Der letzte Engpass

Vor dreißig Jahren wurde Software noch auf eingeschweißten CDs ausgeliefert und im Einzelhandel verkauft. Um ein Produkt an den Kunden zu bringen, benötigte man Verträge zur Fertigung, Verpackung und zum Vertrieb. All diese Prozesse waren komplex, sodass der Weg vom Hersteller zum Käufer voller Hindernisse war.

Jede seitdem erfolgte größere Veränderung in der Produktentwicklung hat einen Engpass beseitigt. Das Internet hat den Vertrieb überflüssig gemacht. Die Cloud und die kontinuierliche Bereitstellung haben die Friktionen bei den Iterationen beseitigt. Seitdem schaffen Teams nicht nur einmal im Jahr einen neuen Release, sondern eine tägliche Bereitstellung. Heute beseitigen KI-Tools wie Lovable und Cursor die nächsten Ebenen der technischen Komplexität. Mit ihnen verschwinden Einschränkungen wie die Programmiersprache, sodass mehr Menschen unabhängig von ihrem technischen Fachwissen schneller Prototypen erstellen und entwickeln können. Ein einzelnes Team kann eine neue Funktion schon innerhalb von Stunden bereitstellen. Und genau das tut es auch. Ständig.

Aber keine dieser Veränderungen konnte eine Antwort auf die wichtigste Frage geben: Wird auch das Richtige entwickelt?

Die Entwicklungsgeschwindigkeit hat die Lerngeschwindigkeit überholt

Heutzutage stellen Teams eine neue Funktion noch vor der Mittagspause bereit und arbeiten sich bis zum Abendessen schon durch das nächste Projekt. Eine Kampagne kann am Morgen live gehen, aber ihre Performance wird erst mit dem nächsten Monatsbericht bekannt. Um zu verstehen, wie die Nutzer:innen die Ergebnisse deiner Entwicklungen tatsächlich erleben, musst du immer noch Datensysteme verbinden, auf die Verfügbarkeit der Analyst:innen warten und hoffen, dass sie die richtige Frage beantworten, bevor der nächste Sprint losgeht.

Doch durch Geschwindigkeit ohne Verständnis wird nicht nur ein einzelner Sprint oder eine Kampagne verschwendet; vielmehr potenzieren sich dadurch die Kosten jeder Fehlentscheidung. Jede Funktion, die auf einer fehlerhaften Annahme basiert, wird heute schließlich schneller bereitgestellt. Jede Kampagne, die auf die falsche Kennzahl hin optimiert wurde, wird schneller skaliert. Jedes Experiment, das ohne klare Erkenntnis des Nutzerverhaltens gestartet wird, könnte die Kund:innen schneller vertreiben, als sie für deine Lösung zu begeistern. Bevor die Teams die Bereitstellung der Geschwindigkeit zur Priorität machen, benötigen sie einen Workflow, um zu bestimmen, ob sie sich in die richtige Richtung bewegen.

Die Teams sorgen nicht nur für eine schnellere Bereitstellung; sie tun das noch dazu im Blindflug. Doch wenn kein Zusammenhang zwischen den Weiterentwicklungen und dem, was tatsächlich funktioniert, hergestellt werden kann, ist Geschwindigkeit nicht von Natur aus wertschöpfend. Stattdessen bremst sie vielmehr das weitere Wachstum aus.

Vom Bericht zum Argument

Dieser Engpass bei der Beurteilung des Produkts wird nicht durch fehlende Daten verursacht. Den Teams stehen schließlich mehr Daten zur Verfügung als je zuvor. Es liegt auch nicht an einem Mangel an Tools. Der Analytics-Markt ist schließlich riesig. Vielmehr besteht das Problem darin, dass die meisten Analyseprozesse immer noch wie vor der KI-Revolution ablaufen. Jemand hat eine Frage. Diese Person löst ein Ticket bei den Analyst:innen. Tage oder Wochen später bekommt sie dann ein Dashboard angezeigt, das aber nur dann hilfreich ist, wenn überhaupt die richtige Frage gestellt wurde.

