June sammelt 20 Mio. $ ein, um Consulting-Teams im Wert von über 1 Mio. $ durch automatisierte KI-Integration zu ersetzen

Während die KI-Revolution eine beispiellose Produktivität verspricht, stoßen Großunternehmen auf eine massive Hürde: Sie können hochentwickelte Modelle nicht in unübersichtliche Legacy-Umgebungen integrieren. Ein neues Startup namens June versucht, diese Deployment-Krise zu lösen, indem es KI einsetzt, um jene Prozesse zu automatisieren, die derzeit noch Heerscharen teurer Berater erfordern.

Das Paradoxon der KI-Implementierung

Da KI-Modelle immer leistungsfähiger werden, steigt paradoxerweise die Nachfrage nach manuellen professionellen Dienstleistungen. Unternehmen stellen „Forward-Deployed Engineers“ (FDEs) ein – Teams, die sich direkt in einer Organisation einarbeiten, um die Lücke zwischen rohen KI-Modellen und der bestehenden Unternehmensinfrastruktur manuell zu schließen.

Efrat Rapoport, eine ehemalige Führungskraft bei Salesforce, sagt, dass die Einstellung von mehr Personal zur Bewältigung der Komplexität nicht nachhaltig sei. Dieser manuelle Ansatz schafft einen Flaschenhals, der verhindert, dass selbst die leistungsfähigsten LLMs einen realen Mehrwert für Fortune-500-Unternehmen liefern können.

Das Chaos der Legacy-Daten lösen

Das größte Hindernis ist nicht die Intelligenz der Modelle, sondern das „Chaos darunter“. Großkonzerne arbeiten mit einem Flickenteppich aus Plattformen – Salesforce, ServiceNow, Databricks, Workday –, die mit technischen Schulden, doppelten Feldern und inkonsistenten Workflows belastet sind.

Die Plattform von June scannt die Systeme eines Unternehmens, lernt dessen einzigartige Prozesse kennen und erstellt automatisch eine schrittweise Deployment-Roadmap. Anstatt dass menschliche Architekten Integrationen planen, identifiziert June Engpässe, fordert Benutzer auf, Duplikate zu bereinigen oder Quellen zu verbinden, und baut die Integration anschließend automatisch auf.

Über die „Black Box“ der Beratung hinausgehen

June ersetzt das reibungsintensive und kostspielige manuelle Modell durch ein Self-Service-Tool. Für CMG, einen großen US-Hypothekenkreditgeber, ist der Unterschied transformativ. Nachdem sie sich im Rahmen traditioneller Beratung mit Claude Code und Salesforce herumgeschlagen hatten, ermöglichte June ihrem Team, Deployment-Punkte zu identifizieren und ohne wochenlange Hindernisse voranzukommen.

Durch die Automatisierung der „Rohrleitungen“ – Datenbereinigung, Mapping, Workflow-Optimierung – ermöglicht June es Unternehmen, von experimentellem „Vibe-Coding“ zu skalierbaren, agentengesteuerten Abläufen überzugehen, ohne einen massiven Personalbestand an spezialisierten Ingenieuren zu benötigen.

Warum das für die KI-Landschaft wichtig ist

Die nächste Welle der KI wird nicht an der Anzahl der Parameter gemessen werden, sondern daran, wer es schafft, Modelle in den bestehenden Wirtschaftsmotor einzuflechten. Wenn June Erfolg hat, könnte sich die Branche von einem serviceintensiven Modell hin zu einem softwaregetriebenen Modell entwickeln, was die Hürden für die Unternehmensautomatisierung senkt und die Ära der „Agentic Workflows“ beschleunigt.

Wichtigste Erkenntnisse

• Automatisierung der Integration: June scannt und bildet komplexe Legacy-Systeme ab und liefert anschließend eine automatisierte Roadmap zur Behebung von Datenfragmentierung und technischen Schulden.
• Reduzierung des personellen Aufwands: Die Plattform ersetzt teure Forward-Deployed Engineers durch ein Self-Service-Modell für das Deployment nach dem Prinzip „Build-on-Click“.
• Unterstützung durch Schwergewichte: Von dem Team hinter Bonobo AI entwickelt, sicherte sich June eine Pre-Seed-Finanzierung in Höhe von 20 Millionen US-Dollar unter der Leitung von Marc Benioffs Time Ventures.

---

June hat eine KI-gestützte Plattform vorgestellt, die Large Language Models (LLMs) automatisch in bestehende Legacy-Unternehmenssysteme integriert, mit dem Ziel, den Bedarf an kostspieligen Forward-Deployed-Engineering-Teams zu eliminieren.

Der Integrations-Flaschenhals

Unternehmen haben das vergangene Jahr damit verbracht, immer leistungsfähigere LLMs zu kaufen, doch die meisten stolpern noch an der ersten Hürde: der Anbindung dieser Modelle an einen Flickenteppich aus On-Premise- und Cloud-Anwendungen. Die typische Lösung besteht darin, ein FDE-Team einzustellen – Berater, die sich in einem Unternehmen einarbeiten, Datenflüsse manuell abbilden und Glue Code schreiben.

Efrat Rapoport bezeichnet diesen Ansatz als „nicht nachhaltig“. Mehr Personal einzustellen, beseitigt keine doppelten Felder, veralteten Tabellen oder isolierten Workflows; es verschiebt lediglich den unvermeidlichen Engpass. Das Paradoxon ist offensichtlich: Je leistungsfähiger die KI-Modelle werden, desto mehr steigt die Nachfrage nach manuellen Implementierungsdiensten, anstatt zu sinken.

