Fabr treibt Unternehmen dazu an, von der "Nutzung von KI-Tools" zu "KI-Nativität" überzugehen, und fördert die Implementierung der unternehmensweiten KI-nativen Kollaborationsplattform.
Während viele Unternehmen noch KI-Tools hinzufügen und sich auf die Effizienz einzelner Punkte konzentrieren, hat Fabr unter der Leitung von Fang Bo festgestellt: Die zunehmende Anzahl von Tools und Agenten führt nicht zu einer Steigerung der Organisationseffizienz, und viele Unternehmen, die eine KI-Transformation durchführen, werden dies tief empfinden. Wenn Anforderungshintergründe, historische Entscheidungen und Validierungserfahrungen noch in Gesprächen, Dokumenten und verschiedenen Systemen verstreut sind, ist es schwierig, die Beschleunigung einzelner Aufgaben in eine Verbesserung der Effizienz von Unternehmen oder Organisationen umzuwandeln. Fabr hofft, dass diese Informationen über Arbeitsprozesse kontinuierlich festgehalten werden und zu einem wirksamen Hintergrund für nachfolgende Mitarbeiter und Agenten werden.
Von den Schmerzpunkten der Teamentwicklung ausgehen
Der Ursprung des Projekts stammt aus der eigenen Entwicklungspraxis des Teams. Zuvor verfügte das Fabr-Team über ein großes technisches Team und hat frühzeitig KI-Coding-Tools eingeführt, stellte aber schnell ein anomales Phänomen fest: Die Geschwindigkeit, mit der einzelne Entwickler Code schreiben, hat sich beschleunigt, die Gesamteffizienz der Projektlieferung hat sich jedoch nicht proportional verbessert.
Eine Anforderung durchläuft von der Einreichung bis zur Inbetriebnahme mehrere Schritte, darunter Anforderungsklärung, Designentscheidung, Aufgabenzerlegung, Codeimplementierung, Test und Abnahme. Die relevanten Informationen sind auf verschiedene Mitarbeiter, Tools und KI-Gespräche verteilt, und das Team muss den Hintergrund immer wieder erklären und die Ergebnisse bestätigen. Je mehr Personen und Agenten beteiligt sind, desto deutlicher werden die Kooperationskosten, die durch die Übertragung des Kontexts entstehen.
Fabr war ursprünglich ein System, das zur Lösung dieses internen Problems entwickelt wurde. Das Team hofft, dass Mitarbeiter und Agenten den Hintergrund gemeinsam für dieselbe Aufgabe teilen und gemeinsam voranschreiten, um wiederholte Kommunikations- und Übergabekosten zu senken und die Effizienz der Teamentwicklung zu verbessern. Auf diese Weise hilft KI nicht nur Einzelpersonen, schneller Code zu schreiben, sondern kann auch am gesamten kooperativen Entwicklungsprozess teilnehmen und kontinuierlich den Kontext derselben Aufgabe von Anforderungshintergrund und Entscheidungen bis zu Code, Test und Abnahme erfassen. Mit der allmählichen Wirkung der internen Nutzung erkannte das Team weiter, dass die im Entwicklungsprozess gebildeten Fakten und ihre Verknüpfungen die Grundlage dafür sind, dass Mitarbeiter und Agenten die Arbeit nacheinander fortsetzen können. Fabr hat sich dadurch von einem internen kooperativen Entwicklungssystem schrittweise zu einer unternehmensweiten KI-nativen kooperativen Entwicklungsplattform auf Basis von FDM entwickelt.
In der Praxis des eigenen Fabr-Teams wurde die Größe des Entwicklungsteams von etwa 300 Personen auf 67 Personen angepasst, die Sitzungszeit wurde um etwa 60 % reduziert, und die Zeit, die neue Mitarbeiter benötigen, um sich mit dem Projekt vertraut zu machen und unabhängig zu arbeiten, wurde um mehr als 50 % verkürzt. Nachdem alte Mitarbeiter das Unternehmen verlassen haben, können die validierten Projekterfahrungen weiterhin vom Team eingesehen und wiederverwendet werden. Das Team ist der Ansicht, dass diese Veränderungen mit der Anpassung von FDM und der Art der Zusammenarbeit zwischen Menschen und Agenten einhergehen: Ein Teil des Hintergrunds, der ursprünglich durch Sitzungen synchronisiert werden musste, kann entlang der Aufgaben eingesehen werden, und die Aufgabenteilung zwischen Mitarbeitern und Agenten sowie die Ergebnisvalidierung sind klarer.
