In welchen Bereichen entfaltet KI das maximale Potenzial?

00:00:00: Also das wird schon irgendwie, werden wir dann sehen.

00:00:06: Ist auch das erste Mal.

00:00:08: Bitte, Computer anschließen steht da.

00:00:11: Das ist egal.

00:00:12: Das ist egal.

00:00:13: Das ist so, wenn er Strom hat, hat der theoretisch bessere Performance.

00:00:16: Okay.

00:00:17: So, dann ist das jetzt das erste Mal mit Kamera quasi, ne?

00:00:20: Genau.

00:00:21: Aufrechter Sitzhaltung einnehmen.

00:00:23: Ich bevorzuge...

00:00:25: Das ist immer der Serious Aussehen.

00:00:26: Ja, ich bevorzuge weiterhin den Sackwasser.

00:00:28: Das ist natürlich so, man muss sagen, die Mikros sind noch sehr leise.

00:00:32: Da müssen wir uns noch mal was einfallen lassen, damit wir die lauter kriegen.

00:00:35: Aber das wird, dann ist die Sitzhaltung bei den nächsten Podcasts allgemein aufrechter.

00:00:40: Das ist auch eine gute Training, die Gesundheit.

00:00:43: Genau.

00:00:44: Okay, Alex Hallöchen.

00:00:46: Moin, Janis.

00:00:47: Du mal wieder hier.

00:00:48: Ja.

00:00:49: Neujahrsvorsatz eingehalten, erster Podcast im neuen Jahr.

00:00:52: Du hast gleich mal unseren Plan über den Haufen geworfen.

00:00:55: Statt einer Folge pro Monat, wolltest du jetzt auf zwei auf einmal hochskalieren.

00:00:59: Nee, das war ja schon vorher der Plan.

00:01:01: Das weiß ich nicht.

00:01:02: Ich kann mich nur daran erinnern, dass ich...

00:01:04: Neujahrsansprache beziehungsweise...

00:01:06: Ist das eine Neujahrsansprache gewesen?

00:01:08: In unserem Jahresrückblick hatte ich eine Folge pro Monat in Erinnerung.

00:01:13: Aber wir versuchen es mit zwei.

00:01:15: Was ist das heutige Thema?

00:01:16: Heute habe ich mal als Aufhänger genommen, dass ich eine kleine Umfrage bei LinkedIn

00:01:20: gestartet habe, die mehr oder weniger repräsentativ ist, wahrscheinlich eher weniger.

00:01:24: In welchen Bereichen KI am meisten nutzen bringen kann, zum Beispiel Marketing, HR-Prozesse,

00:01:32: Produktionsplanung oder Ressourcenplanung?

00:01:34: Natürlich sind das nicht alle Bereiche, die es gibt, aber man kann in der Umfrage nur

00:01:37: vier angeben.

00:01:38: Und darum sind das auch die vier, über die wir heute reden, weil es auch die sind, mit

00:01:42: denen wir uns am meisten beschäftigen, in unserer Umgebung.

00:01:46: Und die Frage ist, glaube ich, einfach.

00:01:49: Ist es wirklich so, dass bestimmte Bereiche interessanter sind als andere, was sind vielleicht

00:01:53: Hemmnisse und welchen Bayes hat man da?

00:01:55: Vielleicht einfach mal aus Interesse.

00:01:57: Was war denn das Ergebnis deiner Umfrage?

00:01:59: Das Ergebnis meiner Umfrage war, dass HR- und Marketingprozesse relativ niedrig gesehen

00:02:04: wurden.

00:02:05: Also bei 13 Prozent der Leute haben gesagt, die haben am meisten Potenzial.

00:02:09: Und Ressourcenplanung und Produktionsprozesse haben jeweils 33 Leute gesagt, dass sie das

00:02:16: am spannendsten finden und am meisten Potenzial sehen.

00:02:19: Das heißt, die Industrie getrieben.

00:02:21: Aber der Bayes ist natürlich, dass wir viel in dem Umfeld unterwegs sind und die Kontakte

00:02:25: haben.

00:02:26: Von daher muss man da fairerweise sagen, dass das jetzt wenig repräsentativ ist.

00:02:29: Genau.

00:02:30: Also ich nehme anders seinen Netzwerk sehr aus dem Industriemittelstand kommt und dass

00:02:34: daher quasi die Tendenz in die Industriebereiche reingeht.

00:02:39: Hier wäre es natürlich mal interessant, jemand direkt aus Marketing und HR zu bekommen,

00:02:43: vielleicht sogar für den Podcast und mal nachzufragen, wie es dort eigentlich mit Automatisierung

00:02:47: durch KI aussieht.

00:02:48: Also ich würde sagen, falls es da jemanden gibt, sehr gerne mal melden.

00:02:52: Aber dann lass uns doch direkt mit den beiden interessanten Sachen oder laut einer Umfrage

00:02:58: erstmal für deine Zielgruppe interessantesten Sachen anfangen.

00:03:01: Produktionsprozesse, warum meinst du, ist da der Fokus so stark drauf?

00:03:07: Ja, im Produktionsprozess ist halt sehr ersichtlich und leicht messbar, meiner Meinung nach, was

00:03:13: es gebracht hat, wenn man ein Projekt anstößt.

00:03:15: Also wenn man beispielsweise eine Produktionsstrecke jetzt effizienter aussteuern kann und mehr

00:03:21: Output an Material hat, am Ende des Tages bei gleichem Input, dann kann man ganz klar

00:03:27: messen, okay, dieses Projekt hat was gebracht.

00:03:29: Das ist manchmal im Bereich Marketing und ähnlich ein bisschen schwieriger, weil da so

00:03:33: viele verschiedene Einflussfaktoren rein spielen, dass man manchmal nicht genau zuordnen

00:03:38: kann, ob die Entscheidung, die man jetzt getroffen hat, wirklich 100 Prozent auf Basis der Daten

00:03:42: liegen oder noch andere Sachen jetzt einfach andere Rahmenbedingungen haben.

