Mehr als nur Chatbots: KI strategisch für Unternehmensziele nutzen

Voiceover: Hallo und herzlich willkommen bei Digital Future, dem Podcast zur Technologie

Voiceover: und Unternehmenskultur.

Voiceover: Mein Name ist Wolfgang Schoch und ich bin Agile Coach bei InnoVex.

Voiceover: Ich habe aber auch schon ein paar andere Sachen gemacht und so die IT-Branche

Voiceover: aus verschiedenen Blickwinkeln kennengelernt.

Voiceover: Zum Beispiel als Softwareentwickler, als Experte für Suchtechnologie oder im Vertrieb.

Voiceover: Ich freue mich, euch in jeder Folge des Podcasts eine Kollegin oder einen Kollegen

Voiceover: vorzustellen und mich mit ihr oder ihm über das jeweilige Fachgebiet zu unterhalten.

Voiceover: So bekommt ihr einen Einblick in unseren technologischen und unternehmenskulturellen Alltag.

Voiceover: In der heutigen Folge spreche ich mit meiner Kollegin Lea Petters.

Voiceover: Lea arbeitet bei uns im Bereich Data Management and Analytics und dort beschäftigt

Voiceover: sie sich viel mit KI-Technologien.

Voiceover: In unserem Gespräch unterhielten wir uns darüber, warum Unternehmen eine Strategie

Voiceover: für den Umgang ihrer Daten und den Einsatz von KI brauchen, um damit wirklich

Voiceover: zielgerichtet zu investieren und am Ende den größten Mehrwert zu bekommen.

Voiceover: Und jetzt wünsche ich euch viel Spaß beim Zuhören.

Wolfgang: Hallo Lia, wir sind hier heute schon beim dritten Mal gemeinsam im Podcast,

Wolfgang: wenn ich richtig gezählt habe. Und ich freue mich.

Wolfgang: Man sagt ja immer, aller guten Dinge sind drei. Aber ich möchte vorausschicken,

Wolfgang: ich hätte auch nichts gegen eine Nummer 4, 5, 6 und so weiter und so fort.

Wolfgang: Also schön, dass du da bist heute.

Lea: Ja, danke für die Einladung. Ich bin natürlich auch immer sehr gerne da.

Lea: Komme auch gerne nochmal, aber ich glaube, es gibt auch noch viele andere InnoVex-KollegInnen,

Lea: die spannende Themen dabei haben.

Wolfgang: Ja, das auf jeden Fall. Ich meine, wir befinden uns jetzt mit den Folgen so

Wolfgang: ganz kurz vor der Folge 100.

Wolfgang: Das heißt, wenn wir im dreistelligen Bereich sind, dann können wir mal schauen,

Wolfgang: ob wir noch einen weiteren Termin finden.

Wolfgang: Aber jetzt sind wir ja heute hier da mit einem ziemlich coolen Thema und bevor

Wolfgang: wir anfangen, man kennt dich jetzt wahrscheinlich als treue Hörerin des Podcasts,

Wolfgang: aber kannst dich vielleicht trotzdem mal ganz kurz noch vorstellen,

Wolfgang: wer bist du und wie lange bist du schon bei uns und was machst du so den lieben

Wolfgang: langen Tag, wenn du nicht mit mir über spannende Themen sprichst?

Lea: Ja, also genau, ich heiße Lea, bin in Köln, im schönen Köln und jetzt seit ziemlich

Lea: genau fünf Jahren bei InnoVex, also die Zeit verfliegt und arbeite im Bereich

Lea: Data Management Analytics.

Lea: Bin da als Data Scientist in eingestiegen und habe eben dort an verschiedenen

Lea: Projekten im Bereich Daten und KI gearbeitet.

Lea: Mittlerweile bin ich mehr so in einem Projektleitungs-, als Produktmanagerin

Lea: in den Projekten unterwegs,

Lea: aber eben auch in dem Bereich strategische Beratung zum Thema Daten und KI,

Lea: worüber wir heute auch sprechen.

Wolfgang: Ja, du hast es ja schon vorweggenommen. Daten und KI ist unser Thema,

Wolfgang: beziehungsweise wir hatten ja vorab schon mal drüber gesprochen und haben das

Wolfgang: so als Daten- und KI-Strategie festgelegt, unser heutiges Thema.

Wolfgang: Und das klingt super spannend.

Wolfgang: Strategie ist, glaube ich, immer wichtig, wenn man ein Ziel erreichen möchte.

Wolfgang: Und KI ist so ein Thema, was ja omnipräsent ist.

Wolfgang: Und deswegen passt es wahrscheinlich gut zusammen. Ich selbst komme ja so aus

Wolfgang: dem Bereich Suchtechnik und wenn es um Daten geht, bin ich immer so super hellhörig.

Wolfgang: Denn ich habe früher in ganz vielen Workshops meinen Kunden auch immer erklärt,

Wolfgang: dass die ganzen Daten, die so ein Unternehmen im Laufe der Jahre und manchmal

Wolfgang: auch Jahrzehnte ansammelt,

Wolfgang: dass die ja super wertvoll sind, dass da ein richtiger Datenschatz da ist und

Wolfgang: dass es sich lohnt, da mal vielleicht archäologisch ranzugehen und zu schauen,

Wolfgang: was für einen Schatz man da heben kann, was man damit tut.

Wolfgang: Und ja, heute Daten plus KI plus Strategie sind sehr, sehr spannende Themen.

Wolfgang: Wie würdest du denn so dieses Thema Daten und KI-Strategie definieren,

Wolfgang: wenn ich dich jetzt frage?

Lea: Also das Ziel dahinter ist eigentlich, Daten und KI wertstiftend ins Unternehmen

Lea: reinzubringen und es so zu nutzen, dass es einen Beitrag zu den Unternehmenszielen leistet.

Lea: Und dafür möchte man ja im besten Fall sehr gute Daten- und KI-Produkte entwickeln. Und...

Lea: Dafür sollte man eben sich einen Plan machen. Das heißt, wie komme ich da hin?

Lea: Wie identifiziere ich die Produkte und Projekte, die mich dorthin bringen, wo ich möchte?

Lea: Und wo kann ich eben meinen Datenschatz am effizientesten einsetzen,

Lea: um die Unternehmensziele zu unterstützen?

Wolfgang: Würdest du das teilweise so auch ein bisschen als zwei separate Themenbereiche

Wolfgang: sehen, sodass man sich erstmal vielleicht um die Daten kümmern kann oder sollte,

Wolfgang: um so die Grundlage zu bekommen von dem, was man tun kann?

Lea: Gewissermaßen schon, ja. Deswegen definieren wir das auch so und betrachten

Lea: es eigentlich immer gemeinsam, Daten und KI, weil ohne Daten keine KI.

Lea: Auch ChatGPT, auch wenn man aktuell selber nicht viele Daten mit einspeisen

Lea: muss, um trotzdem sinnvolle Antworten zu bekommen, wurde auf extrem vielen Daten

Lea: trainiert und ist auch der Grund für die hohe Qualität.

Lea: Und das gleiche gilt eigentlich in Unternehmen auch.

Lea: Sobald ich, auch wenn es um Large-Language Models geht,

Lea: sobald ich meine eigenen Daten mit dazuspeise, sind solche Modelle eben auch

Lea: in der Lage, sie auf den Unternehmenskontext anzupassen und dafür muss ich erstmal

Lea: meine Datenlandschaft auch aufgeräumt haben, zugänglich gemacht haben und strukturiert haben.

Wolfgang: Ja, und solche Daten können ja auch super unterschiedlich sein,

Wolfgang: oder? Also sowas wie, weiß nicht, ein Unternehmenswiki, was wahrscheinlich viele

Wolfgang: haben, wo allgemeine Daten drinstehen.

Wolfgang: Oder wenn ich jetzt einen großen Online-Shop habe, vielleicht auch Transaktionsdaten, Kundendaten.

Lea: Produktdaten und… Geodaten, also es gibt da so viele verschiedene Formen,

Lea: Videos, also unstrukturierte, also wir unterscheiden eher an unstrukturierten

Lea: und strukturierten Daten.

Lea: Strukturierte Daten sind eben klassisch Tabellen, Zahlen, kann man sich gut

Lea: vorstellen, also auch so transaktionale Daten, die auch in JSON-Formaten,

Lea: also in bestimmten Formaten vorliegen.

Lea: Wären unstrukturierte Daten, da geht es eben eher um Texte, Videos,

Lea: Bilder, Audiodateien, das kann ja alles Mögliche sein.