Fabr gehört derzeit zum Bereich unternehmensweiter KI-Anwendungen und Unternehmensdienstleistungen. Es richtet sich zunächst an Entwicklerteams mittlerer und großer Unternehmen, die die Einführung von KI-Coding und Agenten planen, und plant später, sich auf mehr hochintelligente Arbeitsszenarien auszudehnen, die auf Fachwissen, komplexer Zusammenarbeit und kontinuierlicher Beurteilung angewiesen sind.
Das Kernteam von Fabr verfügt über Erfahrungen in den Bereichen Unternehmensstrategie, Investitionen, Entwicklung von Basissoftware und Fintech. CEO Kenneth war zuvor in den Bereichen Unternehmensstrategie, strategische Investitionen und digitale Transformation tätig und hat Berufserfahrung in Unternehmen wie Huawei, Bain, Accenture und TAL. CTO Ken war an der frühen Kernentwicklung von Google Android und dem Design und der Entwicklung von Komponenten wie JIT beteiligt und verfügt über Erfahrungen in den Bereichen Quantentechnologie, Unternehmertum und Management großer Entwicklungsteams. Das Team hofft, die Fähigkeiten der technologischen Entwicklung mit den praktischen Umsetzungserfahrungen von Unternehmen zu kombinieren, um die Probleme der Zusammenarbeit und Verwaltung zu lösen, nachdem Agenten in die Organisation eingetreten sind.
Fabr begann Anfang 2026 mit der Produktisierung und wurde im Juli offiziell der Öffentlichkeit vorgestellt. Derzeit befindet es sich in der Phase der kommerziellen Validierung und skalierenden Expansion.
Im Verlauf des Projekts stellte das Team fest, dass die größte Herausforderung nicht mehr die Produktentwicklung und Produktförderung ist, sondern die schnell wachsende Nachfrage von Unternehmen nach KI-nativer Beratung und Implementierung. Viele Unternehmen glauben zunächst, dass die Einführung von Modellen, Agenten oder KI-Tools die KI-native Transformation abschließt. Erst in der eigentlichen Umsetzungsphase stellen sie fest, dass für die Aufgabenteilung und Zusammenarbeit zwischen Menschen und Agenten, die Verbindung von Aufgabenabläufen, die kontinuierliche Aktualisierung von Wissen und die Validierung von Ergebnissen entsprechende Methoden und Organisationsmechanismen erforderlich sind.
Derzeit hat Fabr die relevanten praktischen Methoden sowie Konfigurationslösungen, die für verschiedene Branchen und Szenarien geeignet sind, in das Produkt integriert. Das nächste zu lösende Problem ist die Skalierung der Lieferfähigkeit: Das Team reduziert die Abhängigkeit von der Begleitung durch Kernexperten für jeden Kunden durch Kundensegmentierung, einheitliche Implementierungs- und Abnahmestandards sowie die Ausbildung von Partnern und internen Implementierungsmitarbeitern der Kunden, und gewährleistet gleichzeitig die Umsetzungsqualität für verschiedene Kunden.
