Tech, KI und Schmetterlinge.

Ein Podcast von Sascha Lobo in Zusammenarbeit mit Schwarz Digits.

Guten Tag und herzlich willkommen zu einer neuen Ausgabe von Tech, KI und Schmetterlinge.

Dem Podcast von mir, Sascha Lobo, in Zusammenarbeit mit Schwarz Digits, dem Digitalarm der Schwarzgruppe.

Wir haben heute Ein Thema vor uns, das ein ganz besonderes Augenmerk verdient, vor allem weil es so viele Leute umtreibt.

Wir haben nämlich eine Art neues Mini-Konzept gebaut, das nennt sich Hands-On.

Und Hands-On bedeutet, dass wir uns ganz konkret der Situation annehmen in diesem Podcast, wie man etwas macht.

Also fast eine Art Betriebsanleitung.

Und natürlich ist der Inhalt eng verknüpft mit dem normalen Inhalt in diesem Podcast.

Wir fragen uns nämlich, wie bekommt man eigentlich künstliche Intelligenz in ein Unternehmen hinein?

Und dafür habe ich die am besten passende Gäste überhaupt, würde ich sagen, nämlich Kensar Eidzid Abu.

Sie gehört zu den absoluten Expertinnen im Bereich künstlicher Intelligenz und zwar beim ganz konkreten Aufgabenfeld.

Ja, wie kann man das denn in ein Unternehmen integrieren?

Hallo, Kensar.

Hallo, Sascha.

Guten Morgen.

Vielleicht kannst du kurz für unser Publikum erzählen, was du so genau tust und was du gemacht hast in den letzten Jahren.

Und auch so ein bisschen deine Perspektive als jemand, der sich jeden Tag damit beschäftigt.

Ja, danke dir.

Das ist tatsächlich eine gute Frage.

Ich überlege inzwischen, ob ich sage, ich bin KI-Expertin und ich bin KI-Managerin und ich stelle dir eher inzwischen zum zweiten.

Einmal, weil es ganz viele Expertinnen gibt und zweitens, weil ich tatsächlich seit vielen Jahren jetzt nicht mehr selbst programmiere, sondern...

in Management-Funktionen bin und dafür sorge, dass das Thema vorantgetrieben ist.

Jetzt sehr einfach gesagt.

Wie das alles angefangen hat, tatsächlich habe ich Elektro-Technik studiert und damals habe ich mich für das Thema interessiert und habe auch meine Abschlussarbeit über Cluster in Algorithmen geschrieben.

Das ist eine Methode im Maschinen lernen.

Aber zu der Zeit, das war im Jahr two-thausend drei, das war noch in der Forschung.

Also man hat das im Unternehmen noch gar nicht genutzt.

Das heißt, das war in der Forschung und deswegen habe ich mich dann doch in der Hardware-Entwicklung spezialisiert und in der Software-Entwicklung und dann irgendwann wurde das Thema wieder aktuell und in den Unternehmen aktuell und dann habe ich mich wieder eingelesen, habe nochmal geschaut, was ist passiert in den letzten Jahren und so kam ich sozusagen in meine Tätigkeiten da rein.

Damals, wenn ich mich daran erinnere, war ich bei der Deutschen Telekom in der Internet-IT und da wollten wir tatsächlich eine Organisation aufbauen in der IT, die sich rein um dieses Thema kümmert.

Und ich war einer der ersten und unsere Aufgabe lag daran so ein bisschen, ich sage mal Aufklärung, aber jetzt im positiven Sinne einfach dafür zu sagen, oder Awareness?

Awareness klickt ein bisschen besser.

weil Aufklärung klingt ein bisschen belehrend.

Das Ziel ist es nicht, aber tatsächlich in die Standorte zu gehen, über diese Technologie zu sprechen, zu erklären, wie sie funktioniert, teilweise Ideen sammeln oder über Use cases sprechen, die wir schon gebaut hatten und sozusagen von Movement zu sorgen innerhalb der Telekom.

Und ja, das haben wir dann ein paar Jahre, dann haben wir angefangen richtig.

viele Anwendungsfälle zu bauen, auch zu betreiben, weil dadurch, dass es die IT-Abteilung war, dann hat man ja auch für eine Governance und für eine Skalierung gesorgt.

