Enterprise AI Summit Charlotte 2026 — Tag 2Day 2
Tag 2 — 8. Oktober 2026Day 2 — October 8, 2026Charlotte
← Alle Events← All eventsMidnightIT RevolutionXALT
TagesübersichtDay Overview
Tag 2Day 2
8. Oktober 2026 · Charlotte · 15 TalksOctober 8, 2026 · Charlotte · 15 talks
Code entsteht schneller als je zuvor, doch Validierung, Security, Review und Geschäftsergebnis halten nicht automatisch Schritt. Tag 2 reichte von Edge-KI für die Personenrettung in sechs Wochen über Agenten fürs Management bis zur Frage, warum KI kaum im Gewinn ankommt – und endete mit dem Ausblick auf Portland im Mai 2027.Code is being produced faster than ever, but validation, security, review and business results do not automatically keep pace. Day 2 ranged from edge AI for personnel recovery built in six weeks to agents for management and the question of why AI barely shows up in profit – and closed with an outlook to Portland in May 2027.
15
Talks an einem Tagtalks in one day
95%
Excella & M&T Bank: GenAI-Piloten ohne messbaren GuV-Effekt (MIT 2025)Excella & M&T Bank: GenAI pilots with no measurable P&L return (MIT 2025)
87%
DryRun Security: PRs von KI-Coding-Agenten mit SchwachstellenDryRun Security: PRs from AI coding agents that contained vulnerabilities
244k
Coder: Downloads eines gefälschten Modells in unter 18 StundenCoder: downloads of a fake model in under 18 hours
Die 6 übergreifenden Muster des TagesThe 6 Cross-Cutting Patterns of the Day
1
Der Engpass wandert hinter den CodeThe bottleneck moves past the code
Wenn Agenten schneller liefern, staut es sich bei Review, Validierung, Betrieb, Vertrieb und Nachfrage: Eine Private-Equity-Firma verdreifachte den Produkt-Durchsatz ohne vergleichbares Umsatzplus. (Göllner & Kim, McCarthy, Gallimore & Pal, Beutler)When agents deliver faster, work piles up in review, validation, operations, sales and demand: one private equity firm tripled product throughput without a comparable revenue lift. (Göllner & Kim, McCarthy, Gallimore & Pal, Beutler)
2
Validierung ist das eigentliche ProduktValidation is the real product
Die Ingenieursarbeit steckt in der Form, nicht im Granulat: Validatoren, Tausende automatisierte Tests und Qualitätsengineering entscheiden, ob KI-Code tut, was gemeint war. (McCarthy, Stellman, Göllner & Kim, Hendrickson)The engineering goes into the mold, not the pellets: validators, thousands of automated tests and quality engineering decide whether AI code does what was meant. (McCarthy, Stellman, Göllner & Kim, Hendrickson)
3
Security verschiebt sich zu Logik und LieferketteSecurity shifts to logic and supply chain
Die meisten Lücken in KI-Code sind Logik- und Autorisierungsfehler, die klassische Scanner nicht finden, und das Risiko eines Modells steckt oft in den Dateien daneben, nicht in seiner Herkunft. (Wickett, Pike)Most flaws in AI code are logic and authorization bugs that traditional scanners miss, and a model's risk often sits in the files next to it rather than in its origin. (Wickett, Pike)
4
Strenge macht schnellRigor creates speed
Wer Architektur, Tests und menschliche Freigaben explizit macht, kann Agenten mehr überlassen: Northrop Grumman baut so Alternativen zu Standardsoftware in Wochen, Rise8 brachte eine Offline-KI in sechs Wochen ins Feld. (Black, Mordan & Slater, Göllner & Kim, Parker & Cochran)Making architecture, tests and human gates explicit lets teams hand more to agents: Northrop Grumman builds alternatives to off-the-shelf software in weeks, and Rise8 fielded an offline AI in six weeks. (Black, Mordan & Slater, Göllner & Kim, Parker & Cochran)
5
Ergebnisse messen statt AktivitätMeasure outcomes, not activity
Nutzung, Tokens und PRs steigen, im Gewinn zeigt sich wenig: Gemessen werden sollte ein Workflow gegen eine saubere Baseline, und die Delle der J-Kurve muss finanziert werden. (Gallimore & Pal, Hendrickson, Pal, Beutler)Usage, tokens and PRs are rising while little shows up in profit: measure one workflow against a clean baseline and fund the dip of the J-curve. (Gallimore & Pal, Hendrickson, Pal, Beutler)
6
Führungskräfte bauen selbstLeaders build for themselves
Vom eigenen Agenten-Betriebssystem fürs Management bis zur Konferenz-App am Wochenende: Delegation an KI wird zur Führungskompetenz. (Rauser, Kim, Göllner & Kim, Beutler)From a personal agentic operating system for management to a conference app built over a weekend: delegating to AI is becoming a leadership skill. (Rauser, Kim, Göllner & Kim, Beutler)
Alle Speaker — direkt springenAll Speakers — Jump Directly
Gene Kim
IT Revolution
Owen Parker & Kurtis Cochran
Arkana Laboratories
Jondavid "JD" Black
Northrop Grumman
Kevan Mordan & Kenny Slater
Rise8
Tapabrata "Topo" Pal
M&T Bank
John Rauser
Cisco
Philipp Göllner & Gene Kim
XALT & IT Revolution
Nicky Pike
Coder
Justin McCarthy
Diffusion AI
James Wickett
DryRun Security
Andrew Stellman
O'Reilly-AutorO'Reilly author
Jeff Gallimore & Tapabrata "Topo" Pal
Excella & M&T Bank
Elisabeth Hendrickson
Curious Duck Digital Laboratory
Joe Beutler
OpenAI
Gene Kim
IT Revolution
EröffnungOpening
Gene Kim
Vibe Coder, Autor & Forscher · IT Revolution · Opening RemarksVibe Coder, Author & Researcher · IT Revolution · Opening Remarks
Gene Kim zeigt an seinem eigenen Wochenendprojekt, wie niedrig die Einstiegshürde für den Ersatz von SaaS-Werkzeugen mit KI geworden ist, und benennt die offenen Fragen, auf die noch niemand eine Antwort hat. Er argumentiert, dass Durchbrüche wie in der Physik der 1920er aus Gemeinschaften entstehen, in denen sich Wissen schnell verbreitet, und will die Hürde für Erfahrungsberichte senken.Gene Kim uses his own weekend project to show how low the barrier to replacing SaaS tools with AI has become, and lays out the open questions nobody can answer yet. He argues that breakthroughs, as in 1920s physics, come from communities where knowledge spreads fast, and wants to lower the barrier to sharing experience reports.
<24 h
bis CurtainCall CFP gebaut warto build CurtainCall CFP
3
SaaS-Werkzeuge dadurch abgelöstSaaS tools knocked out by it
24
Konferenzen in 12 Jahren mit 5+ CFP-Toolsconferences over 12 years on 5+ CFP tools
60k
Befragte der DORA-Studie über sechs JahreDORA survey respondents over six years
"Wir wissen, dass es möglich ist, Kunden um zwei Größenordnungen schneller Wert zu liefern.We know that it's possible to get two orders of magnitude more speed to deliver value to customers."
Key Takeaways
  • Für den Wettbewerb „Kill My SaaS in one weekend“ (10.000 $ Preis für den Ersatz einer SaaS für 40.000 $ im Jahr) baute Kim in weniger als 24 Stunden CurtainCall CFP, das Programm dieser Konferenz läuft bereits darüber.For the "Kill My SaaS in one weekend" contest ($10K prize for replacing a $40K/year SaaS), Kim built CurtainCall CFP in less than 24 hours; this conference's program already runs on it.
  • Seine Lernkurve: drei Tage Dev-Modus, drei Tage Ops-Modus, wieder drei Tage Dev; vom „perfekten Werkzeug“ zum „Hill-Climbing der Evals“ und viele Hilfswerkzeuge, um auf „Director-Ebene“ zu bleiben statt dem Coding-Agenten zuzusehen.His learning curve: three days of Dev mode, three days of Ops mode, three more of Dev; from "make my perfect tool" to "hill-climb the evals", and many tools built to stay at "Director level" instead of watching the coding agent work.
  • Das Projekt löste drei SaaS-Werkzeuge ab, zwei davon geschätzt; Kims offene Frage ist, ob Back-Office-Tools überhaupt SaaS bleiben sollten.The project knocked out three SaaS tools, two of which the team loved; Kim's open question is whether back-office tools should stay SaaS at all.
  • Die DORA-Kennzahlen aus 60.000 Antworten in sechs Jahren gelten weiter, doch gemessene Produktivitätsgewinne von rund 20 % erfassen die Wirkung von KI-gestütztem Programmieren nur unvollständig.The DORA metrics from 60,000 respondents over six years still apply, but measured productivity gains of around 20% only incompletely capture the effect of AI-assisted coding.
  • Offene Fragen vom Vortag, alle mit „Don't know“ beantwortet: mehr oder weniger TDD, mehr Funktionen ausliefern als Kunden aufnehmen können, weiter deployen ohne volle Kontrolle, ist OpenClaw sicher genug.Open questions from day one, all answered "Don't know": more TDD or less, shipping more capabilities than customers can absorb, deploying more code without feeling fully in control, and whether OpenClaw is safe enough.
  • Wie bei der Solvay-Konferenz 1927 entstehen Durchbrüche dort, wo Wissen schnell geteilt wird: Die meisten Talks von Tag 1 standen nach 24 Stunden auf videos.itrevolution.com statt wie sonst nach rund zwei Wochen.As at the 1927 Solvay Conference, breakthroughs happen where knowledge spreads fast: most day-one talks were on videos.itrevolution.com within 24 hours instead of the usual two weeks or so.
