etwas, das man als agentische Handelsinfrastruktur bezeichnen könnte.

Assistentenkommunikation: A2A

A2A (Agent-to-Agent-Protokoll) regelt, wie KI-Assistenten miteinander kommunizieren. Die Zukunft agentischer KI besteht nicht aus einem allwissenden Assistenten, der alles erledigt – sondern aus einem Netzwerk spezialisierter Assistenten, von denen jeder einen bestimmten Bereich abdeckt.

Ein Assistent kümmert sich um die Recherche, ein anderer um Zahlungen, ein weiterer um Compliance-Prüfungen. A2A liefert die gemeinsame Sprache, mit der diese Assistenten Aufgaben untereinander koordinieren und delegieren.

Tool-Zugriff: MCP

MCP (Model Context Protocol) regelt den Zugriff auf Tools. Es ermöglicht Assistenten, sich mit externen Systemen zu verbinden – Datenbanken, APIs, Blockchain-Explorer, Geschäftsabläufe, Zahlungsdienste.

Ohne MCP ist ein Agent im Grunde isoliert. Mit MCP kann er tatsächlich mit der digitalen Welt interagieren: eine Transaktion on-chain prüfen, ein Dokument abrufen, eine Preis-API aufrufen oder einen Geschäftsprozess auslösen.

Zahlungsautorisierung: AP2

AP2 (Agent Payments Protocol) konzentriert sich auf die Autorisierung. Wenn ein KI-Assistent eine Zahlung im Namen eines Nutzers vornimmt, stellt sich eine entscheidende Frage: War das tatsächlich autorisiert? AP2 wurde entwickelt, um genau diese Frage zu beantworten.

Es geht weniger um die Mechanismen des Geldtransfers als um Zustimmung, Berechtigungsbereiche und Rechenschaftspflicht. Am besten stellt man es sich als die Autorisierungsschicht vor, die über der eigentlichen Zahlung liegt.

Zahlungsausführung: x402

x402 kümmert sich um die Zahlungsausführung. Es greift den alten HTTP-402-Statuscode «Payment Required» wieder auf und macht ihn zu einem funktionierenden Standard für internetnative Mikrozahlungen.

Ein Assistent kann für eine Premium-Datenanfrage oder einen API-Aufruf bezahlen oder sogar einen anderen Assistenten für die Erledigung einer Teilaufgabe vergüten – alles automatisch, ohne menschliches Eingreifen bei jedem Schritt. AP2 belegt, dass der Assistent autorisiert war; x402 kümmert sich um den eigentlichen Transaktionsablauf.

Assistentenidentität und Reputation: ERC-8004

ERC-8004 befasst sich mit der Identität und Reputation von Assistenten. Da Assistenten zunehmend mit anderen Assistenten ausserhalb ihrer eigenen Plattform oder Organisation interagieren, brauchen sie eine Möglichkeit, Vertrauenswürdigkeit zu bewerten.

Wer hat diesen Assistenten entwickelt? Hat er frühere Aufgaben erfolgreich abgeschlossen? Können seine Angaben überprüft werden? ERC-8004 zielt darauf ab, eine offene Reputationsschicht für Interaktionen zwischen Assistenten zu schaffen – im Wesentlichen, um Assistenten dabei zu helfen zu entscheiden, wem sie vertrauen und wen sie bezahlen sollten.

Smart Wallets, Ausgabenlimits und eingeschränkte Autonomie

Eine der wichtigsten Designfragen bei agentischer KI ist simpel: Wie viel finanzielle Autonomie sollte ein Assistent haben?

Die Antwort: eingeschränkte. Kein unbegrenzter Zugriff auf eine Wallet, sondern programmierbarer, an Richtlinien gebundener Zugriff. Smart Wallets und Account Abstraction machen das möglich. Ein Nutzer oder ein Unternehmen kann einen Assistenten so konfigurieren, dass er nur bis zu einem bestimmten Betrag pro Tag ausgibt, nur mit genehmigten Gegenparteien Transaktionen durchführt, ab einem bestimmten Schwellenwert manuelle Freigabe einholt oder bestimmte Transaktionsarten gänzlich vermeidet. Jede Aktion wird zur Überprüfung protokolliert.

Das ist wichtig, denn das Ziel ist nicht maximale Autonomie – sondern nützliche Autonomie innerhalb klarer Grenzen. Ein KI-Reiseassistent, der den günstigsten Flug innerhalb deines Budgets bucht, ist hilfreich. Ein KI-Assistent mit uneingeschränktem Zugriff auf dein Geld ist ein Risiko.

Kettenübergreifende Koordination und die UX-Chance

KI-Assistenten interessiert es nicht, auf welcher Blockchain ein Dienst läuft. Sie interessiert, ob die Aufgabe schnell, günstig und sicher erledigt werden kann. Das macht Interoperabilität zu einem zentralen Anliegen für den agentischen Web3-Stack.

Ein Assistent muss möglicherweise in einem Netzwerk bezahlen, Daten in einem anderen verifizieren und einen Dienst nutzen, der in einem dritten abgerechnet wird. Eine kettenübergreifende Infrastruktur, die dieses Routing unsichtbar abwickelt – ohne dass der Assistent oder der Nutzer Brücken und Gas-Tokens manuell verwalten muss –, ist unerlässlich, damit diese Vision in der Praxis funktioniert.

Das knüpft an eine der beständigen Herausforderungen von Web3 an: die Benutzererfahrung. Die Verwaltung von Wallets, privaten Schlüsseln, Gasgebühren und kettenübergreifenden Transfers hat die meisten Menschen von blockchain-basierten Diensten ferngehalten. KI-Assistenten könnten all diese Komplexität übernehmen. Anstatt dass ein Nutzer direkt mit der dezentralen Infrastruktur interagiert, kümmert sich der Assistent darum – und der Nutzer erhält einfach die Ergebnisse.

Das ist ein wirklich überzeugendes Argument für eine breitere Web3-Akzeptanz. Die nächste grosse Schnittstelle für Web3 ist vielleicht keine Wallet oder eine dApp – sondern ein KI-Assistent. Projekte wie das DMCC-Krypto- und KI-Ökosystem schaffen bereits regulatorische und kommerzielle Rahmenbedingungen, die genau diese Art der Konvergenz vorwegnehmen.

Vertrauen, Verantwortung und die verbleibenden Risiken

Autonome Assistenten stellen echte Herausforderungen für das Vertrauen dar. Sie handeln schneller, als Menschen sie überwachen können, interagieren möglicherweise mit unbekannten Diensten und können echtes Geld ausgeben. Fehler sind möglich – ebenso wie Manipulation: gefälschte oder minderwertige Assistenten, die Reputationssysteme ausnutzen, kompromittierte Wallets oder unsichere API-Verbindungen.

Blockchain hilft, Teile dieses Problems anzugehen. Transparente Ausführungsaufzeichnungen, durch Smart Contracts durchgesetzte Regeln, überprüfbare Identitäten und nachvollziehbare Transaktionshistorien reduzieren die Angriffsfläche. Aber Blockchain ist nicht das Gehirn eines KI-Assistenten – sie ist die Verantwortungsschicht drumherum. Der Assistent entscheidet und handelt; die Blockchain stellt sicher, dass diese Handlungen aufgezeichnet, autorisiert und nachvollziehbar sind.

Ehrlich gesagt steckt die Integration von agentischer KI und Web3 noch in den Kinderschuhen. Standards sind fragmentiert, Haftungsfragen sind ungeklärt und regulatorische Rahmenbedingungen haben noch nicht aufgeholt. Ähnlich wie beim Positionierungsproblem der Tokenisierung ist die Technologie oft weiter als die Governance- und Kommunikationsstrukturen, die nötig sind, damit sie in der Praxis funktioniert. Das Ziel sollte eingeschränkte Autonomie sein – Assistenten, die innerhalb klar definierter Regeln, Budgets und Verantwortungsrahmen effektiv handeln können, nicht Assistenten, die ohne sinnvolle Aufsicht agieren.

Ein agentischer Workflow in der Praxis

Abstrakte Protokollnamen sind eine Sache. Aber wie verhält sich der vollständige agentische Web3-Stack in einem realen Szenario? Hier ist ein konkretes Beispiel.

Angenommen, ein Logistikunternehmen möchte die Lieferantenbeschaffung automatisieren. Es konfiguriert einen KI-Assistenten mit einem klaren Auftrag: einen zertifizierten Frachtpartner für eine Sendung von Dubai nach Rotterdam zu finden, innerhalb eines vordefinierten Budgets zu verhandeln und die Buchung abzuschliessen – alles ohne manuelles Eingreifen.

Das passiert dabei im Hintergrund:

• Der Nutzer definiert die Aufgabe und legt Parameter in einer Smart Wallet fest: maximale Ausgaben von 8000 $, nur zugelassene Lieferantenkategorien, manuelle Freigabe ab 10’000 $ erforderlich. Der Assistent macht sich an die Arbeit.

• Mithilfe von MCP verbindet er sich mit Frachtdatenbanken, Logistik-APIs und Compliance-Registern, um aktuelle Tarife, Zertifizierungen der Spediteure und gesetzliche Anforderungen für die Route abzurufen.

• Er benötigt Unterstützung bei der Bewertung der CO2-Kompensations-Compliance für den EU-Abschnitt. Über A2A delegiert er diese Teilaufgabe an einen spezialisierten Compliance-Agenten. Dieser prüft die relevanten Register, bestätigt den Compliance-Status und erstattet Bericht.