Und das halte ich in sehr gute Erinnerungen und das mache ich jetzt mit anderen Unternehmen sozusagen.

Ja, bei mir ist es auf eine völlig andere Weise ganz ähnlich.

Ich hatte ja relativ häufig Vorträge.

über künstliche Intelligenz, häufig bei Unternehmen, manchmal auf Events.

Und einer der Gründe, warum Leute überhaupt davon was wissen möchten und da sie ein bisschen tiefer reingehen möchten, ist, weil die ersten Erfahrungen in vielen Unternehmen vorsichtig gesagt gemischt ausfallen.

Der Hauptgrund, warum wir uns entschlossen haben zu sagen, wir machen mal so eine Hands-on-Folge, ist, weil es dabei wiederkehrende Muster gibt.

Also Situationen, die man bei unterschiedlichen Unternehmen, unterschiedlichen Institutionen bis rein in den Public Sector sieht, die immer wieder auftreten, Schwierigkeiten, auch überraschende Quick Wins, überraschende Erfolge, die sich immer wieder ähneln.

Und da, glaube ich, ist es ein ganz guter Vorteil, wenn man versucht, Leute, die jetzt gerade vor dieser gigantischen Transformationswelle stehen und sich fragen, aber was machen wir denn ganz genau?

Wenn man denen etwas wissen vermittelt, was so die nächsten Schritte sein können, was die Schwierigkeiten sein können, worauf man achten sollte.

Und das, glaube ich, ist als Hands-on ganz gut.

Ich möchte reinführen in unseren ersten Themenblock mit einem ziemlich bekannten Erkenntniskomplex.

Der fängt relativ harmlos an, weil für viele Menschen KI gerade überall ist, generative KI.

Die Kinder kommen nach Hause und es vollkommen klar, die machen ihre Hausaufgaben mit künstlicher Intelligenz.

Im Freundes- und Bekanntenkreis sprechen alle nur noch davon, dass sie ihre Reisepläne jetzt mit ChatGPT machen und so weiter.

Und sofort in den Medien ist es ohnehin.

Und es gibt fast kein größeres Unternehmen, wo nicht irgendjemand irgendwie irgendwas ausprobiert.

Und sogar noch krasser.

Wir haben, das ist eine Studie vom Zentrum für europäische Wirtschaftsforschung vom April diesen Jahres im Auftrag des Bundesarbeitsministeriums.

Wir haben in Deutschland über sechzig Prozent der Menschen, die in den Büros KI schon verwenden, kommen allerdings, und das ist eine Erkenntnis aus dieser Studie vom ZDW, allerdings informell.

Ohne Einführung.

der Arbeitgeber heißt, die nehmen irgendwelche hochdelikaten Daten, schubsen sie irgendwie hoch auf ChatGPT und schauen mal, was daraus kommt und sagen dann sowas wie Das sind die Zahlen aus dem letzten Quartal von unserer Abteilung.

Die sind nicht so doll.

Wie kann ich die denn so darstellen, dass der Vorstand denkt, wir haben super gearbeitet?

Das ist jetzt mal ganz plastisch.

Ist leider nicht ausgedacht, sondern im Prinzip fast so passiert.

Und jetzt kommen aber ganz viele sehr, sehr ungünstige Sachen dazu.

Unter anderem, dass ChatGPT immer mal was ausprobiert und im August diesen Jahres zum Beispiel rausgekommen, dass sie zeitweise über Monate ausprobiert haben.

Was eigentlich passiert, wenn man hoch private Chats, also welche von denen man dachte, die sind eigentlich nur zwischen mir und der Maschine, wenn man die Google bar macht.

Ja, es ist wirklich so.

Anwendungs-Szenarien von ChatGPT.

Anwendungen, wo einzelne Leute Proms eingegeben haben, waren Googlebar über eine ganze Phase, ohne dass sie das so groß mitgeteilt hätten.

Sie haben zwar behauptet, das sei anonymisiert, aber das ist die Situation, vor der wir gerade stehen.

Und gleichzeitig, Kenza, da würde ich dich mal fragen, ob du das auch so siehst, gibt es bei vielen Leuten ein Störgefühl.

