Amira van Weegen
Marketing Manager
20.07.2026
KI-Produkt entwickeln: Wie wir bei anny aus dem KI-Hype ein echtes Produkt gebaut haben
8 min
Einleitung
KI ist überall, aber längst nicht jedes Produkt hält, was der Hype verspricht. Was ein KI-Produkt wirklich defensibel und nützlich macht, zeigen die folgenden Learnings aus dem Aufbau von anny AI:
95% der KI-Projekte erzeugen laut MIT-Studie keinen messbaren Effekt – das Problem ist meist nicht das Modell, sondern die fehlende Einbettung in das Produkt.
Wer nur einen KI-Wrapper um GPT baut, hat keinen Burggraben – entscheidend ist, welche Schicht der Architektur wir wirklich kontrollieren (Daten, Workflow, Business-Logik).
Bestehende B2B-SaaS-Produkte mit klaren Use Cases und stabilen Kundendaten haben gegenüber reinen KI-Startups einen strukturellen Vorteil – wenn sie KI tief in ihre Produktentwicklung integrieren.
Context Engineering (MCP, eigener Kontext-Layer, Live-Daten) schlägt Modell-Hype – so haben wir bei anny AI einen KI-Telefonassistenten gebaut, der echte Buchungen abwickelt statt nur „schlau” zu klingen.
Warum der KI-Hype selten zu echtem Produkt-Erfolg führt
Zwischen 2023 und 2026 sind Milliarden in Künstliche Intelligenz geflossen. Jedes zweite SaaS-Produkt hat ein „AI-Feature" gelauncht. Und trotzdem: Der messbare Business-Impact bleibt in den meisten Fällen aus.
Die Zahlen sind ernüchternd. Eine Studie des MIT zeigt: Rund 95% aller GenKI-Initiativen in Unternehmen haben keinen nachweisbaren Effekt auf Umsatz oder Kosten. Gartner prognostiziert im Hype Cycle for Generative AI 2025, dass viele generative KI-Projekte ins „Tal der Enttäuschung" fallen werden. Der Grund: Erwartungen und tatsächlicher Nutzen laufen auseinander.
Das Problem liegt selten am Modell. Es liegt in der Art, wie KI in der Produktentwicklung eingebettet wird – oder eben nicht. KI ist ein Hebel für bessere Entscheidungen und schlankere Prozesse, kein Selbstzweck. Besonders in komplexen SaaS-Workflows wie Ressourcenbuchung zeigt sich: Ohne tiefe Einführung in bestehende Systeme bleibt jedes KI-Feature kosmetisch.
Das KI-Wrapper-Problem: Wann KI-Produkte nicht defensibel sind
Ein „KI-Wrapper" ist ein Produkt, das im Kern nur eine dünne Oberfläche plus etwas Business-Logik um ein externes Sprachmodell-API legt. Der Chatbot beantwortet FAQ, fasst Texte zusammen oder generiert Bilder – aber das war's.
Das Problem: Jedes andere Unternehmen kann dieselbe API anbinden. Feature-Parität ist innerhalb von Wochen erreicht. Kein technischer Burggraben, kein Lock-in, keine Differenzierung. Die Wahl des Technologie-Stacks ist entscheidend für die Entwicklung eines KI-Produkts und „nur OpenAI-API" ist kein Stack. Zur Integration eines KI-Modells sind Technologieschichten wie Frontend, Backend und Datenbanken erforderlich.
Der Vergleich mit Salesforce macht das deutlich: Salesforce setzt KI als zusätzliche Schicht über ein extrem reichhaltiges CRM-Datenmodell. Verteidigbar sind die Business-Logik, das Rechte- und Rollenmodell und die tiefen Integrationen – nicht das zugrunde liegende Sprachmodell.
Die zentrale Produktfrage lautet: Welche Schicht kontrollieren wir selbst?
Proprietäre Kundendaten (Buchungshistorie, Nutzungsprofile)
Workflow-Engine und Geschäftsregeln
Integrationen (Kalender, HRIS, Smart Locks)
Rechte- und Rollenmodell
Ein nachhaltiges KI-Produkt kombiniert eigene Stärken – bestehende Daten, Domainwissen, Nutzer-Workflows – mit Sprachmodellen, statt nur ein „KI-Frontend" anzubauen. Diese Erkenntnis aus der KI-Produktentwicklung sollte ins Architektur-Design und in die Roadmap einfließen, bevor erste KI-Features live gehen.