• Bevor er sich für einen Anbieter entscheidet, überprüft der Assistent das ERC-8004-Reputationsprofil des Spediteurs. Dieser hat über 400 verifizierte grenzüberschreitende Buchungen abgeschlossen, verfügt über eine starke On-Chain-Bilanz und hat keine Streitfälle in der Vergangenheit. Vertrauenswürdig genug, um fortzufahren.

• Die API des Spediteurs antwortet mit einer x402-Zahlungsanforderung für die Buchungsanzahlung. Der Agent fragt bei AP2 nach, ob die Zahlung innerhalb der genehmigten Parameter liegt. Das ist der Fall.

• Die Smart Wallet gleicht die Ausgabe mit den Richtlinien des Nutzers ab und führt die Transaktion durch. Die Buchung wird bestätigt, die Transaktion on-chain protokolliert und ein vollständiger Prüfpfad automatisch erstellt.

• Der Nutzer erhält eine Benachrichtigung. Gesamtdauer: wenige Minuten. Erforderliche manuelle Schritte: null.

Für Unternehmen, die erfahren wollen, wie KI-Automatisierung solche Workflows antreiben kann, stimmen die zugrunde liegenden Prinzipien eng mit dem überein, was unser Team für KI-Automatisierungs-Services heute für Kunden entwickelt. Der Unterschied besteht darin, dass die Web3-Infrastruktur die Ebenen Vertrauen, Zahlung und Identität hinzufügt, die diese Workflows überprüfbar und wirtschaftlich autonom machen.

Ebenfalls lesenswert: «2026 wird das Jahr der autonomen Workflows» untersucht, wie KI-gesteuerte Automatisierung Geschäftsabläufe im weiteren Sinne neu gestaltet.

Was du im Blick behalten solltest, während sich der Assistenten‑Stack entwickelt

Die hier besprochenen Protokolle und Standards befinden sich noch in der Entwicklung, aber einige Trends sollten genau beobachtet werden:

• Einführung von x402 für Mikrozahlungen auf API-Ebene und Vergütungen zwischen Assistenten
• AP2 als Standard für überprüfbare Zahlungsautorisierung von Assistenten im Unternehmenskontext
• Entwicklung von ERC-8004 als Vertrauens- und Reputationsschicht für plattformübergreifende Interaktionen zwischen Assistenten
• Reifung der Smart-Wallet-Infrastruktur zur Unterstützung komplexer, multi-agentischer Ausgaberichtlinien
• Stablecoin-Mikrozahlungen, die Machine-to-Machine-Transaktionen in grossem Massstab ermöglichen
• Assistent-Marktplätze, auf denen spezialisierte KI-Assistenten anderen Assistenten oder Nutzern Dienste anbieten

Jedes dieser Elemente ist Teil eines grösseren Ganzen: einer Web3-Infrastruktur, die ursprünglich zur Skalierung von Blockchains entwickelt wurde und sich nun weiterentwickelt, um autonome digitale Aktivitäten über Netzwerke, Assistenten und Wirtschaftssysteme hinweg zu koordinieren.

Der modulare Blockchain-Stack ist nicht nur eine bessere Methode, um Blockchains aufzubauen. Er wird zur Koordinations- und Vertrauensschicht für die nächste Generation des Internets – einer, in der KI-Assistenten aktive wirtschaftliche Teilnehmer sind und nicht bloss Werkzeuge, die Fragen beantworten.

Wenn du in diesem Bereich entwickelst oder darüber nachdenkst, wie agentische KI und dezentralisierte Infrastruktur mit deinem Unternehmen zusammenpassen, arbeitet unser Team bei what. genau an dieser Schnittstelle mit Krypto- und Web3-Projekten. Entdecke unsere Web3- & Krypto-Services und erfahre, wie wir dir helfen können, dich in dieser sich entwickelnden Landschaft zurechtzufinden und dort aufzubauen.

The post Wie der modulare Blockchain-Stack agentische KI und Web3 antreibt appeared first on what. AG.

Metro Boutique und die ehrliche Rechnung hinter dem Migrationsentscheid

Metro Boutique betreibt 25 Filialen in der Schweiz und spricht eine Zielgruppe zwischen 16 und 34 Jahren an. Der Online-Shop funktionierte – aber eben nur das.

Das NopCommerce-System aus dem Jahr 2015 verursachte CHF 250’000 pro Jahr allein für Wartung. Jede Inhaltsänderung brauchte Developer-Einsatz, Black Friday-Kampagnen mussten manuell um Mitternacht aktiviert werden, Scheduling existierte nicht.

Der primäre Treiber war wirtschaftlicher Natur: Die Plattformkosten machten es zunehmend schwieriger, profitabel zu bleiben.

Phase 0: Erst der Business Case, dann die Migration

what. startete nicht mit Entwicklung, sondern mit einem strukturierten Store Check & Migration Assessment. Ziel war es, datenbasiert zu klären, ob eine Migration zu Shopify überhaupt Sinn ergibt – und wenn ja, wie.

Das Assessment lieferte konkrete Zahlen:

• 55% TCO-Einsparung über 5 Jahre
• CHF 2 Mio. projizierte Einsparung über denselben Zeitraum
• 9 Millionen URLs im bestehenden Shop – davon nur 88’000 indexiert
• 1.04% Conversion Rate als Ausgangswert

Dieser Business Case war intern vertretbar. Das Management konnte die Entscheidung mit echten Zahlen begründen, nicht mit Bauchgefühl.

Eine weitere Erkenntnis aus dem Assessment: Das starke Branding von Metro Boutique lebte primär in den Filialen. Online wurde die Marke gedämpft. «Same brand, different decibels.»

Die Systemlandschaft vor und nach der Migration

Die drei grössten technischen Herausforderungen – und wie what. sie gelöst hat

Komplexe Systemlandschaften haben immer Stellen, die auf dem Papier simpel aussehen und in der Realität es nicht sind. Bei Metro Boutique gab es drei davon.

Akeneo-Connector

Der bestehende Connector war für die spezifische Datenstruktur von Metro Boutique nicht ausreichend. Der Vendor reagierte langsam, die Anpassungsbereitschaft war gering. what. entwickelte einen eigenen Connector – sauber, wartbar, auf die tatsächlichen Anforderungen zugeschnitten.

Das ist eine Situation, die häufiger vorkommt, als man denkt: Off-the-shelf-Lösungen passen selten zu 100 %. Der Unterschied liegt darin, ob man bereit ist, das anzupacken.

Physische Geschenkkarten als Payment Method

Giftcards machen rund 4 % des Online-Umsatzes aus. Shopifys natives Gift Card System ist für physische Filialkarten nicht ausgelegt.

what. entwickelte eine vollständig custom implementierte Payment Method, die den Kartensaldo über den externen Payment Provider MF Group validiert. Das klingt nach einem Detail – aber 4 % Umsatz, die man einfach wegfallen lässt, wäre keine Option gewesen.

Wichtig anzumerken ist, dass der alte Shop bereits über diese Funktion verfügte; unsere Custom-Entwicklung schloss bloss die Lücke auf Shopify-Seite.

App-Wishlist-Synchronisation

Die ursprünglich evaluierte Drittlösung verursachte Synchronisationsprobleme. what. entwickelt aktuell ein eigenes Script. Dieser Punkt ist noch in Umsetzung – und das wird hier bewusst transparent kommuniziert, weil es zum Projektstand gehört.

Timeline: Von Offerte bis Go-Live

Geplanter Launch war Oktober 2025. Tatsächlicher Go-Live: Mitte Januar 2026 – rund 7 Monate nach Projektstart.

Beim Go-Live gab es keine Downtime, keinen Datenverlust, und alle kritischen Integrationen funktionierten einwandfrei.

Das Timing wurde nach hinten verschoben, weil die Qualität der Integrationen Vorrang hatte. Das ist die richtige Entscheidung – ein Go-Live mit offenen kritischen Punkten schafft mehr Probleme als er löst.

Was sich seit dem Launch verändert hat

Denis Spycher von Metro Boutique bringt es auf den Punkt:

«Intern stand bereits seit längerer Zeit die Überlegung im Raum, unser Shop-System zu wechseln – vor allem aufgrund der hohen Fixkosten und der eingeschränkten Flexibilität. Schon ab Tag 1 hatte ich ein sehr gutes Gefühl: Die Zusammenarbeit war effizient, zielorientiert und gleichzeitig angenehm. Mit Shopify haben wir heute deutlich mehr Flexibilität, eine bessere Effizienz im Tagesgeschäft und ein CMS, das schnell, verständlich und einfach zu bedienen ist.»

Die Conversion Rate stieg von 1.04% auf 1.08% in den ersten 90 Tagen. Das klingt nach einer kleinen Zahl, aber auf dem Volumen eines nationalen Fashion-Retailers ist das spürbar.

Was sich qualitativ verändert hat, ist mindestens genauso relevant:

• Das E-Commerce Team kann eigenständig Kampagnen aufschalten – ohne Developer
• 95% der Content-Änderungen werden selbstständig umgesetzt
• Zeitgesteuertes Kampagnen-Scheduling ohne manuelles Aktivieren ist jetzt möglich (muss noch implementiert werden)
• Die Basis für Personalisation, A/B-Testing und SEO-Optimierung ist gelegt
• UX / UI verbessert
• Kostenstruktur nachhaltig verbessert

Und zum Arbeitsalltag des Teams:

«Seit dem Go-Live haben wir deutlich mehr Freiheit und können viel proaktiver agieren. Für viele Themen sind wir nicht mehr auf externe Unterstützung angewiesen, sondern können selbst direkt eingreifen, den Shop optimieren und neue Ideen schnell testen. Ich bin überzeugt, dass Shopify Plus für uns die richtige Entscheidung war.»