Dieser Workflow war hinnehmbar, als die Bereitstellung durch die Teams noch im vierteljährlichen Turnus erfolgte. Bei einer täglichen Bereitstellung ist das aber nicht mehr praktikabel. In einer Welt, in der sich Produkte, Kampagnen und Experimente mit KI-Geschwindigkeit weiterentwickeln, muss auch Analytics proaktiv Schritt halten. Sie muss kontinuierlich und in Echtzeit über die Geschehnisse nachdenken, um alle relevanten Informationen an die Oberfläche zu bringen, bevor überhaupt jemand daran denkt, danach zu suchen. Berichte über die Vergangenheit sind die erste Phase des Scheiterns. Analytics-Tools müssen den Teams heute vielmehr aktiv dabei helfen, die Gegenwart zu verstehen und zu entscheiden, was als Nächstes zu tun ist.

Für diese Entwicklung wird jedoch eine völlig neue Grundlage benötigt.

Für Analytics im KI-Umfeld ist ein vollständiger Verhaltenskontext erforderlich

Man benötigt mehr als ein Data Warehouse und eine Abfrageebene, um feststellen zu können, ob man überhaupt das Richtige entwickelt hat. Dazu braucht man vielmehr ein vollständiges Bild der Nutzererfahrung, einschließlich der Verhaltensdaten und Trichter sowie Sitzungsaufzeichnungen, Umfragefeedback und Support-Gespräche. Man muss Daten in Echtzeit darüber zusammenführen, wie sich die Nutzer:innen verhalten, wie sie sich fühlen und wo sie stecken bleiben.

Doch diese Signale der Nutzer:innen sind nur das halbe Bild. Die KI muss auch den Kontext deines Teams verstehen:

• Welche Fragen werden gerade gestellt?
• Welche Diagramme und Kennzahlen wurden kürzlich erstellt?
• Wie hat sich deine Taxonomie entwickelt?
• Wie verschieben sich die Prioritäten, wenn sich die Produkte und Kampagnen verändern?

Ohne diesen lebendigen Kontext produziert selbst leistungsstarke KI nur oberflächliche oder irreführende Antworten. Aus diesem Grund kann man nicht einfach ein LLM auf ein Data Warehouse aufsetzen und dann direkt aussagekräftige Erkenntnisse erwarten. Dann bekommt man zwar vielleicht schneller die Gelegenheit, zu fragen, was gerade passiert ist, doch einem entgeht weiterhin der wichtigste Aspekt: die Ursachenforschung und die Entscheidung über den nächsten Schritt. Für ein echtes Verständnis muss der vollständige Kontext der Nutzererfahrung mit der Absicht des Teams verschmelzen, die jeweilige Lösung zielgerichtet für die entsprechenden Nutzer:innen zu entwickeln.

Analytics muss agentisch werden – nicht nur intelligent

Heute liegt die operative Belastung von Analytics noch bei den Menschen. Irgendjemand muss die Taxonomie pflegen, wenn sich das Produkt verändert. Jemand anderes muss veraltete oder fehlerhafte Daten bereinigen, damit das System nicht heimlich, still und leise degeneriert. Wieder jemand anderes muss Verhaltensmuster und das Nutzerfeedback mit konkreten Ideen darüber zusammenbringen, welches Problem als Nächstes behoben, bzw. was als Nächstes getestet oder entwickelt werden soll. All diese Schritte sind unerlässlich, und fast keiner davon ist skalierbar.

Die Lösung für diese Aufgabe lautet agentische Analytics. Sie pflegt und entwickelt die Grundlage, von der sie abhängt, hält den Kontext auf dem neuesten Stand, ohne dass sie darum gebeten werden muss, und hilft den Teams, Erkenntnisse umzusetzen, ohne dazu auf eine Übergabe warten zu müssen. Analytics ist dabei kein passives System mehr, das man abfragen muss, sondern wird vielmehr zu einem aktiven Teilnehmer an der Weiterentwicklung, Bereitstellung und dem weiteren Wachstum.

