Chat with your Industrial Data! Mehr Chancen oder Herrausforderungen?

Shownotes

„Einfach ein Sprachmodell an die Maschine klemmen und losfragen“ – in der Theorie klingt Chat with your Industrial Data nach der schnellen Lösung gegen Fachkräftemangel und Datensilos. In der Produktionshalle sieht die Realität jedoch oft anders aus: kryptische SPS-Variablen, verstreute PDF-Handbücher und Halluzinationen, die im Ernstfall Stillstand oder Sicherheitsrisiken bedeuten.

In dieser Folge von Ailionauten – KI ist keine Raketenwissenschaft machen wir den Realitätscheck und trennen Marketing-Versprechen von echter Engineering-Praxis. Wir diskutieren:

Echte Mehrwerte: Wo GenAI Instandhaltung und Schichtleitung schon heute spürbar entlastet.

Die unsichtbaren Hürden: Warum RAG bei Handbüchern gut klappt, Text-to-SQL und Zeitreihendaten aber architektonisch eine andere Hausnummer sind.

Sicherheit & Vertrauen: Wie man Halluzinationen eindämmt, sensible Betriebsdaten schützt und Skepsis in der Werkshalle abbaut.

Der pragmatische Start: Warum 80 % der Arbeit im Datenfundament stecken – und wie der erste Use Case ohne „eierlegende Wollmilchsau“ gelingt.

Transkript anzeigen

00:00:01: Moin Tobi.

00:00:03: Moin Alex, freut mich jetzt schon zum zweiten Mal nacheinander hier wieder im Podcast zu sein und heute mit dir über Industry AI zu reden was ja mein Herzensthema ist Chat with your data Chancen and Challenges und es ist ja auch eine ziemlich aktuelle Geschichte.

00:00:26: wir haben ja mitgekriegt vor fünf Tagen hat hier Anthropic ... AI von Manufacturing released.

00:00:33: Das heißt, da sind auch die Großen dran an dem Thema und ... ... ja, da freue ich mich jetzt mit dir drüber zu unterhalten?

00:00:40: Ja sehr gerne!

00:00:41: Wir haben es ja leider unseren Plan nicht ganz eingehalten... ... jetzt jeden Monat eine Podcastfolge rauszuhauen.

00:00:48: Die letzte ist leider schon ein bisschen her.

00:00:51: Aber das kommt alles noch und jetzt sind wir wieder da.

00:00:56: Von daher fange ich mal das Thema So ein bisschen simplifiziert an, was ist überhaupt Industrial Data?

00:01:06: Was reden wir da überhaupt aus deiner Sicht.

00:01:08: Kannst du das mal erklären?

00:01:11: Das ist natürlich extrem vielschichtig.

00:01:14: wenn wir jetzt in unsere Use Cases reingehen die wir für Kunden umgesetzt haben werden wir sehr viel über Sensor Daten.

00:01:21: also wir haben viele Data Science Use Caces umgesetzt wo wir aus den Maschinen direkt Sensordaten bekommen, Temperaturen, Drücke, Ventileinstellungen in Gewicht.

00:01:36: Verschiedene Sachen, die wir dann irgendwie versuchen produktiv für das Unternehmen einzusetzen Dinge zu verbessern, Newscases umzusetzen.

00:01:48: Im Bereich zum Beispiel Predictive Quality, Golden Badge und so weiter also ganz viele Use Cases wo eben solche solche Sensordaten eben sehr relevant sind.

00:02:02: Aber es gibt natürlich auch noch viel mehr Daten, das ist jetzt so quasi die technische Seite.

00:02:07: aber es gibt Natürlich auch an Anführungsstrichen Wissen also irgendwelche Handbücher Rezepte zum Beispiel oder ähnliches, die in der Produktion relevant sind und auch das sind ja letztendlich industrielle Daten irgendwo

00:02:26: d.h.,

00:02:28: vielschichtiger Bereich und wir haben Reports zum Beispiel auch.

00:02:36: Manuellen Messungen,

00:02:38: Messdaten also das ist wirklich extrem vielschichtig gerade im industriellen Bereich.

00:02:45: Wenn man es jetzt philosophisch versuchen würde zu definieren ist es wahrscheinlich sowas wie alles an Informationen die man zu industriell Prozessen gewinnt und abrufen kann

00:02:56: Genau.

00:02:56: Das ist eine sehr schöne Zusammenfassung,

00:02:58: wesentlich nicht zusammenfassend können und ich glaube das ist auch eine wesentliche Challenge gerade bei diesen Industriedaten, dass beides zusammenzubringen so ein bisschen also diese numerische Welt auf der einen Seite wo du eben wirklich so'n kontinuierlichen Stream an rein Daten wirklich hast, an rein Zahlen sag ich jetzt mal Und auf der anderen Seite eben wie jedes andere Unternehmen auch irgendwelche Spreadsheets, Dokumentationen und ähnliches.

00:03:29: Da lebst du dann quasi in beiden Welten.

00:03:31: Du musst jetzt irgendwie gucken, wie bringe ich das zusammen?

00:03:33: Wie kann ich diese sehr heterogen Daten nutzen um ja für das Unternehmen am Ende ein Wettbewerbsvorteil mir irgendwie zu verschaffen und einen coolen Use Case hochzuziehen.

00:03:45: Ja, wir wollen ja heute über Chat with your Data sprechen.

00:03:48: Wenn ich mich jetzt mal etwas vereinfacht hinstelle und mich mal in so eine Kundenposition begebe dann würde ich sagen, klemm die Maschine an die KI fütter sie mit den Daten und die gibt mir dann die guten Lösungen oder?

00:04:02: Na genauso funktioniert das!

00:04:07: Nein natürlich ist es nicht so einfach.

00:04:09: Das kann natürlich heute auch jeder irgendwie machen.

00:04:12: Ich meine, wir haben alle irgendwie Zugriff auf ChatGPT und andere Tools und manche glauben ja, man connectet das da irgendwie dran und dann funktioniert es irgendwie auf magische Weise.

00:04:24: Die traurige Wahrheit ist dass da natürlich auch viel Arbeit dahinter steckt, das ordentlichen richtig zu machen.

00:04:31: Das größte Problem... oder eines der größten Probleme, die man eben hat.

00:04:35: Das habe ich ja gerade auch schon angesprochen ist dass wir eben sehr viele, ich sag mal so analoge Daten haben.

00:04:41: also das heißt wir haben einfach ein Stream, einen kontinuierenden Stream von irgendwelchen Sensoren Die oft zum Beispiel mit Text versehen sind und diese Tags sind zum Beispiel nicht immer selbst erklärt.

00:04:58: Also die haben dann so kryptische Namen irgendwelche Kombinationen aus Buchstaben und Zahlen mit Unterstrichen dazwischen.

00:05:06: Und wenn man jetzt den Modell sagt, ja guck doch bitte mal was mit meiner Maschine los war.

00:05:12: du hast doch jetzt Zugriff auf die Sensor-Daten.

00:05:14: dann sieht das Modell erstmal nur diese kryptische Texte und versucht vielleicht irgendwie etwas rauszukriegen.

00:05:23: Das hört sich vielleicht im ersten Moment auch gut an die Lösung die das Modellen vorschrägt aber es basiert halt nicht auf einer tatsächlichen Wahrheit.

00:05:32: Das Modell weiß ja gar nicht, was die verschiedenen Texts bedeuten und da ist es eben ganz wichtig den Kontext mitzugeben.

00:05:40: das heißt dass unternehmerische Wissen das wissen über dem Prozess einzubetten in den Use Case damit das Modell eben auch wirklich versteht Was da überhaupt gemacht wird, was ist das für eine Maschine?

00:05:55: Was bedeutet der Tag?

00:05:56: Was sagt er aus?

00:05:57: wie hängt ja vielleicht auch mit anderen Text zusammen.

00:05:59: Und da ist im Kontext das A und O. Dann können wir vielleicht gleich mal ein bisschen mehr darauf eingehen.

00:06:06: Ja, was ich mich jetzt als verantwortlicher für industrielle Datenfrage ist wozu brauche ich das überhaupt?

00:06:15: Was bringt mir das?

00:06:18: Welche Vorteile kann ich daraus ziehen?