Die Plattformkosten liegen heute bei etwa einem Viertel der früheren Ausgaben.

Der vollständige Technologie-Stack

*Der alte Shop verfügte bereits über diese Funktion; unsere Custom-Entwicklung schloss bloss die Lücke auf Shopify-Seite.

Was dieses Projekt über den richtigen Migrationsansatz sagt

Migrations-Projekte scheitern häufig nicht an der Technologie, sondern daran, dass zu früh mit der Umsetzung begonnen wird, ohne den Business Case zu verstehen.

Das Assessment zuerst war kein netter Zusatz – es war die Grundlage dafür, dass Metro Boutique intern die Entscheidung treffen und vertreten konnte. Erst verstehen, dann entscheiden, dann bauen.

Und wenn ein bestehender Vendor-Connector nicht funktioniert, baut what. eben einen eigenen. Das ist kein Sonderfall, sondern ein Prinzip: Komplexe Systemlandschaften brauchen Lösungen, die wirklich passen.

Planst du eine ähnliche Migration?

Wenn deine Plattformkosten zu hoch sind, dein Team für jede Änderung auf Developer angewiesen ist oder du weisst, dass dein System dich zurückhält – dann ist der erste Schritt ein ehrlicher Blick auf den Status quo.

Genau das bieten unsere Shopify Migration Services an: vom initialen Assessment über die technische Umsetzung bis zum Go-Live und darüber hinaus. Als führende Shopify Plus Agentur der Schweiz mit über 200 realisierten Shops wissen wir, wo die echten Herausforderungen liegen – und wie man sie löst.

The post Von NopCommerce zu Shopify Plus: Wie what. Metro Boutique in die E-Commerce-Zukunft führte appeared first on what. AG.

Wie KI-basiertes Schreiben deine Sichtbarkeit steigert

Klassisches SEO dreht sich um Keywords und Rankings – aber die Algorithmen von heute brauchen mehr als das. KI-basiertes Schreiben bedeutet, Inhalte so zu gestalten, dass KI-Systeme deine Seiten gezielt lesen, einordnen und weiterempfehlen können.

Wenn du Informationen klar strukturierst, Metadaten hinzufügst und einen logischen Aufbau beibehältst, fällt es der KI leichter, deine Absicht zu verstehen. Das wirkt sich direkt darauf aus, wie deine Inhalte auf KI-gestützten Such- und Sprachplattformen erscheinen.

So nutzt du diese AIO-Checkliste

Egal ob du deinen Webauftritt neu gestaltest oder deinen Online-Shop optimieren willst – mit diesen Richtlinien für KI-Optimierung und KI-Schreiben maximierst du Einheitlichkeit und Wirkung.

• Nutze das Q&A-Format
• Füge Zitate ein
• Verwende Aufzählungslisten
• Schreibe klare Überschriften
• Verwende klare Metadaten
• Füge TL;DR- / Zusammenfassungsboxen oder Kernpunkte ein
• Schreibe kurze Absätze
• Vermeide Keyword-Stuffing
• Verlinke intern
• Zeige Autoreninformationen an
• Implementiere Schema.org
• Prüfe den Crawling-Zugriff
• Blockiere keine LLM-Bots
• Reiche Sitemaps ein

KI-Schreiben & KI-Optimierung – Best Practices

Um die Sichtbarkeit zu maximieren, sollte KI-Schreiben sowohl sprachlichen als auch technischen Best Practices folgen.

Technische Empfehlungen

Die folgenden Massnahmen stellen sicher, dass KI-Systeme deine Inhalte auf Such-, Social-Media- und neuen KI-Plattformen effizient crawlen, interpretieren und darstellen können.

Sichtbarkeit über alle Kanäle hinweg

Omnichannel-Optimierung sorgt dafür, dass deine Inhalte an allen Kontaktpunkten funktionieren: Suche, Social Media, Video und Sprache. Das 4P-Framework – Präsenz, Performance, Personalisierung und Persistenz – definiert, wie KI-Optimierung die Reichweite deiner Marke ausbaut.

• Präsenz: Optimiere Keywords und Metadaten für die Auffindbarkeit
• Performance: Verfolge Sichtbarkeitskennzahlen plattformübergreifend
• Personalisierung: Passe Ton und visuelle Gestaltung der Inhalte an die jeweilige Zielgruppe an
• Persistenz: Aktualisiere und optimiere Inhalte regelmässig neu

Google AI Overview

KI-Übersichten präsentieren kuratierte, hochgradig vertrauenswürdige Antworten ganz oben in den Suchergebnissen. Wer dort erscheint, bringt seine Marke direkt in die Recherche- und Entdeckungsphase der Nutzer. Diese frühe Präsenz schafft Bekanntheit, Vertrauen und erhöht die Wahrscheinlichkeit einer späteren Conversion.

Auch relevant: Lerne, wie KI-Übersichten das Suchverhalten verändern und was Zero-Click-Suche für deine Marke bedeutet. Lies unseren Leitfaden zur Optimierung von KI-Übersichten und Zero-Click-Suche.

Richtlinien zur KI-Inhaltsoptimierung

Um das Beste aus der KI-Optimierung herauszuholen, sollten deine Inhalte nicht nur für Suchmaschinen gedacht sein, sondern auch für KI-Systeme, die sie interpretieren und über mehrere Kanäle verbreiten. Starte mit dem Fokus auf die Nutzerabsicht – statt dich zu sehr an der Keyword-Dichte festzubeissen.

Damit KI-Schreiben und KI-Optimierung wirklich etwas bringen, müssen deine Inhalte echten Mehrwert liefern und auf Fülltext verzichten. Dünne, vage oder übermässig werbliche Inhalte werden von KI-Systemen oft übergangen. Setze stattdessen auf Konkretheit, Klarheit und Nutzerergebnisse – und zeig echte Fachkompetenz, indem du Folgendes einbaust:

• Einzigartige Erkenntnisse auf Basis von Erfahrung oder Recherche
• Praktische Ratschläge, die Nutzer sofort umsetzen können
• Eigene Frameworks oder Beispiele aus erster Hand

Strukturiere Inhalte rund um nutzerorientierte Fragen im FAQ- oder Q&A-Format. Überschriften sollten natürliche Suchphrasen widerspiegeln, zum Beispiel: «Wie wirkt sich AIO auf die SEO-Strategie aus?» Gib auf jede Frage eine klare, prägnante Antwort.

Gliedere komplexe Ideen mithilfe strukturierter Listen für Schritte, Vorteile, Funktionen oder Vergleiche. Das hilft sowohl Lesern als auch KI-Modellen, Inhalte effizient zu überfliegen. Verwende natürlichsprachliche Überschriften statt abstrakter oder technischer Begriffe:

✔ Was ist der Unterschied zwischen AEO und GEO? 

✘ Vergleichende KI-Optimierungs-Frameworks

Achte auf eine einheitliche H2- und H3-Struktur für die Lesbarkeit. Überarbeite und verwerte Inhalte regelmässig neu: Aktualisiere veraltete Informationen, füge neue Antworten hinzu, um dem sich wandelnden Suchverhalten Rechnung zu tragen, und fasse dünne Beiträge zu umfassenden Evergreen-Seiten zusammen. Und vergiss nicht, kurze, belegte Zitate aus vertrauenswürdigen Quellen oder von Experten gezielt einzubauen – das stärkt deine Glaubwürdigkeit.

Verwandter Beitrag: Sind AIO und GEO neu für dich? In unserem Artikel «Von SEO zur KI-Suche» erfährst du, was diese Begriffe eigentlich bedeuten und warum sie wichtig sind.

Empfehlungen für strukturierte Daten

Strukturierte Daten ermöglichen es KI-Systemen, deine Inhalte in Rich Results korrekt zu interpretieren und anzuzeigen. Richtiges Markup verbessert die Sichtbarkeit in den Suchergebnissen und die Klickraten – und damit auch, wie Suchmaschinen deine Autorität wahrnehmen. Nutze Googles Rich Results Testing Tool und Schema.org, um Markups zu validieren. Achte darauf, dass die Schemas korrekt sind und mit dem Seiteninhalt übereinstimmen.

Empfehlungen für externe Verweise

Externe Links signalisieren sowohl Nutzern als auch KI-Systemen Glaubwürdigkeit. Verweise stärken das Vertrauen und die kontextuelle Relevanz.

• Verlinke auf massgebliche Quellen mit hoher Domain-Autorität (z. B. .edu, .gov, führende Publikationen).
• Verwende kontextbezogenen Ankertext, der die Relevanz verdeutlicht.
• Aktualisiere oder entferne defekte Links regelmässig.
• Kombiniere interne und externe Verlinkungen, um den Autoritätsfluss auszubalancieren.

Wikipedia ist für viele LLMs ein wichtiger Bezugspunkt und wird von generativen KI-Suchtools wie ChatGPT, Gemini und Perplexity genutzt. Untersuchungen zeigen, dass fast 10 % aller von diesen KI-Systemen verwendeten Zitate aus Wikipedia stammen – damit gehört es neben Plattformen wie Reddit und YouTube zu den am häufigsten zitierten Quellen.