Zwei Strategien für KI-Produkte im B2B-SaaS – und welche überlegen ist
Im B2B-SaaS-Markt sehen wir zwei grundlegend verschiedene Strategien, um KI-Anwendungen zu bauen.
Strategie A: Neue KI-Startups ohne Fundament. Fokus auf generische KI-Use-Cases, kaum proprietäre Kundendaten, häufig reiner KI-Wrapper um große Sprachmodelle. Hoher Druck, schnell Product-Market-Fit zu finden. Die Chancen stehen schlecht, wenn kein eigenes Daten- oder Domänenfundament existiert.
Strategie B: Bestehende SaaS-Unternehmen mit nativer KI-Ebene. Vorhandene User-Basis, klar definierte Workflows, historisierte Daten. Etablierte Vertriebswege und Markttrends werden bereits bedient. Eine fundierte Marktanalyse ist hier oft schon erledigt – Zielgruppen und Wettbewerbsfeld sind bekannt.
Wir haben bei anny Strategie B gewählt. Erst auf einem stabilen Fundament haben wir die KI-Schicht aufgebaut. Für B2B-SaaS-Gründer:innen bedeutet KI in der Produktentwicklung: KI-Funktionen entlang der bestehenden Customer Journey einbetten (Onboarding, Suche, Buchung, Support) – keine losen Labs-Projekte.
Was eine gute KI-Funktion wirklich ausmacht
Viele KI-Features liefern nur Antworten. Ein FAQ-Bot, eine Zusammenfassung, ein generierter Text. Aber eine wirklich gute KI-Funktion führt Aktionen aus und verändert den Systemzustand.
Drei Kernkriterien unterscheiden gute KI-Funktionen von Spielerei:
Ausführen statt nur antworten: Der KI-Telefonassistent bei anny AI bucht einen Meetingraum, reserviert einen Parkplatz oder schließt eine Buchung direkt am Telefon ab.
Live-Daten statt statischer Prompts: Echte Verfügbarkeiten, aktuelle Preise, Unternehmensregeln. anny AI prüft Team-Zugehörigkeit und Buchungsfenster in Echtzeit und bindet externe Datenquellen an, um Anfragen wie Preise oder Verfügbarkeiten live zu beantworten.
Automatisch besser mit jedem Modell-Upgrade: Die Architektur trennt Agent-Logik von Produkt-Logik. Neue Modelle liefern sofort bessere Effizienz, ohne dass die gesamte Business-Logik neu gebaut werden muss.
Gute KI-Funktionen brauchen im B2B-Kontext immer auch Governance: Limits, Eskalationspfade, Monitoring. Die Übergabe zwischen Mensch und KI muss nahtlos sein – mit klaren Statusanzeigen und Logging für Admins, die KI-Entscheidungen nachvollziehen können. Automatisierung durch KI verbessert häufig die Nutzererfahrung und den Kundenservice.
Case Study anny AI: Warum Kunden trotz Online-Buchungssystem weiter anrufen
Online-Buchung sollte das Telefon entlasten. Stattdessen rufen Kund:innen oft weiterhin an – aus Gewohnheit, Bequemlichkeit, weil sie erst beraten werden wollen oder um Rückfragen zu klären. Besonders in Branchen wie Sportkursen oder anderen beratungsintensiven Angeboten bleibt das Telefon der bevorzugte Kanal. Das Problem dabei: Bis zu 85% der Anrufer, die beim ersten Versuch nicht durchkommen, rufen nicht erneut an. Jede verpasste Erreichbarkeit kostet also potenzielle Buchungen – Umsatz, der einfach verloren geht, ohne dass es irgendwo auffällt.
Genau hier setzt anny an. Seit über 6 Jahren bauen wir als SaaS-Buchungsplattform die technische Grundlage dafür, dass Ressourcen jeder Art – Räume, Plätze, Equipment, Termine – zuverlässig verwaltet und gebucht werden können. Über 60 Mio. Buchungen und 1.500+ Unternehmenskunden europaweit und mittlerweile auch in den USA laufen heute über anny, unter anderem für:
Interne Ressourcenbuchung: Desksharing, Parkplätze, Meetingräume, Fuhrpark
Externe Raumvermietung
Besuchermanagement
Equipmentvermietung und -verleih
Terminbuchung
Diese Infrastruktur – Verfügbarkeiten, Preise, Regeln, Zahlungen, alles live und korrekt – ist die Grundlage, auf der anny AI aufsetzt. Statt dass ein Anruf ins Leere läuft oder eine Mitarbeiterin zwischen Kundengespräch und Telefon hin- und herspringen muss, übernimmt anny AI als KI-Telefon- und Chat-Assistent das komplette Gespräch: Ein Kunde sagt „Ich will morgen von 18–20 Uhr zwei Badmintonfelder buchen" – anny AI prüft die tatsächliche Verfügbarkeit, erklärt Preise oder Regeln bei Rückfragen und schließt die Buchung direkt ab, inklusive Zahlung. Kein Rückruf, keine Warteschleife, kein verlorener Anruf außerhalb der Öffnungszeiten.