00:06:19: Am Ende redet man ja viel über die Daten müssen ordentlich sein, da kann man Prozesse verbessern und so.

00:06:26: Aber ganz konkret ist das oft noch gar nicht greifbar.

00:06:29: Oft schafft man es gar nicht, dass du in einem Satz zusammenzufassen, warum ich das machen sollte.

00:06:34: Versuch's mal in einen Satz zu fassen wozu Chat with your Data eigentlich was das für Chancen bietet, wozu das Gute ist.

00:06:42: In einem Satz ist für mich aber etwas schwierig.

00:06:44: Ich habe mir gedacht, ich gebe dir mal die maximale Herausforderung.

00:06:52: Es ist im Prinzip Prozessabläufe unter Zwilfennahme des gesamten Unternehmenswissens maximal zu optimieren.

00:07:05: Das würde ich sagen es am Ende Das Hauptziel, es geht um Prozesse.

00:07:11: Es geht darum dass man schneller und zwar extrem viel schneller als ohne AI der Fall wäre zu Erkenntnissen kommt, schneller eingreifen kann, schnellere Erkenntnisse erzeugen kann Somit eben sich aus den eigenen Unternehmensdaten halt ein Bettbewerbsvorteil erarbeitet.

00:07:37: Also was wir zum Beispiel oft haben bei unseren Kunden ist die Frage RouteCourse Analysis, also momentan ist das z.B.

00:07:47: so oft gehen irgendwelche Operator, die gehen irgendwo hin als Maschinenführer und wollen dann wissen warum ist die Produktion gestern irgendwie schlecht gelaufen?

00:07:58: Man hat irgendwie gesehen, es ist mehr Ausschuss oder irgendwas.

00:08:01: Es ist ein Werk nicht richtig gewesen aber man kann das noch nicht so richtig festhalten und vorher war's ebenso... Man musste sich irgendwie mühsam in irgendwelchen Tools irgendwas zusammenklicken um dann zu gucken okay ja hier der Sensor ist vielleicht ein bisschen daneben Der Sensor sieht vielleicht etwas anders aus Aber das dauert halt eben alles wirklich lange, weil man vielleicht auch gar nicht alle relevanten Quellen empfindet.

00:08:29: Und wenn ich jetzt aber so ein Chat-with-for-Data-System habe, wo ich mein ganzes Unternehmenswissen quasi noch mit dahinter gesteckt habe – mit entsprechenden Annotation auf den Text und so weiter, dass ihr eben die Ereignau wissen kann.

00:08:46: was bedeutet das hier eigentlich alles?

00:08:49: Dann kann ich eben solche Chatbots sage ich mal nutzen um eben automatisiert so eine RouteCourse-Analysis zu machen.

00:08:58: Und dann kann mir das System genau sagen, ja hier und hier sieht es eben anders aus als normal oder dass ist besonders auffällig und ich komme viel, viel schneller zur Erkenntnis und auch zur relevanten Erkenntnissen.

00:09:08: aber die Grundlage dafür ist natürlich eine gute Datenbasis und vor allen Dingen eine Kontextualisierung der Daten.

00:09:15: Das ist eben das A und O. wenn man diese Chat with your Data Applications als Use Case implementieren

00:09:26: Im klassischen hast du halt sehr viele Probleme immer in jeder industriellen Fertigung und Produktion.

00:09:35: Das können sein, dass Ausschuss generiert wird, den man vielleicht verringern kann.

00:09:41: Das kann sein das Prozesse eine Messungen lange dauern.

00:09:47: Können Sie sich fragen stellen brauchen wir überhaupt ne Messung?

00:09:49: Wirklich konnten wir den Wert nicht auch vorher sagen auf Basis von anderen Ergebnissen.

00:09:53: Es würde uns Zeit und Kosten sparen.

00:09:56: Qualitätsoptimierung, warum ist in manchen Fällen die Qualität nicht ausreichend oder mangelhaft?

00:10:03: und hinter diesen hinter diesen Fragestellungen können sich riesige Kosten verbergen.

00:10:08: Also hinter so einer Frageställung Warum ist die Qualitet nicht ausreichend?

00:10:12: Wenn man jetzt unternehmerisch mal drauf blickt kann sich dahinter verstecken Wettbewerber entscheidet sich, ein Kunde entscheidet für einen Wett Bewerber und dadurch gehen wenn das fünfmal im Jahr passiert.

00:10:24: Aufträge im Wert von einzig auf fünf Millionen Euro verloren.

00:10:27: Ein Kunde schickt Produkte zurück und nimmt sie nicht an weil sie... ...nicht den Qualitätsstandards entsprechen.

00:10:32: Dadurch können schnell sechs oder siebenstellige Zum an Kosten entstehen, weil dann nachproduziert werden muss andere Aufträge sich verzögern Material verschwendet wird.

00:10:42: Vielleicht sind noch Verstrackstrafen dahinter.

00:10:44: man kommt nicht mehr auf das Volumen was man für das Jahr geplant hat und und und Und hinter so ganz simplen Fragestellungen und Problemen können sich halt nenn riesige Potenziale verbergen und Dann kommt man sich immer ein bisschen vor wie so ein Schadatan wenn man das sagt.

00:11:00: aber die Antwort auf all diese Probleme ist eigentlich gute Daten und gutes Prozess- und Unternehmensverständnis.

00:11:07: Und die einzelnen Fragezeichen und Wissenspunkte, die man Unternehmen hat zusammenbringen damit man damit steuern kann und Entscheidungen treffen kann, die gut sind.

00:11:17: Am Ende ist das tatsächlich sehr oft die Lösung aller Probleme.

00:11:21: jetzt ist es natürlich so dass wir natürlich genau das machen und das da immer schön zu sagen ist wenn man sagt wir haben die Lösung für alles in der Hand.

00:11:30: Aber aber in der Praxis sind gute Entscheidungen oft der Treiber für operative Exzellenz.

00:11:40: Natürlich nicht nur in der Industrie, sondern eigentlich in jedem Unternehmen.

00:11:43: und gute Entscheidung trifft man auf Basis von von dir dem Wissen und Wissen entsteht durch gute Daten und gute Analyse der Daten.

00:11:51: Genau also da kann ich dir nur zu hundert Prozent zustimmen.

00:11:56: Wie geht das auch so, dass ich dann auf Deck gesagt habe wir arbeiten ja genauer in diesen Themen und gerade eben auch was Daten-Datenplattformen angeht usw.

00:12:03: Das ist ja auch einer der Hauptschwerpunkte von Alio und es vielleicht so ein recht offensichtlicher Take irgendwie.

00:12:12: aber es ist ganz klar also du musst deine Unternehmensdaten dahin bringen wo Leute die Schmerzpunkte haben Und vieles von diesem Wissen ist ja auch momentan, wenn man das eben in irgendwelchen Silos hat.

00:12:34: Es ist ja gar nicht verfügbar und das ist gerade auch ein Problem, dass eben viel Zeit damit quasi verschwendet wird überhaupt an die Informationen zu kommen oder überhaupt zu wissen, dass diese Informationen im Unternehmen überhaupt existiert.

00:12:48: So eine Datenplattform schafft eben die Grundlage davor die Daten strukturiert sie, analysiert sie und ermöglicht eben auch zu sagen okay das ist jetzt hier die für dich relevante Information.

00:13:03: Und diese Information ist vielleicht nicht so relevant weil es gibt ja vielleicht auch Informationen die zum Beispiel auf unterschiedlichen Wissenständen basieren oder so oder die aus unterschiedlichen operativen Bereichen kommen aber irgendwie was ähnliches beschreiben.

00:13:17: und genau für solche Problematiken AI und diese ganzen Dinge wie Context Engineering, Montologin usw.

00:13:29: sind eben das A und O. Wenn man das einmal richtig hochzieht dann hat man da sozusagen eine extrem mächtiges Tool an der Hand um genau das zu tun was du gerade gesagt hast.

00:13:43: Da kommen ja auch noch so ein paar Mehrwerte rein die man nicht sofort spürt aber berechnen sollte.

00:13:52: Zum Beispiel sowas wie Demokratisierung von Wissen, am Ende des Tages ist es ja normalerweise so dass kaum ein Unternehmen sich viel Redundanz leisten kann.