Lea: Oder auch Geokoordinaten, das sind also auch schon strukturierte Daten in den

Lea: meisten Fällen, je nachdem.

Lea: Teilweise sind auch PDFs, die man dann auch wiederum strukturieren kann.

Lea: Also das ist eine große Varianz an Daten und der Qualität in vielen Fällen auch

Lea: und den Schritten, die man noch machen muss, um die Daten wirklich zugänglich

Lea: zu machen und verwertbar zu machen.

Wolfgang: Ja, mir fällt da so ein Beispiel ein. Ich habe vor vielen Jahren mal einen Kunden

Wolfgang: aus der Automobilbranche gehabt, einen Zulieferer und da gibt es so einen Standard,

Wolfgang: der heißt 8D und zwar, wenn da irgendwelche Fehler auftreten,

Wolfgang: egal ob das kleine Dinge sind oder vielleicht auch was Großes,

Wolfgang: dann gibt es so einen strukturierten Weg, wie man diese Fehler analysiert und

Wolfgang: am Ende purzelt so ein Report raus.

Wolfgang: Der heißt 8D-Report, weil der aus acht verschiedenen Bereichen besteht.

Wolfgang: Da steht sowas drin wie, welche Personen waren verantwortlich dafür,

Wolfgang: was genau ist geschehen, wo ist das passiert, wie möchte man das in Zukunft verhindern.

Wolfgang: Also so ein ganz strukturiertes Vorgehen, so ähnlich wie bei einer Post-Mortem-Analyse

Wolfgang: in der Software vielleicht.

Wolfgang: Und bei diesem Kunden gab es extrem viele solche Reports.

Wolfgang: Das war ein sehr großes Unternehmen und da gab es jetzt nicht ein paar hundert,

Wolfgang: sondern wahrscheinlich eher ein paar hunderttausend solche Reports.

Wolfgang: Und die waren sehr unterschiedlich. Also teilweise waren das PDFs,

Wolfgang: wo man dann auch Text richtig extrahieren konnte.

Wolfgang: Teilweise waren das Word-Dateien, teilweise waren das handschriftliche Sachen.

Wolfgang: Und die waren halt auch weltweit auf irgendwelchen Fileservern gelegen.

Wolfgang: Und das war ein enorm großer Datenschatz. Und wir haben damals einen Prototypen

Wolfgang: entwickelt, um die Daten ein bisschen nutzbar zu machen.

Wolfgang: Das war aber noch so vor dieser aktuellen KI-Ära, möchte man vielleicht fast sagen.

Wolfgang: Und das kann ja auch sowas sein. Und dann hast du vielleicht branchenspezifisch

Wolfgang: noch was, noch was, noch was.

Wolfgang: Und dann ist schon vorstellbar, glaube ich, dass das sehr, sehr wertvolle Daten sind.

Wolfgang: Weil wenn ich jetzt bei diesen Reports in einen Report vielleicht,

Wolfgang: weiß nicht, einen Monat Arbeit reinstecke, dann ist es auch viel Geld,

Wolfgang: das ich da reingesteckt habe.

Lea: Und dieses Wissen dann halt auch wiederum in so eine KI einzuspeisen,

Lea: wäre natürlich extrem wertvoll.

Lea: Wenn du jetzt ein Modell so out of the box, wie es jetzt verfügbar ist,

Lea: nutzt du das, könnte das wahrscheinlich da nichts beantworten.

Lea: Aber wenn du dann die Daten zugänglich hast und mit einspeisen,

Lea: dann ist natürlich das super viel wert und kann das Wissen gut verteilen, weitergeben.

Lea: Also das wäre auch ein super spannender Use Case auf jeden Fall.

Lea: Aber auch hier hängt es halt an der Strukturierung der Daten und dem Weitergabe

Lea: des Wissens an, dann auch solche Modelle.

Wolfgang: Ja, das ist, glaube ich, dann wirklich so eine Hand-in-Hand-Geschichte,

Wolfgang: dass das eine ohne das andere halt keinen Mehrwert irgendwie stiften kann.

Wolfgang: Weil ich glaube, im Unternehmen kommt es schon darauf an, oftmals,

Wolfgang: dass es so sehr zielgerichtet ist. Und sehr kontextabhängig.

Lea: Da gibt es sehr viel spezifisches Wissen in den Unternehmen.

Lea: Wie du auch sagst, teilweise total verteilt noch irgendwo liegt,

Lea: aber wenn man das dann bündeln kann

Lea: und zusammenbringt, kann man enorme Effizienzgewinne dann auch erheben.

Wolfgang: Ja, und in den letzten fünf Jahren gab es halt einfach auch ganz krasse Fortschritte

Wolfgang: mit so einer Technologie, wo du halt heute Dinge einfach tun kannst, die es früher nicht gab.

Wolfgang: Also als ich an diesem Projekt gearbeitet habe, das war glaube ich vor sieben,

Wolfgang: acht Jahren, da war die große Herausforderung, Text aus diesen PDF-Dateien so

Wolfgang: zu extrahieren, dass der Zusammenhang halbwegs erhalten bleibt.

Wolfgang: Und da gab es auch tabellarische Darstellungen und wir haben das hinbekommen,

Wolfgang: aber es war super viel Arbeit.

Wolfgang: Und heute kann ich mir vorstellen, wenn ich so ein strukturiertes PDF irgendwie

Wolfgang: so bei Chat-GPT mal reinkippe und sage, hey, bitte fass mir das mal zusammen,

Wolfgang: dann wird es wahrscheinlich ganz gut sein.

Wolfgang: Also da muss man nicht so viel Handarbeit anlegen, sondern das kommt dann zu Out of the Box irgendwo.

Lea: Ja.

Wolfgang: Okay, super spannend. Wir haben es gerade schon ein paar Mal Chat-GPT gesagt

Wolfgang: und ich glaube, für viele Leute ist das gleichzusetzen mit KI,

Wolfgang: oder? Also das ist mein Eindruck so ein bisschen.

Lea: Ja, zumindest so die letzten Jahre, seitdem dieser, sagen wir mal,

Lea: Hype rund um ChatGPT anhält und ist irgendwie KI mehr oder weniger gleichbedeutend

Lea: mit Generative AI, also generative KI.

Lea: Das heißt, KI, die Dinge neu produziert und in dem Fall jetzt von ChatGPT auch

Lea: eher in die Richtung von Sprache.

Lea: Also generierte Sprache, natürliche Sprache und dann hier in dem Fall ja auch

Lea: dann, dass man in natürlicher Sprache interagieren kann.

Lea: Also das heißt, man kann was reinschreiben und ich bekomme auch wieder Text zurück.

Lea: Und ja, das macht natürlich auch das Ganze viel zugänglicher.

Lea: Das heißt, deswegen ist es so für jemanden, der sich vielleicht auch vorher

Lea: noch nie damit beschäftigt hat, total beeindruckend.

Lea: Und ja.

Lea: Aber tatsächlich gibt es natürlich KI schon viel länger und es gibt auch noch

Lea: ein paar andere Teilbereiche, die KI umfasst.

Wolfgang: Ja, also ich glaube, das ist schon eines der ganz faszinierenden Dinge,

Wolfgang: dass man sich keinen Kopf drüber machen muss, wie man so ein System benutzt.

Wolfgang: Und bei ChatGPT ist es auch völlig egal, wie deine Rechtschreibung ist.

Wolfgang: Also ich habe am Anfang sehr stark darauf geachtet, dass es eine korrekte Rechtschreibung

Wolfgang: ist. Und wenn ich einen Schreibfehler drin hatte, hatte ich ihn korrigiert.

Wolfgang: Bis ich dann irgendwann mal bemerkt habe, ich kann so krass schlecht Rechtschreibung

Wolfgang: da reinpacken, das funktioniert trotzdem.

Lea: Obwohl es natürlich schon auch Tricks und Kniffe gibt, wie man dem Modell dann

Lea: die besten Antworten entlockt. Also alles rund um Prompt Engineering.

Lea: Also ich würde sagen, in neueren Modellen wird es auch immer unwichtiger.

Lea: Also das ist auch nochmal eine Entwicklung. Aber gerade am Anfang hat man dann

Lea: schon auch Unterschiede gesehen, je nachdem, wie man mit dem Modell interagiert

Lea: hat, welche Antwort man bekommen hat.

Wolfgang: Ja, aber das ist auch meine Beobachtung. Schön, dass du das erwähnst,

Wolfgang: dass sowas unwichtiger wird.

Wolfgang: Weil ich kann mich auch erinnern, so am Anfang, vielleicht auch so GPT-3 oder

Wolfgang: so, da gab es ja ganz große Tutorials, dass man dann auch gesagt hat,

Wolfgang: hey, stell dir vor, du bist XY und du musst jetzt Folgendes machen.