Warum „nimm einfach ein bestehendes GPT" für echte Produkte nicht reicht
„Wir hängen einfach GPT hinter unsere Support-Hotline" – dieser Satz fällt in vielen Strategiemeetings. In komplexen B2B-SaaS-Szenarien funktioniert das nicht, wenn echte Aktionen notwendig sind.
Eine einzige Buchung in anny umfasst folgende Komplexität:
Dimension | Beispiel |
|---|---|
Kataloglogik | Verschiedene Ressourcentypen: Schreibtische, Räume, Parkplätze, Equipment |
Preislogik | Zeitslots, Personenanzahl, Mitgliedschaften, Rabatte |
Warenkorb | Mehrere Ressourcen in einem Vorgang, Stornobedingungen |
Formulare | Pflichtfelder, Einwilligungen, Datenschutz (DSGVO) |
Buchungsregeln | Teamrechte, Buchungsfenster, maximale Dauer |
Generische KI-Modelle haben keine Kenntnis dieser kundenspezifischen Business-Logik. Datenschutz und gesetzliche Vorgaben wie die DSGVO sind dabei ebenso wichtig bei der Datenverarbeitung. Die Nutzung bestehender KI-Modelle per API ist hier oft der praktikablere Weg als das Training eigener Modelle – vorausgesetzt, der Kontext stimmt.
„Nur Prompting" löst die Probleme nicht: Ohne kontrollierte Tools und strukturierte Antworten können Halluzinationen – z. B. falsche Preis- oder Verfügbarkeitsangaben – echte Schäden verursachen. Gerade bei geschäftskritischen Informationen ist es nicht akzeptabel, wenn die Technologie „rät".
Ein KI-Produkt zu entwickeln heißt deshalb: eine orchestrierte Umgebung bauen, in der Sprachmodelle nur ein Baustein sind. Daneben stehen APIs, Rechtekonzepte, Validierungen und Observability.
Learning 1 – Model Context Protocol (MCP) als Fundament für KI-Produkte
MCP lässt sich am einfachsten als „USB-C für KI" verstehen: ein standardisiertes Protokoll, über das sich Tools und Datenquellen an KI-Modelle anbinden lassen. Jeder Entwickler und Ingenieur, der heute ein KI-Produkt aufbaut, sollte MCP oder vergleichbare Ansätze kennen.
Im Kontext von anny AI nutzen wir MCP für:
Zugriff auf Buchungsdaten, Ressourcen und Nutzerkonten
Ansteuern von Aktionen (Buchung erzeugen, stornieren, verschieben)
Einbindung externer Systeme (z. B. Kalender oder branchenspezifische APIs) über standardisierte Schnittstellen
Besonders bei Voice-Anwendungen ist MCP kritisch: Der Agent darf nicht „frei fantasieren", sondern nur definierte Tools nutzen. Werkzeuge müssen mit Parametern aufrufbar sein, die das Modell versteht – z. B. Startzeit, Ressource-ID, Personenanzahl.
Die Grenzen sind real: Viele Tools plus viele Parameter können ein Modell überfordern. Je größer der Tool-Katalog, desto wichtiger werden klare Tool-Designs, Namenskonventionen und Guardrails.
Bei schnellen, kleinen Modellen für Echtzeit-Telefonie – wo 500–1.000 ms Antwortzeit das Maximum sind – muss der Kontext schlank bleiben. MCP hilft, nur die wirklich relevanten Tools und Daten bereitzustellen, statt alles auf einmal zu laden. Für die eigene KI-Architektur bedeutet das: früh klären, wie Tooling- und Datenzugriff standardisiert werden, um Vendor Lock-in und Chaos bei der KI-Integration zu vermeiden.