00:14:01: also das ist natürlich immer schön.

00:14:02: wenn man sagt wenn wer ausfällt und weggeht oder so dann steht schon wer zweites in der Linie der genau das gleiche wissen hat und sofort an der Stelle weitermachen kann.

00:14:10: darüber reden wir bei Elio ja auch ganz viele im Projekten so.

00:14:12: was ist wenn jemand krank wird ausfellt?

00:14:14: wie fangen wir das auf?

00:14:15: wer kann weiter machen?

00:14:17: Was ist, wenn jemand das Unternehmen verlässt.

00:14:18: Wer betreut seine Projekte mit welchem Wissenstand?

00:14:20: Wie viel Aufwand ist das?

00:14:22: Da stecken ja auch sehr hohe Kosten dahinter teilweise weil es mit viel Aufwand verbunden ist.

00:14:27: Gleichzeitig sind die Kosten dann oft doch nicht so hoch dass es sich lohnt einfach für alles Redundanzen zu haben.

00:14:33: Es gibt ich kenne eigentlich keinen kaum einen Unternehmen Das normalen wirtschaftlichen Betrieb hat was sagt Ja Wir Haben Nicht Einen Produktionsleiter Sondern Zwei.

00:14:41: Wenn der eine mal ausfällt Dann Wollen war Dass ein zweiter das direkt übernimmt.

00:14:45: Wir haben, wir haben also klar im Software Engineering hast du oft mehrere Leute im Team die an einem Projekt arbeiten.

00:14:50: Aber selbst da sind die Leute oft in Detail Bereichen unterwegs ist einer gar nicht so genau weiß was der andere macht und niemand das gesamte Bild zu richtig erfasst.

00:14:58: von daher.

00:15:00: Redundanzen sind sehr selten und dadurch sind Ausfälle wegfälle auch besonders unerwartete ausfälle sehr teuer.

00:15:10: Und wenn man halt dieses System aufbaut und das richtig gut aufbauen Dann werden diese Ausfälle sicherlich nicht kostenlos, aber halt viel günstiger.

00:15:21: Weil das ein Großteil des Wissens, dass man zu Entscheidungsfindungen benötigt was einen Mitarbeiter hat sich halt immer besser mit KI und einer guten Datenbasis demokratisieren lässt... ...und dadurch auch die Einarbeitung von wem Neues natürlich viel leichter fällt wenn er sofortigen Zugriff hat auf einen sehr guten Wissensschatz.

00:15:46: Und vor allem auch ohne Zeit von anderen Leuten ein Anspruch zu nehmen, da stecken viele Chancen drin und die lassen sich nicht direkt in den ROI übersetzen.

00:15:56: also die Kosten werden am nächsten Tag nicht direkt geringer sein in der Gehaltsabrechnung.

00:16:01: Die Leute sind immer noch da.

00:16:02: das läuft alles normal weiter aber auf kurze oder lang zahlt sich das glaube ich unternehmerisch schon sehr aus.

00:16:08: Ja, und ich glaube das ist halt ein Punkt den du gerade angesprochen hast der vor allen Dingen industriellen Kontext nochmal eine besondere Relevanz hat.

00:16:15: Und das liegt nämlich daran dass es oft was ich bei unseren Kunden oft gesehen habe ist Es gibt dann im operativen Bereich also die Leute die wirklich im Shopfloor arbeiten irgendwelche Maschinenführer Operator usw.

00:16:30: Die sind teilweise schon sehr sehr lange im Unternehmen ja die haben irgendwann mal mit sechzehender angefangen zu lernen sind dann vielleicht schon zwanzig, fünfundzwanzig Jahre im Unternehmen und davon vielleicht zehn, zwölf Jahre an derselben Maschine.

00:16:42: Die wissen ganz genau wie die klickt.

00:16:44: Die wissen ganz genau wo sie was machen müssen.

00:16:47: Und das ist halt so ein ganz spezielles Fachwissen was halt immer so erst weitergetragen werden muss.

00:16:55: Das Video sagt, wenn jetzt jemand Neues kommt oder ein neuer Auszubildender kommt usw.

00:16:59: Und es gibt dann immer wieder Situationen die dann sozusagen vielleicht der Erfahreneoperator schon mal gesehen hat und der auszubildende aber noch nicht.

00:17:07: Die treten vielleicht auch nicht so super häufig auf.

00:17:12: Dieses Wissen wird einfach nur wund zu wund weitergegeben.

00:17:18: Wenn man es schafft dieses Wissen irgendwie... Ja, zu dokumentieren und eben so eine Datenplattform zu überführen.

00:17:26: In so einem Chat with your data, use case dann hat das natürlich extreme Vorteile wie du immer auch meintest weil dieses Wissen für das gesamte Unternehmen sofort verfügbar ist Und es spielt auch zusammen mit dieser root-cost-Investigkeit.

00:17:43: gesagt Also was passiert jetzt hier mit dieser Maschine?

00:17:45: Aha okay wir haben jetzt eben dieses Wissens von dem langjährigen Operator hier dokumentiert und dann kann das eben auch angewandt werden.

00:17:59: Jetzt hört sich das alle schon sehr, sehr geil an.

00:18:02: also wenn ich mir, wenn ich uns jetzt einfach mal zuhöre... Ich kann mein komplettes Wissen demokratisieren!

00:18:07: Ich kann alle Produktionsprobleme damit lösen.

00:18:10: Ich kann sechs, sieben ständige Summen damit einsparen, alle möglichen Newscases abdecken.

00:18:16: eigentlich wenn man das jetzt so hört und glaubt müsste man ja sagen da investieren wir mega und gehen voll rein.

00:18:23: in der Praxis ist es dann oft so, dass Unternehmen zögerlich sind.

00:18:28: Man schon viel Überzeugungsarbeit leisten muss sich oft in kleinen Testprojekten, kleinen Piloten verfängt und das große ganze Bild nicht so richtig vorangetrieben wird.

00:18:43: Zumindest meiner Erfahrung nach hat man doch schon einige Sachen mit denen man erkämpfen muss.

00:18:47: Woran liegt das aus deiner Sicht?

00:18:53: Das ist eine gute Frage.

00:18:57: Es ist interessant, weil es sehr viele Parallelen auch gibt zu den normalen Data Science Use Cases.

00:19:07: Wo wir auch schon immer gesagt haben ja wir müssen erstmal die Datengrundlage schaffen bevor wir irgendwelche fancy Machine Learning Modelle auf eurer Date trainieren können.

00:19:15: Ja das bringt nichts auf ich sag mal schmutzigen Daten Maschinearning Modellen zu trainieren weil es wird am Ende auch keinen guten Output nehmen liefern.

00:19:28: Und so ähnlich ist das ja letztendlich mit AI, sage ich noch am Ganzen.

00:19:34: auch hier haben wir gerade lange darüber gesprochen.

00:19:37: es ist die Datenbasis die absolute Grundlage.

00:19:42: Das heißt ja wir versuchen natürlich hier auch mit den ganzen Features diese eben auch schon gibt zum Beispiel in Plattformen wie auch Databricks und so weiter reinzugehen und zu sagen, hey guck mal was man hier alles gut damit machen kann da eben die Leute davon zu überzeugen.

00:20:00: Aber es gibt natürlich immer die Unsicherheiten auch natürlich beim Kunden einerseits mit den Kosten dass das irgendwie unübersichtlich ist.

00:20:14: Tokenkosten, was passiert jetzt wenn jetzt ja jeder Jeder Operator hat da die ganze Zeit mit so einem Chatbot chattet.

00:20:21: Es ist ja dann wahrscheinlich auch teuer oder... Auch mit diesen ganzen Dingen, die man jetzt auf Databricks, die Datenplattformen wie man da einrichtete

00:20:32: usw.,

00:20:33: welche Kosten kommen da auf uns zu?

00:20:34: Muss ich da halt nicht erst irgendwie eine Riese invest machen damit das überhaupt mal losgeht?

00:20:41: und Ich finde deinen Punkt eigentlich ganz richtig.

00:20:43: Man kann auch schon viel in dem Piloten machen.

00:20:46: natürlich muss man auch da eine gewisse Datengrundlage erst mal haben und da rein investieren.