GEO und KI-Schreiben – wie sie sich ergänzen

KI-Schreiben und GEO (Generative Engine Optimization) sind keine getrennten Disziplinen – sie sind zwei Seiten derselben Medaille. Gutes KI-Schreiben liefert KI-Systemen das Rohmaterial, das sie brauchen. GEO sorgt dafür, dass dieses Material auch tatsächlich an den richtigen Stellen auftaucht.

Wenn deine Inhalte gut strukturiert, semantisch klar und technisch zugänglich sind, hilfst du nicht nur einer Suchmaschine beim Crawlen deiner Seite – du gibst KI-Engines wie ChatGPT, Perplexity und Google AI Overviews die Signale, die sie brauchen, um deine Marke in generierte Antworten einzubeziehen.

Genau deshalb unterstützen die in diesem Leitfaden beschriebenen Praktiken direkt eine umfassendere GEO-Strategie. Saubere Formatierung, Schema-Markup und eine natürliche Q&A-Struktur sind alles Faktoren, auf die KI-Engines sich stützen, wenn sie entscheiden, wessen Inhalte sie zitieren.

Sichere deine Sichtbarkeit für die Zukunft mit what.

KI-Schreiben und KI-Optimierung sind die Zukunft des digitalen Wachstums. Mit strukturierten, omnichannel-orientierten Content-Strategien bleibt deine Sichtbarkeit auch bei algorithmischen Veränderungen stabil. Als führende GEO- und Growth-Hacking-Digitalagentur macht what. deine Marke zukunftssicher – mit KI-optimierten und GEO-Strategien, die Sichtbarkeit, Relevanz und messbare Ergebnisse fördern.

Möchtest du wissen, wo deine Marke tatsächlich in KI-generierten Antworten auftaucht – und wo nicht? Genau dafür sind unsere GEO-Services da. Wir tracken deine KI-Sichtbarkeit, identifizieren Lücken und optimieren deine Präsenz in ChatGPT, Perplexity, Google AI Overviews und darüber hinaus.

Melde dich, um deinen Ansatz für KI-Schreiben und -Optimierung zu besprechen: Buche deine kostenlose Beratung bei what.

The post KI-basiertes Schreiben & KI-Optimierung – Leitfaden & Best Practices appeared first on what. AG.

Das ist ein Positionierungsproblem, und es richtet wohl mehr Schaden an als jede technische Einschränkung. Wenn deine Zielgruppe nicht versteht, was sie bekommt, steigt sie nicht ein. Und derzeit verkaufen die meisten tokenisierten Real-World-Asset-Projekte vor allem Infrastruktur an Menschen, die einfach eine Rendite suchen.

Wir befinden uns mitten im Zeitalter der Tokenisierung, und die Lücke zwischen dem, was die Technologie leisten kann, und der Art, wie sie vermarktet wird, wird immer grösser.

Das Kernproblem: Leute kaufen keine Token

Niemand wacht morgens auf und denkt: «Ich möchte einen Token besitzen.» Die Gedanken drehen sich um Mieteinnahmen, Portfoliodiversifizierung, Zugang zu Anlageklassen, die früher schwer zugänglich waren – und um Investitionen, denen man wirklich vertrauen kann.

Die meisten RWA-Tokenisierungsprojekte stellen ihre Infrastruktur in den Vordergrund. «Wir tokenisieren Vermögenswerte on-chain.» «Erhalte On-Chain-Exposure in Immobilien.» Diese Botschaften überzeugen vielleicht Krypto-Enthusiasten, prallen aber bei institutionellen Investoren, Privatanlegern und klassischen Finanzfachleuten ab – also genau der Zielgruppe, die dieser Sektor gewinnen muss.

Eine effektivere Kommunikation dreht das Skript um 180 Grad:

• «Erwerbe ertragbringende Assets» statt «erwerbe Token»
• «Zugang zu regulierten Anlagen» statt «On-Chain-Exposure»
• «Eine bessere Version von TradFi» statt «DeFi trifft auf TradFi»

Das ist keine reine Textkosmetik. Es spiegelt eine tiefere Diskrepanz zwischen dem wider, was Projekte entwickeln, und dem, was sie kommunizieren. Tokenisierung ist Infrastruktur – sie ist das Leitungsnetz. Was Investoren kaufen, ist das Haus.

Dazu kommt die Illusion der Liquidität. Viele tokenisierte RWAs werden de facto nicht aktiv gehandelt. Sekundärmärkte sind dünn, Haltedauern sind lang, das Handelsvolumen ist gering. Blockchain schafft nicht automatisch Liquidität – die entsteht durch Marktgestaltung, Distribution und Nachfrage. Projekte, die Liquidität versprechen, ohne die entsprechende Infrastruktur dafür aufzubauen, schaffen sich selbst ein Glaubwürdigkeitsproblem.

Eine einfache Art zu verstehen, wo der echte Wert liegt

Wenn man die Tokenisierung auf das Wesentliche reduziert, gibt es drei Ebenen – und die meisten Projekte konzentrieren sich auf die falsche.

• Die technische Ebene verschlingt den Grossteil der Energie: Blockchain-Infrastruktur, Smart Contracts, Token-Standards. Sie ist wichtig, aber sie ist ein Mittel, kein Zweck.
• Die rechtliche Ebene ist die, auf der Vertrauen entsteht: klare Eigentumsrechte, regulatorische Absicherung, durchsetzbare Ansprüche. Ohne sie ist die technische Ebene wertlos.
• Die finanzielle Ebene ist die, auf der das eigentliche Wertversprechen liegt: Rendite, Liquidität, Zugang zu hochwertigen Vermögenswerten. Das ist es, was Investoren kaufen.

Die Projekte, die wirklich Fahrt aufnehmen, sind nicht jene mit dem beeindruckendsten Tech-Stack. Es sind jene, die die rechtliche und finanzielle Ebene gesichert haben und Technologie als Wegbereiter nutzen – nicht als Schlagzeile.

Zum Thema: Entwickler und Innovatoren im Kryptobereicherkennen das zunehmend und schaffen Produkte, die mit Ergebnissen punkten und Blockchain im Hintergrund einsetzen.

Was PRYPCO Mint richtig macht

PRYPCO Mint ist eines der deutlichsten Beispiele für ergebnisorientierte Positionierung im Bereich der RWA-Tokenisierung. Es handelt sich um eine in Dubai ansässige Plattform, die es Investoren ermöglicht, Anteile an Immobilien in den Vereinigten Arabischen Emiraten zu erwerben.

In der Kernbotschaft tauchen weder «tokenisierte Vermögenswerte» noch «On-Chain-Exposure» auf. Der Pitch lautet: «Besitze Immobilien in Dubai ab 2000 AED.» Das ist alles. Klar, direkt und ganz auf die Wünsche der Investoren zugeschnitten.

Was PRYPCO Mint so interessant macht, ist nicht nur die Botschaft – es ist die gesamte Struktur dahinter. Die Plattform ist mit dem Dubai Land Department vernetzt, was bedeutet, dass Investoren neben ihren digitalen Token auch rechtliche Eigentumsurkunden erhalten. Das Eigentum wird sowohl on-chain als auch in Regierungssystemen erfasst. Das löst eines der grössten ungelösten Probleme bei der RWA-Tokenisierung: die rechtliche Durchsetzbarkeit. Der Token ist nicht bloss ein Anspruch – er ist an eine echte, von den Aufsichtsbehörden anerkannte Eigentumsurkunde gebunden.

Die Nutzererfahrung folgt derselben Logik. Das Marketing dreht sich um Mieteinnahmen, niedrige Einstiegshürden und Immobilienbesitz. Technischer Jargon wird auf ein Minimum reduziert. Die Plattform läuft zudem auf Fiat-Basis, sodass Nutzer weder eine Krypto-Wallet noch Vorkenntnisse über Blockchain benötigen, um einzusteigen.

Die Nachfrage spricht für sich – einzelne Immobilien auf der Plattform waren Berichten zufolge innerhalb von Minuten ausverkauft. Das ist kein Hype, sondern Product-Market-Fit. PRYPCO verkauft keine Tokenisierung. Es verkauft Zugang zu Immobilien und die damit verbundenen Erträge. Die Blockchain ist der Liefermechanismus, nicht das Produkt.

Was eine breitere Akzeptanz noch verhindert

Selbst mit starken Projekten wie PRYPCO Mint gibt es im Bereich der RWA-Tokenisierung echte Engpässe, die sich nicht allein durch bessere Kommunikation lösen lassen.

• Distribution ist der erste. Wer sind die tatsächlichen Käufer, und wo werden tokenisierte Vermögenswerte nach der Emission gehandelt? Viele Projekte starten auf proprietären Plattformen, ohne etablierte Kanäle in die Vermögensverwaltung, den Privatkundenvertrieb oder die institutionelle Allokation zu haben. Ohne Distribution gerät selbst ein gut positioniertes Produkt ins Stocken.
  
• Regulierung bleibt länderübergreifend uneinheitlich. Die Compliance-Anforderungen sind hoch, die rechtlichen Rahmenbedingungen für digitale Wertpapiere variieren je nach Markt erheblich, und viele Projekte bewegen sich hier ohne klare Präzedenzfälle. Das DMCC-Krypto- und KI-Ökosystem ist ein Beispiel dafür, wie bestimmte Länder daran arbeiten, klarere Rahmenbedingungen für diese Art von Innovation zu schaffen.
  