00:03:45: Genau, darum ist es glaube ich immer ganz attraktiv, auch für ein Data Scientist, der

00:03:48: ein Projekt macht, der kann wirklich klar messen, hat das funktioniert, hat es nicht funktioniert

00:03:53: und je nachdem optimieren oder anders herangehen, wenn man die Prozesse gut versteht.

00:03:57: Ja, was passiert?

00:04:01: Also ich hatte gesagt, gerade in Produktionsprozessen ist sehr viel auch schon ohne KI und Data

00:04:08: Science umgesetzt, da sind dann einfach, ich sage mal, Excel-Tabellen, die sagen, zum

00:04:13: Beispiel, wie viel Bestand haben wir noch, wann müssen wir nachbestellen.

00:04:17: Meinst du, deine Umfrage oder dein Umfrageergebnis rührt auch daher, dass ohnehin schon sehr

00:04:25: viel in diesem Bereich gemacht wird?

00:04:29: Grundsätzlich wird ja Datengetrieben überall irgendwas gemacht, meine Erfahrung nach.

00:04:35: Das heißt, ganz selten ist es so, dass in einem Unternehmen Entscheidungen komplett auf Bauchgefühl

00:04:39: Basis oder nach Würfel Glück getroffen werden.

00:04:42: Die Frage ist immer, wie gut wurde das Datengetrieben gemacht?

00:04:46: Und meiner Erfahrung nach ist es oft so, dass es 1, 2, 3 Mitarbeiter gibt, die schon lange

00:04:52: dabei sind, die einfach viel historische Erfahrung haben, gutes Bauchgefühl und dann das Kombinieren

00:04:59: mit ein bisschen Excel-Daten und Power BI, da mal drüber schauen und dann mit einem Daumen

00:05:05: in den Wind angelegt sagen, das müsste ungefähr so passen.

00:05:08: Das haben wir in ganz vielen verschiedenen Set-Ups, nicht nur in der Produktionsplanung,

00:05:12: aber auch wenn man Gebiete ausbaut, neue Filialen eröffnet und ähnliches, neue Standorte

00:05:17: definiert in Immobilien guckt.

00:05:19: Natürlich wird da immer auf bestimmte Daten geschaut, aber meistens oberflächlich und

00:05:24: wenn wir jetzt in Data Science KI reingehen, dann ist ja die Frage, kommen wir als ganze

00:05:28: größer und automatisierter Auswerten.

00:05:30: Es ist vor allem spannend, wenn man viele verschiedene Rahmenbedingungen und Datensätze und Szenarien

00:05:34: hat, die ein Mensch gar nicht mehr überblicken kann.

00:05:36: Wenn meine einzigen Datensätze sind, welchen Umsatz habe ich letzten Monat gemacht und

00:05:41: welchen nächsten Monat vielleicht und welchen habe ich bisher diesen Monat gehabt, dann

00:05:45: kann Mensch das vielleicht noch überblicken.

00:05:47: Aber wenn ich anfange 20 verschiedene Parameter bei einer Maschine zu haben wie Hitze, Produktion,

00:05:52: Druck, Temperatur, alles Mögliche, dann kann Mensch das nur noch oberflächlich überblicken

00:05:57: und vor allem vielleicht auch nicht live und automatisiert.

00:06:00: Sagen wir mal ein bisschen aus dem Nähekästchen plaudern, so Projektwise von Elio, wo kommen

00:06:04: wir da genau ins Spiel eigentlich?

00:06:06: Machen wir mal ein bisschen Eigenwerbung.

00:06:07: Ja, Eigenwerbung.

00:06:09: Und dieser Folge ist gesponsert von Elio.

00:06:13: Alle Folgen sind eigentlich gesponsert von Elio, muss man fairerweise sagen.

00:06:18: Eigenwerbung.

00:06:19: Ja, wir haben tatsächlich einen starken Fokus auf Industrie- und Prozessprojekte und meistens

00:06:24: kommen wir ins Spiel, wenn ein Unternehmen bereits verschiedene Daten gesammelt hat, meistens

00:06:31: in ganz natürlichen Systemen wie ein ERP-System oder ein Produktionsplanungssystem oder normale

00:06:37: Maschindaten, die einfach vom Hersteller in der Maschine erfasst werden und sich dann

00:06:40: fragt, was kann ich jetzt eigentlich noch mehr damit machen?

00:06:43: Weil bisher haben wir das Ganze mit Excel und mit menschlicher Planungsfähigkeit überblickt

00:06:48: und versucht bestmöglich auszusteuern.

00:06:50: Und jetzt wollen wir das Ganze besser machen und da hatten wir zum Beispiel unseren Kunden

00:06:55: in Gredion, wo es darum ging Produktionsprozesse besser auszusteuern, die ganz viele verschiedene

00:07:01: Rahmenbedingungen und Parameter hatten und bei denen der Mensch halt nicht überblicken

00:07:06: konnte, okay, wenn ich jetzt die Rohstärke habe und die Menge an Material aus dem Land,

00:07:12: bei dem Maschine, die auch anders funktioniert als die andere und unter den Rahmenbedingungen

00:07:17: in der Jahreszeit gibt es da jetzt einen genau vergleichbaren Fall oder nicht.

00:07:21: Alles ist immer ein bisschen unterschiedlich und was man jetzt genau einstellen muss, um

00:07:24: die optimalen Produktionszeiten zu haben, das lässt sich schwer bestimmen und dabei

00:07:29: helfen wir mit Daten.

00:07:30: Ja, unter anderem und einfach weil es mir sehr am Herzen liegt und ich glaube auch David,

00:07:36: einem, einer Kollegen, sehr viele Firmen arbeiten heutzutage noch mit Excel ausschließlich.

00:07:44: Was ist, was ist deine Meinung dazu, Alex?

00:07:47: Meine Meinung?