KI im regulierten MittelstandAI in a small regulated company
Owen Parker & Kurtis Cochran
CTO & CFO · Arkana Laboratories · Previously Impossible
Owen Parker und Kurtis Cochran zeigen, wie ein Nierenpathologie-Labor mit 250 Mitarbeitenden in unter zwei Jahren mit einem Engineering- und Datenteam von weniger als sechs Personen Abrechnung, Befund-App, Laborprozesse und eigene Modelle selbst gebaut hat. Sie argumentieren, dass Effizienz-KI nur Grundausstattung ist und der eigentliche Wert im Neubau von Kernprozessen und in Greenfield-Projekten liegt.Owen Parker and Kurtis Cochran show how a 250-person kidney pathology lab built billing, its physician app, lab workflows and its own models in-house in under two years, with an engineering and data team of fewer than six for most of it. They argue that efficiency AI is table stakes and the real value lies in rebuilding core processes and in greenfield work.
26.6 h
manuelle Codierzeit gespart, laut Log des HL7-Abrechnungstools nach 531 Fällenmanual coding time saved, per the HL7 billing tool's log after 531 cases
4–5×
mehr Ärzte-Engagement mit Arkana Connect, seit die App intern weiterentwickelt wirdphysician engagement with Arkana Connect since it came in-house
<6
Personen im Engineering- und Datenteam für den Großteil der Eigenentwicklungenpeople in the engineering and data team for most of the in-house builds
178/178
Diagnosecodes im dritten Trainingslauf abgedeckt, vorher 115diagnostic codes covered in training run 3, up from 115
"Habt keine Angst, eure Fachexperten unterwegs selbst Lösungen finden zu lassen.Don't be afraid to let your subject matter experts come up with solutions along the way."
Key Takeaways
  • Drei Wertebenen: Effizienz-KI (Meetings zusammenfassen, Dokumente entwerfen) ist Grundausstattung und liefert bei Arkana deutlich unter 10 % des Werts; mehr kommt aus dem Neubau von Kernprozessen und am meisten aus Greenfield.Three layers of value: efficiency AI (summarize meetings, draft documents) is table stakes and delivers well under 10% of Arkana's value; more comes from rebuilding core processes and the most from greenfield.
  • Abrechnung: Jeder Färbetyp braucht eigene CPT-Codes, die das Abrechnungssystem nicht trennen konnte; das Team korrigierte 5 Minuten pro Fall bei 150 Fällen am Tag. Ein HL7-Recode-Tool zwischen LIS und Abrechnungssystem korrigiert die Codes jetzt unterwegs; im Log: 0 Fehler in 210 Stichproben.Billing: every stain type needs its own CPT codes, which the billing system could not split; staff fixed them by hand at 5 minutes per case on 150 cases a day. An HL7 recode tool between the LIS and the billing system now fixes codes in transit; its log shows 0 errors in 210 spot-checked cases.
  • Das Abrechnungstool baute jemand aus dem Billing-Team selbst. Cochrans Rat an CFOs: Token-Kosten dort verbuchen, wo der Nutzen entsteht (etwa im Abrechnungs-Budget statt in der IT), damit der ROI sichtbar wird; Eigenbau-Fähigkeit stärkt zudem die Verhandlungsposition gegenüber Softwareanbietern.The billing tool was built by someone from the billing team. Cochran's advice to CFOs: book token costs where the value lands (e.g. the billing ledger rather than IT) so the ROI is visible; being able to build also gives leverage over software vendors.
  • Arkana Connect, die App für Befunde an Nephrologen, war beim externen Anbieter nach rund zwei Jahren nicht fertig. Intern stabilisiert und erweitert, unter anderem um Matching für klinische Studien.Arkana Connect, the app that delivers reports to nephrologists, was never finished after about two years with an external vendor. In-house it was stabilized and expanded, including clinical trial matching.
  • Das über 25 Jahre alte Laborsystem auf einem Server im Abstellraum wird Stück für Stück von außen ersetzt: KI-Agenten lesen die morgendlichen Papierunterlagen aus, ein Report Builder macht aus diktiertem Audio einheitliche Befund-Vorlagen.The 25-plus-year-old lab system on a box in a closet is replaced piece by piece from the outside: AI agents parse the morning paperwork, and a report builder turns dictated audio into consistent, templated reports.
  • Eigenes Modelltraining auf rund zwei Millionen archivierten Objektträgern: Lauf 3 nutzte 5.832 statt 668 Fälle und erreichte 98,15 % Next-Token-Genauigkeit, was ausdrücklich keine diagnostische Genauigkeit ist. Grundlage für die Adoption war eine siebenwöchige Kohorte mit zwölf Personen auf Basis des Buchs Vibe Coding.Own model training on roughly two million archived slides: run 3 used 5,832 instead of 668 cases and reached 98.15% next-token accuracy, explicitly not diagnostic accuracy. Adoption was driven by a seven-week, twelve-person cohort built on the book Vibe Coding.
Architektur & RigorositätArchitecture & Rigor
Jondavid "JD" Black
Sr Director, Chief Engineer, CIDO · Northrop Grumman · Architecture Driven AI Engineering
JD Black argumentiert, dass agentische KI in missionskritischer Entwicklung mehr Rigorosität braucht, nicht weniger: Architektur als Code in SysML v2, explizite deterministische Workflows und menschliche Freigabe-Gates. Bei Northrop Grumman entsteht so Geschwindigkeit durch Rigorosität – ein Team von sieben Leuten baut Alternativen zu kommerzieller Standardsoftware in Wochen.JD Black argues that agentic AI in mission-critical engineering needs more rigor, not less: architecture as code in SysML v2, explicit deterministic workflows and human gates. At Northrop Grumman this turns rigor into speed, with a team of seven building alternatives to commercial off-the-shelf software in weeks.
5
Phasen im agentischen SDLC-Workflow, jede endet mit einem menschlichen Gate (Architektur, Design, Plan, Code, Release)phases in the agentic SDLC workflow, each ending in a human gate (architecture, design, plan, code, release)
~$30M
pro Jahr gibt Northrop Grumman für kommerzielle Standardsoftware (COTS) aus, für die das Team Ersatz in Wochen bautper year Northrop Grumman spends on commercial off-the-shelf (COTS) software the team now replaces in weeks
7
Personen im Team, das COTS-Alternativen in Wochen und komplette Infrastruktur in Tagen bautpeople on the team building COTS alternatives in weeks and full infrastructure in days
"Wir erreichen Geschwindigkeit durch Strenge.For us, we achieve speed through rigor."
Key Takeaways
  • Klare Rollenteilung: Agenten tragen Domänenwissen und wissen, wie gutes Ergebnis aussieht, Skills beschreiben die einzelne Aufgabe im eigenen Tech-Stack, Workflows bilden den Prozess – analog zu People, Process, Tools.Clear division of roles: agents hold domain knowledge and know what good looks like, skills describe the individual task in your own tech stack, workflows carry the process – mirroring people, process and tools.
  • Workflows sind ein eigenes Konstrukt mit atomaren Schritten und deterministischen Exit-Kriterien, weil Agenten Stichpunktlisten in Agent- oder Skill-Dateien nicht verlässlich und nicht nachweisbar abarbeiten.Workflows are a separate construct with atomic steps and deterministic exit criteria, because agents do not follow bulleted lists in agent or skill files reliably or provably.
  • Ein Schritt „Architektur mit TDD implementieren“ scheiterte, weil Agenten das Testen übersprangen; aufgeteilt in drei bis sechs Schritte (Acceptance-Test definieren, minimale Implementierung, Refactoring) prüft ein Skript per Ja/Nein, ob fehlschlagende Tests existieren.A single step "implement the architecture using TDD" failed because agents skipped testing; split into three to six steps (define acceptance test, minimal implementation, refactor), a script checks yes or no whether failing tests exist.
  • Architektur als Code mit dem OMG-Standard SysML v2: Agenten lesen und schreiben das Modell, Architektur-Reviews dauern Minuten statt Wochen oder Monate, und Systems Engineering und Design kommen vor der Planung.Architecture as code with the OMG standard SysML v2: agents read and write the model, architecture reviews take minutes instead of weeks or months, and systems engineering and design come before planning.
  • Anforderungen im EARS-Format laufen per Tag direkt in automatisierte BDD-Acceptance-Tests, sodass ein Skript beantwortet, ob jede Anforderung abgedeckt ist.Requirements written in EARS trace via tags straight into automated BDD acceptance tests, so a script answers whether every requirement is covered.
  • Der Workflow protokolliert pro Schritt Dauer, Agent, beteiligten Menschen, Freigabedatum, Tokens und Kosten – damit sind die Messwerte für Value Stream Mapping automatisch da und Engpässe quantitativ sichtbar.The workflow logs duration, agent, human involved, sign-off date, tokens and cost per step – so value stream mapping measurements come for free and bottlenecks become quantitatively visible.