Und dieses Störgefühl ist irgendwie, das fühlt sich so krass an, was man damit machen kann, aber so richtig?

Ins Unternehmen kriegen wir es noch nicht eingeführt.

In meiner Arbeitsprozesse schaffe ich es noch nicht richtig zu integrieren.

Kennst du dieses Störgefühl?

Absolut, der ist total nachvollziehbar und teilweise hat es ja auch mit solchen Studien und Nachrichten zu tun.

Also man bekommt von außen die ganze Zeit Botschaften, sowohl positive Botschaften als auch angstgetriebene Botschaften.

Da sitzt man da, das ist ja das, was wir heute brauchen, sagt man, die Ambiguitätstoleranz.

Wie gehe ich mit diesen widersprüchlichen Informationen und wie behalte ich dabei die Ruhe und kann in diesem Chaos navigieren?

Je nach Persönlichkeit sage ich mal, je nach Risikoaversion und Mutlevel.

entweder sagt man, nee, ich stecke lieber den Kopf in den Sand und vielleicht geht es an mir vorbei in ein paar Jahren oder ich packe mal mit und Augen zu und durch.

Und so die Menschen verteilen sich in diesen zwei Welten sozusagen und die Unternehmen genauso, weil Unternehmen werden ja von Menschen geführt und da arbeiten ja auch Menschen.

Das heißt Unternehmen ist als juristische Person entscheidend ja nicht selbst, sondern das tun immer die Menschen, die da arbeiten.

Und deswegen muss man aus meiner Sicht schon die zwei Welten unterteilen, die private und die berufliche.

Und durch GDPT und solche Applikationen, die jetzt für den Massenmarkt verfügbar sind und auch noch kostenlos verfügbar sind, Ist das eine Mischung?

Die Menschen sehen, privat kann ich LGBT nutzen und für alles, warum kann ich das im Job nicht machen?

Ja, und klar, ich kann das im Job nicht machen, weil wenn das keine gesicherte Umgebung ist, kann ich nicht einfach so Daten da hochladen, weil ich danach nicht weiß, was damit passiert ist.

Und das ist der Grund, warum die Arbeitgeber erst einmal sagen, nein, es gibt ein LGBT-Verbot im Unternehmen.

Wir arbeiten in der Zwischenseite an eine Lösung, aber die dauert und die wird sicherlich nicht so gut sein.

Nur die Erwartungshaltung der Belegschaft ist, Das geht so schnell und das ist so einfach nutzbar wie GPD.

Und diese Widerspruch verursacht ganz viel Frustration im Unternehmen.

Von den Managern sozusagen, die das alles zur Verfügung stellen wollen, das kostet alles Geld, das ist wahnsinnig jürisch zu entwickeln und auch Datenschutzkonform und Regelkonform zu entwickeln.

Und die Belegschaft, die sagt ja aber...

Warum braucht ihr so lange und warum dauert das?

und warum kostet so viel?

Und deswegen ist meine Empfehlung, ich sage mal wie im Leben, einfach mal tief einatmen, rausatmen, sich nicht verwirren lassen von all diesen Botschaften, sich mit dem Thema auseinandersetzen, erst mal awareness in der großen Fläche.

Also tatsächlich sich Leute holen, die einem erklären, wie funktionieren diese Technologie oder wenn man sie in Haus hat, gibt es ja einen vielen Unternehmen, auch die nutzen.

Erst mal darüber reden, erzählen, erklären.

Die paar Beispiele, die schon funktionieren im Unternehmen, erklären, zeigen und in Diskurs treten in der breiten Masse sozusagen der Belegschaft.

Und dann kann man mit verschiedensten Formaten versuchen, Ideen zu sammeln.

Jeder von uns, du sagst ja auch in deinem Alltag, beruflichen Alltag, schaffst du es immer noch nicht, seinen hohen Automatisierungsgrad zu haben, indem du zufrieden bist, dass du sagst, super, jetzt hat mich KI entlastet.

Das heißt, du weißt, was du tust, jeden Tag, welche repetitive Aufgaben gibt es und du hast schon ein Gefühl dafür, welche davon könnte ein KI übernehmen.