Learning 2 – Signed Conversation Context: Halluzinationen kontrollieren statt nur hoffen
Große Sprachmodelle neigen zu Halluzinationen – besonders wenn Kontextfenster voll sind oder unscharfe Anweisungen vorliegen. In einem B2B-SaaS mit Buchungsgarantie ist das ein reales Risiko: Eine erfundene Ressource oder ein falscher Preis kann echten Schaden verursachen.
Was „Signed Conversation Context" aus Sicht eines Produktteams bedeutet: Es ist ein System, das den Gesprächskontext aktiv steuert statt ihn nur zu sammeln – bestimmte Teile werden fixiert und über die gesamte Konversation hinweg zugänglich gehalten, damit wichtige Informationen nicht verloren gehen.
Die Ergebnisse bei anny AI:
Deutlich weniger Fehlaufrufe von Tools
Schutz vor „Context Overflow" – alte aber wichtige Infos gehen nicht verloren
Konsistentere Ergebnisse über viele Gespräche hinweg
Der Merksatz lautet: „Prompt ist ein Satz, Kontext ist ein System." Es geht nicht darum, bessere Prompts zu schreiben, sondern eine Architektur für Kontext-Management zu entwerfen.
Zur Qualität und den Risiken: anny bietet eine Buchungsgarantie – die KI darf niemals eine Buchung bestätigen, die nicht den Kundeneinstellungen entspricht, technisch abgesichert über die MCP-Tools. Ein Restrisiko für fehlerhafte Aussagen (z. B. zu Mitarbeitenden oder Preisen) bleibt dennoch bestehen, auch wenn es drastisch minimiert wurde. Deshalb gilt: Rechtliche Absicherung und klare Disclaimer gegenüber Kund:innen sind kein Nice-to-have, sondern Pflicht.
Für Gründer:innen ist dieser Kontext-Layer der eigentliche Werttreiber – hier entsteht Differenzierung gegenüber generischen KI-Wrappern.
Fazit: KI-Produkt entwickeln heißt Context Engineering – nicht Modell-Hopping
95% der KI-Projekte ohne messbaren Effekt. KI-Wrapper ohne Burggraben. Und daneben: anny AI als Beispiel für ein KI-Produkt, das echte Aufgaben übernimmt – Telefon, Chat, Buchung, Zahlung. Der Unterschied liegt nicht im Modell, sondern in der Architektur dahinter.
2026 markiert einen Wendepunkt: Es wird zum Jahr der KI-Agenten. Aber erfolgreiche Agenten laufen auf stabilen Produkt- und Kontextsystemen, nicht auf immer neuen Modellen allein. KI-Technologien wie LLMs, Machine Learning und Voice AI entwickeln sich rasant weiter – Innovationszyklen werden kürzer. Wer heute in Context Engineering investiert, kann morgen neue Modelle austauschen, ohne das Produkt im gesamten Produktlebenszyklus neu bauen zu müssen.
Für B2B-SaaS-Gründer:innen heißt das:
Starte vom Problem: Nicht „wir brauchen KI", sondern „welchen Workflow können wir autonomer machen?"
Designe die Architektur: Daten, MCP/Tools, Kontext-System – bevor du das Modell wählst.
Miss Qualität und Impact: Nicht nur „klingt gut", sondern Buchungsrate, Fehlerquote, Supportkosten.
Der eigene Vorsprung liegt in bestehenden Kundendaten, Workflows und Integrationen. Die Möglichkeiten sind enorm – wenn man aufhört, generischen KI-Features hinterherzulaufen, und anfängt, eine native KI-Schicht auf das eigene Produkt zu bauen.
Teste anny AI als konkretes Beispiel einer KI-Integration im Workspace- und Ressourcen-Management. Kostenlos starten oder Demo vereinbaren und sieh selbst, wie ein KI-Telefonassistent echte Buchungen abwickelt.