Edge-KI im EinsatzEdge AI in the Field
Kevan Mordan & Kenny Slater
Delivery Lead / Staff Information Security Analyst · Rise8 · Minutes Matter: Fielding Edge AI for Personnel Recovery in 6 Weeks
Kevan Mordan und Kenny Slater zeigen, wie ein sechsköpfiges Rise8-Team mit KI in sechs Wochen ein TAK-Plugin gebaut hat, das für Personnel-Recovery-Einsätze Gebäude auf Luftbildern erkennt und beschriftet – komplett offline auf älteren Android-Phones und Windows-Laptops. Sie argumentieren, dass KI die Mechanik übernimmt, damit Menschen sich auf das Missionsproblem konzentrieren: Ein großes urbanes GRG dauert statt über acht Stunden nur noch wenige Minuten.Kevan Mordan and Kenny Slater show how a six-person Rise8 team used AI to build, in six weeks, a TAK plugin that detects and labels buildings on overhead imagery for personnel recovery – fully offline on older Android phones and Windows laptops. They argue that AI takes over the mechanics so people can focus on the mission problem, cutting a large urban GRG from more than eight hours to a couple of minutes.
8+ h
dauerte ein großes urbanes GRG von Hand – mit dem Plugin wenige Minuten, offline auf dem Gerätto build a large urban GRG by hand – now a couple of minutes, offline on the device
~30 min
Zeitgewinn beim durchschnittlichen kleineren GRGsaved on the average smaller GRG
6 wk
von der Anfrage bis zum Einsatz, mit sechs Leuten (ursprünglich acht, dann sieben Wochen)from ask to fielded capability, with six people (originally eight, then seven weeks)
4
Modelle im KI-Bake-off: YOLO, YOLT, U-Net und Mask R-CNN, plus verschiedene Vorverarbeitungenmodels in the AI bake-off: YOLO, YOLT, U-Net and Mask R-CNN, plus various preprocessing methods
"Der Wert war nie die KI. Der Wert sind die Minuten, die der Operator für die Vorbereitung der Mission zurückbekommt.The value here was never the AI. The value is the minutes handed back to the operator preparing for the mission."
Key Takeaways
  • Ein GRG (Gridded Reference Graphic) ist ein Luftbild mit Gitter und nummerierten Gebäuden, damit Hubschrauber-Crew und Bodenteam vom selben Gebäude sprechen („Our guy is in 205“). Bisher entstand es von Hand per Zoomen, Tippen und Beschriften – oft mussten Teams losziehen, bevor es fertig war.A GRG (gridded reference graphic) is overhead imagery with a grid and numbered buildings, so helicopter crew and ground team talk about the same building ("Our guy is in 205"). It used to be built by hand by zooming, tapping and labeling – teams often had to leave before it was finished.
  • Die Anforderung: TAK-Plugin mit KI-Gebäudeerkennung, voll offline, auf S20/S23-Phones und Low-Spec-Windows-Laptops, interoperabel mit TAK und OGC, cyber-compliant. Das Team kaufte bewusst dieselbe alte Feld-Hardware, um kein Demo, sondern Einsatzfähiges zu liefern.The ask: a TAK plugin with AI building detection, fully offline, on S20/S23 phones and low-spec Windows laptops, interoperable with TAK and OGC, cyber compliant. The team deliberately bought the same old field hardware so they would ship something fieldable, not a demo.
  • Die mechanische Lücke war groß – Kotlin, WPF auf .NET 4.x, CV-Trainingspipeline, Edge-Runtimes, eine eigene .NET-zu-Java-JNI-Bridge, Pfad-Mathematik. KI übernahm diese Mechanik, die Menschen lösten die Missionsfragen.The mechanical gap was large – Kotlin, WPF on .NET 4.x, a CV training pipeline, edge runtimes, a custom .NET-to-Java JNI bridge, path traversal math. AI handled these mechanics, people solved the mission questions.
  • „Was ist ein Gebäude?“ erzeugte einen Thread mit 24 Antworten. Die pragmatische Regel: Was auf dem Bild des Operators wie ein Gebäude aussieht, ist eins – ein überzähliges Label ist schneller gelöscht als ein fehlendes nachgetragen."What's a building?" sparked a thread with 24 replies. The pragmatic rule: if it looks like a building on the operator's imagery, it is one – an extra label is quicker to delete than a missing one is to catch.
  • Wie Labels lesbar fließen, schaute das Team bei echten Anwendern ab (links nach rechts, Straßen folgen) und goss die Muster in Pfad-Algorithmen. Ablauf heute: Gebiet wählen, GRG automatisch erzeugen, dann umfärben, per Wischen neu sortieren oder Labels korrigieren.How labels should flow was learned from real users (left to right, following roads) and encoded into path algorithms. Today's flow: select an area, auto-create the GRG, then recolor, swipe to relabel in order, or edit labels.
  • Qualität ab Tag eins statt als Nebenprodukt: ADRs als Code, Wireframes und Test-Benchmarks von Anfang an, denn ein falsches GRG schickt ein Team an die falsche Tür. Sicherheitsstandards und operative Abnahmetests wurden erfüllt, das Tool ist im Einsatz.Quality from day one rather than as a by-product: ADRs as code, wireframes and test benchmarks from the start, because a wrong GRG sends a team to the wrong door. Security standards and operational acceptance testing were met, and the tool is in use.
GenAI-Anti-PatternsGenAI Anti-Patterns
Tapabrata "Topo" Pal
SVP, Head of Developer Platforms · M&T Bank · GenAI Adoption, Challenges & Anti-Patterns
Topo Pal zeigt, dass GenAI bei M&T Bank breit genutzt wird und Arbeit von Wochen auf Tage verkürzt, Pipelines, Prozesse und Kunden aber noch nicht für 100-fachen Durchsatz bereit sind. Er argumentiert gegen verfrühte Standardisierung und Demo-Euphorie: Schneller Code ist noch keine schnelle Auslieferung, und Agenten ersetzen keine Erfahrung.Topo Pal shows that GenAI is widely used at M&T Bank and shrinks work from weeks to days, while pipelines, processes and customers are not yet ready for 100x throughput. He argues against premature standardization and demo euphoria: speed of code is not speed of delivery, and agents do not replace experience.
80%
der Credits/Tokens werden von 20 % der Engineers verbraucht (80/20-Regel bei M&T Tech)of credits/tokens consumed by 20% of engineers (80/20 rule at M&T Tech)
5→1 d
Tage für dasselbe Dashboard: von Hand programmiert vs. mit KI ein Jahr späterdays for the same dashboard: hand-coded vs. with AI one year later
6 mo
maximale Haltbarkeit seiner Specs und Skills, bevor die nächste Modellgeneration Anpassungen erzwanglongest his specs and skills lasted before the next model generation forced changes
"Der Agent hat mich bei den Dingen schneller gemacht, die ich schon verstand. Expertise für das, was ich nicht zu hinterfragen wusste, gab er mir nicht.The agent made me faster at the things I already understood. It did not grant me expertise in the things I did not know to question."
Key Takeaways
  • GenAI ist bei M&T Tech breit im Einsatz – für allgemeine Produktivität und bei Technologen für Coding, Code-Analyse, Platform Engineering, Testing, Cloud-Migration, Modernisierung und Vulnerability Management; Governance und Risiko stehen dabei im Vordergrund.GenAI is widely used at M&T Tech – for general productivity and by technologists for coding, code analysis, platform engineering, testing, cloud migration, modernization and vulnerability management, with governance and risk at the forefront.
  • Warnung vor KI-generierten Unit-Tests für fehlerhaften Code: Bestehen Tests den Bug, ist er fest in der Software verankert – und niemand merkt es hinter 100 % Testabdeckung auf einem schönen Dashboard.A warning about AI-generated unit tests for bad code: when the tests pass the bug, it is engrained in the software – and nobody notices behind 100% test coverage on a beautiful dashboard.
  • 100× Durchsatz trifft auf eine 1×-Lieferkette: Scan-Tools rechnen pro Codezeile ab, Pipelines und Release-Prozesse sind auf menschliches Tempo ausgelegt, und Kunden wollen keine tägliche Flut an Änderungen.100x throughput meets a 1x supply line: scanning tools charge per line of code, pipelines and release processes are built for human pace, and customers may not want a daily flood of changes.
  • Kontext wird zum ausführbaren System: Nach sechs Monaten Benchmarking von Harnesses auf Open-Source-Repos sieht Pal, dass Kommentare und Doku Agenten in die Irre führen können und dieselbe Aufgabe mal rund 100.000, mal etwa 1,5 Millionen Tokens kostet.Context is becoming an executable system: after six months of benchmarking harnesses on open-source repos, Pal sees code comments and docs misleading agents, and the same task costing about 100,000 tokens one time and roughly 1.5 million another.
  • Verfrühte Standardisierung als Anti-Pattern: Skills, Specs, Prompt Libraries und hauseigene agentische SDLC-Flows bauen für eine Zukunft, die schon in sechs Monaten anders aussieht.Premature standardization as an anti-pattern: skills, specs, prompt libraries and in-house agentic SDLC flows are built for a future that looks different six months from now.
  • Schneller Code ist keine schnelle Auslieferung: Von null zur Demo geht es schnell, von der Demo zum Produkt nicht – wer liefert, betreibt und finanziert es? Erfahrene Engineers fragen nach Annahmen, erhaltenem Verhalten, Fehlerfällen, Belegen und Betrieb.Speed of code is not speed of delivery: zero to demo has collapsed, demo to product has not – who ships, supports and funds it? Experienced engineers ask about assumptions, preserved behavior, failure modes, evidence and operations.
ErfahrungsberichtExperience report
John Rauser
Senior Director of Software Engineering · Cisco · Agentic Leadership
John Rauser zeigt AMOS, sein Agentic Management Operating System bei Cisco, in vier Stufen: von persönlicher Wissensbasis und Agenten-Toolkit über eigene Apps und Schreibtisch-Hardware bis zu gemeinsamen Diensten für Kundendaten, Change-Reviews und Prognosen. Er argumentiert, dass Führungskräfte solche Systeme selbst bauen müssen, denn Coder und Produkte haben ihr 10x schon bekommen, das Management noch nicht.John Rauser presents AMOS, his Agentic Management Operating System at Cisco, in four levels: from a personal knowledge base and agent toolkit to custom apps, desk hardware and shared services for customer records, change reviews and forecasts. He argues that leaders have to build such systems themselves, because coders and products already got their 10x and management has not.