Lea: Think Step by Step.

Wolfgang: Ja, ja, genau, genau. Und befolge diese fünf Regeln und dann bitte schau es

Wolfgang: nochmal durch. Und heute geht das, glaube ich, ganz oft so out of the box schon ganz gut.

Lea: Also es gibt ja verschiedene Modelle, die auch für verschiedene Use Cases dann

Lea: nochmal gezielter sind, also spezifischer sind.

Lea: Aber ja, auf jeden Fall, das ist auch meine Beobachtung, dass Prompt Engineering

Lea: immer weniger wichtig wird.

Wolfgang: Erinnerst du dich noch an die Zeit, die liegt sicherlich schon zwei Jahre zurück,

Wolfgang: als es so Stellenausschreibungen in den USA, glaube ich, gab,

Wolfgang: dass Leute, die sehr gut in Prompt Engineering sind, irgendwie schon 250.000

Wolfgang: Dollar im Jahr verdienen?

Lea: Tatsächlich. Also ich wusste nicht, dass ich solche Summen aufrufen konnte,

Lea: aber ich war tatsächlich auch mal in einem Projekt als Prompt Engineer und ich

Lea: glaube, heute kriegen wir keine Anfragen mehr dafür.

Lea: Also das war so ein kurzweiliger Trend.

Wolfgang: Ja, also es fällt mir gerade ein, echt absurd irgendwie. Ja,

Wolfgang: aber jenseits von Chat, GPT und ähnlichen Chatbots, es gibt ja noch viel mehr

Wolfgang: im Bereich der künstlichen Intelligenz und das finde ich immer so ein Ding,

Wolfgang: denn ich glaube viele coole Use Cases, die fallen so ein bisschen runter,

Wolfgang: zumindest mal was den ersten Blick angeht,

Wolfgang: weil halt einfach Chat, GPT und Chatbots so omnipräsent sind.

Wolfgang: Wenn du die Medien anschaust, überall, hier Chat-GPT, hier OpenAI und natürlich

Wolfgang: die ganzen anderen großen Mitbewerber, die es noch gibt, so DeepSeek jetzt so

Wolfgang: in der letzten Zeit, ganz, ganz groß und alle anderen.

Wolfgang: Aber was kennst du denn so aus deiner Praxis vielleicht noch an so anderen Use

Wolfgang: Cases jenseits am klassischen Chatbot, wo man mit moderner KI-Technologie was Tolles machen kann?

Lea: Ja, also gut, wenn man so das Feld Artificial Intelligence sich anschaut,

Lea: da strukturiert sich das auch so eher so in diese, also ist auch immer die Frage,

Lea: wo fängt KI an, wo hört KI auf?

Lea: Also im Endeffekt ist ja vieles auch einfach Statistik. Also ist dann so eine

Lea: einfache statistische Auswertung vielleicht auch schon,

Lea: also zumindest Data Science oder Anfänge von KI, also selbst auch deskriptive

Lea: Analysen können auch schon sehr hilfreich sein für so einen ersten Schritt,

Lea: aber dann auch halt klassischeres Machine Learning, wo wir,

Lea: also wir haben Supervised Learning, das heißt da eine Vorhersage zu treffen,

Lea: zum Beispiel wie viel wird verkauft in der Zukunft, Kommt also so ein klassisches Forecasting,

Lea: aber vielleicht auch ein Labeling, also zum Beispiel Klassifikation von Themen.

Lea: Also zu sagen, ist es jetzt Spam oder ist es kein Spam? Das sind so diese klassischen

Lea: Fälle, die da auch drunter fallen.

Lea: Also das ist eigentlich auch schon Artificial Intelligence.

Lea: Dann gibt es halt auch diese ganzen Bereiche rund um Computer Vision.

Lea: Ich meine, da auch dort...

Lea: Also gibt es natürlich auch Modelle, die jetzt solche Bilder generieren,

Lea: aber auch erkennen in Bildern von Komponenten.

Lea: Auch da gab es enorme Fortschritte in den letzten Jahren.

Wolfgang: Ja, zum Beispiel, dass Stimmungen erkannt werden in Bildern.

Lea: Also so Stimmungsklassifikation, das wäre dann auch so, was ist das ein Positives?

Lea: Also wenn man denkt zum Beispiel in Reviews von, also weiß ich nicht,

Lea: bei Amazon, wenn man das Buch, ist das ein positiver Review,

Lea: ist das ein negativer, kann man, das wäre aber auch eine Anwendung von,

Lea: also klassischerweise wurde es eben mit NLP-Methoden gemacht,

Lea: also Natural Language Processing, also wo man dann halt auch genau anhand von

Lea: einzelnen Wörtern auch eher dann gesagt hat, okay, ist das jetzt eher was Positives,

Lea: ist das eher was Negatives?

Lea: Mittlerweile können natürlich solche Large Language Models sowas auch sehr gut, schon out of the box.

Lea: Das Input ist dann immer die Frage, in welcher Masse man das auch wirklich durchführen muss.

Lea: Kann es dann halt vielleicht effizienter sein, dann ein spezifisches Modell dafür zu haben?

Lea: Aber früher hat man da wirklich auch viel Arbeit in diese ganzen Pre-Processing,

Lea: also das heißt die Vorverarbeitung der Daten investiert. das ist tatsächlich

Lea: durch diese neuen Modelle eigentlich komplett weggefallen.

Lea: Also da kann man sagen, okay, hier ist das Review, der Review gibt mir zurück,

Lea: ist das ein positiver oder negativer, also diese Stimmungsklassifikation und.

Wolfgang: Ja, das ist mega spannend. Also wir hatten mal vor vielen Jahren einen Studenten bei uns.

Wolfgang: Ich glaube, der hat eine Master- oder Bachelorarbeit bei uns geschrieben und

Wolfgang: da habe ich diese Präsentation gesehen.

Wolfgang: Und bei dem Thema, da ging es auch um Computer Vision. Und zwar sollten da die

Wolfgang: Daten von so Fahrzeugscheinen automatisiert erkannt werden. Und beim Fahrzeugschein

Wolfgang: ist es so, ich meine jeder, der einen Fahrzeugschein besitzt,

Wolfgang: weiß, die sind nicht richtig gut gedruckt.

Wolfgang: Man hat da immer noch diesen Nadeldrucker, der ist meistens ein bisschen schief

Wolfgang: dann eingespannt und mit so klassischem OCR ging das damals einfach nicht sehr, sehr gut.

Wolfgang: Es gab damals auch schon so OCR bei der Google Cloud beispielsweise und das

Wolfgang: war nicht so gut und er hat dann quasi ein eigenes System trainiert auf Fahrzeugscheine

Wolfgang: und ich glaube er hatte sich von so einer Mietwagenfirma da viele Fahrzeugscheine

Wolfgang: mal verschafft und konnte die dann halt fotografieren und das Trainingsmaterial

Wolfgang: nehmen und das ging richtig, richtig gut.

Wolfgang: Und ich war neulich im Urlaub und war dann zu einer Kunstausstellung und da

Wolfgang: war von so einem Künstler ein handgeschriebenes Tagebuch auf Spanisch in so einer Vitrine gelegen,

Wolfgang: so ganz krakelig und ich spreche kein Spanisch und ich habe dann ein Foto gemacht

Wolfgang: und habe das mal bei Chachepity reingeworfen und gesagt hey,

Wolfgang: hier ist ein Tagebuch, übersetzt mir das mal und das hat wunderbar funktioniert

Wolfgang: also ich konnte den Text lesen, der hat Sinn gemacht der hat auch zum Exponat

Wolfgang: gepasst und das war halt wirklich eine super krasse Sau glaube ich,

Wolfgang: von einem Künstler trifft natürlich.

Wolfgang: Und da gibt es schon krasse Fortschritte, wenn sowas irgendwie gemacht wird.

Lea: Und auch für sowas gibt es Anwendungsfälle in Unternehmen, wo man halt vielleicht

Lea: auch auch, was du vorhin gesagt hast, ist halt Wissen, das irgendwie davor liegt,

Lea: dann halt persistiert und strukturiert.

Lea: Also das wäre eben dann so klassische Computer Vision Use Case.

Wolfgang: Und was so diese ganze Emotionserkennung angeht, ich habe da neulich was gelesen,

Wolfgang: im Bereich von Tiermedizin Medizin oder Tierforschung, dass man Emotionen von

Wolfgang: Tieren quasi mit so einem Modell deuten kann. Und da ging es um Pferde.