![](data:image/svg+xml,<svg display="block" role="presentation" viewBox="0 0 120 40" xmlns="http://www.w3.org/2000/svg"><path d="M 55.501 13.158 L 59.216 13.158 L 59.216 30.294 L 55.501 30.294 L 55.501 27.83 C 54.088 29.78 52.094 30.741 49.482 30.741 C 47.113 30.741 45.112 29.883 43.427 28.138 C 41.743 26.393 40.919 24.23 40.919 21.729 C 40.919 19.192 41.743 17.073 43.427 15.321 C 45.112 13.576 47.106 12.718 49.482 12.718 C 52.094 12.718 54.088 13.678 55.501 15.599 Z M 50.071 27.207 C 51.616 27.207 52.925 26.693 53.955 25.667 C 54.986 24.604 55.501 23.306 55.501 21.729 C 55.501 20.153 54.986 18.855 53.955 17.821 C 52.925 16.758 51.616 16.245 50.071 16.245 C 48.526 16.245 47.216 16.758 46.186 17.821 C 45.156 18.848 44.641 20.153 44.641 21.729 C 44.641 23.306 45.156 24.611 46.186 25.667 C 47.216 26.693 48.526 27.207 50.071 27.207 Z M 79.191 19.771 L 79.191 30.294 L 75.475 30.294 L 75.475 20.153 C 75.475 17.586 73.997 16.179 71.628 16.179 C 69.016 16.179 67.265 17.792 67.265 21.113 L 67.265 30.294 L 63.549 30.294 L 63.549 13.158 L 67.265 13.158 L 67.265 15.357 C 68.398 13.612 70.149 12.718 72.591 12.718 C 76.542 12.718 79.191 15.387 79.191 19.771 Z M 98.82 19.771 L 98.82 30.294 L 95.104 30.294 L 95.104 20.153 C 95.104 17.586 93.626 16.179 91.257 16.179 C 88.645 16.179 86.894 17.792 86.894 21.113 L 86.894 30.294 L 83.178 30.294 L 83.178 13.158 L 86.894 13.158 L 86.894 15.357 C 88.027 13.612 89.778 12.718 92.22 12.718 C 96.171 12.718 98.82 15.387 98.82 19.771 Z M 114.049 13.158 L 118 13.158 L 111.401 30.836 C 109.753 35.258 106.964 37.384 103.013 37.142 L 103.013 33.689 C 105.353 33.828 106.655 32.691 107.59 30.33 L 107.759 29.986 L 100.468 13.158 L 104.522 13.158 L 109.642 25.593 Z M 36.232 8.186 C 36.188 5.033 35.879 2.203 35.827 1.77 C 35.798 1.066 35.371 0.458 34.694 0.164 C 33.959 -0.151 33.113 -0.004 32.539 0.531 C 19.487 12.828 19.413 12.916 19.377 12.96 C 19.229 13.128 19.156 13.224 19.082 13.334 L 19.075 13.348 C 19.053 13.385 19.031 13.414 19.009 13.451 C 18.84 13.737 18.744 14.147 18.766 14.477 C 18.788 14.807 18.862 15.152 19.001 15.511 C 19.023 15.592 19.046 15.665 19.075 15.739 C 19.2 16.091 19.568 17.161 19.641 21.003 C 19.722 25.102 19.207 26.965 18.935 27.962 C 18.884 28.138 18.847 28.292 18.81 28.438 C 18.766 28.578 18.656 28.952 18.759 29.465 C 18.81 29.707 18.906 29.912 18.965 30.022 C 18.994 30.074 19.023 30.125 19.06 30.176 C 19.119 30.264 19.215 30.404 19.369 30.536 L 26.712 37.487 C 27.065 37.824 27.536 38 28.014 38 C 28.271 38 28.536 37.949 28.779 37.839 C 29.456 37.545 29.875 36.929 29.875 36.218 L 29.875 24.42 C 29.875 23.504 29.419 22.924 29.073 22.565 L 28.978 22.462 C 29.706 21.803 31.943 19.764 34.452 17.227 C 35.717 15.944 36.298 12.989 36.232 8.186 Z M 27.624 34.605 C 27.624 34.847 27.33 34.972 27.153 34.803 L 21.363 29.326 L 21.378 29.311 L 21.407 29.282 L 21.495 29.194 L 21.532 29.157 C 21.569 29.12 21.606 29.091 21.643 29.054 C 21.65 29.047 21.665 29.04 21.672 29.025 C 21.724 28.981 21.775 28.93 21.827 28.878 L 21.841 28.864 C 21.893 28.82 21.937 28.776 21.988 28.724 C 22.003 28.71 22.018 28.702 22.033 28.688 C 22.084 28.636 22.136 28.592 22.194 28.541 C 22.261 28.482 22.319 28.424 22.386 