00:07:48: Ja, tatsächlich arbeiten wir hier bei Elio auch mit Excel zum Teil.

00:07:52: Ja, okay, schwierig, schwierig.

00:07:54: Vielleicht hättest du mich nicht fragen lassen, ich beheust du gerade die Frage ein bisschen.

00:07:58: Ich tu es, ich frag nächste Woche nochmal David.

00:08:00: Versuchen wir es nochmal, ne?

00:08:02: Nein, ich glaube es gibt durchaus eine Daseinsberechtigung für Excel, wenn man mal schnell über ein paar

00:08:09: Zahlen den Überblick behalten möchte.

00:08:11: Aber ganz grundsätzlich, gerade wenn die Excel-Scheats größer und komplexer werden, fängt man irgendwann

00:08:17: an zu versuchen eine Applikation der Komplexe daraus zu machen, wofür es nicht gedacht

00:08:21: ist und dann ist meistens der Aufwand einfach etwas softwerkt zu entwickeln.

00:08:27: Das ist gringer als der Aufwand, Excel-Schied, wenn es vor allem dann noch in die Richtung

00:08:31: geht mit VB-Wung, nette Funktionen reinbringen, visualisieren reinhacken und so.

00:08:36: Das kommt dann fast in jedem Unternehmen vor, da gibt es die wildesten und komplexesten

00:08:40: Sachen, die keiner mehr versteht oder editieren kann.

00:08:43: Und da ist ein Stück software bauen meistens schneller, günstiger, einfacher, wartbarer

00:08:48: und auch flexibler.

00:08:50: Ich glaube teilweise auch nachhaltiger.

00:08:52: Ich meine, der Vorteil von Excel ist eben, dass nicht IT-ler nenn ich es mal ganz liebevoll,

00:08:59: Excel sehr gut bedienen können.

00:09:00: Und ich glaube in großen Teilen auch besser als viele IT-ler.

00:09:03: Also ich bin bekennender Excel-Verweigerer und ich weiß noch, dass ich unseren Daniel,

00:09:09: unseren Salesman irgendwann mal gefragt habe, wie kriege ich denn dieses Excel-Schied jetzt

00:09:13: zu einer PDF formatiert.

00:09:17: Und nur er konnte mir helfen.

00:09:18: Also ich glaube, der Punkt geht dann quasi für einen gewissen Zielgruppe an Excel.

00:09:27: Ja, meine einzige Fähigkeit bei Excel ist auch mehrere Zellen zu markieren und dann

00:09:32: automatisiert aufzusummieren.

00:09:34: Das ist so mein One-Trick.

00:09:38: Ja gut, ich meine, nicht jeder Firma hat eine IT-Abteilung oder nicht alles muss an die

00:09:43: IT-Abteilung gehen.

00:09:44: Und wenn man dann mal eben mit Excel und Power BI was aufbauen kann, was dann für diesen

00:09:48: einfachen Use Case funktioniert, why not?

00:09:50: Aber ich glaube für ein übergreifendes Datenverständnis ist es dann oft sehr challenging.

00:09:55: Und genau, da kann man dann schnell an seine Grenzen.

00:09:59: Wir haben jetzt sehr viel über Produktionsprozesse gesprochen.

00:10:04: Hast du noch was weiteres aus der Industrie, was du ansprechen würdest oder sollen wir

00:10:08: zum nächsten Thema übergehen?

00:10:09: Ich glaube, was ganz spannend ist bei jedem Thema ist okay, es gibt natürlich viel Potenzial

00:10:13: und man kann unterschiedlichste Sachen machen.

00:10:15: Aber was sind denn so typische Blocker speziell für diesen Bereich?

00:10:20: Also warum kommen Projekte vielleicht nicht zustande?

00:10:22: Und ich glaube, der Produktionsbereich hat dann ein sehr spezielles Merkmal und zwar

00:10:29: denkt man bei solchen Projekten der Produktion sehr schnell an Automatisierung und an Jobs

00:10:34: die wegfallen.

00:10:35: Wir hatten schon ein paar Mal das Thema, das im Vertriebsprozess vor allem dann beim Kunden

00:10:42: das Betriebsrat irgendwie dazu gezogen wurde oder zum Thema wurde oder sogar einmal ein

00:10:49: Projekt blockiert hat, was eigentlich schon zugesagt war und dann Jahre nach hinten geschoben

00:10:53: wurde, einfach weil gewisse Ängste bestehen, dass Jobs wegfallen, wenn so ein Projekt erfolgreich

00:11:00: ist und dann die Leute Probleme geraten.

00:11:06: Und gleichzeitig braucht man natürlich auch viel Unterstützung mit Domänenwissen und

00:11:10: Support bei solchen Projekten von den Leuten in der Produktion, die die Prozesse gut kennen.

00:11:14: Und wenn die dann keinen Bayern haben und er gegen das Projekt sind und dagegen arbeiten,

00:11:18: dann kann das auch kein Erfolg werden und wird wahrscheinlich rausgeschmissenes Geld

00:11:21: für das Unternehmen.

00:11:22: Das heißt, man hat ein paar individuelle Herausforderungen.

00:11:24: Ja, wobei ich jetzt einfach mal sagen würde, wir haben jetzt sehr viel über Ausschussware

00:11:33: gesprochen.

00:11:34: Wir sprechen hier gerade nicht über selbstfahrende Roboter durch Industrieanlagen, was mit

00:11:39: Sicherheit auch ein interessanter Punkt für KI wäre.

00:11:42: Wir haben jetzt einfach über weniger Ausschuss zum Beispiel gesprochen.

00:11:47: Ist das auch schon eine Herausforderung für potenzielle Jobverluste?

00:11:53: Ja und nein, würde ich sagen.

00:11:57: Im Speziellen vielleicht nicht, aber wenn wir jetzt mal so in dieser Themenregion bleiben,

00:12:02: fallen ja vielleicht gewisse Prozessschritte, die momentan von Experten getan werden, in

00:12:06: Zukunft weg.