Wolfgang: Ich bin kein Pferdeexperte, aber man kann in verschiedenen Merkmalen erkennen,

Wolfgang: ob es dem Pferd gut geht oder ob das gerade Schmerzen oder Stress hat.

Wolfgang: Und jetzt als Tiermedizinerin kannst du das wahrscheinlich gut erkennen.

Wolfgang: Aber mit dem Modell konnte man das auch schon zu einem sehr hohen Grad erkennen.

Wolfgang: Und ich habe mir Bilder angeschaut und für mich sahen die Pferde überall gleich aus.

Wolfgang: Ich habe überall ein langes Gesicht gemacht. Aber das Modell konnte dann sagen,

Wolfgang: okay, dem Pferd geht es gerade nicht gut.

Wolfgang: Und das wäre ja auch cool, wenn ich jetzt Pferdebesitzer wäre auf meinem Pferdehof.

Wolfgang: Kann ich vielleicht einfach mit meinem Handy morgens mal schauen oder ich habe

Wolfgang: eine Kamera und merke, okay, dem Fury geht es vielleicht jetzt nicht gut.

Wolfgang: Jetzt hole ich mal einen Tierarzt, der den mal durchcheckt irgendwie.

Wolfgang: Also das ist dann vielleicht auch nochmal ein ganz cooler KI-Use-Case,

Wolfgang: der sonst halt nicht so gut funktioniert.

Lea: Und dann sonst kennt man halt natürlich auch diese klassischeren,

Lea: in der Medizin sind ja auch solche Tumorerkennungen.

Lea: Und das sind ja alles so Use-Cases, wo man einfach extrem viel Erfahrung braucht.

Lea: Und das ist natürlich auch etwas, wo Maschinen uns vielleicht ein Stück weit voraus sind,

Lea: weil sie einfach sehr viele Aufnahmen aufnehmen können, das Klassifizieren daraus

Lea: lernen können und bis jetzt ein einzelner Mediziner zum Beispiel dieses Erfahrungslevel

Lea: erreicht, dauert das halt ein paar Jahre.

Lea: Und aber auch hier wiederum, damit solche Modelle so gut werden können,

Lea: brauchen wir halt auch die Daten dafür.

Lea: Das heißt, wir brauchen viele Aufnahmen, die dann wiederum das Label dazu haben.

Lea: Also jetzt hier in dem Fall ist jetzt ein Tumor und ein Ja oder Nein,

Lea: den vielleicht auch sogar noch in irgendeiner Form umkreist haben.

Lea: Oder jetzt auch bei den Pferden, dass man vorher klassisch, okay,

Lea: das ist jetzt genau diese Emotion.

Lea: Also da muss ja vorher erstmal dieses Wissen eingespeist werden.

Lea: Aber dann skaliert das natürlich enorm.

Wolfgang: Ja, das ist cool. Und vielleicht noch so ein letztes Beispiel,

Wolfgang: weil ich lese ganz viel immer solche Nachrichten. Ich finde es super spannend, was so möglich ist.

Wolfgang: Da ging es um so historische Schriften.

Wolfgang: Ich bin auch kein Archäologe oder Historiker, wo es letztendlich das Problem

Wolfgang: war, Menschen können solche alten Schriften ganz gut übersetzen,

Wolfgang: aber die brauchen viel Zeit und es gibt wenige Menschen, die das können.

Wolfgang: Und deswegen ist die Menge an so historischem Schriftwerk, das übersetzt werden kann, begrenzt.

Wolfgang: Und da habe ich einen Artikel gelesen, wo halt auch ein Modell darauf trainiert

Wolfgang: wurde, wo dann halt Leute aus dieser Forscher-Community gesagt haben,

Wolfgang: ja das ist halt super cool, denn die KI übersetzt uns die Sachen.

Wolfgang: Und wir als Menschen gehen nochmal ran und lesen da auch nochmal drüber und

Wolfgang: checken, ob das passt, was da drin steht.

Wolfgang: Aber die ganze Arbeit, die wir sonst reinstecken müssten,

Wolfgang: da wird uns super viel abgenommen und wir können uns jetzt so quasi auf die

Wolfgang: schönen Dinge konzentrieren und müssen nicht jetzt vielleicht jedes einzelne

Wolfgang: Schriftzeichen irgendwo deuten,

Wolfgang: sondern haben ja schon eine Unterstützung und wir könnten es nicht skalieren,

Wolfgang: weil zu wenig Leute diese spezielle Archäologie vielleicht irgendwie studieren möchten.

Wolfgang: Es gibt einfach nur begrenzt viele Leute und das finde ich auch echt ein cooler Use Case.

Wolfgang: Und wenn wir beim Unternehmen sind, wenn da vielleicht in den historischen Daten

Wolfgang: irgendwelche alten Handschriften drin sind, die von einem Kollegen sind,

Wolfgang: der das Unternehmen schon vor 50 Jahren verlassen hat, dann kann das sonst auch niemand mehr lesen.

Lea: Ja, mir hat das eine Kollegin im Projekt erzählt vom Kunden,

Lea: die gesagt haben, bei denen ist es auch so, dass halt jetzt wie gerade und das

Lea: ist ja Thema Fachkräftemangel und Boomer gehen jetzt gerade in Rente.

Lea: Das heißt, da gibt es jetzt extrem viele, die sehr, sehr lange im Unternehmen

Lea: waren und jetzt das Unternehmen verlassen und da ist halt eine große Angst,

Lea: dieses Wissen zu verlieren.

Lea: Und dann haben sie wirklich so experimentell angefangen, ich weiß gerade nicht

Lea: mehr genau wie er heißt, aber den Klaus-Chatbot zu trainieren,

Lea: wo eben Klaus dann jetzt in seinen letzten,

Lea: weiß ich nicht, sechs Monaten seines Arbeitslebens dann den Bot trainiert und

Lea: ihm die ganze Zeit erzählt,

Lea: was er macht und welches Wissen er hat und versucht es dem Bot zu übergeben,

Lea: sodass dann später die KollegInnen nicht mehr zu Klaus eben an der Tür klopfen,

Lea: sondern kurz den Klaus-Chatbot anwerfen können und ihn fragen können.

Lea: Wie bestimmte Dinge funktionieren. Also fand ich auch sehr lustig,

Lea: um da das Wissen eben zu persistieren.

Wolfgang: Ja, wenn du hier jetzt diesen Chatbot dann mit einer Sprachsynthese ausstattest,

Wolfgang: dann kann sich der Kollege Klaus auch ganz normal unterhalten.

Wolfgang: Dann macht es vielleicht auch Spaß nochmal, die alten Geschichten der letzten 40 Jahre zu erzählen.

Lea: Dann reproduziert er die Jokes, die Klaus schon seit Jahren erzählt hat.

Wolfgang: Ja, das ist wahrscheinlich. Das ist wie wenn man so einen Papagei zu Hause hat,

Wolfgang: indem man was beibringt dann.

Wolfgang: Lea, angenommen, da ist jetzt ein Unternehmen und dieses Unternehmen verspürt

Wolfgang: vielleicht so ein bisschen Angst, was zu verpassen, was ja nachvollziehbar ist.

Wolfgang: Denn wenn überall was mit KI gemacht wird und bei mir im Unternehmen,

Wolfgang: wir haben keine KI- und Datenstrategie und wir haben vielleicht da einfach noch

Wolfgang: nichts, aber wir haben Angst einfach, da jetzt abgehängt zu werden und haben

Wolfgang: Lust und natürlich auch Budget,

Wolfgang: um was zu tun, denn so im luftleeren Raum lässt es sich ja schwer schaffen irgendwie.

Wolfgang: Was ist denn dann deiner Erfahrung nach ein guter Weg, wie man mal vorgehen kann?

Wolfgang: Also ich weiß nicht, irgendwie, man muss ja sich überlegen oder entscheiden,

Wolfgang: in welche Richtung das mal gehen möchte, weil die Möglichkeiten sind so viele

Wolfgang: und ich merke das bei mir selber.

Wolfgang: Mich wird sowas, glaube ich, echt erstmal überfordern. So, hey,

Wolfgang: es gibt so viel und ich lese jeden Tag von 10.000 neuen Use Cases und KI,

Wolfgang: KI, KI und ich habe doch nur mein, in Anführungszeichen, kleines Business.

Wolfgang: Wie geht man denn da am besten vor?

Lea: Ja, im besten Fall nimmt man sich ein bisschen Zeit dafür. Also,

Lea: um so eine Strategie zu entwickeln und sich das halt strukturiert auch anzuschauen,

Lea: sollte man sich schon irgendwie zwei bis vier Monate Zeit nehmen,

Lea: um das wirklich strukturiert anzugehen.