00:20:53: Aber ich glaube, dass auch hier ein guter Ansatz ist mit einem soliden Piloten zu starten, mit einer low-hanging Fruit um den Kunden auch zu überzeugen das es halt wirklich einen Mehrwert am Ende bringt.

00:21:07: also das ist glaube ich unabhängig.

00:21:09: ob man das jetzt in der Data Science einen klassischen Data Science Use Case oder im AI use case wie man schon sagt macht, ist das glaube ich ein sehr guter Ansatz.

00:21:20: Und der Unterschied ist aber würde ich sagen, dass es schon anders als bei Data Science wo das Ganze noch so ein bisschen wage ist.

00:21:27: ja was ist da ein Machine Learning-Modell?

00:21:29: Was ist das für eine Prediction und was soll er das?

00:21:32: Ist es viel plastischer für die Leute auch zu sehen für die User?

00:21:36: Es ist fast zum Anfassen.

00:21:37: man kann ja nächstes Chat-Fans da etwas eingeben, dann bekommt eine Antwort.

00:21:42: Das gibt viele, die das auch von sich aus ... annehmen, immer mehr probieren.

00:21:47: Teilweise auch muss man da glaube ich viele Unternehmen aufpassen... ...schatten

00:21:54: K.I.,

00:21:54: dass die Leute nicht in ihre privaten Chat-GPT und Cloud-Chats... ...da irgendwelche Unternehmensdokumente irgendwie einspeisen oder so.

00:22:04: Ich glaube das ist schon ein Bedarf... ...und dass diese Leute gerne nutzen wollen mittlerweile auch schon sehen,... ... vom privaten Konsum, wenn man das ja auch immer mehr selbst im Alltag einsetzt.

00:22:20: Ich glaube tatsächlich, dass oft das Problem ist... ...dass die Leute, die am Ende entscheiden,... ...wo wann wie viel investiert wird und wo es vorangeht,... ...zu weit von den Themen entfernt sind, zu wenig selber ausprobieren... ...und zu schlechte Vorstellungen davon haben was wirklich möglich ist.

00:22:36: Und dadurch entsteht halt Unsicherheit!

00:22:40: Sag immer so ein paar Sachen.

00:22:42: zum einen Geld ist bei den wenn man irgendwie mit Unternehmen darüber redet und sagt da müsste man so viel investieren.

00:22:47: Und das Unternehmen sagt, da ist kein Geld dafür oder es ist uns zu teuer.

00:22:51: Zu teuer existiert nicht und kein Geld dazu gibt's auch nicht.

00:22:54: fast jedes Unternehmen kann relativ problemlos eine große Menge Geld mobilisieren selbst wir als Alio mit irgendwie fünfzehn Mitarbeitern.

00:23:02: Und in einem geringen siebenstelligen Umsatz könnten problemlos ne Million Euro oder so für etwas organisieren Wenn Man bereit ist das Risiko in Kauf zu nehmen, dass diese Million vielleicht nicht so gut investiert ist.

00:23:14: Das ist halt das Ding.

00:23:16: Wie sehr glaubt der Entscheider daran?

00:23:18: Dass das eine gute Idee ist und dass es klappt.

00:23:20: Und was ist wenn das nicht klappt?

00:23:22: wie schlimm ist das?

00:23:23: Dann sind unterschiedliche Summen natürlich für unterschiedliche Unternehmen... ...unterschiedlich schlimm.

00:23:28: Wenn ein Unternehmen gerade vielleicht schon ein bisschen angeschlagen ist nur so mittelmäßig läuft dann wird's natürlich umso mehr wehtun mal etwas in den Sand zu setzen ... von daher ist man da halt noch zehnmal vorsichtiger.

00:23:42: Von daher ist es ganz oft, ob Geld für etwas da ist... ...ob investiert wird, primäre Frage wie sehr glaubt jemand daran,... ...dass das eine gute Idee ist?

00:23:48: und wie sehr bin ich davon überzeugt?

00:23:51: Am Ende des Tages, wenn man sich da ein bisschen... Wenn wir mal jetzt mal von Das Trailer Eiwett geht, nehmen wir mal Alio!

00:23:57: Wenn mir jemand garantieren würde, wenn ich... ...zwar hunderttausend Euro ausgebe und wir kriegen dafür dreißig neue Kunden, dann würde ich das sofort

00:24:04: machen.".

00:24:05: Würde ich keine zehn Sekunden zögern.

00:24:09: Das Geld hätte ich sofort besorgt, selbst wenn ich einen Kredit dafür aufnehmen muss ist völlig egal.

00:24:14: Selbst wenn der fünfzehn Prozent Sinsen hat ist völligegal.

00:24:16: machen wir sofort.

00:24:18: Garantieren kann dir das halt keiner.

00:24:20: Du kannst halt Sachen ausprobieren und sagen wir machen eine Messe für hundertausend Euro und hoffen dass dabei was rumkommt so dann fängt es halt an extrem davon abzuhängen.

00:24:29: wie sehr glaube ich daran Dass diese Messe eine gute Sache ist und dass wir als Unternehmen das auch so konvertieren können, dass wir das wieder rausbekommen.

00:24:37: Und dann wird es halt gemacht oder nicht gemacht.

00:24:40: Da hängen sehr viele Sachen dran.

00:24:42: und die Frage, die man sich stellen muss... Wir sind ja zu Hundert Prozent überzeugt davon, dass es eine extrem gute Idee ist, diese Dinge voranzutreiben und dort sich eine gute Basis aufzubauen.

00:24:53: Was du dann brauchst, ist ne sehr gute Argumentation dort zu investieren, weil was du ja auch hast ist dass das oft ein Marathon ist und kein Sprint.

00:25:03: Wir reden immer über man macht einen Piloten zeigt Value dann entsteht da mehr Interesse und es geht weiter.

00:25:08: und das geht weiter.

00:25:09: jetzt hat dieser Pilot auch so ein paar Schattenseiten in der Regel.

00:25:13: zum Einen ist er ein bisschen in Hit oder Miss.

00:25:15: Am Ende versuchst du irgendwie, oft nimmt sich ein Unternehmen nicht genug Zeit, sich richtig gut in den Piloten auszusuchen und zu identifizieren.

00:25:21: Dann hat der Chef eine tolle Idee, der will das unbedingt machen was anderes will er sich gar nicht richtig anschauen... ...und dann probiert man das halt mal aus!

00:25:28: Und dann klappt es oder klappt nicht?

00:25:30: Und daran hängt die gesamte AI-Strategie und Investition des Unternehmens für die nächsten fünf Jahre.

00:25:35: Weil wenn das nicht klappt, dann heißt es A alles so funktioniert eh alles nicht so wie das immer versprochen wird.. ..dann lassen wir's halt sein

00:25:42: ne?!

00:25:42: Dann hast du noch den Effekt, das eigentlich um Sachen richtig gut umzusetzen.

00:25:46: Du viel Basisarbeit leisten musst die ganz viel wiederverwendbar ist aber vielleicht für den ersten Newscase noch gar nicht so viel Mehrwert erzeugt.

00:25:54: und dann hast du natürlich noch den Aspekt dass wenn du richtig gut Chat with your data machen möchtest du wirklich unterschiedlichste Datenquellen kuratieren und zusammenbringen möchtes richtig gute Ontologie und Konzepte braus eine gute Architektur Und das is einfach sehr viel basis Arbeit Nicht Teil die vom Budget her nicht sinnvoll teil eines kleinen Piloten sein kann.

00:26:17: Das heißt das sind alles so Hindernisse, die da mit reinspielen und ich glaube wo man halt ansetzen muss ist noch mehr von Kopf anzudenken Und ein entscheider der sowas wirklich dann im Unternehmen vorhand treiben und verantworten kann noch vielmehr ... zu vermitteln, was ist eigentlich möglich und viel mehr plastisch... ...zu zeigen.

00:26:37: Was geht?

00:26:37: Ich glaube das hast du ja letztens auch mal wirklich sehr cool hinbekommen.

00:26:41: wenn ich mich da richtig an einen Zitat erinnere wo ein Kunde gesagt hat die Kindlade ist nicht runter sondern auf dem Boden.

00:26:50: Vielleicht kannst du davon erzählen ohne soviel Details über den Kunden oder das Projekt zu verraten.