−50%
Meetings nach Einführung von AMOS (laut ihm selbst nicht wissenschaftlich gemessen)meetings after introducing AMOS (by his own account not scientifically measured)
−25%
Meeting-Länge, weil alle schon vorab dieselben Informationen habenmeeting length, because everyone has the same information beforehand
+1000%
Zeit zum Nachdenken – sein persönliches 10x als Führungskrafttime spent thinking – his personal 10x as a leader
~9 mo
seit er begonnen hat, Agenten fürs Führen und Managen einzusetzensince he started using agents to lead and manage
"Ich habe zehnmal mehr Zeit zum Nachdenken, weil ich nicht mehr durch dieses Meer aus Tabs suchen muss.I get to spend 10x more time thinking because I don't have to go searching through that sea of tabs."
Key Takeaways
  • AMOS-Prinzip: Jede Führungskraft baut ihr eigenes Agentensystem (seins heißt Magellan), und alle werden zu einem organisationsweiten AMOS verbunden – Ziel sind schnellere Entscheidungen und weniger Meetings.AMOS principle: every leader builds their own agent system (his is called Magellan), and all of them connect into one organizational AMOS – aiming for faster decisions and fewer meetings.
  • Stufe 1 und 2: ein Obsidian-Vault mit Codex/Claude Cowork und einer Wissensbasis aus Working Memory, Langzeit-Records, Inbox und Output, darüber Skills, Trigger, Agenten und Hooks sowie eine Control Plane mit API/MCP-Bridge, deterministischer Suche, Registry und Selbstverbesserung.Levels 1 and 2: an Obsidian vault with Codex/Claude Cowork and a knowledge base of working memory, long-term records, inbox and output, topped by skills, triggers, agents and hooks plus a control plane with an API/MCP bridge, deterministic search, a registry and self-improvement.
  • Eigene Apps holen den Agenten in den Alltag: die Browser-Erweiterung Discovery fasst besuchte Seiten zu Notizen zusammen und startet Workflows per Headless Codex, Endeavour verbindet AMOS mit dem Betriebssystem, und der Publishing-Server Traverse wurde von Kollegen übernommen und zum zentralen Werkzeug im Team.Custom apps bring the agent into daily work: the Discovery browser extension turns visited pages into notes and launches workflows via headless Codex, Endeavour connects AMOS to the operating system, and colleagues adopted the Traverse publishing server until it became a key tool for the group.
  • Hardware gegen das Vergessen, weil Systeme wie Getting Things Done nach zwei Wochen einschlafen: ein eInk-Informationsradiator (Semaphore), Signal-Badges mit Boss-Button, ein Vibe-Check-Licht (Alert) und Tasten und Pedale (Helm) zur Steuerung von AMOS.Hardware against forgetting, because systems like Getting Things Done fade after two weeks: an eInk information radiator (Semaphore), signal badges including a boss button, a vibe-check light (Alert) and buttons and pedals (Helm) to drive AMOS.
  • Organisationsweite Dienste: Manifest aktualisiert Kunden-Records per Skill Chain aus z. B. Meeting-Transkripten, mit eingebauter Schutzschicht gegen Datenabfluss; Pilot liefert agentische Change-Reviews in Minuten statt Stunden zurück in den Channel.Organization-wide services: Manifest updates customer records via a skill chain from inputs such as meeting transcripts, with a built-in protection layer against data leaks; Pilot returns agentic change reviews to the channel in minutes instead of hours.
  • Das experimentelle Forecast kombiniert Signale, Daten und Records, um ein bis vier Wochen im Voraus zu erkennen, ob ein Team seinen Termin reißt – etwa wegen zu vieler offener Pull Requests oder Leuten mit drei, vier parallelen Themen.The experimental Forecast combines signals, data and records to spot one to four weeks ahead whether a team will slip – for example because of too many open pull requests or people juggling three or four things at once.
ErfahrungsberichtExperience report
Philipp Göllner & Gene Kim
CEO & Founder, XALT · Vibe Coder, Autor & Researcher, IT Revolution · Building The Chief of Staff Agent 80x FasterCEO & Founder, XALT · Vibe Coder, Author & Researcher, IT Revolution · Building The Chief of Staff Agent 80x Faster
Philipp Göllner und Gene Kim zeigen, wie ein kleines XALT-Team die Chief-of-Staff-App dieser Konferenz gebaut hat, indem es den gesamten Entwicklungsfluss einem Orchestrator mit parallelen Sub-Agents übergab – auf einem DevOps-Fundament mit Tausenden automatisierten Tests. Göllner argumentiert, dass sich der Engpass danach ins Review verlagert, und löst ihn, indem der Backlog nach Risiko getrennt wird und risikoarme Änderungen per 20-Sekunden-Film freigegeben werden.Philipp Göllner and Gene Kim show how a small XALT team built this conference's Chief of Staff app by handing the whole development flow to an orchestrator with parallel sub-agents, on top of a DevOps foundation with thousands of automated tests. Göllner argues that the bottleneck then moves to review, and addresses it by splitting the backlog by risk and approving low-risk changes via a 20-second film.
80×
schneller: von vier Wochen auf zwei Stunden (4× mehr Feedback pro Tag × 20 Entwicklertage pro Feedback-Tag)faster: from four weeks to two hours (4× more feedback per day × 20 developer days per day of feedback)
9,165
automatisierte Tests sichern das Produkt ab (6.000 zum Zeitpunkt der Wette)automated tests guard the product (6,000 when the bet was made)
10/h
Features pro Stunde nach dem ersten Tag mit Orchestrator und Sub-Agentsfeatures an hour after the first day with orchestrator and sub-agents
~$5k
Token-Kosten pro Tag (in der Spitze)token cost per day (at peak)
"Niemand liest fünftausend Zeilen Code in einem PR und versteht, was er tut.Nobody reads five thousand lines of code in PR and figures out what it does."
Key Takeaways
  • Gene Kim schildert seinen OpenClaw-Agenten „Marvin“ auf einem Mac mini, den Göllner für ihn eingerichtet hat: Er recherchiert zu jedem Kalendertermin die Gesprächspartner und postet alles in einen Slack-Kanal, und bei einem Reise-Notfall prüfte er über den echten Browser des Mac mini buchbare Flüge.Gene Kim describes his OpenClaw agent "Marvin" on a Mac mini that Göllner set up for him: it researches the people behind every calendar meeting and posts it all to a Slack channel, and during a travel emergency it used the Mac mini's real browser to check bookable flights.
  • Das Team startete mit sechs Personen und KI als Copilot (2–3× schneller). Drei Wochen vor dem Event lag eine Wunschliste mit Matching, Tagesbriefing, Programm, Fragen aus dem Saal und dem IT Revolution Brain vor; das Team hielt sie für unmöglich, Göllner setzte als CEO die Wette „If we fail, let's fail big. Give AI all the power.“The team started with six people and AI as a copilot (2–3× faster). Three weeks before the event a wish list with matching, daily briefing, program, questions from the room and the IT Revolution Brain arrived; the team called it impossible, and Göllner as CEO made the bet "If we fail, let's fail big. Give AI all the power."
  • Fundament nach dem DevOps Handbook: ein Jira-Ticket pro Anforderung mit dokumentierten Testfällen, jeder PR von der Pipeline getestet, Infrastructure as Code für jeden Teilnehmer-Server. Darauf verteilt ein Orchestrator Tickets an Sub-Agents, jeder in einem eigenen Git-Worktree; ein nächtlicher Loop leerte einen Backlog von etwa 170 Einträgen fast vollständig.Foundation by the DevOps Handbook: one Jira ticket per requirement with documented test cases, every PR tested by the pipeline, infrastructure as code for every attendee's server. On top, an orchestrator hands tickets to sub-agents, each in its own Git worktree; a night loop cleared a backlog of about 170 items almost completely.
  • Die Grenze: Eine einzige Änderung rollte neue Docker-Container auf alle Agent-Server aus und zerstörte den Chatverlauf, 50 Server tauchten nie in der Serverliste auf. Ein Engineer brauchte fünf Tage mit 14 Stunden täglich, um zurück zu einem stabilen Stand zu kommen – manche Änderungen brauchen einen Menschen, der jede Zeile liest.The wall: a single change rolled new Docker containers to every agent server and broke the chat history, and 50 servers never showed up in the server list. One engineer needed five days at 14 hours a day to get back to stable – some changes need a person to read every line.
  • Backlog nach Risiko trennen: Security, Server-Rollout und die Pipeline selbst liest ein Mensch Zeile für Zeile; Frontend, Texte und Layouts entscheidet ein 20-Sekunden-Vorher-Nachher-Film, den der Agent auf Staging aufnimmt. Beispiel: erste Beschwerde um 09:28, Ticket um 09:38, um 10:13 auf Staging mit Film; nach Freigabe liefert ein Release-Watcher aus.Split the backlog by risk: security, server rollout and the pipeline itself get a person reading every line; front-end changes, texts and layouts are decided by a 20-second before/after film the agent records on staging. Example: first complaint at 09:28, ticket at 09:38, on staging with the film at 10:13; once approved, a release watcher ships it.