• Vertrauen bleibt ein schwieriges Problem. Investoren müssen darauf vertrauen können, dass der zugrunde liegende Vermögenswert tatsächlich existiert, dass Eigentumsrechte rechtlich durchsetzbar sind und dass es die Plattform auch in fünf Jahren noch gibt. Das lässt sich nicht allein durch Smart Contracts lösen – es braucht rechtliche Integration, regulatorische Unterstützung und institutionelle Glaubwürdigkeit.
  
• Nutzererfahrung ist der vierte Engpass, der oft unterschätzt wird. Krypto-Wallets sind nicht massentauglich. Der Onboarding-Prozess der meisten Blockchain-basierten Investitionsplattformen erzeugt echte Hürden – Seed-Phrasen, Wallet-Adressen, Gas-Gebühren, Browser-Erweiterungen. Tools wie Privy arbeiten daran, das zu ändern, indem sie eingebettete Wallets und vereinfachte Authentifizierungsabläufe ermöglichen, die die Komplexität der Blockchain vollständig ausblenden. Das Ziel ist eine Nutzererfahrung, die sich wie jedes andere Fintech-Produkt anfühlt – mit Blockchain still im Hintergrund. Diese Lücke besteht bei den meisten RWA-Plattformen nach wie vor und schränkt die Grösse des adressierbaren Markts erheblich ein.

Was das für Unternehmen in diesem Bereich bedeutet

Wenn du an RWA-Tokenisierung, digitalen Wertpapieren oder der dazugehörigen Infrastruktur arbeitest, ist die strategische Konsequenz klar: Hör auf, mit der Technologie zu werben, und fang an, mit dem Ergebnis zu werben.

Das bedeutet, deine Botschaften daran zu messen, was deinen Zielinvestoren wirklich wichtig ist. Es bedeutet sicherzustellen, dass deine rechtlichen und regulatorischen Grundlagen solide genug sind, um ein Verkaufsargument zu sein – und keine Randnotiz. Und es bedeutet, ernsthaft über Distribution nachzudenken – nicht nur darüber, wie du emittierst, sondern wer kauft und wo die Leute dich finden.

Der Bereich der dezentralen Wissenschaft stand vor ähnlichen Positionierungsherausforderungen: eine wirklich neuartige Technologie, die Schwierigkeiten hat, ihren Wert Leuten ausserhalb der unmittelbaren Community zu vermitteln. Dieses Muster wiederholt sich im gesamten Web3. Die Projekte, die den Durchbruch schaffen, sind in der Regel jene, die Infrastruktur in Ergebnisse übersetzen.

Die Tokenisierung hat die Technologie. Der nächste Schritt besteht darin, die passende Glaubwürdigkeit, Distribution und Nutzererfahrung aufzubauen.

Bist du bereit, dein RWA- oder Web3-Projekt für die richtige Zielgruppe zu positionieren? Unser Team bei what. arbeitet mit Blockchain-Startups, Plattformen für digitale Wertpapiere und krypto-nativen Unternehmen zusammen, um Strategien zu entwickeln, die wirklich ankommen. Entdecke unsere Web3- und Krypto-Services, um zu sehen, wie wir dich unterstützen können.

The post RWA-Tokenisierung: ein Positionierungsproblem, nicht ein Technologieproblem appeared first on what. AG.

Wer ist Schweizer Päckli und wo kamen wir ins Spiel?

Schweizer Päckli schafft etwas, das schwieriger ist, als es klingt: Sie verkaufen sorgfältig kuratierte Pakete mit authentischen regionalen Schweizer Spezialitäten – die sich anfühlen wie ein echtes Geschenk, nicht wie eine x-beliebige Online-Bestellung.

Jedes «Päckli» wird mit viel Bedacht zusammengestellt, um dem Empfänger ein Stück einer bestimmten Schweizer Region näherzubringen. Der Inhalt ist nicht generisch, sondern mit echtem Gespür für regionale Herkunft ausgewählt – genau das verleiht dem Produkt seinen Charakter. Für jemanden, der etwas Bedeutungsvolles verschicken möchte, macht genau diese Besonderheit den Unterschied.

Mitte 2023 zeigte die technische Grundlage, die all das zusammenhielt, erste Alterserscheinungen. Wir von what. haben die vollständige Plattformmigration übernommen und Schweizer Päckli von OctoberCMS auf Laravel und Vue 3 umgestellt – mit Laravel Nova als Backend. Das Projekt wurde Anfang 2024 abgeschlossen.

Warum eine vollständige Migration sinnvoller war als das Flicken des alten Systems

OctoberCMS hatte seinen Zweck erfüllt. Aber die Einschränkungen hatten sich so weit angehäuft, dass es nicht mehr realistisch war, sie zu umgehen.

Neue Features hinzuzufügen war kaum möglich. Die Abhängigkeit von CMS-Plugins bedeutete wenig Kontrolle über die zugrunde liegenden Datenstrukturen. Und die Skalierung auf neue Regionen – ein echtes strategisches Ziel für Schweizer Päckli – war bestenfalls mühsam.

Das ehrliche Argument für eine vollständige Migration war letztlich: Wenn die Architektur selbst die Grenze setzt, verzögern schrittweise Verbesserungen nur das Unvermeidliche. Laravel und Vue 3 bieten dem Projekt nun ein solides Fundament:

• Bessere Performance und einfachere Erweiterbarkeit
• Sauberere Datenstrukturen mit weniger Plugin-Abhängigkeiten
• Ein Backend, das der Kunde selbstständig verwalten kann – ohne für Routineaktualisierungen eine Agentur hinzuziehen zu müssen

Die technischen Herausforderungen, die das Projekt verlangsamten

SSR-Einrichtung war schwieriger als erwartet

Der anspruchsvollste Teil des Projekts war die Konfiguration des Server-Side Renderings (SSR) für das Vue 3-Frontend. Da der Shop von Schweizer Päckli als Single Page Application (SPA) läuft, ist SSR das, was ihn für Suchmaschinen crawlbar und indexierbar macht. Ohne SSR existiert der Shop für Google praktisch nicht.

Die Schwierigkeiten kamen von älteren JavaScript-Bibliotheken, die eine Browserumgebung voraussetzen. Sobald man versucht, sie serverseitig zu rendern, funktionieren sie nicht mehr. Das Team musste diese Konflikte einen nach dem anderen lösen.

Was das Ganze noch heikler machte: Das Frontend musste exakt so aussehen wie zuvor. Der Kunde wollte keine sichtbaren Änderungen an der Benutzeroberfläche. Das Team schrieb also die internen Strukturen neu, während die Oberfläche identisch blieb – was aus einem technisch eingrenzbaren Problem eine deutlich delikatere Angelegenheit machte.

Datenmigration und CSS-Kontinuität

Die vorhandenen Daten mussten sauber in neue Schemata übertragen werden – ohne Verluste oder Integritätsprobleme. Keine aufregende Arbeit, aber genau hier lauern die unsichtbaren Fallstricke vieler Migrationen.

Bei CSS und SCSS war die Situation ähnlich. Jahrelange Stylesheets aus der CMS-Ära brachten die üblichen Altlasten mit sich: Spezifitätskonflikte, undokumentierte Überschreibungen, Stile, die an Markup gebunden waren, das nicht mehr existierte. Diese innerhalb von Vue 3-Komponenten korrekt zum Laufen zu bringen, ohne ein komplettes visuelles Redesign auszulösen, erforderte echte Geduld.

Was wir gelernt haben

Die unsichtbare Arbeit zählt am meisten

Das wichtigste Ergebnis, das niemand bemerkte: die komplette Überarbeitung der PDF-Generierung. Die Lieferantendokumente sehen auf den ersten Blick exakt gleich aus wie zuvor. Doch die interne Logik wurde neu aufgebaut, um ein deutlich höheres Dokumentenvolumen zu bewältigen, als das alte System je gekonnt hätte.

Das ist ein Muster, das man sich merken sollte: Die Verbesserungen, die die grösste langfristige Zuverlässigkeit schaffen, sind oft genau jene, die die Nutzer nie zu Gesicht bekommen. Das ist kein Grund, sie zu überspringen – sondern ein Grund, sie konsequent umzusetzen.

Moderner Stack als Voraussetzung, nicht als Luxus

Auf der alten Plattform lief fast jede Feature-Anfrage gegen dieselbe Wand. Die Antwort war immer: «Geht nicht – oder wird teuer.» Das trifft nicht nur Entwickler, sondern hat direkte geschäftliche Folgen.

Nach der Migration hat sich diese Diskussion grundlegend verändert. Neue Regionen können jetzt direkt im Backend hinzugefügt werden, ohne Entwicklungsaufwand. Features, die früher unerreichbar waren, lassen sich nun problemlos umsetzen.

Automatisierte Tests schützen dich, wenn sich die Geschäftslogik ändert

what. hat Testfälle eingeführt, die vor jedem Deployment ausgeführt werden. Für ein Unternehmen wie Schweizer Päckli – wo sich die Logik rund um regionale Pakete, Lieferanten und Bestellungen mit dem Wachstum des Produkts weiterentwickelt – ist das ein echtes Sicherheitsnetz. Es erkennt Probleme frühzeitig, bevor sie die Kunden erreichen.