00:26:56: Ja ähm dass war tatsächlich auch im industriellen Bereich eben, wo ich ja eben auch so das meiste mache und da ging es eben auch einfach um industrielle Daten.

00:27:16: Und daraus eben einfach Erkenntnisse zu ziehen indem man entsprechend also die Daten hatte.

00:27:27: das Unternehmen ja vorher auch aber jetzt ging es darum Wie kann ich die Daten so kontextualisieren, dass sich damit eben auch am Ende etwas bauen kann?

00:27:39: Was dem Unternehmen was bringt, damit das Unternehmen da auch etwas daraus ziehen kann.

00:27:44: Erkenntnisse ziehen kann.

00:27:46: und das hat eben gerade bei diesen Daten weil die auch textbasiert waren sehr gut geklappt.

00:27:52: also das ist quasi Man kann sich das vorstellen wie so Art Sensor, der aber nicht einfach irgendwie eine Nachkommensstellenzahl, also eine Floating-Zahl irgendwie rausgibt.

00:28:04: Sondern eben wirklich mit Text basiert.

00:28:08: und da sind natürlich gerade auch solche Agenten nochmal besonders gut.

00:28:12: Sie sind auch in den anderen Fällen gut wenn man das alles richtig baut.

00:28:16: Aber dadurch dass die natürlich auf Textverarbeitung letztendlich spezialisiert sind hat das eben besonders gut geklappt und es ließen sich daraus sehr viele Erkenntnisse gewinnen, das haben wir dann noch mit einer netten App auch noch nett visuell dargestellt.

00:28:32: Und das hat eben den Kunden sehr überzeugt und der Kunde war vor allem deswegen was zu meines dieses Zitat die Kindlade liegt auf dem Boden da ging es eben auch darum Wir haben ja... Das muss man eben auch sagen in unseren Projekten

00:28:48: Wir kommen

00:28:49: ja sehr frisch immer rein in diese Projekte.

00:28:51: Also wir haben ja dieses Unternehmenswissen, was die selber intern haben, haben wir ja gar nicht.

00:28:57: Wir kennen uns vielleicht in dem Bereich aus und Industrie aber innerhalb der Industrie ist es extrem heterogen, also für verschiedene Unternehmen und Bereiche gibt's.

00:29:04: Häufig ist das so dass wir diesen spezifischen Bereich noch gar kein Projekt gemacht haben.

00:29:10: Es kommt vor... Aber manchmal ist es auch ein ganz neuer Kunde, wo wir in dem Bereich bisher vorher noch nicht gearbeitet haben.

00:29:18: Und was dann eben oft aufkommt in solchen Meetings ist dafür, dass wir uns das quasi als ersten Wurf einmal angeschaut haben, konnten wir da schon extrem viel Wissen rausziehen und da sind die Kunden dann oft auch überrascht, was dann geht.

00:29:39: Das ist genau dieser Punkt ... wo die Entscheider dann auch merken, okay... ... wenn die das können ohne sozusagen des Unternehmens interne Wissen,... ...dann können wir da ja wohl was richtig Geiles mitmachen.

00:29:56: Und ich glaube deswegen war da sozusagen das Erstaunen so groß und ich glaube da konnten wir am Ende auch überzeugen.

00:30:04: Ja genau!

00:30:05: Ich glaube das ist halt nötig an vielen Stellen dass du die Leute dir etwas wirklich vorantreiben ... denen, wie in irgendeiner Form abholst.

00:30:15: Dass sie nicht zu... ...achtzig Prozent so als zu hundert Prozent davon überzeugt sind und die Visionen sehen und selber gestalten.

00:30:22: Und das nicht nur so ein riskantes Mal ausprobieren ist weil das Risiko dann halt auch sehr hoch ist dass es einfach versagt.

00:30:32: Ich habe mal lasst uns mal eine Schnellfeuerfrage machen.

00:30:34: So einmal kurze Antwort, kurze Frage was ist aus deiner Sicht?

00:30:40: Was ist aus deiner Sicht das größte Hindernis oder die größte Challenge dabei, industrial AI und Chat with your data richtig erfolgreichen Unternehmen einzuführen?

00:30:56: Ich würde sagen die Datengrundlage.

00:30:58: Also die Daten Grundlage zu schaffen für den Newscase.

00:31:05: Das ist für viele der wesentliche Punkt.

00:31:08: Ich sollte ja etwas Kurzes sagen.

00:31:10: also sage ich einfach

00:31:11: eine Datengrundlange.

00:31:13: Meine Antwort wäre der Mensch.

00:31:17: Kannst du dir vorstellen warum?

00:31:20: Ich glaube das hängt auch sehr stark zusammen, ich glaube die Punkte hängen enger zusammen als man jetzt auf den ersten Blick vielleicht denkt.

00:31:25: aber kannst du mir vorstellen warum?

00:31:26: ich sage der Mensch?

00:31:27: Vielleicht wenn was du eben vorhin auch meintest dass es ist dass der Mensch vielleicht in den Chat was eingebt dann aber irgendwie eine Halluzination rausbekommt oder irgendwas was ihn vielleicht noch nicht so funktioniert und dann einfach sehr schnell abschaltet und wir eben keine Adoption haben von dem US Case

00:31:42: Ja Ja oder vielleicht gar nicht erst etwas in den Chat eingibt.

00:31:46: Das ist halt das, was man doch immer mal wieder... Ich glaube, ich bin fest davon überzeugt,... ...dass du im Unternehmen die beste Lösung hinstellen kannst.

00:32:01: der Welt und niemand würde sie nutzen.

00:32:05: Das bewahrheitet sich an allen möglichen Stellen egal was du im Unternehmen an eine Lösung hinstellst und egal wie gut die ist, es gibt so ne Pyramide an Menschen.

00:32:17: Wie die damit umgehen?

00:32:19: Und die Leute, die wirklich proaktiv neue Sachen ausprobieren interessiert sind offen dafür sind aus ihrem Alltag ausbrechen sich Fragen stellen das verbessern wollen und da richtig motiviert dran gehen würde ich sagen sind die Spitze der Pyramiden eher Die hast du mal und das brauchste auch um sowas voranzutreiben im Unternehmen.

00:32:37: Aber das ist nicht der Normalfall.

00:32:41: Dann hast du einen ganz großen Block an Leuten, die sehr gefangen sind in ihrem Alltag und in ihrem operativen Alltag... ...die sowieso vielleicht schon ein bisschen Land unter sind, die seit vielen Jahren im Unternehmen sind,... ...sehr gewöhnt an die aktuellen Abläufe und Prozesse sind.

00:32:56: vielleicht auch so ein bisschen Bedenktenträger in vielen Themen sind, sich vielleicht auch Sorgen machen was passiert wenn es gut funktioniert.

00:33:02: Wozu werde ich noch gebraucht?

00:33:04: Internehm läuft gerade eh nicht gut.

00:33:06: Was haben die wirklich damit vor?

00:33:08: Die menschlich emotionale Komponente wirft da halt sehr viele Fragen und Blocker auf.

00:33:12: dann hast du irgendwo auch das untere Ende der Pyramide von Leuten die wirklich Sachen aktiv verzögern oder blockieren oder dem im Weg stehen oder gar kein Interesse daran haben dass etwas besser wird.

00:33:25: Und egal ob du eine KI-Plattform hinstellst, ob du ne neue Softwarelösung hinstellen oder Automatisierung hinstellt.

00:33:33: Ohne einen erheblichen Aufwand von Unternehmensseite und Teamseite.

00:33:39: in Adoption, in Leute abholen, in Leuten Dinge zeigen, in Sachen ausprobieren lassen, Leute schulen usw.

00:33:47: steckst passiert Einfach gar nichts, das habe ich immer wieder beobachtet.

00:33:52: Das dann einfach sehr gute Lösungen oder Plattformen oder Tools und jetzt...das war auch schon vor zehn Jahren so als KI noch gar nicht so das Thema war.

00:34:01: Das ist schon immer mit Software auch so gewesen dass einfach der Aufwand in Change Management in Adoption massiv unterschätzt wird und oft gute Lösungs nicht erfolgreich sind weil sie die Leute, die es am Ende benutzen sollen das nicht tun.

00:34:22: Ich finde das interessant.