Upgrade der Amplitude-AI-Analytics-Plattform

Cursor hat neu definiert, was in der Softwareentwicklung möglich ist und dabei die Geschwindigkeit der Entwickler:innen um das Zehnfache gesteigert sowie Menschen, die noch nie eine Zeile Code in ihrem Leben geschrieben haben, die Möglichkeit eröffnet, an der Entwicklung mitzuwirken. Heute ist dieser Moment für Analytics.

Wir erweitern unsere AI-Analytics-Plattform um Amplitude Agents: ein agentisches System, das mehr Menschen und mehr Teams die Möglichkeit eröffnet, Verhaltensdaten und den vollständigen Kontext der Benutzererfahrungen zu verstehen.

Es erfasst kontinuierlich, was entlang der gesamten Customer Journey passiert. Es entscheidet, was wichtig ist und warum. Es agiert durch Experimente, Personalisierung und mehr. Mit AI Analytics können Teams in Minuten anstatt in Wochen von der Produktentwicklung zur Bewertung ihrer Auswirkungen übergehen. Das ist ein 10-facher Produktivitätsgewinn gegenüber manuellen Analysen.

So funktioniert es.

Amplitude Global Agent

Der Amplitude Global Agent hat Zugriff auf die gesamte Amplitude-Plattform, um Analysen durchzuführen und Maßnahmen zu ergreifen: Verhaltensdaten, Journeys, Experimente, Sitzungsaufzeichnungen und Feedback. Er berücksichtigt dabei auch den Kontext, auf den sich dein Team konzentriert, einschließlich aktueller Fragen, neuer Diagramme, wechselnder Kennzahlen und aktualisierter Prioritäten. Er erstellt nicht nur Diagramme, um Fragen zu beantworten, sondern führt auch Gespräche in einfacher Sprache und ermutigt zu Nachfragen, um so jeden durch analytische Fragestellungen zu führen.

Global Agent führt vollständige Analysen durch, verbindet Muster über verschiedene Datenquellen hinweg und bereitet konkrete nächste Schritte vor. Die Ursachenanalyse dauert jetzt nur Minuten und nicht mehr wie früher Tage und Wochen. Zudem ist sie viel präziser als eine manuelle Analyse. Dann können sogar Empfehlungen zu den richtigen nächsten Schritten erteilt werden. Der Zugang erfolgt ganz einfach dort, wo deine Teams die meiste Zeit verbringen – in Slack und Teams.

Specialized Agents

Während Global Agent die Teams bei der Analyse und Entscheidung unterstützt, stellen die Specialized Agents sicher, dass nichts Wichtiges übersehen wird. Sie wurden speziell für eine einzelne Domain oder einen einzelnen Workflow entwickelt und werden regelmäßig ausgeführt, um zu analysieren, was gerade passiert, und um Zusammenfassungen, Informationen Chancen und Handlungsempfehlungen an deine Amplitude-Agentenseite, über Slack oder per E-Mail zu senden.

Derzeit sind vier Specialized Agents verfügbar:

• Dashboard-Überwachungsagent: Generiert automatisch Erkenntnisse aus jedem Dashboard, stellt Deep Dives zu interessanten Trends und Anomalien vor und führt turnusmäßig eine proaktive Überwachung durch, sodass Schwachstellen erkannt werden, bevor sie zu Problemen werden.
• Agent für Sitzungsaufzeichnungen: Überprüft Hunderte von Sitzungen nach einem Zeitplan, um Reibungen und Muster zu identifizieren, die dich Konversionen kosten. Empfiehlt konkrete Abhilfemaßnahmen mit quantifizierten Informationen zu den Auswirkungen.
• Website-Konversionsagent: Schlägt Experimente vor, generiert Varianten und erstellt entsprechende Versuchsanordnungen. Mit deiner Erlaubnis führt er die Starts aus und stellt die Ergebnisse zusammen mit den Rollout-Entscheidungen vor.
• Feedback-Agent: Erstellt geplante Zusammenfassungen zu den wichtigsten Themen aus unstrukturiertem Feedback (z. B. Umfragen, Tickets) und zeigt umsetzbare Erkenntnisse an, die deine Teams sonst übersehen würden.