Das heißt, wenn man die Leute fragt, dann kriegt man natürlich ganz viele Ideen und diesen ganzen Ideen muss man sammeln und bewerten, denn Dass eine Idee für dich hilfreich ist, bedeutet trotzdem nicht, es ist für hunderttausend Mitarbeiter, wenn das Unternehmen so groß ist, hilfreich ist.

Du sagst, dass als Startpunkt es sinnvoll wäre, erstmal Awareness zu schaffen, das sehe ich total, das passiert ja auch häufig.

Manchmal passiert es eher so nebenbei, dass man so eine Ankündigung macht, meinetwegen im Internet.

Über nächste Woche reden wir mal alle beim All Hands Meeting oder wie auch immer über KI, dann sind nicht alle dabei und so.

Aber dann...

Würdest du vorschlagen, man macht einen Format, wo man Ideen sammelt, die man dann strukturiert auswertet.

Und das wäre dann mit der Awareness zusammen der Startpunkt.

Genau.

Und Awareness ist nicht nur Kommunikation, ist nicht nur einmal im All Hands Call, dass ein Kündiger nun gut ist, damit ist es nicht getan.

Das ist höchstens der Startschuss.

Aber tatsächlich braucht es auch...

formelle Begegnungsorte, wo die Menschen auch Fragen stellen können oder ausprobieren können.

Also wir reden wirklich über, über so Workshops oder so Events, die man dann organisiert, wo die Leute auch ein bisschen was probieren können, mitmachen können.

Und diese Bewertung der Use Cases, es ist jetzt nicht so, dass man sagt, okay, wir haben dann zweitausend Ideen, okay, vielleicht kann man dann Voting machen lassen, dann wird es weniger.

Und dann muss aber ein Experten-Team diese Ideen bewerten anhand der Machbarkeits- und des Wertes für das Unternehmen, den Wertbeitrag.

Wie gesagt, es gibt Ideen, die super schnell umsetzbar sind, die ganz viel bringen für das ganze Unternehmen, mit denen sollte man starten.

Und dann Ideen, die sehr schwer umsetzbar sind, aber trotzdem viel für das Unternehmen bringen, dann kann man damit ein bisschen warten.

Und die, die halt...

für die Breite des Unternehmens wenig bringen, auch wenn sie einfach umsetzbar ist, muss man gucken.

Können wir uns das leisten, weil die Ressourcen sind ja immer begrenzt und man muss priorisieren.

Und das ist das, was aus meiner Sicht oft fehlt, weil man sagt, ja, schaut mal, so KI, wir wollen KI und alle liegen los.

Ja, so, das sagt der Vorstand von oben nach unten, macht's mal.

Und dann drin alle Manager los und alle muss irgendwie nachweisen, dass er irgendwas mit KI gemacht hat.

So, und dann entsteht an sich schon eine gute Dynamik im Unternehmen.

Aber wenn man die nicht wieder zusammenfährt und orchestriert, ist es dann, es bleibt Chaos.

Und dann hat man hier und da probiert, aber am Ende bringt es nichts für das Unternehmen.

Und in diesem Stadion stecken gerade die meisten.

Ja, das ist auch ein großes, ein bisschen gemeines Stichwort für unseren ersten Themenblock, wo wir genau über das, was du gerade gesagt hast, Wertbeitrag und auch Skalierbarkeit sprechen wollen.

Dieses Ausprobieren, dieses leider häufig etwas zu unstrukturierte Ausprobieren, hat diesen bösen Namen Pilot Purgatory hervorgebracht.

Also gewissermaßen das Fegefeuer der Pilotprojekte.

Und das heißt deswegen Fegefeuer, weil da so viel verbrannt wird.

Es wird Aufmerksamkeit verbrannt, es wird auch positive Einstellungen verbrannt.

Geld wird natürlich ohnehin verbrannt.

Es gibt relativ viele Studien, gerade zum Beispiel auch von großen Unternehmensberatungen.

die sich angeschaut haben, was passiert genau jetzt.

The State of AI hat fast jeder, der sich ein bisschen mit Unternehmensstrukturen beschäftigt, irgendwo schon gemacht in den letzten zwei, drei Jahren.