00:12:07: Ich würde zum Beispiel sagen, jemand ist ein hochbezahlter Experte, der entscheidet,

00:12:11: welche Parameter bei einer Maschine eingestellt werden müssen für einen optimalen Durchlauf.

00:12:15: Und jetzt können wir das Ganze viel besser und schneller mit einer KI oder mit einem

00:12:19: Data Science Projekt machen.

00:12:21: Dann wird dieser Experte vielleicht irgendwann gar nicht mehr gebraucht, wenn er einfach am

00:12:26: Ende sowieso nur noch das einstellt, was die KI ihm sagt.

00:12:29: Genauso wie wenn bestimmte Prozessschritte vielleicht ganz rausfallen, weil sie nicht

00:12:34: mehr nötig sind.

00:12:36: Aber weil wir Sachen jetzt schon vorher sagen können, bestimmte Tests oder so, vielleicht

00:12:39: nicht mehr nötig sind, dann können da schon Fragen auftauchen.

00:12:42: Und was genau ist da deine Meinung in diesem Punkt bei diesen Fragen, die da auftauchen

00:12:47: können?

00:12:48: Also müssen diese Experten jetzt wirklich um ihren Job fürchten durch KI?

00:12:53: Ich glaube in Deutschland sind wir hier ziemlich gut aufgestellt, was die Sicherheit von Arbeitsplätzen

00:12:58: angeht, vor allem in größeren Unternehmen.

00:13:01: Ich glaube in Amerika könnte dir das durchaus mal passieren, dass du dann am nächsten Tag

00:13:04: auch auf vor die Tür gesetzt wirst.

00:13:06: Wenn du nicht mehr gebraucht wirst, aber mit allen Unternehmen, also nicht mit fast allen,

00:13:11: mit allen Unternehmen, mit denen wir gesprochen haben über solche Projekte war immer ganz

00:13:15: klar, die Leute sollen jetzt nicht wegrationalisiert werden, sondern wir wollen ihre Arbeitszeit

00:13:18: effektiver nutzen.

00:13:19: Wenn wir sie für diesen Prozessschritt nicht mehr brauchen, dann haben wir was anderes für

00:13:23: sie zu tun, wo wir sie sinnvoll einsetzen können, wodurch wir einfach wettbewerbsfähiger sind,

00:13:28: wenn wir unsere Arbeitskräfte sinnvoll nutzen können.

00:13:31: Viele Unternehmen haben sowieso auch ein Fachkräftemangel im bestimmten Bereich.

00:13:34: Das heißt, es geht auch einfach darum, überhaupt fehlende Fachkräfte zu bekämpfen.

00:13:39: Und das ist jetzt sehr, Unternehmen ist unterschiedlich, ich habe auch schon ein paar Unternehmen, die

00:13:43: Fantasie gehört.

00:13:44: Ja, vielleicht müssen unsere Mitarbeiter nur noch vier Tage die Woche arbeiten und den

00:13:49: Rest der Zeit können wir dann Innovationsthemen oder neue Ideen und so investieren.

00:13:53: Aber da ist natürlich immer die Frage, ob das dann am Ende wirklich so gemacht wird

00:13:57: oder die Kosten einfach eingespart werden.

00:14:00: Da muss man auch ehrlich zu sich selber sein.

00:14:02: Aber genau, es gibt ganz viele verschiedene Herangehensweise und ich glaube, die Zeit lässt

00:14:07: sich nicht aufhalten, weil am Ende muss man auch über sich hinaus wettbewerbsfähig bleiben.

00:14:12: Wenn man selber nicht macht, die anderen machen es wahrscheinlich und wenn man dann hinten

00:14:16: dran bleibt, dann endet man wie die großen Pferdekutschenproduzenten der damaligen Zeit.

00:14:21: Ja, ich muss sagen auch, meine Meinung da reinzustreuen, ich glaube, es gibt so ein gewisses Pareto-Prinzip,

00:14:26: dieses 80/20-Prinzip.

00:14:27: Und ich glaube, dass die letzten 20 Prozent in sehr vielen Automatisierungsschritten extrem

00:14:32: schwer sind.

00:14:33: Das haben wir beim autonomen Fahren gesehen.

00:14:35: Wir reden jetzt schon seit vielen, vielen Jahren über autonom fahrende Autos.

00:14:39: Aber speziell auch hier in Deutschland, glaube ich, sind wir noch relativ weit davon entfernt,

00:14:44: dass Autos wirklich sehr autonom fahren können.

00:14:46: Und ich glaube, dieses Prinzip, was auf Autos jetzt gilt und teilweise auch für Ärzte,

00:14:54: kann sich entsprechend auch auf unser Beispiel jetzt ausweiten, dass eben die letzten 20

00:15:00: Prozent ein sehr, sehr schwieriger Schritt sind und ein sehr CA-Schritt auch ist.

00:15:06: Und ich glaube, dass viel erleichtert wird, aber nicht unbedingt alles wegfällt.

00:15:12: Aber gut, ich glaube, das Thema allgemein, das ist sehr bekannt, sehr breit schon besprochen,

00:15:18: lassen wir uns noch mal zum nächsten Stichpunkt rübergehen.

00:15:21: KI und Automatisierung in HR-Prozessen.

00:15:24: Das war ja auch ein Beispiel von dir.

00:15:26: Was hast du denn dazu zu sagen, erst mal?

00:15:28: Fangen wir mal mit der offenen Frage an.

00:15:30: Die offene Frage.

00:15:31: Ich glaube, HR-Prozesse sind superumstritten in der Form, die uns als kleines Unternehmen

00:15:39: vielleicht gar nicht so bewusst ist, weil ich weiß gar nicht, ob es in Deutschland so

00:15:43: stark ist, natürlich auch, aber gerade in Amerika und auch in vielen anderen Ländern, aber natürlich

00:15:47: auch in Deutschland, rein schon gesetzlich, müssen so HR-Prozesse möglichst fair sein,

00:15:54: die sollen nicht diskriminierend sein.