  • Übertrag ins Enterprise: Auch bei der größten deutschen Bank gibt es trotz starker Regulierung Mechanismen für dokumentierte risikoarme Deployments. Als nächste Phase sieht Göllner ein „Enterprise Brain“ und Agenten wie ein Frühwarnsystem, das das Projektportfolio beobachtet und Anomalien erkennt, bevor Metriken sie zeigen.Transfer to the enterprise: even at the biggest German bank, heavily regulated, there are mechanisms for documented low-risk deployment. As the next phase Göllner sees an "Enterprise Brain" and agents such as an early-warning system that watches the project portfolio and detects anomalies before the metrics show them.
AI-SecurityAI security
Nicky Pike
Field CTO · Coder · Inspect the House, Not the Neighborhood: What Actually Makes an AI Model Risky
Nicky Pike argumentiert, dass die Frage nach der Herkunft eines Modells („Nutzen wir chinesische KI?“) wenig über sein Risiko aussagt, und betrachtet ein Modell stattdessen wie ein Haus mit drei Schichten: Verkabelung (was in die Gewichte trainiert wurde), Bauunternehmer (was mit den Dateien mitkommt) und Türen (was rein- und rausdarf). Weil sich die Verkabelung nie vollständig prüfen lässt, empfiehlt er, das Modell als austauschbares Teil hinter einem zentralen Gateway zu betreiben.Nicky Pike argues that asking where a model comes from ("Are we using any Chinese AI?") says little about its risk, and instead inspects a model like a house with three layers: wiring (what was trained into the weights), contractor (what ships alongside the files) and doors (what can get in and out). Because the wiring can never be fully verified, he recommends running the model as a replaceable part behind a single gateway.
244k
Downloads eines gefälschten „OpenAI“-Modells auf Hugging Face in unter 18 Stunden, Platz 1 der Trends (HiddenLayer, Mai 2026)downloads of a fake "OpenAI" model on Hugging Face in under 18 hours, #1 trending (HiddenLayer, May 2026)
~250
vergiftete Dokumente reichten für eine Backdoor – gleiche Zahl bei jeder getesteten Modellgrößepoisoned documents planted a backdoor – same number at every model size tested
~100
Modelle mit funktionierender Schadsoftware auf Hugging Face gefunden (JFrog, 2024)models with working malicious payloads found on Hugging Face (JFrog, 2024)
<$300
Token-Kosten für über 300 Gespräche eines Kunden mit Coders Support-Agent in 12 Monaten (Frontier-Modell)token cost for 300+ conversations of one customer with Coder's support agent in 12 months (frontier model)
"Lass das Modell das Teil sein, das du austauschst.Let the model be the part that you replace."
Key Takeaways
  • Der Fall des gefälschten OpenAI-Modells zeigt das eigentliche Risiko: Die Schadsoftware steckte nicht in den Gewichten, sondern im Setup-Skript daneben, das auf Windows-Rechnern Passwörter, Browser-Sessions und Dokumente abgriff.The fake OpenAI model shows where the real risk sat: the malware was not in the weights but in the setup script next to them, which harvested passwords, browser sessions and documents on Windows machines.
  • Open Weights sind nicht automatisch billiger: Eine Trading-Firma erledigte ein geplantes 12-Monats-Projekt (~1 Mio. $) in 2 Wochen für einen Bruchteil davon an Tokens, bei einem Logistikunternehmen fraßen GPU-Kosten die Einsparungen beim Self-Hosting auf. Fazit: jeden Workload einzeln bepreisen, dann Modelle staffeln.Open weights are not automatically cheaper: a trading firm finished a planned 12-month (~$1M) project in 2 weeks for a fraction of that in tokens, while a logistics company found GPU costs ate the self-hosting savings. Price each workload, then tier.
  • Verkabelung: In der Forschung überlebte eine gezielt eingebaute Backdoor das Safety-Training (Anthropic, Sleeper Agents, 2024). Einen öffentlichen Fall eines ausgelieferten kommerziellen Modells mit Backdoor hat Pike nicht gefunden, egal welcher Herkunft – Scanner fangen das meiste, aber nicht alles.Wiring: in research, a deliberately planted backdoor survived safety training (Anthropic, Sleeper Agents, 2024). Pike found no public case of a shipped commercial model carrying a backdoor, from any country – scanners catch most, but not all.
  • Bauunternehmer: Manche Modelldateien führen beim Laden Code aus, oft auf dem Entwickler-Laptop, der überall eingeloggt ist. Drei Gewohnheiten beim Bezug aus öffentlichen Hubs: safetensors nutzen, einen exakten Commit pinnen, trust_remote_code ausgeschaltet lassen.Contractor: some model files run code when loaded, often on a developer laptop that is logged into everything. Three habits for public hubs: use safetensors, pin an exact commit, leave trust_remote_code off.
  • Türen: Eine Investmentfirma lässt nur freigegebene Modelle, Provider und Gateways zu – MCP-Server eingeschlossen. Self-Hosting gibt die Chance, ausgehenden Traffic standardmäßig zu blockieren; Coder hat seinem eigenen Agenten das Öffnen von Pull Requests wieder entzogen.Doors: an investment firm allows only approved models, providers and gateways – MCP servers included. Self-hosting gives the chance to block outbound by default; Coder took away its own agent's ability to open pull requests.
  • Das Modell ist der Boiler, der irgendwann ersetzt wird: Bei Coder laufen alle Agenten über dieselben Workspaces und ein Gateway, das jeden Call sichtbar macht und monatliche Ausgabenlimits pro Person setzt. Ein Modellwechsel ist eine Konfigurationsänderung in den Templates – kein Laptop wird angefasst.The model is the water heater that will be replaced: at Coder every agent runs through the same workspaces and one gateway that shows every call and sets monthly spend limits per person. Swapping a model is a config change in the templates – no laptops touched.
Software FactorySoftware factory
Justin McCarthy
Founder and CEO · Diffusion AI · Now What?
Justin McCarthy argumentiert, dass in einer Software Factory, in der Menschen keinen Code mehr schreiben oder lesen, die Validierung das eigentliche Produkt ist – wie die Spritzgussform, nicht das Kunststoffgranulat. Für den „Tag 2“ danach beschreibt er sieben Muster, die er bei Teams im Rollout beobachtet hat, und warnt vor einer Produktionsschwemme, solange niemand eine „Demand Factory“ baut.Justin McCarthy argues that in a software factory where humans no longer write or read code, validation is the real product – like the injection mold rather than the plastic pellets. For the "day 2" that follows, he lays out seven patterns he has seen in teams rolling this out and warns of a production glut unless someone builds a "demand factory".
~$1T
Börsenwert großer Mess- und Prüfgeräte-Hersteller (Bio, Pharma, Elektronik) – Validierung, die der Software fehltMarket cap of large test and measurement companies (bio, pharma, electronics) – validation software is missing
$7B
Mercury Interactive als Benchmark für Software-Testing, gegenüber $262B bei Thermo FisherMercury Interactive as the software testing benchmark, versus $262B for Thermo Fisher
"Wenn du keine Validierung hast, hast du gar nichts.If you don't have validation, you don't have anything."
Key Takeaways
  • Validierung ist das Fundament: Im Spritzguss steckt die Ingenieursarbeit in der Form, nicht im Granulat – übertragen auf Software heißt das, Teams werden mehr Tokens in Validierung stecken als in den Code selbst.Validation is the foundation: in injection molding the engineering goes into the mold, not the pellets – for software this means teams will spend more tokens on validation than on the code itself.
  • Rezept in drei Schritten: Loop entwerfen (idealerweise von der Idee bis zum Umsatz), Validator bauen („technisch schwer“), laufen lassen und reparieren („spirituell schwer – nicht aufgeben“); gemessen wird so nah am Kundennutzen wie möglich.A three-step recipe: design a loop (ideally from idea to revenue), build a validator ("technically hard"), run and fix ("spiritually hard – don't give up"); measure as close to customer value as possible.
  • Faustregel: Wenn das Modell etwas gerade so kann, muss das Team aufhören, es selbst zu tun. Test: E-Mail, Code-Block, Datenbank-Eintrag und Datei per Copy-and-Paste ins Modell geben – löst es die Aufgabe, gehört die Kontext-Integration einem Agenten.Rule of thumb: if the model can just barely do it, the team must stop doing it. Test: paste an email, a block of code, a database record and a file into the model – if it solves the task, the context integration belongs to an agent.
  • Schwer bleibt, was gebaut werden soll: Design, Intent und Spezifikation – Kunden wünschen sich ein schnelleres Pferd, wenn eigentlich ihr Arbeitsweg zu lang ist.What stays hard is what to build: design, intent and specification – customers ask for a faster horse when the real problem is that their commute is too long.
  • Muster 1–3: Rollen wie Cooks, Drivers, Scouts und Goalies (bei N Leuten im Team nicht N Drivers), wöchentlicher Wechsel zwischen Offense (Ambition erweitern) und Defense (Zuverlässigkeit, Compliance) sowie Services, die für Agenten navigierbar sind (Agentic Estate).Patterns 1–3: roles like cooks, drivers, scouts and goalies (with N people on a team, do not have N drivers), trading offense (expanding ambition) and defense (reliability, compliance) week by week, and services that agents can navigate (agentic estate).
  • Muster 4–7 und Prognose: Shift way left (Produktmanager und Sales Engineers raus zum Kunden), Viral Competence über ein sichtbar starkes Team, Denial, Backsliding & Stasis, Don't Wait – und eine Demand Factory für mehr Kunden, mehr Wallet, mehr SKUs, mehr Produktlinien und M&A.Patterns 4–7 and forecast: shift way left (product managers and sales engineers out to customers), viral competence through one visibly performing team, denial, backsliding and stasis, don't wait – and a demand factory for more customers, wallet, SKUs, product lines and M&A.