Lea: Und also, wenn wir das mit einem Kunden gemeinsam machen, dann haben wir so

Lea: verschiedene Phasen, die wir durchlaufen.

Lea: Wir starten da eher mit so einem Orientierungsworkshop. Wir erwähnen den Nordstern-Workshop,

Lea: wo wir natürlich auch immer auf den Kunden angepasst.

Lea: Erstmal schauen wollen, was ist das eigentlich für ein Kunde?

Lea: Was hat er für eine Unternehmensvision?

Lea: In welchem Bereich arbeiten die?

Lea: Wo wir vielleicht auch im Vorfeld uns dann schon mal in der Branche umschauen,

Lea: welche Use Cases, was gibt es da eigentlich? vielleicht auch ein Stück weit Aufklärung betreiben.

Lea: Was gehört alles zu KI? Was sind da für Möglichkeiten, um so ein bisschen Inspiration zu geben?

Lea: Sodass wir da erst mal auf einer gemeinsamen Grundlage starten und auch eben

Lea: so ein gemeinsames Verständnis erarbeiten können.

Lea: Und so ein Stück weit auch, also

Lea: im besten Fall, halt schon so eine grobe langfristige Vision halt haben.

Lea: Also das heißt, was wollen wir eigentlich mit KI erreichen?

Lea: Was ist da so schon ein Gefühl dafür zu bekommen,

Lea: Was sind so die Bereiche, wo wir wahrscheinlich am meisten Mehrwert schaffen

Lea: können mit KI-Produkten?

Lea: Und dann gibt es erstmal so eine Analysephase, wo wir wirklich mit ganz vielen

Lea: Stakeholdern und Bereichen im Unternehmen auch individuell sprechen,

Lea: um zu verstehen, okay, wo stehen die gerade?

Lea: Was haben sie vielleicht schon? Was gibt es, worauf wir aufbauen können?

Lea: Wo gibt es Bereiche, die vielleicht noch Potenzial haben, wo sie noch nicht so weit sind?

Lea: Wir haben da auch so ein sehr strukturiertes Framework eigentlich,

Lea: da kann ich gleich nochmal drauf eingehen, entlang dem wir so ein Stück weit

Lea: denken und wo wir uns ein bisschen langhangeln, um den Status quo eben strukturiert aufzunehmen.

Lea: Da gucken wir uns an, wie sieht die Datenlandschaft aus? Welche Daten gibt es überhaupt?

Lea: Wo liegen die? Wie sind die strukturiert? Gibt es da schon eine unterliegende

Lea: Architekturmodelle dafür?

Lea: Gucken wir uns aber auch an, gibt es vielleicht schon Daten- und KI-Produkte,

Lea: die schon vorhanden sind? Also auch sowas Klassisches, was viele ja schon machen, so Reportings.

Lea: Also wo stehen die da oder vielleicht haben die auch schon erste Machine Learning

Lea: Modelle, kann auch sein.

Lea: Also je nachdem, da ist es ja sehr individuell, wo die jeweiligen Kunden stehen.

Lea: Und dann aber natürlich auch darüber zu sprechen, was gibt es eigentlich für Potenziale.

Lea: Was sind denn so einerseits, was sind so ein bisschen die Schmerzpunkte?

Lea: Da kann man natürlich mal gut verstehen, okay, da gibt es vielleicht was,

Lea: wo man optimieren kann, also auch Dinge vereinfachen,

Lea: automatisieren, um da eben schon mal zu gucken, okay, gibt es da potenzielle

Lea: Use Cases, die wir unterstützen könnten oder die vielleicht Sinn macht,

Lea: diese Strategie aufzunehmen?

Lea: Und genau, gehen dann in so eine Art Potenzialanalyse, das heißt,

Lea: wir nehmen diese ganzen Use Cases auf,

Lea: strukturieren die auch, also definieren die aus, verstehen dann besser, was bräuchte man dafür,

Lea: also so ein bisschen, um ein gewisses Verständnis für die Komplexität zu erlangen

Lea: auf Basis des Status Quo, weil je nachdem, wo im Unternehmen eben steht,

Lea: sind bestimmte Use Cases auch komplexer oder weniger komplex.

Lea: Und gucken dann eben gemeinsam, welches sind jetzt die, die besonders viel Potenzial haben.

Lea: Einerseits, welchen Mehrwert sie eben generieren können, aber halt eben auch

Lea: vom Komplexitätsgrad so sind, dass sie eben ein Stück weit überschaubar sind.

Lea: Und ja, dann gucken wir natürlich auch, welche Technologien sind dafür notwendig.

Lea: Wenn da Bedarf ist, kann man natürlich auch so eine Art Technologie-Evaluation

Lea: machen, zu schauen, okay, was, je nach den Anforderungen, die jetzt auch aus

Lea: den Use Cases heraus purzeln, welche Technologien werden für den Kunden am passendsten.

Lea: Und dann gehen wir eigentlich auch in diese,

Lea: eigentlich schon in die Strategieentwicklung, wo wir halt sagen, okay,

Lea: wir haben jetzt hier vielleicht zwei bis drei Use Cases priorisiert,

Lea: die wir halt wirklich gezielt angehen wollen in den nächsten Monaten und Jahren vielleicht auch.

Lea: Und wie können wir, welche Schritte wollen wir dann gehen, um diese eben zu

Lea: enablen und zu ermöglichen?

Lea: Umzusetzen, auch zu messen, welchen Impact sie haben.

Lea: Also das heißt halt auch, das wirklich messbar zu machen und zu definieren,

Lea: welche Meilensteine wir entlang des Weges eben gehen wollen,

Lea: um dann halt auch wiederum iterativ immer zu gucken, okay, sind wir noch auf

Lea: dem richtigen Weg, müssen wir es nochmal anpassen.

Lea: Hat es den Effekt auf die Unternehmensstrategie, die wir haben wollen?

Lea: Hat es den Mehrwert und von dort eben weitergehen können? Also das heißt,

Lea: Und da eben sich diese Zeit zu nehmen, einmal ganzheitlich auf das Unternehmen

Lea: und seine Ziele zu schauen und zu gucken, wo können Daten und KI den größten Mehrwert leisten.

Wolfgang: Was bedeutet das für mich als Unternehmen, wenn du mich da jetzt berätst,

Wolfgang: wie viel Zeit und Energie muss ich da investieren? Weil ich meine,

Wolfgang: du kommst von außen, hast einen externen Blick, finde ich immer spannend.

Wolfgang: Das fand ich auch bei meinen Kunden immer spannend.

Wolfgang: Ich habe oft Fragen gestellt, die dann zu sehr interessanten Gesprächen wurden,

Wolfgang: weil man als interner Mitarbeitender oftmals manche Fragen nicht stellt,

Wolfgang: weil man so in Anführungszeichen ein bisschen betriebsblind ist und lange dabei ist.

Wolfgang: Und als Externer bist du ja neugierig und das fand ich immer spannend,

Wolfgang: aber wie groß ist da so das Involvement von den Leuten auf Kundenseite?

Wolfgang: Muss da ständig ein Ansprechpartner dabei sein oder ist das sowas Iteratives

Wolfgang: wie jetzt bei Scrum, dass man so kleine Zyklen immer hat und sich immer trifft?

Wolfgang: Wie läuft das ab in der Praxis?

Lea: Ja, also natürlich wollen wir das gemeinsam entwickeln. Also es ist nicht so,

Lea: dass wir da reinkommen oder das dann entwickeln und am Ende zurückspielen und

Lea: sagen, das ist eure Strategie, sondern das ist natürlich immer ein gemeinsamer Prozess.

Wolfgang: Also kein fertiges KI-Paket, das man kaufen kann. Nein, natürlich genau.

Lea: Das ist halt individuell angepasst und das muss natürlich für den Kunden auch

Lea: eben passen und getragen werden ja dann letztlich auch, weil die Umsetzung danach

Lea: sind wir natürlich auch gerne Partner.

Lea: Aber das ist sozusagen nicht die Voraussetzung, sondern wir sind eine Beratungsleistung,

Lea: die wir hier bringen wollen.

Lea: Und das heißt, der Kunde muss das genauso mittragen.

Lea: Und ja, also wie gesagt, es sind so ein Rahmen von zwei bis vier Monaten,

Lea: kommt auf das Unternehmen an, auf die Größe, die Stakeholder,

Lea: mit denen wir alle sprechen müssen, die Komplexität, die verschiedenen Systeme, die im Einsatz sind.