Und genau da haben wir so eine Kernaussage, die heißt, wahnsinnig viele Proof of Concepts, Veranstaltungen, wo Leute irgendwas ausprobieren, auch deswegen interessanterweise, weil es ja so einfach ist, etwas zusammenzustöpseln.

Ja, da denkt irgendwie der Abteilungsleiter in Abteilung neun.

Der kriegt super leicht auch irgendwas hin, wie er hier halb automatisiert, die Sales-Anfragen weiterleitet an die Abteilung zehn, damit sie irgendwie aus seinem Fokus raus.

Und dann bauen wir das zusammen, dann stöpfen wir das zusammen, probieren es halt erstmal aus und grundsätzlich ist probieren ja sehr, sehr gut.

Aber, und das ist eine zentrale Erkenntnis dieser Unstrukturiertät, von der du gerade gesprochen hast, was ganz häufig fehlt am Anfang.

ist eine Strategie, die sich zum Beispiel mit einem KPI Tracking beschäftigt, die also genau sagt, welche Key Performance Indicators, also welche Kennzahlen, nachdem man den Erfolg messen kann, werden überhaupt verwendet.

Und was eben auch häufig so hinten runterfällt, ist eine saubere Kostennutzenbilanz.

Warum?

Eben weil man so viel irgendwie machen kann und irgendeiner von den Leuten in der Abteilung hat selber schon irgendwie mit der API gearbeitet und dann sagt man dem, mach mal zwei Tage die Woche das und dann kommt da hier noch mal eine Lizenz dazu und da noch jemand, der von außen andockt, der noch was, mit dem man ja schon lange zusammengearbeitet hat und zack, ist völlig unklar, hat man hier jetzt gerade dreißigtausend Euro investiert oder drehunderttausend Euro, die sich halt versteckt haben in Arbeitszeit oder in Opportunitätskosten oder in irgendwas anderem.

Das ist sehr häufig am Anfang der Fehler.

wenig KPI Tracking, also wenig Überprüfung von dem, was eigentlich als E-Volkskriterium gelten soll und vergleichsweise Unstrukturte herangehensweise an, was ganz konkret bringt es und wie viel hat es eigentlich gekostet?

Ja, also das sind ganz viele, ganz viele Aspekte drin, die ich gerne ansprechen möchte.

Erst einmal diese Experimentierfreude, die überall passiert, ist ja positiv.

Und ja, es wurden viele Ressourcen da reingesteckt.

Ich würde aber sagen, es war nicht alles umsonst.

Ja, denn in diesem Prozess hat man als Organisation ja auch einiges gelernt.

Also es ist auch ein bisschen Lehrgelde drin.

Einige Sachen hätte man vermeiden können, keine Frage, aber vieles hat man jetzt gelernt.

und dann in der nächsten Maturity Phase sozusagen macht das Unternehmen dann ein bisschen besser.

Zu hundert Prozent, das vermeiden geht nicht, denn dass jeder, der in der IT arbeitet und ich habe meine meisten Seiten in eine IT verbracht, gibt es eine Schatten-ID.

Und das Problem werden wir auch nicht los.

Und das ist jetzt die Schatten-KI sozusagen, die wird auch bleiben.

Das bedeutet, du hast immer eine bestehende Governance im Unternehmen.

Wenn wir über IT sprechen, dann ist es die IT-Abteilung.

Aber dadurch, dass heute alles über IT-Systeme läuft, jeder Bereichsleiter hat natürlich auch mit Systeme zu tun und er hat auch noch sein eigenes Budget.

Und dann holt er irgendeine Beratungsunternehmen von außen und sagt, bastel mal irgendwas, weil wenn ich auf die IT zu gehe, dauert es viel zu lang und kostet viel zu viel Geld, ich mache es einfach mal selbst.

Und so einen ähnlichen Zustand ist es hier.

Der Hintergrund war ja, wir experimentieren erst einmal und wir haben unsere Leute unsere Ressourcen, dann machen wir keine Freigabeprozesse, dann müssen wir nicht durch den Rollout-Prozess...

Das können wir schnell umsetzen und das entsteht.

Das heißt, das ist gut, dass alle was ausprobieren.