So funktioniert die Plattform von June

June dreht den Spieß um. Anstatt Ingenieure zur Prüfung der Client-Umgebung zu entsenden, setzt die Plattform ihre eigene KI ein, um den bestehenden Tech-Stack zu scannen – Salesforce, ServiceNow, Databricks, Workday oder ein maßgeschneidertes ERP. Der Scan erstellt eine detaillierte Karte der Datenschemata, API-Endpunkte und Workflow-Trigger. Basierend auf dieser Karte identifiziert June automatisch:

• Redundante oder verwaiste Datenfelder, die das Modelltraining behindern
• Nicht abgestimmte API-Verträge, die Laufzeitfehler verursachen würden
• Workflow-Lücken, in denen ein LLM-gesteuerter Agent Mehrwert schaffen könnte

Die Plattform erstellt daraufhin einen Behebungsplan und fordert den Benutzer auf, Bereinigungsmaßnahmen wie die Dublettenbereinigung von Tabellen oder den Aufbau sicherer Datenpipelines zu genehmigen. Nach der Genehmigung führt dieselbe KI-Engine die Änderungen aus, erstellt die Konnektoren und stellt das LLM als Managed Service bereit.

In der Praxis ersetzt dieser Workflow ein mehrwöchiges Beratungsprojekt durch ein „Build-on-Click“-Erlebnis. Interne Teams können Integrationen iterativ anpassen, ohne auf externe Ingenieure warten zu müssen.

Ein Praxisbeispiel

CMG, ein großer US-Hypothekenkreditgeber, hatte Schwierigkeiten, Claude Code – ein konversationelles KI-Tool – mit seiner Salesforce-Instanz zu verbinden. Traditionelle Architekturberatung zwang das Unternehmen in eine Serie von Abstimmungsgesprächen, die jeweils wochenlange Verzögerungen nach sich zogen. Nach dem Wechsel zur Plattform von June konnten die Mitarbeiter von CMG die genauen Integrationspunkte identifizieren, die automatisierte Bereinigung durchführen und das LLM in Tagen statt in Wochen einführen. Das Ergebnis: ein funktionsfähiger Agent, der Anfragen zur Risikoprüfung beantwortet, ohne dass ein externes FDE-Team benötigt wird.

Was auf dem Spiel steht

Dieser Ansatz setzt voraus, dass eine KI die Data-Governance-Richtlinien, Sicherheitsbeschränkungen und regulatorischen Anforderungen eines Unternehmens zuverlässig verstehen kann. Ein falsch konfigurierter Konnektor könnte sensible Kundeninformationen offenlegen oder nachgelagerte Fehler auslösen. Kritiker warnen, dass eine vollständig automatisierte Integration möglicherweise immer noch ein menschliches Sicherheitsnetz benötigt, insbesondere in stark regulierten Sektoren wie dem Finanzwesen oder dem Gesundheitswesen.

Auswirkungen auf die Branche

June entstand aus dem Team, das Bonobo AI entwickelt hat, und hat bereits 20 Millionen US-Dollar in einer Pre-Seed-Finanzierungsrunde erhalten, die von Marc Benioffs Time Ventures angeführt wurde. Diese Unterstützung signalisiert das Vertrauen der Investoren, dass die nächste Welle des KI-Mehrwerts von Software kommen wird, die die Hürden bei der Bereitstellung senkt, und nicht von immer größeren Modellgrößen.

Gegenargument: Der Faktor Mensch

Automatisierung beseitigt nicht die gesamte Komplexität. Altsysteme enthalten oft undokumentierte Anpassungen, und einige Integrationspunkte betreffen Legacy-Code, der nicht umgeschrieben werden kann, ohne die Stabilität zu gefährden. Die Plattform von June mag die „Plumbing“-Phase beschleunigen, aber Unternehmen werden weiterhin Experten benötigen, um zu validieren, dass die automatisierten Korrekturen mit den Geschäftsregeln und Compliance-Vorgaben übereinstimmen.

Worauf man als Nächstes achten sollte

• Adoptionsmetriken: Die frühe Abwanderungsrate (Churn) und die Geschwindigkeit, mit der neue Unternehmen vom Pilotprojekt zur Produktion übergehen, werden zeigen, ob die Automatisierung menschliche Ingenieure tatsächlich ersetzt.
• Regulatorische Reaktion: Da KI in Kernfunktionen des Unternehmens Einzug hält, könnten Regulierungsbehörden Richtlinien für die automatisierte Integration erlassen, insbesondere im Hinblick auf den Datenschutz.
• Wettbewerbslandschaft: Andere Startups und etablierte Anbieter versuchen, KI-Bereitstellungstools mit ihren Cloud-Plattformen zu bündeln. Wie sich June durch seine Scanning- und Remediation-Engine abhebt, wird entscheidend sein.
• Preistransparenz: Der Vergleich der Plattformkosten mit traditionellen Beratungsgebühren wird darüber entscheiden, wie attraktiv sie für kostenbewusste CFOs ist.

Die Behauptung von June, die unübersichtliche, von Legacy-Systemen geprägte Welt der Enterprise-KI-Bereitstellung zu automatisieren, ist kühn, und die ersten Ergebnisse bei CMG deuten darauf hin, dass die Technologie wochenlange Arbeit auf wenige Tage verkürzen kann. Ob das Modell konsistent die Grenzfälle bewältigen kann, die Beratungsunternehmen am Leben erhalten, wird darüber entscheiden, ob der KI-Integrationsmarkt tatsächlich von einer personalintensiven zu einer softwareintensiven Arbeitsweise wechselt. Die nächsten Quartale werden zeigen, ob „Build-on-Click“ zum neuen Standard wird, um LLMs in umsatzgenerierende Agenten zu verwandeln.