Lea: Das heißt, mit wie vielen Menschen müssen wir sprechen, wie viele Dinge müssen

Lea: wir uns anschauen, um das beurteilen zu können. Davon hängt es ein Stück weit ab.

Lea: Und von der Involvierung, also für uns ist es schon so, dass wir uns wünschen,

Lea: dann einen Ansprechpartner zu haben, der halt natürlich immer punktuell verfügbar ist,

Lea: wo wir halt Rückfragen, der uns auch im Unternehmen vernetzt,

Lea: weil, was ich vorher meinte,

Lea: also dass wir mit den ganzen Stakeholdern wirklich sprechen wollen, das ist super wichtig.

Lea: Das heißt, da müssen natürlich die Stakeholder zur Verfügung stehen,

Lea: aber auch eben jemand dabei sein, der uns halt ermöglicht, die richtigen Personen

Lea: im Unternehmen zu finden, mit denen wir sprechen sollten.

Lea: Dann haben wir auch halt immer wieder so Checkpoints natürlich,

Lea: wo wir unseren Stand teilen, wo wir natürlich auch das gemeinschaftlich eben

Lea: nochmal zurückspielen, wo dann vielleicht nochmal Feedback kommt,

Lea: wo wir vielleicht was falsch verstanden haben, vielleicht zuerst.

Lea: Ein bisschen falsch abgebogen sind oder wo man eben nochmal auch zusätzliche

Lea: Anforderungen einspielen kann.

Lea: Das heißt, da gibt es immer wieder so Interaktionen kontinuierlich,

Lea: aber es ist eben jetzt nicht wie in so einem Projekt, klassischeren Projekt,

Lea: wo wir so sonst arbeiten, wo wir wirklich in einem festen Team sind,

Lea: mit dem wir kontinuierlich zusammenarbeiten, sondern es sind immer so,

Lea: dann gibt es halt diese Phase, wo wir diese Interviews führen,

Lea: die ist ein bisschen intensiver, da müssen wir natürlich die Interviewpartner zur Verfügung stellen,

Lea: aber dann halt eher auch wieder punktuell für Rückfragen, für irgendwelche Zwischenpräsentationen,

Lea: Workshops zur Verfügung stehen.

Wolfgang: Das macht schon Sinn, finde ich. Also gerade auch so diese von dir angesprochenen

Wolfgang: Checkpoints finde ich super wichtig, wenn du als externer Berater oder Beraterin da bist.

Wolfgang: Denn ich meine, du kannst ja dann eine total spannende Idee entwickeln,

Wolfgang: wo du von deiner Sicht aus sagst, ja, das ist eine tolle Strategie und dann

Wolfgang: merkst du aber, das zahlt halt vielleicht, oder merkst du im Gespräch mit dem

Wolfgang: Kunden, das zahlt auf seine Ziele gar nicht ein.

Wolfgang: Das ist vielleicht ganz schön, aber es ist dem Kunden vielleicht völlig egal,

Wolfgang: weil es sein Business nicht so trifft.

Wolfgang: Und als Externer bist du ja halt auch nie so ganz, ganz, ganz hundertprozentig drin.

Lea: Das ist eigentlich schon genau dieses Ziel ist, was wir von Anfang an verfolgen,

Lea: wo wir auch in dem Anfangsworkshop eigentlich auch schon mal den Grundstein

Lea: legen, eben genau zu verstehen,

Lea: wo bewegt sich der Kunde, was ist die Vision, dass wir eben diese Vision auch

Lea: gemeinsam entwickeln und dann halt darauf die Strategie auch abstimmen können.

Lea: Und auch dann in der Priorisierung von Use Cases, das ist natürlich auch nichts, was wir,

Lea: also wir sind dann eher die Person, die dann einen Komplexitätsgrad ein Stück

Lea: weit mehr abschätzen kann, während dann aus der Unternehmensseite dann eher

Lea: auch der Mehrwert für das Unternehmen dann beurteilt werden würde.

Wolfgang: Ja, aber dann bist du ja auch so ein bisschen die Vermittlerin zwischen,

Wolfgang: was ist technisch machbar, wie teuer in Anführungszeichen ist,

Wolfgang: also wie viel Arbeit bedeutet was und was kommt dann als Ergebnis raus von der Qualität und ich meine…,

Wolfgang: Die Person auf der anderen Seite muss natürlich dann entscheiden,

Wolfgang: ob das Investment halt gerechtfertigt ist.

Wolfgang: Finde ich aber auch immer super, super spannend, weil du kannst ja,

Wolfgang: wenn du der Business-Experte bist, kannst ja nicht alles wissen.

Wolfgang: Also es ist total wichtig, dass du verlässliche Leute hast, die Dinge irgendwie einordnen können.

Lea: Und das ist halt eigentlich auch das, was wir da mitbringen.

Lea: Wir haben natürlich schon viel Projekterfahrung, haben verschiedene Unternehmen gesehen.

Lea: Wir kennen zum Beispiel auch Technologien, verschiedene Architekturen,

Lea: verschiedene Setups und können halt da mit dieser Außenbrille,

Lea: glaube ich, ganz gut beraten,

Lea: was es für verschiedene Optionen gibt, welche Besonderheiten,

Lea: welche Voraussetzungen gegeben sind, damit die auch erfolgreich sind und das

Lea: eben dann mit dem Kunden gemeinsam zu entscheiden, okay, in welchen Weg wollen wir dann einschlagen.

Wolfgang: Ja, was gerade gesagt hast, so Setups und Technologie ist ja,

Wolfgang: finde ich auch nochmal ein super spannendes Thema,

Wolfgang: denn das Ziel ist ja, dass so ein Kunde so ein System auch irgendwann mal selbst

Wolfgang: managen und betreuen kann und ich meine, der Klassiker ist ja,

Wolfgang: der Kunde hat vielleicht ein paar Leute in der Administration,

Wolfgang: die sich mit Windows auskennen und du kommst jetzt mit so einer komplett abgefahrenen

Wolfgang: Linux, Kubernetes Lösung,

Wolfgang: die die Leute niemals betreiben können, weil ihnen das Wissen einfach fehlt.

Wolfgang: Also das finde ich ist ja auch nochmal was Spannendes, oder?

Wolfgang: Dazu schauen, welche Technologie ist nicht die beste, sondern die beste für

Wolfgang: den Kunden. Auf jeden Fall.

Lea: Das muss für den Kunden passen. Das heißt

Lea: auch, wir haben so eine Art Maturity-Modell, wo wir halt sagen, okay,

Lea: es gibt ja verschiedene Reifegradstufen in verschiedenen Dimensionen auch,

Lea: die wir uns angucken können.

Lea: Und da ist es auch nicht gesagt, dass wir halt immer das Ziel haben,

Lea: in den höchsten Reifegrad zu springen, weil je nach Unternehmen und nach Unternehmenszielen

Lea: ist das vielleicht gar nicht sinnvoll, ist vielleicht auch die Diskrepanz zwischen

Lea: dem aktuellen Status und dem...

Lea: Also das ist viel zu groß. Das heißt, das Initialinvestment wäre so hoch,

Lea: dass wir halt noch gar nicht den Mehrwert daraus generieren können,

Lea: sondern wir gucken dann halt eben, was macht für die spezifische Situation Sinn?

Lea: Wie können wir uns da langsam oder sinnvoll entlang entwickeln?

Lea: Und was ist eine gute Vision gegeben dem Status Quo?

Wolfgang: Finde ich total wertvoll, weil ich habe das oft erlebt, dass man,

Wolfgang: wenn es um technische Lösungen ging, so in der IT, dass man schon auch gern

Wolfgang: das Allerneuste und das Beste und das Krasseste verwendet hat.

Wolfgang: Und man dann aber irgendwann mal festgestellt hat, der Preis dafür war so unglaublich

Wolfgang: hoch, das wird sich niemals rentieren.

Wolfgang: Die Arbeit, der Administrationsaufwand, die Schmerzen.

Lea: Ja, und also irgendwie dann auch Sachen, also so eine Migration zum Beispiel

Lea: ist immer auch sehr schmerzhaft.

Lea: Dann auch, wie du auch sagst, die Kosten teilweise, wenn man jetzt halt das

Lea: neueste und hochskalierteste System haben will, ist ja die Frage,

Lea: benötigt man das eigentlich für die Datenmengen, die man zum Beispiel hat, die man managen möchte?

Lea: Das ist immer die, also es ist natürlich ein tolles Ziel.