00:15:56: Da gibt es ganz viele Regelungen, die da reinspielen, dass manche Leute vielleicht manchmal

00:16:01: bevorteilt werden sollten oder vielleicht auch nicht.

00:16:03: Und tatsächlich gibt es sehr viel Gegenwind gegen KI in HR-Prozessen, weil halt die Befürchtung

00:16:12: ist, dass manche Leute dann vielleicht gar keine Chance haben, einen Job zu bekommen,

00:16:15: weil sie in bestimmte Bias ist, reinfallen, die die KI gerade nicht gut findet und dass

00:16:21: das dann vielleicht nicht mehr nachvollziehbar ist.

00:16:23: Amerika, die sind ja mit der Gesetzgebung auch ein bisschen schneller als wir, gibt es mittlerweile

00:16:27: in vielen Staaten konkrete Gesetze, dass KI in HR-Systemen und Prozessen nur eingesetzt werden darf,

00:16:33: wenn das mehr oder weniger TÜV-Zertifiziert ist. Also natürlich gibt es da keinen TÜV, sondern halt

00:16:38: quasi ein Equivalent, aber die müssen das sehr genau prüfen lassen und zertifizieren lassen. Auch

00:16:43: beim EUAI-Act, was diese ganze KI-Geschichte bei uns in Europa jetzt reguliert, ist HR als Risikoprozess

00:16:54: gekennzeichnet. Und für mich ist es, wir als kleines Unternehmen haben andere HR-Prozesse als

00:17:00: Konzernen und kriegen auch ganz andere Anzahl an Bewerbungen und so weiter. Aber ich frage mich

00:17:05: halt immer bei so was ist ein Mensch nicht auch am Ende, hat er nicht auch einen starken Bayes,

00:17:10: ganz natürlich. Was mir bei so was immer auffällt ist, wir setzen viel höhere Maßstäbe an die KI

00:17:16: als an uns selber. Ja gut, das ist oft so. Ich muss auch sagen oder mal so gefragt, was genau

00:17:22: würde denn durch KI automatisiert werden bei den HR-Prozessen? Die ganze Auswahl von vorne

00:17:27: bis Ende oder wie kann ich mir so eine Automatisierung in der HR genau vorstellen? Ich glaube,

00:17:34: man kann natürlich den Faktor Mensch bei HR niemals rausrechnen. Das wäre zumindest können,

00:17:39: vielleicht schon. Aber ob man es will, ist eine andere Frage. Am Ende ist ja auch so objektiv

00:17:45: und anbei ist, wie man HR-Prozess gestalten möchte. Das Bauchgefühl muss ja stimmen. Wenn

00:17:49: jemand im Team dazu kommt, dann muss man ja das Gefühl haben, der wird da reinpassen und die

00:17:53: würden sich gegenseitig gut verstehen. Das Gefühl hat, das passt überhaupt nicht. Dann kann

00:17:57: der noch so qualifiziert sein und noch so ein toller Kerl oder Frau sein. Am Ende des Tages ist es

00:18:02: dann für beide Seiten vielleicht doch besser, wenn man nach einem anderen Job sucht. Und im

00:18:09: ganzen HR-Prozess kann man natürlich Auswahl von CVs, also mit wem spreche ich überhaupt,

00:18:13: kann man automatisieren. Die Interview-Prozesse kann man zum Teil sicherlich auch automatisieren.

00:18:20: Das heißt, fachliche Qualifikationen checken durch individuell generierte Aufgaben und

00:18:23: automatisierte Auswertungen der Lösungen, Assessments, inwiefern jemand im Team arbeiten

00:18:30: würde. Viele Sachen, die wir momentan machen, gerade mit Gen A und den Möglichkeiten,

00:18:35: passiert heutzutage auch schon und kann man automatisieren. Aber wie gesagt, aus meiner Sicht

00:18:43: der Faktor Mensch sollte sowieso nie rausfallen beim HR-Prozess. Ja gut, du hast ja schon gesagt,

00:18:48: dass das sehr viele Unternehmen unterschiedliche Anzahl an Bewerbungen haben. Wir können unsere

00:18:54: Bewerbungen so gerade noch überschauen, will ich behaupten. Aber bei so einem Konzern,

00:19:02: was meint es mich, viele Bewerbungen können da pro Tag reinkommen, je nachdem welcher?

00:19:05: Das kommt auf die Position an, denke ich mal. Wenn man eine so Fachkräftemangelposition,

00:19:09: wie jetzt ein Senior-Jabber-Entwickler hat, dann bekommen die auch keine 1000 Bewerbungen am

00:19:14: Tag, sondern vielleicht ein paar pro Monat. Aber bei anderen Positionen wie jetzt einen

00:19:23: HR-Analyst, ein Business-Analyst oder so, ein Projektmanager, da können auch mal hunderte

00:19:28: oder tausende Bewerbungen drauf kommen, vor allem auf Junior-Positionen, wenn Leute in

00:19:32: die Frischwurmstudium sind und ihren ersten Job suchen beim großen Unternehmen, da ist es

00:19:36: dann manchmal schwer zu filtern. Ja, ich meine auch mal gehört zu haben, dass sich die Leute

00:19:40: in den HR-Abteilungen gerade von großen Unternehmen noch nicht mal mehr alle Lebensläufe komplett

00:19:45: durchlesen. Also es geht meistens so um den ersten Eindruck. Ich weiß gar nicht mehr,

00:19:49: welches Limit es da gab, wie viele Sekunden so eine Person auf einen CV guckt. Aber da

00:19:54: wirst du schon recht haben, dass es nicht ganz an Bayern ist, glaube ich.

00:19:57: Nee, es gibt ja teilweise auch harte Filter, die gar nicht wirklich klug sind vielleicht.

00:20:02: Zum Beispiel gibt es zwar vielen Unternehmen, die zu viele Bewerben bekommen, einfach Notenfilter.