00:34:25: bei gerade bei so diesen AI-Usecases also diesen Chat with your data use cases sehe ich es ein bisschen abgeschwächter als normal.

00:34:32: Also bei den klassischen Data Science Use Cases wo wir zum Beispiel ein Prognosemodell trainiert haben auf irgendwelchen Sensordaten und dass dann in einer App irgendwie dargestellt haben Da war es oft so, dass genau das passiert ist was du gesagt hast.

00:34:52: Es wurde dann vielleicht manchmal auch nicht so genutzt wie das eigentlich sein sollte und weil das eben eine kryptische Sache ist ja irgendwie ein Machine Learning-Modell.

00:35:04: Was ist das?

00:35:05: Das sind einfach viele Fragezeichen.

00:35:09: Auf der anderen Seite ist jetzt bei diesen AI Use Cases ja so Dass es ja schon viele Leute gibt die das mittlerweile Auch selbstverständlich auch im Alltag machen, die das auch wollen.

00:35:20: Die das auch einfordern teilweise.

00:35:22: Also wir haben teilweise auch Kunden wo die Leute dann direkt zu uns kann und sagen ja warum haben wir denn das jetzt hier noch nicht mit dieser AI?

00:35:31: Ich will jetzt hier mal wieso muss ich das dann jetzt noch per Hand machen?

00:35:35: AI kann das doch jetzt für mich machen.

00:35:36: Warum muss sich denn jetzt aus diesem Dokument eine Präsentation da irgendwie machen?

00:35:41: wenn ich das einfach mit Chat GPT einfach machen könnte oder so.

00:35:45: Warum haben wir das denn noch nicht?

00:35:46: Es gibt auf der anderen Seite auch einen großen Wunsch von vielen, dass sie quasi im Unternehmen einzusetzen.

00:35:56: Da gibt es also manchmal auch den anderen Weg.

00:35:58: Das heißt die Mitarbeiter, dass die dann sagen okay wir wollen das eigentlich haben aber das Unternehmen vielleicht eher noch bremst weil es irgendwelche Vorbehalter hat.

00:36:05: Also ich zum Beispiel irgendwie im Bereich Datenschutz oder dass irgendwelchen Daten minus ageschickt werden oder ähnliches Und genau, da sehe ich es dann manchmal tatsächlich auch andersrum.

00:36:18: Ja

00:36:19: das gibt's natürlich aber ich glaube dass sind dann doch oft die spezielle Pyramide der Leute über die du gerade redest weil... Ich glaube in der Breite unserer Gesellschaft darf man sich nicht täuschen.

00:36:36: Du, ich und vielleicht unser näheres Umfeld wenn man beeinflusst ja auch die Menschen um sich herum sind natürlich sehr A.I.

00:36:42: getrieben.

00:36:43: aber ich glaube mal und ich glaube auch die jüngere generation jetzt heran wächst so wie man gesagt hat mein satt war digital native.

00:36:51: so wir sind schon.

00:36:53: Ich glaube man kann uns noch digital natives schon fast nennen wobei ich mein erstes smartphone auch erst mit drei zehn vierzehn oder so hatte.

00:36:59: ich bin ein

00:37:00: bisschen besser als du

00:37:03: genau, aber ich glaub dass das geht noch durch zumindest bei mir.

00:37:10: Aber es geht ja jetzt auch AI-Natives in Zukunft.

00:37:15: Und ich glaube, da darf man sich nicht unterschätzen wie viele Leute sozusagen.

00:37:19: mein erster Gedanke wenn ich ein Problem habe ist... Ich spreche in meinem Handy in Gemini erzähle dem kurz in einem Satz was ist und gucke mir dann die Antwort erstmal an bevor ich weiter darüber nachdenke.

00:37:29: In mich ist ein programmiert.

00:37:31: Bevor ich über etwas nachdenken schaue ich mir erst mal die AI Antwort an Und dann ordne ich die ein und gucke, ob ich da selber damit weitermachen möchte.

00:37:39: Ob ich dann noch eine Nachfrage habe?

00:37:40: Ob ich das so übernehme oder ob ich einen anderen Weg bin.

00:37:43: Dann findet natürlich den Denkprozess statt immer noch bei mir.

00:37:47: Aber mein erster Institution ist egal was.

00:37:49: Wir sitzen im Eiskaffee, wir reden... Ich rede mit meiner Verlobten darüber, ob wir ein Rasenmäher jetzt einen neuen brauchen oder nicht.

00:37:57: Wenn sich dann eine Frage stellt ... Geht die kurze Frage an AI, was kostet ein Rasen mehr?

00:38:03: Welches Modell kannst du mir empfehlen wenn wir das absetzen oder so.

00:38:05: Das und das ja wahrscheinlich müsste man so viel Geld ausgeben oder so.

00:38:08: ne.

00:38:08: Das ist wirklich in Teil... Die Adoption ist sehr hoch!

00:38:12: Das war vor zwei drei Jahren noch nicht so.

00:38:14: Was habe ich vor zwei-drei Jahre noch nicht gemacht.

00:38:15: Es hat es auch etwas was sich entwickelt hat dass ich das wirklich in den Alltag und ins Denken durchziehe.

00:38:21: Und ich glaube In der Breite der Gesellschaft ist AI etwas wo man vielleicht mal ein, zwei, drei Mal im Monat wenn überhaupt bei einem großen Thema wo man nicht weiter kommt dann sagt ach komm dann kann ich das ja mal da reinhauen.

00:38:35: Das ist aber nicht etwas wo man sagt... ...das ist erstmal meine Antwort auf alles und damit ist egal was ich mache.

00:38:41: der effiziente ist der Weg ist erst einmal damit zu arbeiten und dann gucke ich weiter.

00:38:46: Diese Art von Adoption ist glaube ich etwas was wir öfters mal beobachten Aber sehr stark davon getrieben in welchen Umfeldern wir auch unterwegs sind.

00:38:55: Diese Breite der Gesellschaft bildet sich dann ja auch in der breite der Arbeitsgesellschaft natürlich wieder, ne?

00:38:59: Nimm dir, nimm dir.

00:39:02: Gehen wir mal, gehen wir mal auch von Industrielei weg.

00:39:05: Nimm Dir irgendeinen großes Unternehmen mit viel Büroarbeit.

00:39:09: Nehmen wir mal eine... Ja ich will jetzt keine Marken nennen.

00:39:14: Nehm mir mal irgendeine große Bank zum Beispiel die sechshunderttausend Mitarbeiter hat.

00:39:18: Wie viele von diesen sechshundertausend Mitarbeitern denken in dieser Sphäre was die AI Adoption angeht?

00:39:25: Wahrscheinlich nicht im sechstelligen.

00:39:27: wahrscheinlich reden wir da nicht über eine sechsstellige Zahl kann ich mir vorstellen.

00:39:31: Vielleicht wenn die sehr viel investiert haben über ne fünfstellige, wenn es doof läuft vielleicht auch über ne vierstellige und in einem kleineren Unternehmen zieht sich das aus meiner Sicht genauso durch?

00:39:46: Gebe ich dir recht, es ist teilweise sicherlich auch eine Zeitfrage.

00:39:49: Man sagt ja auch dass diese AI-Tools das quasi das neue Googling ist.

00:39:54: Also wie du es auch gesagt hast was man vielleicht früher gegoogelt hat gibt man jetzt halt in der KI ein und mittlerweile würde ich sagen ist Google relativ bekannt auch bei älteren also relativ großen Schnitt der Bevölkerung Und das hat aber natürlich auch lange gedauert bis das so gekommen ist.

00:40:16: Ich bin auch zuversichtlich, dass das in den nächsten Jahren mit KI dann so sein wird.

00:40:22: Und ja genau also wie du ihm sagst, das war jetzt von meiner Seite vielleicht ein bisschen ein Selection-Bias weil wir ja auch die Kunden, die Kunden mit denen wir zusammenarbeiten, die interessieren sich ja grundsätzlich schon mal für das Thema sonst würden sie uns da gar nicht ansprechen.

00:40:36: und daher vielleicht auch kommt dann nochmal mehr dieser Daumen auch zu sagen okay wir wollen das eben auch wirklich.

00:40:46: Und du hast aber recht, also in der großen Breite ist es wahrscheinlich dann noch nicht so angekommen.