Was gut funktioniert hat

Ein paar Dinge sind besonders reibungslos gelaufen:

• CDN-Einrichtung: Bilder, JavaScript- und CSS-Dateien werden nun über ein CDN auf den verschiedenen regionalen Domains von Schweizer Päckli ausgeliefert. Assets laden schneller, egal auf welcher regionalen Version der Website ein Besucher landet. Eine vergleichsweise einfache Entscheidung mit unverhältnismässig grosser Wirkung auf die wahrgenommene Performance.
• Laravel Nova-Backend: Der Kunde kann nun Inhalte, Regionen und Pakete selbst verwalten, ohne für Routineaktualisierungen Entwickler einzubeziehen. Diese redaktionelle Unabhängigkeit reduziert die Agenturabhängigkeit und schafft Zeit für wirklich komplexe, technische Aufgaben.
• Regionsverwaltung: Das Hinzufügen einer neuen Region, das früher erheblichen Entwicklungsaufwand erforderte, ist jetzt eine Backend-Aufgabe. Es gibt ausserdem einen Regionsumschalter, der einen schnellen Überblick über alle regionalen Versionen der Website bietet – nützlich, da das Unternehmen weiter expandiert.

Nächste Schritte

Die Migration war das Fundament, nicht das Ziel. Schweizer Päckli arbeitet aktiv an weiteren Verbesserungen des Shops – genau die richtige Herangehensweise. Die neue Architektur unterstützt diese Art der iterativen Weiterentwicklung auf eine Weise, wie es das alte System schlicht nicht konnte.

Aktuelle Themen sind Shop-Verbesserungen und die weitere regionale Expansion. Das Team steht nicht still.

Die wichtigsten Erkenntnisse aus diesem Projekt

Plattformmigrationen sind nie rein technisch. Die grössten Herausforderungen bei diesem Projekt waren nicht technischer Natur: die Benutzeroberfläche optisch unverändert zu lassen, jahrelange Daten sauber zu migrieren und mit Legacy-JavaScript-Bibliotheken umzugehen, die nicht für moderne Rendering-Ansätze ausgelegt waren.

Die Dinge, die den nachhaltigsten Wert geschaffen haben, waren nicht die auffälligsten Ergebnisse. Die PDF-Überarbeitung, die CDN-Einrichtung, die Testsuite – das sind die strukturellen Verbesserungen, die über Jahre hinweg im Hintergrund Probleme verhindern werden. Sie lassen sich auch am einfachsten streichen, wenn Zeitpläne drücken – und genau deshalb sollten sie priorisiert werden.

Wenn du an einem veralteten CMS festhältst und Gründe suchst, eine Migration aufzuschieben: Die Kosten dieser Verzögerung sind wahrscheinlich höher, als es den Anschein hat. Jede Feature-Anfrage, die mit «geht nicht» beantwortet wird, hat geschäftliche Konsequenzen – nicht nur technische.

Wenn du über eine Plattformmigration oder einen Website-Relaunch nachdenkst: what. hilft Unternehmen dabei, genau diesen Prozess zu bewältigen – von den Anforderungen und der Systemauswahl bis hin zur Implementierung und Inbetriebnahme. Schau dir die Website-Relaunch- und Entwicklungsdienste von what. an, um zu sehen, wie wir dabei vorgehen.

The post Wie wir Schweizer Päckli von OctoberCMS zu Laravel & Vue 3 migriert haben appeared first on what. AG.

Gemeinsam mit der ETH Zürich haben wir den ETH Companion entwickelt: einen AI-Leadership-Coach, der ausschliesslich auf wissenschaftlichen Quellen basiert und über 3000 Führungskräfte der ETH unterstützt. Hier sind die ehrlichen Erkenntnisse dahinter.

Die ETH Zürich – Forschung auf Weltklasseniveau

Die ETH Zürich ist eine der renommiertesten Forschungsuniversitäten weltweit. Seit ihrer Gründung 1854 steht sie für wissenschaftliche Exzellenz in Naturwissenschaften, Technologie, Ingenieurwesen und Mathematik.

Mit über 13’000 Mitarbeitenden aus rund 120 Ländern ist die ETH nicht nur eine Schweizer Institution, sondern ein globaler Akteur in Bildung und Forschung. Wer hier arbeitet, bewegt sich in einem hochkomplexen, internationalen Umfeld – mit entsprechend hohen Anforderungen an Führung und Entscheidungsfindung.

Genau da setzt der ETH Companion an.

Was diesen AI-Coach wirklich besonders macht

Die eigentliche Frage zu Beginn war nicht technischer Natur – sondern eine strategische: Wie macht man hochwertiges Leadership-Coaching für tausende Führungskräfte zugänglich, ohne dafür hohe Summen in individuelle Coaching-Programme zu investieren? Klassisches 1:1-Coaching skaliert nicht. Digitales Coaching schon.

Der Schlüssel liegt in der Qualität der Wissensbasis. Der ETH Companion zieht ausschliesslich Informationen aus vertrauenswürdigen Artikeln von ETH-Psychologen. Keine Inhalte aus beliebigen Internetquellen – nur wissenschaftlich abgesicherte Inhalte, entwickelt von der ETH für die ETH.

Und das ist kein kleiner Unterschied. Ein persönliches Leadership-Coach-Programm kostet schnell mehrere hunderttausend Franken pro Jahr – wenn man ernsthaft Führungsentwicklung im grossen Massstab betreiben will. Der ETH Companion skaliert genau das: wissenschaftlich fundiertes Leadership-Coaching, zugänglich für jede Führungskraft, jederzeit.

Das Ziel ist nicht, einen Chatbot zu bauen. Es geht darum, ein Tool zu schaffen, das Führungskräfte bei echten Herausforderungen begleitet – basierend auf Ansätzen, die funktionieren, weil sie wissenschaftlich belegt sind.

Das klingt simpel, ist aber konzeptionell anspruchsvoll. Man muss sehr früh klären: Welche Inhalte kommen rein? Wer kuratiert sie? Wie wird sichergestellt, dass der Coach im Scope bleibt?

Diese Fragen sollte man lösen, bevor man auch nur eine Zeile Code schreibt.

MVP definieren ist schwerer als MVP bauen

Der herausfordernste Moment des Projekts war nicht technisch – es war die Definition des MVP (Minimal Viable Product).

Was gehört rein? Was kommt später? Wo ist die Grenze zwischen «gut genug zum Testen» und «zu roh, um echten Wert zu zeigen»? Diese Diskussionen dauern länger als erwartet, sind aber entscheidend.

Wir haben in Scope-Definition-Workshops mit dem ETH-Team gearbeitet, User Stories erstellt und das Framework schrittweise aufgebaut. Das hat sich gelohnt – aber es kostet Zeit, die man einplanen muss.

Ein klarer Tipp: Fang klein an und skalier dann. Konzentrier dich im MVP auf das absolut Wesentliche, schau, ob es funktioniert – und erweitere erst dann mit zusätzlichen Features. Was du im MVP nicht geklärt hast, kostet dich später das Doppelte.

User-Testing zeigt, was Dokumente nie zeigen

Der schönste Moment des gesamten Projekts war während der User-Testing-Interviews.

Wir haben gesehen, wie Führungskräfte mit dem Companion interagiert haben – und die echte Begeisterung war spürbar. Das validiert nicht nur das Produkt, sondern auch alle Entscheidungen davor.

Aber User-Testing hat uns auch konkrete Erkenntnisse geliefert, die wir vorher nicht hatten:

• Wie Führungskräfte Fragen formulieren und was das für die Gesprächsführung des Coaches bedeutet
• Wo der Dialog zu generisch wurde und mehr Tiefe brauchte
• Welche Einstiegspunkte intuitiv sind – und welche nicht

Ohne diese Phase wäre das Produkt schlechter geworden. Kein Dokument, kein interner Test ersetzt echte Interaktionen.

Sicherheit ist kein optionales Add-on

Ein Security-Audit gehörte zum Entwicklungsprozess – und das war richtig so.

Bei einem Tool, das auf sensiblen Leadership-Situationen basiert und von tausenden Führungskräften genutzt werden soll, ist Sicherheit keine Kür. Sie ist Pflicht.

Plane das von Anfang an ein – nicht als letzten Schritt kurz vor dem Launch.

Was wirklich zählt: langfristige Integration, nicht kurzfristige Nutzung

Kurz nach dem Launch liegt der Fokus verständlicherweise auf der Frage: Sind die Nutzer zufrieden mit den Antworten?

Das ist legitim – aber zu kurz gedacht. Die eigentliche Vision des ETH Companions ist eine andere: Der AI-Leadership-Coach soll langfristig ein fester Bestandteil des Arbeitsalltags werden und die Entscheidungsqualität von Führungskräften nachhaltig verbessern.

Und die Vision geht noch weiter: Was heute für ETH-Führungskräfte gebaut wurde, soll morgen auch für grosse Unternehmen ausserhalb der ETH verfügbar sein – als skalierbare Lösung für Organisationen, die Leadership-Entwicklung ernst nehmen, ohne dafür hunderttausende Franken in individuelle Coaching-Programme zu investieren.

Das ist ein anderer Massstab. Und er braucht andere Metriken als «Hat die KI heute eine gute Antwort gegeben?»

Was wir geliefert haben – und was weitergeht

Das Ergebnis ist ein funktionierender, stabiler AI-Leadership-Coach mit einem durchdachten Design, der produktiv im Einsatz ist. Was nach dem Launch kommt, ist genauso wichtig wie der Launch selbst.

Wir arbeiten in kontinuierlichen Sprints an der Weiterentwicklung – weil ein KI-Tool dieser Art kein abgeschlossenes Projekt ist, sondern ein lebendiges Produkt.