Lea: Man will immer hochskaliert sein, wie möglichst flexibel und individuell,

Lea: Aber das kommt natürlich auch mit bestimmten oder geht mit bestimmten Kosten

Lea: einher und dann ist die Frage, lohnt es sich für das, was man eigentlich umsetzt?

Lea: Also wir haben es in vielen Projekten auch schon gesehen, dass da halt irgendwie

Lea: jahrelang in extrem gut ausgebaute Dateninfrastruktur investiert wurde und dann

Lea: hat es aber an einem anderen Ende gescheitert,

Lea: weil die Produktteams zum Beispiel das gar nicht genutzt haben und vielleicht

Lea: der Fokus und die Ziele der einzelnen Teams ganz woanders waren.

Lea: Das heißt, also das ist jetzt nochmal so ein Thema, oder eine Dimension,

Lea: die wir uns auch immer anschauen, ist halt diese Datenkultur und Organisation.

Lea: Das heißt, das muss alles auch irgendwie zusammenpassen. Das heißt,

Lea: wenn ich da topnotch Architektur hinstelle, aber die Personen nutzen das nicht,

Lea: dann bringt es mich in meiner Strategie und mit meinem Ziel eben auch nicht wirklich weiter.

Wolfgang: Ja, weil du es gerade angesprochen hast mit Dimensionen.

Wolfgang: Du hast vorhin gesagt, du nutzt ein Modell mit vier verschiedenen Dimensionen.

Wolfgang: War das dann jetzt eine davon, die Datenkultur?

Lea: Genau, das ist eine Dimension. Über so einen ganzen Strategieverlauf schauen

Lea: wir uns immer vier verschiedene Dimensionen an.

Lea: Das sind einerseits so ein bisschen die Rahmenparameter, also das ist die Datenarchitektur

Lea: und Infrastruktur, also das heißt alles rund um den Technologien,

Lea: die ich auch einsetze, die Daten, die ich einspeise, die Datenmodelle, die ich habe.

Lea: Alles, was erstmal die Daten verfügbar und zugänglich macht.

Lea: Dann Data Governance, also alles rund um die Rahmenbedingungen,

Lea: die Regeln, die vor allem die Datenqualität sicherstellen sollen,

Lea: die auch Ownerships klären.

Lea: Das heißt, wer hat wie, wo Zugriff auf die Daten.

Lea: Da gibt es ja natürlich auch Themen wie GDPR, gehen da mit einher.

Lea: Das heißt, Privacy-Regelungen, wie werden Daten gespeichert,

Lea: gelöscht, diese ganzen Themen.

Lea: Und dann der dritte Teil ist eben Datenkultur und Organisation.

Lea: Das heißt, wie datenaffin sind die Personen im Unternehmen schon,

Lea: welche Kompetenzen haben sie schon.

Lea: Muss da vielleicht auch, um der Vision näher zu kommen, muss da vielleicht auch

Lea: ein Upskilling stattfinden, vielleicht auch neue Personen mit ins Unternehmen

Lea: eingebracht werden, um das Unternehmen weiterzuentwickeln und auch die Organisationsstruktur

Lea: ist da halt sehr wichtig.

Lea: Wie ist man aufgestellt?

Lea: Hat man zum Beispiel auch cross-funktionale Teams, die dann wirklich an solchen

Lea: Themen arbeiten oder sind es eher so isolierte Teams?

Lea: Das heißt, das erschwert dann auch so eine gemeinsame Entwicklung von einem

Lea: Datenprodukt, das eben verschiedene Enden zusammenbringen muss.

Lea: Und ja, der letzte Teil ist eigentlich ein Stück weit der Kern des ganzen Projekts

Lea: sind Daten und KI-Produkte. Das ist eigentlich da, wo wir ja hinwollen.

Lea: Aber auch dafür braucht man eben bestimmte Strukturen, die das unterstützen.

Lea: Bestimmte Prozesse, die so eine Produktentwicklung unterstützen.

Lea: Und ja, das sind eigentlich so diese vier Dimensionen, die wir uns auch mal angucken.

Lea: Das heißt, wir gucken die uns im Status Quo an, sagen, okay,

Lea: wo steht die da eigentlich, was habt ihr da schon?

Lea: Dann anhand der priorisierten Use Cases können wir dann sagen,

Lea: okay, wo wollen wir eigentlich hin, was benötigen wir in den verschiedenen Dimensionen,

Lea: damit die auch sinnvoll umgesetzt werden können und dann können wir die im Prinzip

Lea: gegeneinander gegenüberstellen und zu sagen, okay,

Lea: welche Lücke wollen wir schließen oder müssen wir schließen,

Lea: um dahin zu kommen und welche Schritte müssen wir gehen, um das eben zu tun.

Wolfgang: Ja, sehr interessant. Wie ist das denn, wenn du in so Projekten fertig bist

Wolfgang: mit dieser ganzen zwei bis viermonatigen Strategie, Findungs- und Entwicklungsphase,

Wolfgang: kommt es dann da auch manchmal zu Überraschungen?

Wolfgang: Also zur Überraschung im Sinne von, man hat angefangen und ein Kunde hatte vielleicht eine Idee,

Wolfgang: vielleicht auch getrieben durch die ganze mediale Berichterstattung und am Ende

Wolfgang: kommt aber dann raus, nee, der Chatbot ist doch nicht das Beste für dich,

Wolfgang: sondern für dein Business wäre folgende KI-Lösung mit deinen Daten halt total

Wolfgang: gut, weil es auf deine Unternehmensziele einzahlt. Also passiert sowas häufig?

Lea: Ja, auf jeden Fall. Also das sind ja auch, also das sehen wir ja auch häufiger, dass halt dieses,

Lea: also du hast ja gesagt, man hat dieses Bild, okay, lass uns doch mal ein Chatbot

Lea: bauen und das ist irgendwie, das wird bestimmt unsere ganzen Probleme lösen

Lea: oder das ist der Schritt, wie wir unseren Fuß in die Tür von KI-Entwicklung bekommen.

Lea: Aber dann gibt es eben noch vielleicht ganz andere Use Cases,

Lea: die eigentlich die großen Kostenthemen zum Beispiel angehen oder vielleicht

Lea: auch irgendwelche Features, die den Umsatz nach vorne treiben.

Lea: Also es sind eigentlich eher so die Dinge.

Lea: Und wenn halt, sagen wir mal so, die Confluence-Suche jetzt nicht der große

Lea: Kostentreiber ist, dann ist es vielleicht auch nicht der Use Case,

Lea: den Confluence-Chatbot zu bauen, nicht der Use Case, der den größten Impact hat.

Lea: Und da, ja, es ist natürlich immer wieder so, dass,

Lea: also hoffen wir natürlich auch, dass wir gerade auch den Entscheiderinnen und

Lea: Entscheidern da nochmal mehr Hintergrundwissen mitgeben können,

Lea: mehr einen breiteren Blick auch auf die ganze Daten- und KI-Landschaft geben

Lea: können, sodass wir, dass sie mehr den Überblick haben, was sind eigentlich die

Lea: Möglichkeiten, die für ihr Unternehmen passend sind, auf jeden Fall.

Wolfgang: Und jetzt sind wir immer als Dienstleister unterwegs oder du als Dienstleisterin natürlich unterwegs.

Wolfgang: Das bedeutet dann aber auch, dass viele Unternehmen keine entsprechenden internen

Wolfgang: Leute mit der Expertise haben, oder?

Lea: Die jetzt eine Datum-KI-Strategie entwickeln. Ja, also das ist einerseits natürlich

Lea: auch wertvoll, jemanden von außen damit reinzunehmen, weil du nicht mit einem

Lea: ganz anderen Blick drauf gehst.

Lea: Du hast vielleicht, hast du ja vorhin schon gesagt, man hat dann eben vielleicht

Lea: schon mal ein bisschen mehr gesehen.

Lea: Man hat nicht diese, ja, ist nicht so betriebsblind, wie man vielleicht ist, wenn man intern ist.

Lea: Das heißt, da wünschen sie sich einfach diese Unterstützung.

Lea: Also das heißt jetzt nicht, dass sie, dass da natürlich keine kompetenten Menschen dort arbeiten.

Lea: In der Regel sind das, die haben sehr viel Wissen auch und das,

Lea: wovon wir auch sehr profitieren, um eben so eine Strategie zu entwickeln.

Lea: Aber genau und dabei, wir gucken natürlich auch darauf, wie sind sie aufgestellt

Lea: und dann halt die Lösung zu entwickeln oder vorzuschlagen in der Strategie, die für sie passt.