28.365 L 22.665 28.116 L 22.754 28.035 L 27.308 23.958 L 27.44 24.098 C 27.447 24.105 27.455 24.112 27.455 24.12 C 27.631 24.303 27.631 24.34 27.631 24.428 L 27.631 34.605 Z M 32.848 15.658 C 29.875 18.657 27.278 20.967 27.256 20.989 L 27.249 20.989 L 26.623 21.546 L 25.792 22.294 C 24.586 23.372 23.173 24.633 22.187 25.52 C 21.996 25.689 21.701 25.535 21.724 25.285 C 21.841 24.171 21.915 22.756 21.885 20.945 C 21.804 16.743 21.378 15.511 21.194 14.983 C 21.186 14.969 21.179 14.954 21.179 14.939 C 21.157 14.844 21.135 14.778 21.12 14.741 C 21.106 14.705 21.091 14.668 21.083 14.639 C 21.047 14.536 21.076 14.426 21.157 14.353 C 22.239 13.326 29 6.954 33.252 2.951 C 33.422 2.789 33.694 2.899 33.716 3.127 C 33.826 4.293 33.966 6.214 33.995 8.23 C 34.062 13.971 33.135 15.365 32.848 15.658 Z M 17.302 27.955 C 17.03 26.957 16.522 25.095 16.596 20.996 C 16.669 17.146 17.044 16.076 17.162 15.731 C 17.184 15.658 17.214 15.585 17.236 15.504 C 17.368 15.152 17.449 14.8 17.471 14.47 C 17.493 14.147 17.39 13.737 17.228 13.444 C 17.206 13.407 17.184 13.378 17.162 13.341 L 17.155 13.326 C 17.081 13.224 17.008 13.121 16.86 12.952 C 16.824 12.908 16.743 12.828 3.698 0.538 C 3.125 -0.004 2.278 -0.144 1.543 0.172 C 0.866 0.465 0.439 1.074 0.41 1.778 C 0.358 2.21 0.049 5.041 0.005 8.193 C -0.061 12.996 0.52 15.951 1.793 17.234 C 4.316 19.786 6.568 21.839 7.267 22.47 L 7.171 22.572 C 6.825 22.932 6.369 23.511 6.369 24.428 L 6.369 36.211 C 6.369 36.922 6.788 37.545 7.465 37.831 C 7.715 37.941 7.973 37.993 8.23 37.993 C 8.709 37.993 9.172 37.817 9.533 37.479 L 16.912 30.499 C 17.044 30.382 17.133 30.25 17.184 30.184 C 17.221 30.132 17.25 30.081 17.272 30.044 C 17.346 29.92 17.442 29.722 17.486 29.472 C 17.581 28.974 17.478 28.6 17.434 28.446 C 17.398 28.284 17.353 28.13 17.302 27.955 Z M 3.389 15.658 C 3.102 15.365 2.168 13.979 2.249 8.237 C 2.278 6.221 2.426 4.3 2.529 3.134 C 2.551 2.907 2.823 2.797 2.992 2.958 C 7.245 6.962 14.006 13.334 15.087 14.36 C 15.161 14.433 15.19 14.543 15.161 14.646 C 15.154 14.675 15.139 14.712 15.124 14.749 C 15.109 14.785 15.087 14.851 15.065 14.947 C 15.058 14.961 15.058 14.976 15.051 14.991 C 14.867 15.519 14.44 16.75 14.359 20.952 C 14.322 22.763 14.396 24.178 14.521 25.293 C 14.55 25.542 14.249 25.696 14.057 25.527 C 13.071 24.64 11.659 23.379 10.452 22.301 L 9.621 21.553 L 8.988 20.989 C 8.871 20.893 6.325 18.62 3.389 15.658 Z M 9.077 34.81 C 8.9 34.979 8.606 34.854 8.606 34.612 L 8.606 24.42 C 8.606 24.34 8.606 24.296 8.782 24.112 C 8.79 24.105 8.797 24.098 8.797 24.09 L 8.929 23.951 L 13.476 28.028 L 13.792 28.314 L 13.851 28.365 C 13.866 28.38 13.881 28.394 13.895 28.402 C 13.932 28.438 13.976 28.475 14.013 28.512 C 14.035 28.534 14.057 28.548 14.072 28.57 C 14.109 28.607 14.153 28.644 14.19 28.68 C 14.212 28.695 14.227 28.717 14.249 28.732 C 14.293 28.776 14.337 28.812 14.381 28.856 L 14.41 28.886 C 14.462 28.937 14.513 28.981 14.558 29.025 L 14.587 29.054 C 14.624 29.091 14.661 29.12 14.69 29.157 L 14.727 29.194 C 14.756 29.223 14.793 29.26 14.815 29.289 L 14.837 29.311 L 14.852 29.326 Z" fill="rgb(0, 0, 0)" height="38px" id="bH388uk2E" transform="translate(1 1)" width="118.00000395534607px"/></svg>)