AppSec
James Wickett
CEO & Co-Founder · DryRun Security · Adversarial Code Assurance as a Way Back to The Paved Road
James Wickett argumentiert, dass AI Software Factories die klassische AppSec aushebeln: Die meisten Schwachstellen in KI-generiertem Code sind Logik- und Autorisierungsfehler, die Pattern-Matching-Tools nicht finden, und der Bedarf an Verifikation wächst proportional zur Generierung. Als Ausweg zeigt er adversariales Code-Review mit Security Context Graph als „Paved Road“, der auch Agenten folgen können, und stellt dazu ein Reifegradmodell vor.James Wickett argues that AI software factories have broken traditional AppSec: most flaws in AI-generated code are logic and authorization bugs that pattern-matching tools miss, and demand for verification grows in proportion to generation. As a way out he presents adversarial code review backed by a security context graph as a paved road that agents can follow too, along with a maturity model.
87%
der PRs von Claude, Codex und Gemini enthielten Schwachstellen (Agentic Coding Security Report, März 2026)of PRs produced by Claude, Codex and Gemini contained vulnerabilities (Agentic Coding Security Report, March 2026)
78%
der KI-verursachten Schwachstellen sind per SAST nicht erkennbar (interne Stichprobe, 20.000 PRs)of AI-made flaws are undetectable by SAST (internal sample of 20,000 PRs)
1 in 5
PRs verändert die Security Posture, jeder 13. erweitert die Angriffsfläche (198k anonymisierte PRs)PRs changes security posture, 1 in 13 adds attack surface (198k anonymized PRs)
1.7×
Wachstum des PR-Volumens über 342 Repositories, Q2 2025 bis Q3 2026growth in pull request volume across 342 repositories, Q2 2025 to Q3 2026
"Die meisten Sicherheitslücken, die KI-Coding-Agenten erzeugen, sind mit herkömmlichen Mitteln nicht zu erkennen.Most of the security vulnerabilities that the AI coding agents are making are undetectable by traditional means."
Key Takeaways
  • Die Fehlerbilder verschieben sich: In den PR-Findings führen IDOR vor Prompt Injection und fehlender Autorisierung, während XSS und SQL Injection am Ende der Liste stehen. 29 % der Organisationen zeigen inzwischen Aktivität einer Agentic Software Factory (Q3 2026, nach 7 % in Q2 2025).The flaw profile is shifting: in PR findings IDOR leads, ahead of prompt injection and missing authorization, while XSS and SQL injection sit at the bottom. 29% of organizations now show agentic software factory activity (Q3 2026, up from 7% in Q2 2025).
  • Beispiel Mandantentrennung: Alice von Acme soll eine Rechnung sehen, der Agent fragt nur nach der Rechnungs-ID ohne tenant_id ab. Der erste Fix liest den Mandanten aus dem HTTP-Header, den der Aufrufer weiter selbst wählen kann. Erst principal.tenant_id macht die Grenze testbar (Alice → Globex: verweigert).Tenant isolation example: Alice from Acme should view an invoice, and the agent queries by invoice ID without tenant_id. The first fix reads the tenant from an HTTP header the caller can still choose. Only principal.tenant_id makes the boundary testable (Alice → Globex: denied).
  • Paved Road statt Shift Left: Wickett knüpft an Jason Chans (Netflix) „From Gates to Guardrails“ von 2013 an. Shift Left habe oft nur dieselben Tools auf Entwickler abgeladen, etwa Tausende Tickets – gebraucht wird ein sicherheitsgestützter Weg, die Arbeit sicher zu erledigen.Paved road over shift left: Wickett builds on Jason Chan's (Netflix) 2013 "From Gates to Guardrails". Shift left often just dumped the same tools and thousands of tickets on developers – what is needed is a security-supported way to do the work safely.
  • Adversariales Review heißt: System verstehen, unabhängig challengen (Gegenbeispiel zu den Annahmen des Autors, aus einem anderen Bezugsrahmen als der schreibende Agent), Exploits verketten, Security Contract anwenden (Basischecks plus produktspezifische Regeln) und die Reparatur erneut prüfen. Der Ablauf für Agenten: Challenge, Repair, Re-Challenge, Accept.Adversarial review means: understand the system, challenge independently (a counterexample to the author's assumptions, from a different frame of reference than the writing agent), chain exploits, apply a security contract (baseline checks plus product-specific rules) and verify the repair. The flow for agents: challenge, repair, re-challenge, accept.
  • Der Security Context Graph umfasst Code-Pfade und Vertrauensgrenzen, Committer, Git-Historie, frühere Findings, Autorisierungsflüsse, Abhängigkeiten und APIs. Git Temporal Coupling deckt versteckte Verbindungen auf: Auth- und Order-Service ändern sich in 55 % der Fälle gemeinsam, ohne Import-Beziehung.The security context graph covers code paths and trust boundaries, committers, git history, past findings, authorization flows, dependencies and APIs. Git temporal coupling reveals hidden links: the auth and order services change together 55% of the time with no import relationship.
  • Exploit Chaining: Ein vom Client beschreibbares Rate Limit, ein Server, der dem Zähler vertraut, und zwei bezahlte Upstream-APIs (Medium, Medium, Low) ergeben zusammen unbegrenzten Missbrauch bezahlter APIs (High). Als Rahmen dafür entwirft Wickett das AISSMM-Reifegradmodell mit den Stufen Visible, Codified, Operated und Assured.Exploit chaining: a client-writeable rate limit, a server that trusts the counter and two paid upstream APIs (medium, medium, low) combine into unbounded paid API abuse (high). As a framework, Wickett is drafting the AISSMM maturity model with the levels visible, codified, operated and assured.
QualitätsengineeringQuality engineering
Andrew Stellman
O'Reilly-Autor und KI-Dozent · It's a Feature, Not a Bug: Making Sure Code You Didn't Write Does What You MeantO'Reilly author and AI educator · It's a Feature, Not a Bug: Making Sure Code You Didn't Write Does What You Meant
Andrew Stellman zeigt, dass KI-Code Anforderungen und Tests erfüllen und trotzdem die eigentliche Absicht verfehlen kann, und greift dafür auf klassisches Qualitätsengineering von Deming, Juran und Crosby zurück. Sein Open-Source-Skill Quality Playbook rekonstruiert diese Absicht aus Doku, Diskussionen und Nutzer-Issues und hat damit jahrelang unentdeckte Fehler etwa in Gson und im Linux-Kernel gefunden.Andrew Stellman shows that AI-written code can satisfy its requirements and tests while still missing the actual intent, and turns to classic quality engineering from Deming, Juran and Crosby to close that gap. His open-source skill Quality Playbook reconstructs that intent from docs, discussions and user issues, and has found long-standing bugs in projects such as Gson and the Linux kernel.
17
Jahre steckte der virtio-pci-Fehler im Linux-Kernel (2009 bis 2026)years the virtio-pci defect sat in the Linux kernel (2009 to 2026)
~2 min
brauchte Claude Code, bis die Bus-Tracker-App lieffor Claude Code to get the bus tracker app working
"Qualitätsengineering heißt, den Nutzern zuzuhören und sicherzustellen, dass es für den Zweck taugt.Quality engineering means listening to your users, making sure it's fit for purpose."
Key Takeaways
  • Die selbst gebaute Bus-Tracker-App bestand Anforderung, Implementierung und Test, schickte ihn aber zum Bus Richtung Downtown Brooklyn statt zum B69 Richtung Kensington: Die KI tat genau, was gesagt wurde, nicht was gemeint war.His vibe-coded bus tracker passed requirement, implementation and test, yet sent him to the bus toward downtown Brooklyn instead of the B69 toward Kensington: the AI did exactly what he said, not what he meant.
  • Arbeit mit KI folgt dem Muster Spezifikation, Delegation, Verifikation wie ein Einkaufszettel: aufschreiben, jemand anderen einkaufen lassen, danach die Tüte prüfen.Working with AI follows specification, delegation and verification, like a shopping list: write it down, let someone else shop, then check the bag when it comes home.
  • Das Problem ist alt: Schon die NATO-Konferenz 1968 in Garmisch rang mit dem Erklären von Anforderungen, und der Mars Climate Orbiter ging 1999 verloren, weil Software Pound-Force-Sekunden statt der spezifizierten Newton-Sekunden lieferte und niemand das prüfte.The problem is old: the 1968 NATO conference in Garmisch already wrestled with explaining what to build, and the Mars Climate Orbiter was lost in 1999 because software supplied pound-force seconds instead of the specified newton-seconds and nobody checked.
  • Qualitätsengineering ist älter als Software: Deming (1950) Qualität von Anfang an einbauen, Juran (1951) Tauglichkeit für den Gebrauch, Crosby (1979) Erfüllung der Anforderungen. Bei Agenten ist die Frage, ob die Absicht überlebt hat.Quality engineering predates software: Deming (1950) build quality in from the start, Juran (1951) fit for use, Crosby (1979) meeting the requirements. With agents, the question is whether the intent survived.
  • Quality Playbook ist ein Open-Source-Skill für Claude Code, Cursor und Copilot: Es sammelt formelle und informelle Quellen wie GitHub-Issues, Slack oder Discord, leitet daraus Anforderungen ab und bestätigt Befunde mit fehlschlagenden Tests.Quality Playbook is an open-source skill for Claude Code, Cursor and Copilot: it gathers formal and informal sources such as GitHub issues, Slack or Discord, turns them into requirements and confirms findings with failing tests.