Lassen Sie den echten Arbeitsprozess zum FDM-Unternehmensgesamtmodell werden
Die Kerntechnologie von Fabr ist FDM (Fabric Domain Memory, das unternehmensweite Gesamtmodell), die derzeit in Form eines vollständigen Datenmodells für die Unternehmensentwicklung umgesetzt wird. FDM ist kein neues allgemeines großes Modell, sondern empfängt Aufgaben, Mensch-Maschine-Gespräche, Anforderungsänderungen, Codeänderungen, Tool-Aufrufe, Test- und Lieferergebnisse, die in der echten Arbeit von Unternehmen entstehen, und behält die Identität, die Zeit und die Quelle der Informationen bei. Auf dieser Grundlage identifiziert FDM durch semantische Kennzeichnung, partiellen Ordnungsrelationen und deterministische Prüfungen die Abhängigkeits-, Validierungs-, Konflikt- und Ersetzungsbeziehungen zwischen den Informationen, aktualisiert kontinuierlich den derzeit noch gültigen Projektstatus und lässt die nachfolgenden übernehmenden Personen oder Agenten wissen, was derzeit maßgeblich ist, warum Anpassungen vorgenommen wurden und ob die Ergebnisse validiert wurden. Wenn neue Mitarbeiter oder Agenten in eine Aufgabe eintreten, kann das System relevante, gültige Hintergrundinformationen mit Quellangaben gemäß Aufgaben und Berechtigungen bereitstellen; neue Analysen, Codes, Tests und menschliche Rückmeldungen fließen dann weiter in FDM ein.
Im Vergleich zu Wissensdatenbanken, die hauptsächlich auf Speicherung und Abfrage von Dokumenten basieren, stellt FDM die Beziehungen zwischen Arbeitsprozessen und Informationen dar, sodass der Hintergrund und die Urteile, die durch eine Aufgabe gebildet werden, für nachfolgende Arbeiten weiterverwendet werden können.
FDM bindet die Unternehmenserfahrung auch nicht an ein bestimmtes Modell oder einen Agenten. Modelle können aktualisiert oder ersetzt werden, und Mitarbeiter können wechseln, aber der bereits gebildete Geschäftshintergrund, die technischen Regeln, historischen Entscheidungen und Validierungserfahrungen des Unternehmens können weiterhin verwendet werden. Neue Mitarbeiter und Agenten müssen nicht das gesamte Projekt neu kennenlernen, sondern können die bereits von der Organisation gebildeten Urteile erben.
Neben der Bereitstellung des Kontexts verknüpft Fabr auch Aufgaben, den Token-Verbrauch, den Ausführungsprozess von Mitarbeitern und Agenten, die Validierungsergebnisse und die endgültige Lieferung. Manager können nicht nur einsehen, wie viele Ressourcen die KI verwendet hat, sondern auch weiter verstehen, in welcher Aufgabe die entsprechenden Investitionen getätigt wurden, welche Ergebnisse erzielt wurden und ob die Ergebnisse validiert wurden.
Die Softwareentwicklung ist das erste Szenario, in das FDM eintritt, da die Beziehungen zwischen Anforderungen, Entscheidungen, Code, Tests und Lieferungen in Entwicklungsaufgaben klar sind und die Ergebnisse leichter validiert werden können. Die Anwendung des unternehmensweiten Gesamtmodells ist jedoch nicht auf die Entwicklung beschränkt.
Die langfristige Richtung von FDM besteht darin, diese Fähigkeiten auf mehr hochintelligente Arbeiten auszudehnen. Szenarien wie Investmentforschung, Beratung, Produktdesign, Finanzanalyse und Verkaufsverfolgung erfordern ebenfalls die Beibehaltung der Fakten, Urteile und Validierungsprozesse bei der Bildung von Schlussfolgerungen. KI-Coding ist nur das erste Szenario, in dem Fabr die Validierung abgeschlossen hat. FDM möchte mehr Arbeiten bedienen, die gemeinsam von Menschen und Agenten erledigt werden.
Von der Entwicklung ausgehen, mehr unternehmensweite Kooperationsszenarien erweitern
Derzeit ist Fabr seit weniger als drei Monaten online und hat bereits Kooperationen, Pilotprojekte und Lösungsförderungen in mehr als 50 mittleren und großen Unternehmen durchgeführt, die Bereiche wie Finanzdienstleistungen, Software- und Digitalisierungsdienstleistungen, fortschrittliche Fertigung, Medizintechnik und Bildungstechnologie abdecken. Die praktischen Probleme, auf die Kunden achten, umfassen: 1. Die Unterbrechung des Kontexts bei der Projektübergabe reduzieren, 2. Verschiedene Teams dazu bringen, um denselben gültigen Hintergrund zusammenzuarbeiten, 3. Die KI-Investitionen spezifischen Aufgaben und Lieferergebnissen zuordnen.