00:40:51: Da würde ich direkt...

00:40:52: Genau!

00:40:52: Es wird ja auch von oben oft nicht getrieben.

00:40:55: So, man hat ja in den letzten Jahren immer mal auf LinkedIn Briefe von CEOs gesehen wie von Shopify oder so die sagen Leute wir stellen alles auf AI um wer nicht mitmacht fliegt raus.

00:41:11: Und das hört sich dann erstmal sehr real an.

00:41:13: und dann gibt es viel Gegenwind, man sagt ja aber er kann das nicht und dies und jenes.

00:41:17: Und sicherlich ist das auch völlig überzogen ein bisschen überzogen so eine Message.

00:41:22: Aber der Grundtenor den so eine Message widerspiegelt ist wir müssen das machen dass es die Zukunft und jeder muss mitziehen und da ist kein Fragezeichen dran und diesen diese Message in der Form Wie viele Unternehmen in Deutschland, die jetzt keine kleinen Agenturen oder so sind sondern wirklich mittelständer oder aufwärts vielleicht auch vor allem alteingesetzten unternehmen wo wie viel?

00:41:45: bei wie vielen dieser Unternehmen.

00:41:47: Verbreitet die Geschäftsführung diese Message?

00:41:55: Das krasseste Beispiel was ich mal gesehen habe ich weiß nicht ob es ein Fun Post war oder nicht war auf LinkedIn wo ihr in Unternehmen gesagt hat wir schaffen alle Mäuse und Tastaturen ab und haben dann nur noch Mikro hingestellt.

00:42:08: Also, das ist natürlich eine ganz extreme Variante.

00:42:13: Aber was man eben auch sehen muss ist... Das finde ich auch noch einen relevanten Punkt ist und auch wie stark sich AI einfach letztes Jahr zum Beispiel verbessert hat.

00:42:25: also Ich erinnere mich, dass war, ich glaube Opus-Fürpunkt Fünf dieses Modell von Enstropic war so das erste wo wo das so krass viel besser geworden ist.

00:42:41: dass man eigentlich wirklich keine Zweifel mehr daran hatte, dass zum Beispiel im Bereich Coding oder so auch flächendeckend eingesetzt werden würde.

00:42:48: Das war dann so, das kam so glaube ich im Dezember letzten Jahr, es kam das irgendwie raus und dann kamen die ganzen Entwickler aus den Weihnachtsferien zurück und hatten auf einmal alle ihre Hobbyprojekte innerhalb von dem Nachmittag umgesetzt was wohl für sie sonst wahrscheinlich drei Monate gebraucht hätten.

00:43:03: Und haben das dann alles auf LinkedIn geteilt.

00:43:06: also da gab's wirklich so eine Welle.

00:43:09: Das Ganze hat sich ja jetzt dann auch nochmal weiterentwickelt mit diesen starken Modellen, zusammen mit solchen Sachen wie Corework und so weiter.

00:43:16: Wo man immer mehr für die alltägliche Arbeit das Ganze nutzen kann usw.

00:43:23: Und es ist hier noch gar nicht so lange.

00:43:26: Das vergisst man oft, dass die Modelle wirklich so gut geworden sind, ist erst seit ungefähr einem Jahr so.

00:43:36: Gleichzeitig stellen sich wir, ne?

00:43:37: Wir fühlen uns immer hinterher.

00:43:40: Weil neue Sachen ist es schwierig alles zu wissen und hinterherzukommen.

00:43:43: Gleichzeitig sind Unternehmen teilweise an dem Punkt dass sie da über nachdenken ob es sich lohnt vielleicht mal ein Power BI der Sport auf die Beine zu stellen in erstes um den bisschen Überblick über die Zahlen zu bekommen.

00:43:53: das sind dann teilweise Fragestellungen die über Monate diskutiert werden.

00:43:57: Das ist halt die andere Seite der Medaille Und darum glaube ich auch, dass der Mensch tatsächlich das größte Hindernis ist.

00:44:04: Weil am Ende des Tages das was du jetzt gerade beschrieben hast diese Erkenntnis was alles möglich ist die fehlt halt bei den Leuten die es du oder ich vorhandreiben müssten.

00:44:14: wenn ich mir dann so ganz viele Mittelständler anschaue die vielleicht auch insorvent gegangen sind in letzten Jahren da gab's ja einige Nachrichten momentan im Medien Es gibt immer eine alternative Realität Und ich glaube ganz, ganz fest daran dass so ein Mittelständler mit vielleicht irgendwie... ...hundert White-Color, hundert Blue-Colour Drops der könnte auch in so weit effizienter betrieben werden.

00:44:42: Dass er mit einem Bruchteil der Kostenstruktur das Gleiche schaffen würde.

00:44:46: Ich glaube diese alternative Welt gibt es fast immer.

00:44:49: Also wenn ich allein schaue was wir jetzt alio intern alles an Prozessen und Optimierung auf die Beine gestellt haben ... wo ihr vorher an einem Angebot zwei Wochen dafür brauchten.

00:44:58: Und das fünfmal hin und her geht, wo das heute in einer Stunde fertig ist... ...und wirklich in einer sehr hohen Qualität steht.

00:45:06: Ganz ganz viele andere Beispiele.

00:45:09: Ich glaube du kannst ein Unternehmen... ...viele Unternehmen wenn du sie heute noch mal neu starten würdest.. ..und neu aufbauen würdest von der grünen Wiese dann könntest du die wahrscheinlich um einen Faktor fünf effizienter?

00:45:21: aufstellen, was die Prozesse und die Umsetzung angeht.

00:45:24: Jetzt ist es natürlich immer schwierig von einer alten gewachsenen Struktur in etwas Neues überzugehen oder besser zu werden aber diese alternative Realität gibt ja die Möglichkeiten sind da und diesen Weg dahin zu finden möglichst nah an dieser Effizienz heranzukommen dass mein Wettbewerbsfähig bleibt.

00:45:43: das muss halt extrem vorangetrieben werden von Menschen die daran glauben und daran keinen Zweifel haben.

00:45:50: Ja, die sitzen noch nicht immer in den Entscheidungspositionen.

00:45:54: Kann ich dir nur Folgen ganz zustimmen?

00:45:55: Also ohne den Drive von oben wird das meistens nichts.

00:46:02: Am Ende zum Beispiel in China habe ich jetzt gelesen und es sind halt immer so extreme Beispiele, aber in China werden jetzt habs aufgebaut für tausende Personen, die ein Mann Unternehmen gründen sollen also eine Person alles AI!

00:46:15: Nur Agents Das kann man sagen, wie realistisch ist das.

00:46:17: Wie gut ist es?

00:46:18: Für welches Geschäftsmodell funktioniert das?

00:46:20: Wir sind uns einig, dass in der Produktion schwieriger ist als bei einem Saasprodukt oder so.

00:46:26: Da gibt's natürlich unterschiedliche ... Was man damit macht, sowas zu pushen, ist eine Generation an Menschen voranzutreiben die in dieser extremen Effizienz denken und handeln und Dinge ausprobiert haben Erfahrung gesammelt haben Und die übertragen das auch in alles wo sie reingehen und danach hingehen.

00:46:45: und wir sagen immer unsere Personalkosten, unsere Lohnkosten sind viel zu hoch in Deutschland.

00:46:50: Du kannst in China fünf Leute dafür einstellen für das was einer Person in Deutschland macht.

00:46:56: ich glaube es wird noch viel viel schlimmer weil nicht nur eine Person in China soviel kostet fünf Personen in China wie eine Person aus Deutschland sondern fünf Personen vielleicht auch die Arbeit von fünfzig Personen in Deutschland machen Und dann hast du nicht mehr den Effekt von eins zu fünf sondern von eins zu fünfzig.

00:47:20: Und was man eben auch bedenken muss ist, dass wir natürlich auch jetzt sind wir hier ein bisschen abgedriftet in so eine gesellschaftliche Debatte.

00:47:27: aber das man eben aufbedenken muss es halt dass wir auch eine entsprechende Altersstruktur ja auch in Deutschland haben das ganze Jahrgänge die extrem geburten stark sind auch in Rente gehen und damit den Unternehmen ein Stück weit an fehlen und ersetzt werden müssen in irgendeiner Form.