Was du daraus mitnehmen kannst

Wenn du ein ähnliches Projekt planst, sind das die Erkenntnisse, die wirklich zählen:

• Differenzierung entsteht durch Inhalt, nicht durch Technik – die Qualität der wissenschaftlichen Datenbasis und der klare Fokus des Coaches machen den Unterschied.
• Klein anfangen, dann skalieren – MVP-Scope schriftlich festlegen, validieren, dann erst erweitern.
• User-Testing ist nicht optional – plane es als echte Phase, nicht als Checkbox am Ende.
• Sicherheit und Skalierbarkeit müssen von Anfang an mitgedacht werden, nicht nachträglich.

Interessiert dich, wie KI-Automatisierung konkret in deinem Unternehmen aussehen könnte? Genau das ist es, womit wir uns täglich beschäftigen.

The post ETH Zürich AI-Leadership-Coach: Unsere Learnings appeared first on what. AG.

Was ist WPBakery?

WPBakery (früher bekannt als Visual Composer) ist ein Drag-and-Drop-Page-Builder-Plugin für WordPress. Damit kannst du Seiten visuell über einen Backend-Editor aufbauen, ganz ohne Code.

Das WPBakery-Plugin gibt es schon seit Jahren und es wird mit vielen Premium-WordPress-Themes mitgeliefert – was ein wesentlicher Grund dafür ist, dass es nach wie vor so eine grosse Nutzerbasis hat. Das angesagteste Tool ist es 2026 nicht mehr, aber es wird noch immer sehr viel eingesetzt; und in bestimmten Situationen durchaus zu Recht.

WPBakery in der Praxis: Was uns ein Kundenprojekt gelehrt hat

Wir haben mit einem Kunden zusammengearbeitet, der seine Homepage und wichtige Landingpages für Schulungen neu gestalten wollte. Die Website lief bereits auf WPBakery, also war ein Wechsel des Builders keine realistische Option – das hätte bedeutet, alles von Grund auf neu zu bauen, was schlicht nicht kosteneffizient gewesen wäre.

Unsere Aufgabe war es, die Seitenvorlagen zu entwerfen und umzusetzen. Der Kunde sollte die Inhalte dann selbst verwalten und erweitern.

Das neue Design kam gut an. Wir haben Templatera zusammen mit wiederverwendbaren Komponenten eingesetzt, um den Editor für den Kunden so übersichtlich wie möglich zu gestalten. Das hat funktioniert. Aber einige Herausforderungen waren unerwartet – und genau die solltest du kennen, bevor du ein ähnliches Projekt angehst.

Einige Abschnitte mussten als fest kodierte HTML-Blöcke bestehen bleiben, weil eine saubere Neuerstellung innerhalb der WPBakery-Struktur zu aufwendig und zu teuer gewesen wäre. Ausserdem ist WPBakery für nicht-technische Nutzer alles andere als intuitiv. Selbst mit fertigen Vorlagen brauchte unser Kunde praktische Unterstützung, um sich im Editor überhaupt zurechtzufinden.

Die wichtigste Erkenntnis aus diesem Projekt: WPBakery macht Sinn, wenn du bereits damit arbeitest. Eine laufende Seite neu aufzubauen, nur um den Builder zu wechseln, lohnt sich selten. Aber mit realistischen Erwartungen ranzugehen – was Flexibilität, Benutzerfreundlichkeit und die Grenzen des Tools angeht – ist wirklich wichtig. 

Genau diese Erwartungen prägten unsere Bewertung der WPBakery-Stärken und -Schwächen. Unsere WordPress-Experten Janick Lüchinger und Marie Vaxelaire erklären das im Folgenden detailliert.

Die Stärken von WPBakery

Kurzer Hinweis vorab: Das Folgende bezieht sich ausschliesslich auf den Backend-Editor. Der Frontend-Editor gilt allgemein als unzuverlässig und langsam – die meisten erfahrenen Entwickler lassen die Finger davon.

Vorteile aus Entwicklerperspektive

Unser CMS-Experte Janick Lüchinger hat mit WPBakery an bestehenden Setups gearbeitet und sieht in bestimmten Situationen klaren Mehrwert:

• Technisch gesehen ist WPBakery stabil – es bringt keine Probleme mit sich, wenn eine Website bereits darauf aufgebaut ist.
• Viele Premium-Themes liefern native WPBakery-Elemente mit und enthalten manchmal sogar eine Pro-Lizenz, was die Einrichtung deutlich vereinfacht.
• Benutzerdefinierte Elemente lassen sich verhältnismässig unkompliziert erstellen – mit entsprechendem Know-how hat man solide Kontrolle über die HTML-Struktur.
• Wiederverwendbare Vorlagen über Templatera helfen dabei, die Entwicklung zu beschleunigen und die Übergabe an den Kunden zu vereinfachen – genau das hat uns beim oben beschriebenen Projekt entscheidend geholfen.
• Das Plugin wird aktiv weiterentwickelt, die Kompatibilität mit aktuellen WordPress-Versionen ist also kein Thema.

Vorteile für Kunden und Nutzer

Für Kunden, die Inhalte selbst verwalten, ist WPBakery mit der richtigen Schulung durchaus handhabbar. Alltägliche Aktualisierungen erfordern keine Programmierkenntnisse, und wiederverwendbare Layouts verringern das Risiko, das Design versehentlich durcheinanderzubringen. Ganz reibungslos läuft es nicht – aber mit der richtigen Einrichtung ist es nutzbar.

Die Grenzen von WPBakery

Hier kommt die Erfahrung unserer Entwicklerin Marie Vaxelaire besonders zum Tragen. Es lohnt sich, das aufmerksam zu lesen, wenn du WPBakery für ein neues Projekt in Betracht ziehst.

Nachteile aus Entwicklerperspektive

Der Backend-Editor wirkt veraltet. Auf Seiten mit viel Inhalt verliert man schnell den Überblick – besonders bei Seiten, die jemand anderes erstellt hat. Einfache Dinge wie das Kopieren und Einfügen von Elementen sind zwar möglich, aber umständlich – nichts vergleichbar mit dem Strg+C / Strg+V, das man aus Elementor oder Gutenberg kennt. Diese Extra-Aufwände summieren sich mit der Zeit.

Das grössere strukturelle Problem ist die Starrheit der nativen Elemente. Wenn dein Design in einem Tool wie Figma entstanden ist – unabhängig von den Einschränkungen von WPBakery – ist es schwierig, pixelgenaue Ergebnisse zu erzielen. Oft braucht es aufwendige Workarounds, Custom CSS und viel Ausprobieren.

Am Ende fügst du häufig eigenen Code ein – was den Sinn eines Page Builders ein Stück weit untergräbt. Auch das generierte HTML hilft nicht weiter: Tief verschachtelte Container erzeugen aufgeblähtes Markup, was sich negativ auf die Performance und die zukünftige Wartbarkeit auswirkt.

Nachteile für Kunden und langfristige Erwägungen

Für Website-Betreiber, die längerfristig denken, gibt es noch ein paar weitere Punkte zu bedenken:

• KI-gestützte Bearbeitung ist in WPBakery eingeschränkt – du kannst moderne KI-Funktionen nicht so in deinen Workflow integrieren, wie es bei neueren Tools möglich ist.
• Ein späterer Wechsel ist mühsam, weil Inhalte in Shortcodes eingeschlossen sind. Deaktivierst du das Plugin, erscheinen diese Shortcodes als Rohtext auf der gesamten Website.
• Viele Entwickler zögern ausserdem, WPBakery-Projekte zu übernehmen, weil die Architektur veraltet ist – das kann deine Optionen einschränken, wenn du externe Hilfe brauchst.
• Und wenn dein Entwickler sich ohne Programmierkenntnisse vollständig auf den Page Builder verlässt, stösst er schnell an Grenzen, sobald WPBakery etwas nicht nativ bewältigen kann – die Ausweichlösung ist dann oft ein Haufen zusätzlicher Plugins oder gar keine saubere Lösung.

WPBakery vs. andere Page Builder: die Kurzfassung

Wenn deine Website bereits auf WPBakery läuft, ist es oft die pragmatische Wahl, dabei zu bleiben. Einen kompletten Neuaufbau nur für eine Migration lohnt sich finanziell meist nicht – besonders wenn die Seite läuft und Kunden die Inhalte ohne grössere Hürden selbst verwalten können.

Bei neuen Projekten sieht die Sache anders aus. Der WordPress-Page-Builder Elementor bietet ein moderneres Bearbeitungserlebnis, bessere KI-Integration und saubereren Output. Gutenberg, der native Block-Editor von WordPress, ist in jeder WordPress-Installation enthalten, vermeidet Shortcode-Lock-in vollständig und hat sich zu einem leistungsfähigen Tool entwickelt.

Für Projekte, die eine schnelle und flexible Einrichtung erfordern, greifen wir oft auf Breakdance zurück. Dieser Page Builder kombiniert moderne Entwicklungspraktiken mit einer übersichtlichen Oberfläche und liefert gute Performance ohne unnötigen Overhead.

Alle drei – Elementor, Gutenberg und Breakdance – sind bessere Ausgangspunkte als WPBakery, wenn du 2026 von Grund auf neu startest.

WPBakery hat nach wie vor seinen Platz im WordPress-Ökosystem – nur eben nicht als erste Wahl für neue Projekte.

Du arbeitest mit einer WordPress-Seite und bist dir nicht sicher, welcher Ansatz für dich sinnvoll ist? Wir helfen Unternehmen beim Aufbau, der Neugestaltung und der Pflege von WordPress-Websites – von Strategie und Design bis hin zu Entwicklung und langfristigem Support. Schau dir unsere WordPress-Services an, um zu sehen, wie wir solche Projekte angehen.