Model Context Protocol Server (MCP-Server)

Mit MCP sind die Verhaltenserkenntnisse von Amplitude direkt in den KI-Workflows verfügbar, die du bereits verwendest. Du kannst dort Fragen stellen, Probleme analysieren und auf das, was du dort findest, reagieren, ohne dazu deinen Workflow verlassen zu müssen. Erkenntnisse werden im Moment der Entscheidung angezeigt, nicht erst danach.

KI-Assistenten: Lass Claude oder ChatGPT das Nutzerverhalten zusammenfassen, Diagramme erstellen und Produkt- oder Kampagnenfragen mithilfe der Daten von Amplitude beantworten.

Entwicklung: Validiere, debugge und verfolge die Auswirkungen mit dem Produktkontext in Cursor oder Claude Code. Ergänze GitHub-Pull-Anfragen um Verhaltenskontext. Erstelle KI-Funktionen mit integrierten Produkterkenntnissen in AWS Kiro und stelle sie direkt bereit.

Entwicklung und Prototyping: Validiere und präzisiere Lovable-Konzepte mithilfe von Erkenntnissen zur Produkt-Performance und Feedback. Identifiziere Reibungspunkte der Nutzer:innen und generiere datengestützte Prototypen in Figma Make.

Produkt und Zusammenarbeit: Analysiere und identifiziere Produktchancen mit Notion Agents. Mach Diagramme und Analysen von Amplitude in Atlassian Rovo leicht durchsuchbar.

Sales und Bindung: Personalisiere das Messaging und Targeting in Outreach mit Verhaltenssignalen.

Ein System statt getrennter Funktionen

Global Agent, Specialized Agents und MCP sind keine drei Einzelprodukte. Sie sind ein System, das auf einer gemeinsamen Grundlage von Verhaltensdaten, lebendigem Kontext und agentischem Denken aufbaut. Der Global Agent analysiert in Echtzeit. Specialized Agents automatisieren Workflows, die für dich wichtig sind. Mit MCP gelangt alles dorthin, wo dein Team bereits arbeitet. Gemeinsam schließen sie die Lücke zwischen Entwickeln und Lernen, die der Rest der Branche bisher offen gelassen hat.

Die Zukunft gehört Teams, die so schnell lernen, wie sie ihre Lösungen bereitstellen

Entwicklungsgeschwindigkeit ist kein Wettbewerbsvorteil mehr. Die KI hat jedem Team die Möglichkeit an die Hand gegeben, seine Lösungen außergewöhnlich schnell bereitzustellen. Stattdessen kommt es nun darauf an, wie schnell du verstehen kannst, was du entwickeln musst, und dieses Wissen auch konsequent in die Tat umzusetzen.

Analytics, die allein auf menschlicher Geschwindigkeit aufbauen, werden zurückfallen. Die Zukunft liegt in Analytics auf KI-Niveau auf Basis eines Verhaltenskontextes und kontinuierlicher Schlussfolgerungen. Diese Systeme handeln auf Basis von Erkenntnissen und sind in die Umgebung eingebettet, in der die Teams bereits arbeiten.

Das ist die Zukunft, die Amplitude gerade aufbaut. Und sie ist schon heute verfügbar.

Tritt hinter die Kulissen und sieh es dir am Donnerstag, den 5. März, in Aktion an. Die Menschen, die die Plattform am besten kennen, nämlich die Entwickler:innen, die sie gebaut haben, stellen sie dir bei einer Tour vor. Jetzt registrieren.