  • Hunderte Befunde in Dutzenden Projekten, darunter Gson (PR #3006), das doppelte Schlüssel akzeptierte, wenn der erste Wert null war. Jeder Bug wird vor dem Einreichen reproduziert, etwa in QEMU, weil Maintainer genug KI-Slop haben.Hundreds of findings across dozens of projects, including Gson (PR #3006), which accepted duplicate keys when the first value was null. Each bug is reproduced before submission, for example in QEMU, because maintainers have enough AI slop.
Forum-PaperForum paper
Jeff Gallimore & Tapabrata "Topo" Pal
CTIO, Excella · SVP, Head of Developer Platforms, M&T Bank · AI-Driven Organizational Value
Jeff Gallimore und Topo Pal erklären, warum KI-Nutzung, Adoption und Produktivität steigen, sich aber kaum in Umsatz und Gewinn zeigen: Gemessen wird Fähigkeit statt Geschäftsergebnis. Ihr Paper argumentiert, dass der Wert von KI in den Optionen liegt, die frei gewordene Kapazität schafft, und dass Führung diese Kapazität bewusst verteilen, eng messen und die Durststrecke finanzieren muss.Jeff Gallimore and Topo Pal explain why AI usage, adoption and productivity are rising while barely showing up in revenue and profit: organizations measure capability instead of business outcomes. Their paper argues that AI's value lies in the options freed capacity creates, and that leaders must allocate that capacity deliberately, measure narrowly and fund the dip.
95%
der GenAI-Piloten in Unternehmen ohne messbaren GuV-Effekt, trotz 30 bis 40 Mrd. $ Ausgaben (MIT 2025)of enterprise GenAI pilots show no measurable P&L return despite $30-40B spent (MIT 2025)
39%
berichten überhaupt einen EBIT-Effekt durch KI, meist unter 5 % (McKinsey 2025)report any EBIT impact from AI at all, mostly under 5% (McKinsey 2025)
~115
registrierte Use Cases außerhalb der Entwicklung bei einem Fortune-100-Finanzdienstleister, inklusive Legalnon-engineering use cases registered at a Fortune 100 financial services company, including legal
18–36
Monate von der Adoption bis zu messbaren Ergebnissen (Schätzung des Papers)months from adoption to measurable results (the paper's estimate)
"Fähigkeit zu messen ist sehr bequem. Zu messen, ob daraus tatsächlich ein Ergebnis entstanden ist, ist überhaupt nicht bequem.Measuring capability is really comfortable. Measuring whether it actually created an outcome is not comfortable at all."
Key Takeaways
  • KI-Wert ist eine Entscheidung über Kapitalallokation: Frei gewordene Kapazität kann geerntet (Kosten raus), in Lernen oder in Wachstum investiert werden. Ernten als Standard kann nach hinten losgehen: Klarna ersetzte 2024 die Arbeit von rund 700 Agenten und holte Menschen zurück, als die Qualität sank.AI value is a capital-allocation choice: freed capacity can be harvested as cost, reinvested in learning or put into growth. Harvesting by default can backfire: Klarna took out roughly 700 agents' work in 2024 and brought humans back when quality fell.
  • Der eigentliche Wert sind die Optionen: Bei einem Fortune-100-Medienunternehmen lief ein auf acht Monate geplanter Build in sieben Wochen, gleiches Team und Budget. Bei IKEA löste der Bot Billie rund 47 % der Anfragen, 8.500 Mitarbeitende wurden für Remote-Design und -Verkauf umgeschult (1,3 Mrd. € Remote-Umsatz im GJ22).The real value is the options: at a Fortune 100 media company an eight-month build shipped in seven weeks with the same team and budget. At IKEA the bot Billie resolved about 47% of inquiries and 8,500 reps were reskilled into remote design and sales (EUR 1.3B in remote sales in FY22).
  • Jeder baut jetzt: Die ersten KI-nativen Builder sitzen oft in Marketing, HR, Finance und Ops, ein Einkaufsmitarbeiter baute sich den Ersatz für ein ungeliebtes SaaS-Tool selbst. Knappheit hat früher Nein gesagt, jetzt muss man es bewusst tun: Ein Cloud-Anbieter fand rund 43 interne Apps für denselben Zweck.Everyone is a builder now: the first AI-native builders are often in marketing, HR, finance and ops, and a procurement employee built his own replacement for a SaaS tool he disliked. Scarcity used to say no for you, now you have to on purpose: one cloud provider found about 43 internal apps doing the same job.
  • Eine 10×-Funktion in einem 1×-Unternehmen ist nur ein schnellerer Engpass: Die Entwicklung einer Bank wurde bei manchen Aufgaben bis zu 10× schneller und stockte dann. Der Engpass wandert zu Priorisierung, Validierung und Abnahme, Betrieb und Kundenadoption, also muss die ganze Pipeline breiter werden.A 10x function inside a 1x business is just a faster bottleneck: a bank's engineering org got up to about 10x faster on some work, then stalled. The bottleneck moves to deciding what is worth doing, validation and UAT, operate and run, and customer adoption, so the whole pipe has to widen.
  • Es gibt keine einzelne ROI-Zahl für KI: Besser eng auf einen Workflow mit sauberer Baseline messen, in drei Formen (Vielfaches des Ergebnisses, gleiches Ergebnis schneller oder günstiger, bisher Unmögliches). Beispiel Amazon: Java-Upgrades von durchschnittlich 50 Entwicklertagen pro App auf Stunden, bei über 30.000 Apps geschätzt rund 260 Mio. $ pro Jahr.There is no single number for the ROI of AI: measure one workflow narrowly against a clean baseline, in three shapes (multiples of the outcome, the same outcome faster or cheaper, the previously impossible). Example Amazon: Java upgrades went from an average of 50 developer-days per app to hours, across 30,000+ apps an estimated ~$260M a year.
  • Der Weg führt über Adoption, Optimierung und Realisierung mit den Leitsäulen Produktivität, Kosten und Wert. Weil die Produktivitäts-J-Kurve erst fällt, bevor sie steigt, müssen Führungskräfte die Delle finanzieren und Evidenz einfordern: Unterstützende Leader tun das, gleichgültige warten auf die Zahl, feindselige verlangen den falschen Beweis zur falschen Zeit.The journey runs through adoption, optimization and realization, led by productivity, cost and value. Because the productivity J-curve can dip before it climbs, leaders have to fund the dip and demand evidence: supportive leaders do that, numb leaders wait for the number, hostile leaders demand the wrong proof at the wrong time.
SystemdenkenSystems thinking
Elisabeth Hendrickson
CEO / Gründerin · Curious Duck Digital Laboratory · The System Pokes BackCEO / Founder · Curious Duck Digital Laboratory · The System Pokes Back
Elisabeth Hendrickson nutzt Werkzeuge aus ihrem Buch „Signals & Levers“ (mit Joel Tosi), um zu erklären, warum nur wenige Organisationen mit KI schneller und verlässlicher liefern, während die meisten Schwankungen oder Verschlechterung erleben. Sie argumentiert, dass Softwareauslieferung ein adaptives soziotechnisches System ist, das zurückstößt, und dass es Guardrails, Experimente und Messung echter Ergebnisse statt Proxy-Metriken braucht.Elisabeth Hendrickson applies tools from her book Signals & Levers (with Joel Tosi) to explain why only a few organizations ship faster and more reliably with AI while most see volatility or degradation. She argues that software delivery is an adaptive sociotechnical system that pokes back, and that it takes guardrails, experiments and measuring real outcomes instead of proxy metrics.
24×
mehr gemergte PRs beim Replatforming von Twill mit Software Factory, aber auch mehr Reworkmore merged PRs when replatforming Twill with a software factory, but rework also up
45 min
bis Cursor ein JavaScript-Reload-Problem löste, das sie monatelang blockiert hattefor Cursor to fix a JavaScript reload problem that had blocked her for months
"Wer behauptet, es sicher zu wissen, ist entweder wahnhaft oder will einem wirklich etwas verkaufen.Anybody who tells you that they know for sure, they're either delusional or they're really trying to sell you something."
Key Takeaways
  • Vom Mech-Suit zur Software Factory: Im März 2025 löste Cursor in 45 Minuten ein Live-Reload-Problem, das jede JavaScript-Änderung um drei Minuten Neukompilieren verzögert hatte. Heute ist ihre Simulation komplett in TypeScript neu geschrieben, ohne eine einzige selbst geschriebene Zeile.From mech suit to software factory: in March 2025 Cursor fixed in 45 minutes a live-reload problem that had added a three-minute recompile to every JavaScript change. Today her simulation is fully rewritten in TypeScript without a single line written by her.
  • Das Paradox: CircleCI (28,7 Mio. CI-Workflows) sieht wenige Top-Performer schneller und verlässlicher als je zuvor, die meisten Teams erleben das Gegenteil. Faros (22.000 Entwickler, 4.000 Teams) nennt es „Acceleration Whiplash“: KI macht es leicht, Arbeit zu beginnen, aber nicht, sie abzuschließen, also womöglich eine Fortschrittsillusion.The paradox: CircleCI (28.7M CI workflows) sees a few top performers shipping faster and more reliably than ever while most teams experience the opposite. Faros (22K developers, 4K teams) calls it the Acceleration Whiplash: AI made it easy to start work, not to finish it, possibly an illusion of progress.