Lea: Also wir haben jetzt ein Projekt, worüber wir jetzt auch sprechen dürfen,

Lea: wo wir auch eine Case Study online haben, bei den Mainzer Stadtwerken,

Lea: wo wir auch Datenstrategie mitentwickelt haben.

Lea: Und da war tatsächlich so ein Fall, wo sie sich gewünscht haben,

Lea: da Technologien zu nutzen, die mehr Low-Code-Anwendungen eben auch integrieren,

Lea: da sie halt eben selbst nicht mit den Technologien, die vielleicht in anderen

Lea: Bereichen halt genutzt werden, so familiär sind.

Lea: Und deswegen haben wir da eben auch die passende Lösung gefunden.

Lea: Und das fand ich eigentlich ein super schönes Beispiel zu sehen,

Lea: okay, wir gucken immer, was ist wirklich für den individuellen Kunden sinnvoll und, ähm,

Lea: unterstützen eben dabei, das dann auch umzusetzen.

Wolfgang: Ja, ich finde das auch großartig, so was, denn das Problem finde ich,

Wolfgang: wenn du jetzt halt als Dienstleister halt ein Produkt hast, ein eigenes,

Wolfgang: dann versuchst du natürlich, ja logisch, natürlich immer dieses Produkt zu verkaufen.

Wolfgang: Ich meine, wenn ich als Dienstleister irgendwie ein KI-Produkt hätte,

Wolfgang: dann würde ich wahrscheinlich meinen Kunden auch nicht sagen,

Wolfgang: also das ist das Falsche für euch, sorry.

Wolfgang: Also ist nachvollziehbar und ich finde, wenn du halt zur Technologie offen bist,

Wolfgang: hat es dann halt echt Vorteile, zwar für beide Seiten, finde ich, oder?

Lea: Ja, auf jeden Fall. Also das ist dann, wir beraten ja eben dann halt neutral.

Lea: Wir haben keine Provision von welchen bekannten Cloud-Anbietern,

Lea: die auch da die ganzen Technologien bereitstellen, sondern können da eben das

Lea: einfach objektiv anhand der Anforderungen des Kunden beurteilen.

Lea: Passt das, passt das nicht?

Lea: Also genau das würden wir halt in so einer Technologie-Evaluation auch machen.

Lea: Passt das zu den Anforderungen?

Lea: Und ja, was ist dann die optimale Lösung für den Kunden?

Lea: Und wir haben eben halt so ein breites Spektrum an Experten und Expertinnen

Lea: auch bei uns, dass selbst wenn es dann in die Entwicklung geht und Umsetzung,

Lea: dass wir da in der Regel auch jemanden finden, der da schon Erfahrung hat und das unterstützen kann.

Wolfgang: Ja, also das habe ich auch immer in meinen ganzen Projekten immer geschätzt.

Wolfgang: Wenn ich an einem Punkt war, wo ich nicht weiter wusste, da hatte ich immer

Wolfgang: andere Leute, die ich halt nachfragen kann.

Wolfgang: Und die dann auch immer die Zeit hatten, um mal draufzuschauen.

Wolfgang: Lea, im Jahr 2025, kann man da noch ohne eine vernünftige Daten- und KI-Strategie

Wolfgang: als Unternehmer oder Unternehmerin ruhig schlafen?

Lea: Aus meiner Sicht nein. Jedes Unternehmen sollte sich Gedanken darüber machen,

Lea: ob es sich vielleicht die Zeit investieren möchte, eine Daten- und KI-Strategie

Lea: zu entwickeln, Wenn sie sagen, das ist was, was wir eigentlich als,

Lea: und das sagt der Großteil ja, dass es eigentlich ein sehr großes Zukunftsthema

Lea: ist, aber die wenigsten haben tatsächlich so eine Strategie.

Lea: Aber für viele andere Dinge hat man eben auch eine Strategie und warum nicht dafür?

Lea: Und ja, weil auch wenn man Budgets hat und die dann nicht zielgerichtet einsetzt,

Lea: kann eben dieses Budget auch komplett, ja, wie soll ich sagen, verschwendet sein.

Wolfgang: Ja, was halt super schade ist, wenn du halt Geld für was investierst und es

Wolfgang: am Ende halt in die falsche Richtung geht oder dir nicht hilft,

Wolfgang: deinem Ziel näher zu kommen.

Lea: Also KI ist ja kein Selbstzweck, sondern sollte halt immer dann,

Lea: sollte eben genau die Unternehmensziele auch unterstützen.

Wolfgang: Ja, sehr, sehr spannend. Ich fand das super interessant.

Wolfgang: Ich glaube auch, dass es immer lohnenswert ist, sich mit so Themen zu beschäftigen

Wolfgang: und ich finde diesen Ansatz, so eine Strategie zu entwickeln und vielleicht

Wolfgang: auch, bevor man die entwickelt,

Wolfgang: erstmal in so eine Analyse reinzugehen und sich klarzumachen,

Wolfgang: was ist jetzt eigentlich das Richtige für mich,

Wolfgang: den finde ich generell halt so super, super wichtig.

Wolfgang: Und das ist auch was, was mich durch ganz viele Projekte auch jetzt jenseits der KI so begleitet hat.

Wolfgang: Ich weiß nicht, ob du das auch kennst, höchstwahrscheinlich.

Wolfgang: Ich habe das oft gehabt bei Kunden, dass man zum Anfang über Projekte spricht

Wolfgang: und ein Kunde auch teilweise eine ganz konkrete Vorstellung hatte,

Wolfgang: was er möchte oder was sie möchte.

Wolfgang: Und man im Gespräch aber festgestellt hat, okay,

Wolfgang: ich verstehe, warum du das möchtest, aber mit der Technologie,

Wolfgang: die wir haben, könnten wir auch noch eine andere Herangehensweise hier in Betracht

Wolfgang: ziehen und die ist vielleicht schneller, günstiger oder aus anderen Gründen besser für dich.

Wolfgang: Und der Kunde kam halt nicht drauf, weil ihm halt diese Expertise fehlt.

Wolfgang: Der Kunde hat meistens ja die mega große Expertise von dem ganzen Fachdomäne

Wolfgang: und das ist auch das, was ich vorhin meinte.

Wolfgang: Diese Kunden haben super viel Expertise mit ihrem täglichen Business,

Wolfgang: aber halt meistens dann halt nicht dieses Spezialwissen vielleicht in so einer

Wolfgang: technischen Ecke, weil das Daily Business nicht so relevant ist und du kannst

Wolfgang: ja auch nicht alles wissen.

Wolfgang: Und sowas fand ich oft super, super spannend, wenn man dann sagen kann,

Wolfgang: hey, wir können aber hier eine Abkürzung nehmen und dann funktioniert es so.

Wolfgang: Und das ist ja hier dann wohl genau das Gleiche.

Lea: Ja, für uns macht es eigentlich auch viel mehr Spaß,

Lea: da früh mit den Kunden halt zu interagieren und an so einer eben schon bei der

Lea: Lösungsfindung halt mit dabei zu sein und die gemeinsam zu definieren und dann

Lea: im besten Fall vielleicht auch gemeinsam umzusetzen,

Lea: aber eben genau diese Beratungsleistung auch zu bringen und den Kunden unser

Lea: Wissen zu nutzen, um den Kunden bestmöglich zu beraten,

Lea: was die richtigen Produkte, Lösungen, Technologien wirklich für den Kunden dann auch sind.

Wolfgang: Ja, das ist auf jeden Fall eine gute Sache. Lea, ja, vielen,

Wolfgang: vielen Dank für deine Zeit.

Wolfgang: Es war so toll, dass du zum dritten Mal heute schon hier warst im Podcast.

Wolfgang: Ich bin gespannt, was unser Thema bei Nummer vier sein wird,

Wolfgang: vielleicht nächstes Jahr.

Wolfgang: Aber das war auf jeden Fall super. Lehre euch jetzt das Thema Daten und KI-Strategie.

Wolfgang: Und ja, ich glaube, dass das weiterhin ein großes, großes, wichtiges Thema bleibt.

Wolfgang: Und ganz großen Glückwunsch an den tollen Namen Nordstern-Workshop war es,

Wolfgang: glaube ich. Finde ich großartig.

Lea: Sehr gut.

Wolfgang: Danke für deine Zeit.

Lea: Danke auch.

Voiceover: Das war das Gespräch mit Lea. Ich hoffe, dass es euch Spaß gemacht hat.

Voiceover: Wenn ihr Feedback habt, dann erreicht ihr mich per E-Mail unter podcast.innovex.de.

Voiceover: Wir hören uns in der nächsten Folge wieder. Bis dahin wünsche ich euch viel Spaß und eine gute Zeit.