Die ersten Rückmeldungen der Kunden konzentrieren sich auf die Projektübergabe und die teamübergreifende Zusammenarbeit. Übernehmende Mitglieder können entlang der Aufgabenkette weiterarbeiten, was die Zeit reduziert, um Gruppenchats und Dokumente von Grund auf zu durchsuchen. Die Unternehmenserfahrung geht nicht mit dem Personalverlust verloren, und neue Mitarbeiter können den historischen Hintergrund des Unternehmensprojekts schneller verstehen. Verschiedene Abteilungen arbeiten um dieselbe Aufgabe und ihren Kontext zusammen, was wiederholte Bestätigungen reduziert und die Sitzungszeit stark verkürzt. Fabr verknüpft gleichzeitig den Token-Verbrauch mit Aufgaben und Lieferergebnissen, um Unternehmen dabei zu helfen, zu erkennen, wo die KI-Ressourceninvestitionen stattfinden. Viele Unternehmen geben hohe KI-Kosten für die KI-Transformation aus, können aber die Nutzungseffekte des Teams nicht bewerten. Spezifische Kundeneffekte und namentlich genannte Fälle werden nach Erhalt der Kundengenehmigung weiter offengelegt.
In Bezug auf das Geschäftsmodell verwendet Fabr nicht die herkömmliche SaaS-Abrechnungsmethode nach Sitzplatzabonnements. Die Plattform erhebt keine Sitzplatzgebühren, sondern berechnet Plattformdienstleistungsgebühren nach dem tatsächlichen Nutzungsvolumen von Token. Wenn Mitarbeiter zur Zusammenarbeit auf die Plattform zugreifen, entstehen entsprechende Plattformdienstleistungsgebühren nur, wenn tatsächlich Modelle aufgerufen und Token verbraucht werden. Dieses Modell senkt die Schwelle für Unternehmen, KI in großem Maßstab zu nutzen. Je mehr Personen teilnehmen, desto besser kann die kooperative Arbeitsfähigkeit von Fabr zum Ausdruck kommen. Natürlich wird mit der zunehmenden Anzahl von Teams, Agenten und Aufgaben, die von Unternehmen angeschlossen werden, das tatsächliche Nutzungsvolumen der Plattform natürlich erweitert, was zu nachhaltigen Einnahmen führt.
Das Fabr-Team ist der Ansicht, dass KI-nativ nicht nur darin besteht, mehr Modelle und Agenten bereitzustellen, sondern dass die Fakten, Urteile und Erfahrungen, die Unternehmen in der echten Arbeit bilden, kontinuierlich erhalten bleiben und ein Satz von kontinuierlich aktualisiertem Gesamtmodell gebildet wird. Jede Zusammenarbeit zwischen Menschen und Agenten, jede Entscheidung und jedes Validierungsergebnis wird zu Datenvermögen und Erfahrungsvermögen des Unternehmens und liefert eine Grundlage für die nächste Ausführung.
Auf der einen Seite wird Fabr in der nächsten Phase die bestehenden Unternehmenskooperationen weiter in eine tiefere Nutzungsphase vorantreiben, um validierte Implementierungsfälle zu bilden. Auf der anderen Seite plant es, nach ausreichender Validierung im Szenario der Softwareentwicklung FDM schrittweise auf mehr hochintelligente Kooperationsszenarien auszudehnen. KI-Coding ist der erste Einstiegspunkt, den Fabr derzeit validiert hat. Die langfristige Frage, die es beantworten soll, lautet: Können Unternehmen von der verstreuten Nutzung von KI-Tools zu einem KI-nativen Arbeitsmodell gelangen, das gemeinsam von Mitarbeitern und Agenten geerbt und kontinuierlich aktualisiert werden kann.