The post WPBakery Vor- und Nachteile: unsere ehrliche Expertenbewertung appeared first on what. AG.

Hier erfährst du, wie wir bei what. dem DMCC geholfen haben, einen der aktivsten Blockchain- und Web3-Hubs in den Vereinigten Arabischen Emiraten (VAE) aufzubauen – und was wir dabei mitgenommen haben.

DMCC im Überblick: Warum der Dubai-Hub für Krypto & Blockchain massgeblich ist

DMCC – das Dubai Multi Commodities Centre – ist mehr als eine Freihandelszone. Es ist ein staatlich gefördertes Ökosystem, das gezielt Blockchain-, Krypto-, Web3- und KI-Unternehmen anzieht, die sich in den VAE etablieren wollen.

Dubai liegt innerhalb von acht Flugstunden von Märkten entfernt, die 65 % des globalen BIP ausmachen. Dieser geografische Vorteil ist real – aber nur, wenn die richtigen Gründer, Entwickler und Investoren sich dessen bewusst sind.

Das Ziel von DMCC war klar: die erste Adresse für Krypto- und KI-Unternehmen in der Region werden, qualifizierte Leads generieren und eine Community aufbauen, die echten Mehrwert liefert.

Da kamen wir ins Spiel.

DMCC Crypto Centre: ein physischer Hub für Web3-Unternehmen

Das DMCC Crypto Centre ist mehr als ein Coworking Space. Es ist eine ganze Etage im Uptown Tower, die darauf ausgerichtet ist, Krypto-, Blockchain- und Web3-Unternehmen unter einem Dach zu vereinen.

Physische Nähe ist in dieser Branche entscheidend. Einfach den Flur entlangzugehen und dabei den nächsten Investor oder technischen Mitgründer zu treffen – das schafft einen Netzwerkeffekt, den keine Telegram-Gruppe ersetzen kann.

Das Crypto Centre bietet Unternehmen nicht nur Lizenzen, sondern Zugang zu einem aktiven Ökosystem – Berater, Regulierungsbehörden, Dienstleister und andere Entwickler, die alle im selben Umfeld arbeiten.

Diese Infrastruktur gab uns etwas Konkretes, das wir vermarkten konnten.

DMCC AI Centre: Infrastruktur für KI-Unternehmen

Neben dem Crypto Centre betreibt DMCC auch ein eigenes AI Centre – ebenfalls Teil der Technologie-Ökosystem-Etage im Uptown Tower.

Die Strategie war dieselbe: KI-Startups, Forscher und Unternehmensteams an einem physischen Ort zusammenbringen, wo Zusammenarbeit ganz natürlich entsteht. KI- und Krypto-Bereiche teilen Ressourcen, Events und ein regulatorisches Umfeld, das Innovation ohne Hürden fördert.

Für uns bei what. bedeutete die Betreuung der digitalen Präsenz beider Bereiche: Überschneidungen verstehen und in der Content-Strategie abbilden.

Die Ziele von DMCC: Lead-Generierung, Positionierung und Community-Wachstum

DMCC verfolgte drei Ziele: sich als führender Krypto- und KI-Hub in den VAE zu positionieren, Lizenz-Leads von qualifizierten Unternehmen zu generieren und eine engagierte Community rund um das Ökosystem aufzubauen.

Die Lizenzlandschaft in den VAE ist wettbewerbsintensiv. Freihandelszonen in Dubai und anderen Emiraten konkurrieren alle um dieselben Web3- und KI-Unternehmen.

Um sich abzuheben, musste DMCC echten Community-Wert demonstrieren – den Wert, der durch Veranstaltungen, gemeinsame Infrastruktur und Zugang zu Entscheidungsträgern entsteht.

Unsere Aufgabe war es, diesen Wert digital zu verstärken.

Wie what. die gesamte digitale Präsenz von DMCC betreut hat

Wir bei what. haben die vollständige digitale Präsenz des Tech-Ökosystems von DMCC übernommen – mit Fokus auf die Krypto- und KI-Bereiche.

Konkret umfasste unsere Arbeit:

• Verwaltung und Ausbau aller Social-Media-Konten auf X, Instagram und LinkedIn
• Live-Berichterstattung von physischen Blockchain- und KI-Veranstaltungen in den VAE
• Betrieb und Moderation des DMCC Telegram Community Servers
• Veröffentlichung von Blogbeiträgen und PR-Massnahmen zur Unterstützung von Lead-Generierung und Positionierung

Wir haben nicht einfach Beiträge verfasst. Wir haben eine Community-Infrastruktur aufgebaut – wertvoll für Mitglieder, glaubwürdig nach aussen.

Blockchain- und Web3-Events als Wachstumskanal

Im Laufe unserer Zusammenarbeit veranstaltete DMCC über 25 physische Events. Wir waren bei 24 davon dabei und haben live darüber berichtet – mit Echtzeit-Inhalten auf Instagram und anderen Kanälen.

Die Live-Berichterstattung war aber nur ein Teil der Strategie. Die wichtigere Arbeit bestand darin, ein System rund um diese Events aufzubauen – eine Nachanalyse, die festhielt, was tatsächlich aus jedem einzelnen hervorgegangen ist.

Welche Gespräche führten zu Lizenzanfragen? Welche Themen erzeugten das grösste Engagement?

Physische Events im Krypto- und Blockchain-Bereich leisten etwas, das Social Media nicht so einfach nachahmen kann: Sie bringen Vordenker, Investoren und Entwickler in denselben Raum.

Wir haben uns darauf konzentriert, diesen Wert einzufangen und online sichtbar zu machen.

Unsere grössten Herausforderungen: Community-Aufbau und strenge Rahmenbedingungen

Eine Community wächst nur, wenn jeder davon profitiert. Selbstverständlich? Ja – doch genau hier scheitern die meisten Ökosysteme.

Zugehörigkeit lässt sich nicht erzwingen. Ohne greifbaren Mehrwert – Kontakte, Wissen, Chancen – hält kein Content-Output die Community langfristig.

DMCC hat das früh verstanden. Sie haben physische Infrastruktur aufgebaut, regelmässig Events veranstaltet und Umgebungen geschaffen, in denen wertvolle Kontakte entstehen konnten.

Unsere Aufgabe war es, dieses Signal digital zu verstärken.

Marketing für eine halbstaatliche Organisation bringt strikte Markenrichtlinien, strukturierte Freigabeprozesse und wenig Spielraum für Fehler mit sich.

Zu Beginn des Projekts sorgten Genehmigungsabläufe für Verzögerungen. Inhalte kamen zu spät online – in einem schnelllebigen Bereich wie Krypto und KI ist das entscheidend.

Wir haben daran gearbeitet, den Prozess von innen heraus zu verbessern: Engpässe identifiziert, die Kommunikation zwischen den Teams verbessert und das Hin-und-her reduziert, ohne die Compliance zu gefährden.

Das Ergebnis war ein schnellerer, effizienterer Prozess für die Freigabe und Veröffentlichung von Inhalten – der alles andere erst möglich gemacht hat.

Ergebnisse der Zusammenarbeit von what. mit DMCC

Aus diesem Projekt können wir folgende Kernergebnisse nennen:

• Über 800 Web3- und KI-Unternehmen, die über DMCC in Dubai lizenziert wurden
• 24 physische Blockchain- und Krypto-Events, an denen wir teilgenommen und live berichtet haben
• Über 10’000 organische Community-Mitglieder, die über soziale Plattformen hinweg gewachsen sind

Der Anstieg von 500 auf 700 lizenzierte Unternehmen innerhalb eines einzigen Jahres – und die weitere Zunahme auf über 800 – zeigt, was passiert, wenn Lead-Generierung, Community-Aufbau und Positionierung sich gegenseitig verstärken.

Es ging hier nicht um einen viralen Beitrag oder eine erfolgreiche Veranstaltung. Es ging darum, ein System aufzubauen, in dem jedes Element zum gleichen Ziel beitrug.

Unsere wichtigste Erkenntnis zum Thema Community

Die grösste Lektion aus diesem Projekt: Community ist keine Content-Strategie. Sie ist ein Wertversprechen.

Wenn die Menschen in deinem Ökosystem keinen greifbaren Nutzen daraus ziehen, dort zu sein, wird kein noch so hoher Posting-Aufwand echte Zugehörigkeit erzeugen.

Die physische Infrastruktur des DMCC gab uns bei what. etwas Reales, das wir vermarkten konnten. Das Crypto Centre, das AI Centre, die Events, das Netzwerk aus über 800 Unternehmen – das sind echte Gründe für einen Gründer, sich für Dubai und DMCC zu entscheiden.

Unsere Aufgabe war es, diesen Wert für die richtige Zielgruppe sichtbar und überzeugend zu machen.

Nächste Schritte: dein Krypto-, Blockchain- oder KI-Ökosystem aufbauen

Wenn du ein Krypto-, Blockchain- oder KI-Projekt aufbaust oder skalieren möchtest und ein Team suchst, das die technische Landschaft versteht und weiß, wie man darin eine Zielgruppe aufbaut – sprich gerne mit uns bei what.

Schau dir unsere Web3- und Krypto-Marketing-Services an, um zu sehen, wie wir Community-Aufbau, Lead-Generierung und Positionierung für Blockchain- und KI-Unternehmen angehen.

Oder buche eine kostenlose Beratung, um herauszufinden, was für dein Projekt möglich ist.

The post DMCC Krypto- & KI-Ökosystem: Wachstum auf 800+ Unternehmen appeared first on what. AG.