  • Unbeabsichtigte Folgen als Kausalschleifen: KI-Nutzung vergrößert PRs, das erhöht Merge-Stau, Cycle Time, Work in Progress und die Zahl der Branches, was den Stau weiter verstärkt. Zugleich fördert KI-Adoption Shadow IT, deren ungeplante Wartungslast die IT-Auslieferung bremst. KI ist ein Verstärker für Nutzen, Hindernisse, Engpässe, Rauschen und Chaos.Unintended consequences as causal loops: AI use grows PR size, which raises merge congestion, cycle time, work in progress and the number of branches, reinforcing the congestion. AI adoption also fuels shadow IT whose unplanned maintenance burden slows IT delivery. AI is an amplifier of benefits, impediments, bottlenecks, noise and chaos.
  • Softwareauslieferung ist ein adaptives soziotechnisches System: unteilbar, mit voneinander abhängigen Teilen und fraktal vom Team bis zur Volkswirtschaft. Mit Russell Ackoff: Wer Teile getrennt verbessert, verbessert nicht unbedingt das Ganze. Bei Intercom wurde die Qualität mit KI erst schlechter, der erste anhaltend positive Trend kam nach 18 Monaten.Software delivery is an adaptive sociotechnical system: indivisible, with interdependent parts, and fractal from team to economy. As Russell Ackoff put it, improving the parts separately does not necessarily improve the whole. At Intercom quality got worse with AI before it got better, with the first sustained positive streak after 18 months.
  • Mehr Output ohne Guardrails erhöht das Risiko sich aufschaukelnden „Slops“, das System läuft ohne Regelkreis. Bei Twill stiegen PRs um das 24-Fache, aber auch das Rework. Ob das Signal oder Rauschen ist, weiß heute niemand sicher, Überreaktion kann zusätzliche Schwankung erzeugen.More output without guardrails raises the risk of compounding slop, the system runs open loop. At Twill PRs went up 24x, but so did rework. Whether that is signal or noise nobody knows for sure yet, and overreacting can add volatility.
  • Ergebnisse messen statt unbewiesener Proxys: Produktivität als gelieferter Wert (nicht Codezeilen, Tokens oder PRs), Qualität als Produktionsfehler und Incidents (nicht Zwischen-Rework), Finanzen als Umsatz und Gesamtkosten (nicht nur Token- oder Gehaltskosten). Dazu Experimente mit Hypothese und ihre Hypothese: erst in Validierung investieren, dann mehr Features liefern.Measure outcomes, not unproven proxies: productivity as value delivered (not lines of code, tokens or PRs), quality as production failures and incidents (not interim rework), financials as revenue and all-in costs (not just token or salary cost). Run hypothesis-driven experiments, and her hypothesis: invest in validation first, then deliver more features.
StrategieStrategy
Joe Beutler
Head of Solutions Engineering, Strategics · OpenAI · The 5 Fatal Mistakes of Enterprise AI Deployment
Joe Beutler leitet aus fünf Gesprächen mit Führungskräften im letzten Monat fünf typische Fehler bei KI im Unternehmen ab: die Strategie eines anderen kopieren, Nutzen ohne Plan versprechen, alles selbst bauen wollen, bei Engineering stehen bleiben und alle Teams auf eine Pflichtplattform warten lassen. Er argumentiert, dass 2026–27 das Fenster ist, in dem KI noch Marktanteile gewinnt, bevor sie ab 2028 nach seiner Prognose Pflicht wird.Joe Beutler draws five common enterprise AI mistakes from five executive conversations in the last month: copying a peer's strategy, promising value without a plan, insisting on building everything, stopping at engineering, and making every team wait for one mandatory platform. He argues that 2026–27 is the window in which AI can still win market share before, by his forecast, it becomes table stakes from 2028.
3×
Produkt-Durchsatz bei einer Private-Equity-Firma, aber kein vergleichbarer Anstieg bei Umsatz oder Wachstumproduct throughput at a private equity firm, but no comparable lift in revenue or growth
60
Portfoliofirmen, in denen dieselbe Firma interne FDEs eingesetzt hatportfolio companies where the same firm deployed internal FDEs
"Man muss investieren, solange es einem noch Marktanteile bringen kann.You need to invest while it can still win you market share."
Key Takeaways
  • Keinen Peer kopieren: BNY hat 2024 Eliza und 2025 Eliza 2.0 selbst gebaut, weil Infrastruktur für Banken ihr Kerngeschäft ist. Ein Versicherer gewinnt dagegen bei Underwriting, Risiko und Kundenservice und sollte seine besten Leute dorthin setzen.Don't copy a peer: BNY built Eliza in 2024 and Eliza 2.0 in 2025 because infrastructure for banks is its core business. An insurer wins on underwriting, risk and customer service and should put its best builders there.
  • Vor jeder Plattforminvestition vier Fragen klären: Vorteil (warum diese Schicht besitzen?), Timing (gibt es den Vorsprung beim Launch noch?), Pflegeaufwand und Neubewertung. Schon bei der Freigabe ein Review-Datum festlegen.Before funding a platform, answer four questions: advantage (why own this layer?), timing (will the edge still exist at launch?), upkeep and reassessment. Set a review date when you approve the investment.
  • Ein Nutzenversprechen wie „50 Mio. Dollar“ braucht Baseline, die konkrete Änderung der Arbeit, einen Owner und eine Messmethode. Eine der größten Lücken: niemand ist für Adoption und Value-Reporting verantwortlich.A value promise like "$50M" needs a baseline, the concrete change in work, an owner and a way to measure it. One of the biggest gaps: nobody is accountable for adoption and value reporting.
  • Build oder Buy ist nicht eine Entscheidung, sondern viele: ein primäres Kollaborationssystem für den Arbeitsplatz, Spezialtools nach Ergebnissen wählen, interne Automatisierung auf einer unterstützten Plattform, eigene Kundenprodukte dort bauen, wo man sich differenziert.Build versus buy is not one decision but many: one primary collaboration system for the employee workspace, specialist tools chosen on results, internal automation on a supported platform, and building customer products where you differentiate.
  • Nicht bei Engineering stehen bleiben: Eine Private-Equity-Firma verdreifachte den Produkt-Durchsatz ohne vergleichbares Umsatzplus, weil der nächste Engpass in Sales und Marketing liegt. Delegation an KI (Ziel, Kontext, Tools, Entwurf, Review, Wiederholen) ist eine Führungskompetenz, die alle lernen müssen.Don't stop at engineering: a private equity firm tripled product throughput without a comparable revenue lift because the next constraint was sales and marketing. Delegating to AI (goal, context, tools, draft, review, repeat) is an executive skill everyone has to learn.
  • Teams nicht auf eine Pflichtplattform warten lassen: Statt alles selbst zu bauen, Connectors und APIs zu Dokumenten, CRM und Geschäftsdefinitionen bereitstellen und mehr als einen Lieferweg erlauben, etwa interne Startups für neue Kundenprodukte.Don't make teams wait for one mandatory platform: instead of building everything, provide connectors and APIs to documents, CRM and business definitions, and approve more than one delivery path, such as internal startups for new customer products.
AbschlussClosing
Gene Kim
Program Chair · IT Revolution · Closing Remarks
Gene Kim schließt den Summit mit einem Rückblick: Ziel der letzten zwei Jahre war es, die Menschen zusammenzubringen, die KI und Vibe Coding am konsequentesten für Unternehmensziele einsetzen, ICs ebenso wie Technologie-Führungskräfte. Mit Brian Enos Begriff „Scenius“ beschreibt er, was die zwei Tage in Charlotte ausgemacht hat: Durchbrüche entstehen in einer Szene, nicht beim einsamen Genie.Gene Kim closes the summit with a recap: the goal over the last two years was to assemble the most switched-on people using AI and vibe coding to advance enterprise goals, both ICs and technology leaders. Using Brian Eno's term "scenius", he describes what defined the two days in Charlotte: breakthroughs emerge from a scene, not from lone geniuses.
Key Takeaways
  • Drei Maßstäbe für die zwei Tage: High Network (mit den Besten im Feld zusammen sein), High Learning (Lernen, das nützlich und wertvoll ist) und High Impact (Dinge, die für jemanden, besser noch für viele, einen Unterschied machen).Three yardsticks for the two days: high network (hanging out with the best in the game), high learning (learning that is useful and valuable) and high impact (things that make a difference to someone, or better yet, lots of someone).
  • Scenius-Merkmale, die Kim auf dem Summit wiedergefunden hat: gegenseitige Wertschätzung, bei der freundlicher Wettbewerb die Zurückhaltenden mitzieht, schneller Austausch von Tools und Techniken, sobald etwas erfunden ist, und Netzwerkeffekte des Erfolgs, bei denen ein Durchbruch der ganzen Szene gehört.Scenius features Kim saw at the summit: mutual appreciation, where friendly competition goads the shy, rapid exchange of tools and techniques as soon as something is invented, and network effects of success, where a breakthrough is claimed by the entire scene.
  • Dank an das gesamte IT-Revolution-Team, das Personal des Carolina Theatre, alle Speaker, das Publikum sowie die Sponsoren mit GitLab als Premier Partner. Die meisten Talks sind bereits online, die übrigen folgen nach Freigabe durch die Unternehmenskommunikation der Speaker.Thanks to the entire IT Revolution team, the staff at the Carolina Theatre, all speakers, the attendees and the sponsors, with GitLab as premier partner. Most talks are already online; the rest follow once they clear the speakers' corporate communications.
  • Ausblick: Das nächste Treffen findet am 5. und 6. Mai 2027 in Portland, Oregon, statt. Wir freuen uns jetzt schon darauf.Outlook: the next event takes place on May 5 and 6, 2027 in Portland, Oregon. We are already looking forward to it.