00:20:06: Das gesagt wird, wenn du nicht mindestens eine 1,2 im Bachelor oder Master hattest, dann

00:20:10: schauen wir uns den CV nicht mal an. Einfach damit aus den 10.000 Bewerbungen 500 werden.

00:20:15: Ja. Und das sortiert natürlich auch potenziell sehr gute Kandidaten aus, weil Noten-Schlitte

00:20:23: halt fraglich sind, wie gut das Instrument wirklich ist, um zu bewerten, ob jemand jetzt

00:20:30: ein guter Mitarbeiter sein wird oder nicht. Aber irgendwelche objektiven Maßstäbe musst

00:20:33: du ansetzen und das ist der einfachste und ersichtlichste.

00:20:36: Ja, ich weiß noch, gestern Abend hat mich unser Salesman gebeten, etwas in meinen

00:20:42: Lebenslauf einzutragen oder in meinen Expertenprofi von Elio. Nämlich die dritte Normalform,

00:20:49: die sollte irgendwo stehen, damit ein Recruiter das mit Steuerung und F finden kann, falls

00:20:54: es gefordert ist. Ich weiß nicht. Ich habe Daniel kurzzeitig geschrieben, dass ich langsam

00:20:59: den Glauben an die Menschheit verliere, bei solchen Maßstäben, das war schon echt

00:21:03: übel. Aber nehmen wir mal an, wir würden jetzt KI im HR-Prozess einsetzen. Was wäre

00:21:12: so der erste Punkt, wo du ansetzt?

00:21:14: Ich glaube, der erste Punkt wäre tatsächlich Screening von CVs, weil wir kriegen tatsächlich,

00:21:23: haben wir ja schon mal im früheren Podcast-Folge darüber gesprochen, wenn wir jetzt zum Beispiel

00:21:27: die LinkedIn-Ads schalten, schon viele Bewerbungen, aber halt sehr viele, die überhaupt nicht

00:21:33: passen von den Grundvorhaussetzungen, also von den Sprachkenntnissen, die erforderlich

00:21:37: sind, von einer Mindestanzahl an Erfahrung, von der Location, wo die Leute gerade sitzen,

00:21:45: wenn die zum Beispiel jetzt gerade in Pakistan sitzen und überhaupt nicht in Deutschland,

00:21:49: dann sind das vielleicht Sachen, wo ich weiß, okay, das ist für uns erstmal nicht interessant

00:21:53: und das hat mir aber trotzdem erstmal in den CV anschauen muss und das überblicken

00:21:57: muss und oft ist das auch nicht sofort ersichtlich, um das zu verstehen und da kann man natürlich

00:22:03: auch automatisieren. Und das ganze Thema Interview-Prozesse, vor allem ich glaube Probeaufgaben, Assessment,

00:22:12: wir haben ja immer eine Probeaufgabe, die wir den Bewerber schicken, wo wir dann am

00:22:16: Ende über die Lösung sprechen und Tech-Interview generelles machen und die ist immer standardisiert

00:22:21: und die gleiche und an sich kann man die auch in den Chagivity reinwerfen und kriegt wahrscheinlich

00:22:25: sehr schnell eine gute Lösung. Und da Varianz reinzubringen, indem man vielleicht individuellere

00:22:31: Aufgaben generiert, Probewerber vielleicht sogar abgestimmt auf sein Erfahrungsschatz,

00:22:35: das so wahrscheinlich in Junior eine andere Aufgabe bekommt als ein Senior und vielleicht

00:22:39: sogar abgestimmt auf ein CV, da gibt es ja so viele Möglichkeiten, die absolut nicht

00:22:43: absurzt sind mit Generei, sondern eigentlich sogar gut machbar und das wären zum Beispiel

00:22:47: Themen, die für uns spannend wären. Ja gut, wobei ich sagen muss, dass gerade bei den

00:22:54: Probeaufgaben, die wir schicken und das Nachgespräch, mir wäre es persönlich egal, ob die Aufgabe

00:23:00: mit Chagivity gelöst worden wäre oder nicht, weil zum einen geht es uns ja darum zu sehen,

00:23:05: wie gut kann man mit einer Person arbeiten und welches Tooling hat die Person überhaupt

00:23:09: und wenn Chagivity zum Tooling gehört, dann ist das erstmal was Gutes. Und am Ende kriegst

00:23:16: du das sehr gut auch im Gespräch raus, ob eine Person jetzt Ahnung hat oder nicht. Also

00:23:21: unabhängig davon, auf welchem Erfahrungslevel die Person allgemein ist, ich glaube dieses

00:23:25: Gespräch, welches wir dann im zweiten Schritt führen, ist immer Gold wert und das bildet

00:23:29: eigentlich immer unsere Meinung. Also weniger die Abgabe einer Person als viel mehr das

00:23:36: Nachgespräch. Genau, das stimmt auf jeden Fall. Im Endeffekt hatten wir ja auch schon

00:23:41: Bewerber, die mit Chagivity die Lösung gelöst haben und wo sich im Gespräch rausgestellt

00:23:45: hat, okay, alleine hätten sie es nicht geschafft und sie haben sich auch vielleicht nicht detailliert

00:23:49: genug damit beschäftigt mit den Themen. Das fällt dann natürlich sofort auf und wenn

00:23:53: jemand einfach sich aber Zeit spart und es aber eigentlich kann dann umso besser, dann

00:23:57: heißt das, dass die Person effizient arbeiten kann und gute Lösungswege sucht, dann ist

00:24:02: das eher ein Pluspunkt, das wir mit Chagivity gemacht haben als ein Minuspunkt, wenn man

00:24:05: es am Ende gut verargumentieren kann. Und was glaube ich auch ein Thema ist, wenn man jetzt

00:24:12: Varianz in Aufgaben reinbringt, ist das vielleicht auch gar nicht so gut, weil an die Vergleichbarkeit

00:24:15: natürlich auch schwieriger wird. Wenn man jedem die gleiche Aufgabe gibt, dann hat man natürlich

00:24:20: auch die Möglichkeit die Lösungen zu vergleichen und zu sagen, okay, da hatten jetzt alle riesige

00:24:25: Probleme mit, vielleicht ist die Aufgabe einfach nicht gut oder der hatte das sofort erkannt

00:24:30: und der nicht. Woran liegt das denn? Ja, manchmal geht es auch einfach nur darum, eine Person

00:24:35: wirklich in die Verzweifelung zu schätzen, mal zu schauen, was daraus gemacht wird.