00:47:46: Und da muss man natürlich schauen, dass die Leute, die dann noch da sind entsprechend enabled auch die Arbeit von denen irgendwie zu übernehmen.

00:47:55: Ich glaube ohne diese Effizienzgewinne wird es schwierig.

00:48:01: Ja das auf jeden Fall!

00:48:03: Um den Podcast zu einem Abschluss zu bringen würde ich vielleicht eine finale Frage stellen, die wir beide versuchen kurz zu beantworten Und dann versuchen wir, glaube ich auch mal den Ausklang zu finden.

00:48:18: Was ist aus deiner Sicht?

00:48:20: Wenn man jetzt in dieses Thema reinstarten möchte der schnellste und beste Weg um erste Erfolge zu erzielen... ...und im Unternehmen gute Sichtbarkeit dafür zu schaffen und das ganze in Sprung zu bringen.

00:48:33: Das erstes natürlich ein Projekt mit Elio zu machen.

00:48:36: Natürlich!

00:48:40: Also ich glaube Du hast es schon richtig gesagt, also dieser Pilotenansatz hat natürlich auch gewisse Risiken.

00:48:50: Aber ich finde unterm Strich ist das immer noch ein guter Weg um erstmal rein zu starten die Leute vielleicht ein bisschen zu catch'n Also sich wirklich einen Problem zu suchen und Schmerzpunkt der... Ja, im Unternehmen halt wirklich weh tut wo viele ineffizienzen vielleicht auch sind und diesen Prozess sich gezielt zu nehmen.

00:49:11: Was brauchen wir?

00:49:15: Um da eben anzugreifen mit AI und den Prozess einfach maximal zu optimieren damit wieder ressourcenfrei werden.

00:49:24: für andere Sachen sich da wirklich eine Low-Hanging-Floot rauszunehmen, da dann speziell ganz spezifisch für diesen Bereich mal zu überlegen welche Daten bräuchten wir dafür.

00:49:34: diese Datengrundlage anzulegen auf einer Datenplattform wie zum Beispiel Databricks entsprechend im Kontext bereitzustellen ist gar nicht fürs ganze Unternehmen.

00:49:42: natürlich kann man das mit Databracks alles machen irgendwelche Domains definieren und so weiter.

00:49:46: Und man kann da theoretisch sein ganzes Unternehmen natürlich darauf aufbauen lassen.

00:49:52: aber für den Use Case erstmal einen ganz kleinen Pilot wo definierten Datenbasis die Daten zu kontextualisieren, schwieriges Wort.

00:50:04: Und damit mal anzufangen und eben wie du sagst dann das Engagement zu fördern dass eben die Leute für die dieser Use Case ist es immer auch wirklich intensiv nutzen.

00:50:16: und dann schaffen wir es vielleicht Leute von diesem unteren Bereich der Pyramide den ihr gerade genannt hast nach oben zu bringen weil sie sagen hey Das ist ein Problem.

00:50:24: Das hat mich schon seit zehn Jahren in Unternehmen nervt, dass ich das hier jede Woche irgendwie machen muss diesen langweiligen Ablauf hier und wir haben das jetzt super cool automatisiert mit KI.

00:50:33: Ich kann dir irgendwelche Fragen stellen und so.

00:50:35: Das ist richtig cool und vielleicht könnten wir noch mehr machen.

00:50:38: Und dann kommen manchmal sogar die Mitarbeiter selbst auf neue Ideen was man vielleicht nochmal machen könnte und da hat man eben schon im oberen Drittel der Pyramide Und kann darauf eben aufbauen und dann auch ein bisschen weitergehen.

00:50:54: Ja, ich würde dir zustimmen.

00:50:56: Ich würde vielleicht noch ergänzen man sollte vielleicht am Anfang ein bisschen Zeit investieren und einplanen und sich auch nehmen um die richtigen Themen zu identifizieren und nicht das Erstweste nehmen wo oft passiert das halt nach dem Motto ach unser Angebotsprozess ist doof hier dass wollen wir optimieren.

00:51:11: könnt ihr das so nicht?

00:51:12: Wir wollen drei Angebote einholen und dann steht das Thema schon fest um das es geht Und dieses Thema wurde nicht ausgewählt, mit wie viel Impact hat das?

00:51:21: Wieviel Aufwand steckt dahinter.

00:51:23: Welche Daten brauchen wir dafür?

00:51:24: Wie komplex ist das?

00:51:26: Sondern... Ach, das finde ich ganz cool!

00:51:28: Lass uns das mal machen.

00:51:29: Dafür hole ich mir jetzt drei Angebote ein und eigentlich is man dann schon zu weit vorne.

00:51:34: Eigentlich macht es Sinn einen Schritt weiter hinten anzusetzen und sich zu überlegen was sind denn überhaupt die Dinge auf dem Tisch liegen, die man angehen kann Und diese zu bewerten.

00:51:44: nach wie viel bringt uns das?

00:51:46: Wie schnell ist das umsetzbar, wie komplex sind die Daten, die man dafür braucht.

00:51:49: Wie viele Qua-Systeme sind die, wie sauber sind die und wieviel Aufwand muss man da reinstecken.

00:51:54: Dort Analysearbeit rein stecken.

00:51:55: Am Ende des Tages ist es so ein bisschen der Strichwort Man sollte die Säge ein bisschen schärfen bevor man den Baum fällt.

00:52:01: ansonsten sitzt man halt fünfmal solange dran und oft wollen Unternehmen ganz schnell den Baum fällen und nehmen dann irgendwie eine stumpfe SäGE und dann wundern dann klappt das nicht so gut.

00:52:09: manchmal, manchmal hast du einen Hit Dann klappt das richtig gut und dann geht es auch weiter.

00:52:13: Und dann wächst das, aber manchmal klappt es halt nicht so gut weil einfach ein Thema ausgewählt wurde dass für so einen Piloten nicht sogut geeignet ist... ...und dann sind die ersten Leute enttäuscht und dann nimmt das nicht so viel Drive an wie es könnte.. ..und wenn man halt einfach nur das erstbeste nimmt was jemandem eingefallen ist, dann ist das halt bisschen wie im Casino-Rollett spielen kann klappen, kann aber auch in die Hose gehen.

00:52:38: Und wenn es in die Hose geht, bedeutet das halt ganz oft dass das Thema Daten AI sehr lange ausgebremst ist im Unternehmen und nicht mehr mit der Intensität vorangetrieben wird.

00:52:48: Die es eigentlich verdienen würde.

00:52:51: Interessanterweise ist das auch nicht viel anders als das was wir in den Data Science Use Cases gesehen haben.

00:52:56: Auch da war's jetzt genau so.

00:53:00: Das ist eine ganz klare Parallele und deswegen will ich dir ja voll zustimmen.

00:53:05: natürlich... Ist die Welt ne andere?

00:53:06: Ähm, seitdem wir diese Möglichkeiten mit AI haben.

00:53:12: Aber die Probleme sind oft dann trotzdem und doch noch irgendwie ähnlich.

00:53:18: Seh ich auch so?

00:53:19: Okay, Tobi!

00:53:20: Ich

00:53:20: hatte viel Spaß mit dir zu schnacken.

00:53:22: Podcast geht auf die Stunde zu... Ich glaube, wir sollten hier den Cut machen an die Zuschauer.

00:53:28: Ich hoffe ihr hattet auch Spaß.

00:53:29: lasst gerne Feedback da und äh.. Die nächste Folge wird dann wahrscheinlich in der Richtung Ontologie neuste Features, schnellste Entwicklungen geben.

00:53:38: Was kommt alles momentan neu raus?

00:53:40: Selbst wir sind da ein bisschen überfrachtet.

00:53:42: Lasst uns das ein bisschen mal auseinandernehmen und gemeinsam anschauen.

00:53:48: bis dahin viel Spaß und macht's gut!

Neuer Kommentar

Dein Name oder Pseudonym (wird öffentlich angezeigt)
Mindestens 10 Zeichen
Durch das Abschicken des Formulars stimmst du zu, dass der Wert unter "Name oder Pseudonym" gespeichert wird und öffentlich angezeigt werden kann. Wir speichern keine IP-Adressen oder andere personenbezogene Daten. Die Nutzung deines echten Namens ist freiwillig.