00:24:41: Also es muss nicht immer der leichteste Weg sein. Aber gut, HR, ich würde das mal als

00:24:49: grundsätzlich abgeschlossen betrachten. Zumal wir schon mal darüber im Kontext von Dev-Guru

00:24:53: geredet haben, lass uns ruhig zum letzten Punkt darüber gehen. Marketing. Ja, Gefahr

00:25:00: und Potenzial der KI im Marketing, was sagst du dazu? Ich glaube, man muss ein bisschen

00:25:04: unterscheiden, was man im Marketing überhaupt macht. Marketing ist ja ein super breites Feld

00:25:09: und ich würde für KI-Einsatz mal so zwei Sachen grundsätzlich unterscheiden. Das eine ist,

00:25:15: dass man Prozesse automatisiert in der Tätigkeit des Marketings. Das heißt, wenn ich zum Beispiel

00:25:20: Anzeigen erstelle, dass ich Bilder, Creatives für meine Werbenbeanzeigen mir erstelle, das

00:25:25: ist ja erstmal einfach Arbeitsaufwand und da kann ich schneller werden, vielleicht sogar

00:25:29: bessere Ergebnisse bekommen, als wenn ich das alles eigenständig mache. Ich habe das

00:25:35: zum Teil sogar schon mal für uns verlinkt in Werbung probiert, da über einen SaaS-Software,

00:25:39: die das ganze Genial getrieben macht, 50, 60 verschiedene Versionen unserer Werbeanzeigen

00:25:45: zu generieren, um einfach mehr verschiedene Varianten zu haben und besser. Aber ich muss

00:25:50: ganz ehrlich sagen, das war alles schrott, was da rausgekommen ist. Aber vielleicht lag

00:25:54: das einfach an der SaaS-Lösung und nicht im allgemeinen Problem. Genau, der erste Bereich

00:25:59: ist, man kann sich Arbeit sparen im Prozessen und der zweite Bereich ist, dass man, glaube

00:26:05: ich, Daten getrieben, Prozesse besser aussteuert und bessere Entscheidungen trifft. Das heißt,

00:26:10: dass man zum Beispiel sagt, okay, ich klassere meine Kunden in bestimmte Gruppen und jeder

00:26:14: kriegt unterschiedliche Angebote. Ich habe eine Recommendation Engine, die nur bestimmten

00:26:18: Kunden zum bestimmten Zeitpunkt bestimmte Angebote unterbreitet oder bestimmte Produkte

00:26:22: zeigt. Wie bringe ich meinen Kunden möglichst schnell zum optimalen Produkt für ihn? Das

00:26:27: fällt alles für mich ein bisschen unter dem Bereich Marketing. Welche Werbeanzeigen,

00:26:31: welche Themen spiele ich, welchen Kunden aus, wie ich viel bedrehe, investiere ich in

00:26:35: welche Kanäle. Also so etwas wurde ja schon immer Daten getrieben, ausgewertet und bearbeitet.

00:26:41: Und ich glaube, mit KI-Methoden kann man da einfach vielleicht noch besser arbeiten, als

00:26:48: wenn ein Mensch einfach nur über KPI ist, drüber schaut. Und gleichzeitig gibt es halt Prozesse

00:26:52: im Marketing, die einfach automatisiert werden können.

00:26:54: Ja, ich glaube, ich würde Marketing nicht nur auf Werbung beziehen, sondern sogar in

00:26:59: die Politik reingehen. Ich meine, Cambridge Analytica war ein Riesending. Es ist im weitesten

00:27:05: Sinne ja auch Marketing. Also ob du jetzt dafür sorgst, dass bestimmte Parteien gewählt werden

00:27:13: oder dass ein Produkt gekauft wird, ich glaube, der Sprung, der ist gar nicht so weit, oder?

00:27:17: Ja, es ist ja fast alles Marketing- und Vertrieb. Selbst Recruiting-Mitarbeiter gewinnen ist

00:27:21: auch Marketing- und Vertriebprodukte verkaufen natürlich sowieso, dass das erste was man

00:27:25: verbindet. Aber genau, im Endeffekt ist alles im Leben ein bisschen Marketing und Vertrieb.

00:27:30: Ja, entsprechend hätte ich gesagt, bei deiner Umfrage würde ich im Bereich Marketing einfach

00:27:34: weil das so ein Riesenfeld ist, weil alles rein fällt, hätte ich gesagt, dafür hätte

00:27:39: ich gewoted. Ich weiß gar nicht, ob ich es selbst mitgewoted habe, aber da wäre meine

00:27:43: Stimme tatsächlich hingegangen, weil da einfach auch so viel Potenzial ist. Gerade im Vergleich

00:27:49: zur Produktion, wo so schon sehr viel gemessen wird, auch sehr viel analytisch schon gearbeitet

00:27:55: wird, der Bereich der Produktionsoptimierung, der ist schon sehr erschlossen durch sehr

00:27:59: viele verschiedene Tools. Natürlich gibt es so viele Tools auch im Marketing, aber ich

00:28:04: glaube, dass die Fragestellung im Marketing allgemein noch mal wesentlich offener sein

00:28:08: kann als die in der Produktion, oder? Das stimmt, auf jeden Fall. Aber die Ergebnisse sind

00:28:14: erfahrungsgemäß auch schwerer messbar. Es gibt aber ganz, ganz viele spannende Fun Facts

00:28:20: für Analyse von Daten in dem Kontext. Ich hatte mal ein Buch gelesen, wo, glaube ich, 200

00:28:27: Fun Facts drin waren, als zum Beispiel bei der US-Wahl. Donald Trump gegen Hillary Clinton

00:28:32: war es so, das gesagt wurde anhand der Google Suchergebnisse. Wenn jemand Trump Clinton

00:28:39: eingibt in die Suche, dann wird er Trump wählen. Und wenn er Clinton Trump eingibt in die Suche,

00:28:43: dann wird er Clinton wählen. Einfach weil man den, den man mehr mag, eher in die Suche

00:28:47: eingibt. Und dann hat man das am Ende verglichen mit den historischen Daten. Was wurde in welchem

00:28:51: Bundesstaat, wie viel gesucht und wie wurde gewählt. Und das stimmte zu 100 Prozent in

00:28:55: allen Bundesstaaten überein. Also da, wo die Suchergebnisse höher waren für Trump Clinton,

00:29:00: wurde immer Trump gewählt und andersherum genauso. Und das ganze über Jahre hinweg,

00:29:05: also auch in mehreren Wahlen nachweisbar. Und in die Richtung gibt es ganz, ganz viele

00:29:10: Fun Facts, wie man auf Basis von Datenrückschlüsse schließen kann.

00:29:13: Ja klar. Klar. Ich meine, wir haben auch schon mal im weitesten Sinne ein Projekt da gehabt,

00:29:17: wo wir optimale Verteilungen für Shops oder für lokale Geschäfte versucht haben zu

00:29:27: identifizieren anhand der Bevölkerung, die in diesem Ort wohnt. Also wie zahlkräftig

00:29:33: sind die Leute, die im Umkreis wohnen, wie gut ist das angebunden. Da kann man schon

00:29:39: sehr viel mitmachen. Genau, aber auch das ist genau so ein Projekt, wo man eine gewisse

00:29:43: Unsicherheit hat, wie die Zusammenhänge wirklich sind und wo, was man auch sagen muss,

00:29:47: auf die Datenlage viel schlechter ist als in der Produktion oder in der Fertigung. Weil

00:29:52: in der Produktion Fertigung kannst du halt sehr genau tracken, was du machst mit Sensorik,

00:29:56: mit Maschinendaten, mit faktischem Input/Output. Wenn du jetzt in den Bereich Sales Marketing

00:30:02: gehst, dann triffst du viele Annahmen auf Basis von ja, ich glaube, das ist so und so erfassen

00:30:07: mir die Daten und da können sich sehr schnell große Fehlannahmen einschleichen, die gleich

00:30:13: alles in Frage stellen. Aber genau, deswegen ist das Potenzial da ja auch so riesig. Genau.

00:30:17: Wer was gut macht. Wenn man es hinkriegt, diese offenen Fragen richtig zu beantworten

00:30:23: oder was heißt richtig zu beantworten, wenn man es hinkriegt, darauf erstmal Antworten

00:30:26: zu finden, die funktionieren, dann ist das ein Riesenmähwert. Wir haben dort sehr viele,

00:30:32: ich sage mal, implizite KPIs im Bereich Marketing versus im Bereich Produktion sehr viel explizites,

00:30:40: wie du schon gesagt hast. Maschinen haben Temperaturmesser, wir haben dort Messwerte,

00:30:45: die sehr genau auf einen Zeitpunkt und auf einen Event zurückzuführen sind und das ist eben in

00:30:52: anderen Feldern nicht so. Deswegen, wie gesagt, meine Stimme wäre bei Marketing. Wo ist deine

00:30:59: Stimme gelandet, wenn du selbst hättest voten können? Meine Stimme wäre tatsächlich bei

00:31:03: den Produktionsprozessen gewesen. Einfach weiß ein Thema ist, was mich auch noch ein bisschen

00:31:08: mehr interessiert und weiß vor allem halt einfach schön finde, dass man am Ende wirklich ganz klar

00:31:14: sagen kann, was und wie viel ist rausgekommen und wie gut. Das ist im Marketing immer ein bisschen

00:31:18: schwieriger, aber wie du gesagt hast, an sich ist das Potenzial im Marketing. Eigentlich müsste

00:31:23: jetzt mit der Aussage schon meine Stimme doch beim Marketing eigentlich das Potenzial, das Potenzial

00:31:28: ist größer, einfach weil es viel breiter anwendbar ist und am Ende direkt mit Umsatz korreliert und

00:31:35: man viele Wins mitnehmen kann und es ist natürlich da auch Unmenge von Daten gibt, mit denen man

00:31:39: arbeiten kann, aber ich glaube es ist allgemein schwerer und es ist dort leichter Fehler zu machen

00:31:46: und die Leute, die da im Projekt sind, da muss man immer sehr vorsichtig sein, dass man nicht sein

00:31:53: eigenes Gefühl und seine eigene Meinung dann in die Daten überträgt. Ja, vielleicht einfach mal an

00:31:59: dieser Stelle, wir sind natürlich sehr in der Industrie unterwegs und entsprechend haben wir

00:32:04: auch mehr Projekte in diesem Bereich, aber einfach mal einen Aufruf, falls ein Machine Learning

00:32:12: Engineer oder ein Data Scientist im Bereich Marketing unterwegs ist, wirklich mal gerne zu

00:32:17: einem Podcast melden, ich glaube das wird auf jeden Fall auch interessant für uns werden und ich

00:32:25: würde jetzt einfach mal ganz sanft in unser letztes Thema überleiten. Ja, Essen steht seit

00:32:29: einer halben Stunde in der Küche, wahrscheinlich. Hast du es schon bestellt? Ja. Okay, wir sehen uns

00:32:36: oder wir hören uns in der nächsten Folge, es gilt jetzt Pizza. Tschüss. Jetzt muss ich hier noch stoppen.

00:32:42: So.

00:32:44: Ah.