Das ist gut, dass alle gelernt haben.

Für das Unternehmen jetzt als große Ganze und für die Bottom Line bringt das in der Regel total wenig.

Nur, wenn man das gemacht hat, muss man schauen, was ist jetzt das nächste Level und wie können wir aus diesen verschiedenen Inseln irgendwas zusammenbauen.

Eine Experten-Community.

Es ist ja, wie gesagt, es ist ja nicht alles verloren.

Da sind ja Expertinnen in vielen Bereichen.

Holt mal die Mann zusammen, baut man eine Community, damit sie sich austauschen können.

Und dann gleichzeitig guckt mal, dass irgendjemand diese Orchestrierung macht in einem zentralen Team, der auch dafür sorgt, dass die Infrastruktur im Hintergrund auch da ist.

die diese Satelliten auch nutzen können.

Vielleicht mit einem konkreten Beispiel, wenn du so ein Zustand hast, wo Leute jetzt Data Scientists aus verschiedenen Business Units irgendwas probieren und du hast, wie ich meine letzten Rolle, ein Produktivsystem, also ein Anwabenwirtschaftssystem im Lager.

Und dann schicken fünf Abteilungen, fünf Data Scientists, sozusagen ständig SQL Queries.

an diesem Produktivsystem, weil sie Daten daraus holen wollen.

Irgendwann steht das Produktivsystem in der Produktion, das ist viel zu langsam, das Lager steht irgendwie und alle fragen sich, warum ist das System heute so langsam?

und keiner weiß, warum.

Das meine ich, das sind halt diese Zustände, wo ich sage, ja, das ist ja gut, dass jeder was probiert, nicht das so trotz.

muss jemand das orchestrieren und sagt, Moment mal, dieses System kann leider keine Daten pushen, die muss man da rausholen.

Aber wir können jetzt nicht erlauben, dass dreißig Leute ständig jeden Tag das System belassen, weil dann habe ich ein Problem in der Produktion und der Produktionsleiter, der weiß gar nicht, was ihm geschält.

Und so, das war jetzt mal ein konkretes Beispiel, um zu erklären, warum eine Governance schon wichtig ist.

Ja, also diese Governance vorher zu machen, das strategisch zu machen, gibt es die Situation, dass man die einzelne Abteilungen erst mal mehr oder weniger ausprobieren und machen lässt, damit man im Hintergrund von oben in einem Unternehmen strategischen Herangehensweise entwickeln kann.

Weil irgendwie muss man ja auch abfangen, dass die Leute sowieso tun.

Und wenn man weiß, Entwicklung einer sinnvollen Governance, einer IT-Infrastruktur, die KI mitbeinhaltet, die nicht die Produktivsysteme belastet, die eingeführt werden kann mit den entsprechenden Schulungen, die Sicherheit entspricht und so weiter, das dauert ja eine Zeit.

Und wenn man weiß, wir brauchen jetzt erstmal neun bis zwölf Monate.

um eine sinnvolle Basis, ein sinnvolles Fundament für unsere KI-Strategie, sowohl technologisch, wie auch von den Strategien, also von den von den von der Governance her, meine ich, auszubauen, dann kann man in der Zwischenzeit die schon mal so ein bisschen rumspielen lassen, die Leute, oder?

Oder ist das keine sinnvolle Herangehensweise?

Doch, es ist eine absolute sinnvolle Weise, wenn man es richtig tut.

Wie immer, der Teufel steckt im Detail.

Also ich nenne das so Freedom in a Box.

Ja, dass man tatsächlich so ein bisschen so ein Framework definiert, dass man versucht auch relativ schnell Daten zu definieren, mit denen man so sagen spielen kann.

Ja, ein Berichtigungskonzept in place zu haben.

Wer darf auf was?

Weil in der Regel sind diese Berichtigungskonzepte ihr Personen bezogen.

Wenn du Sascha bist in einem Großkonzern, dann ist deine ID sozusagen für bestimmte Systeme berechtigt und für andere nicht.

Das heißt, du darfst nur auf die zugreifen.

Und sowas ähnliches muss man dann auch mit den Automatisierungsroboter machen, mit den KIs, gerade mit den Agenten.

Die dürfen ja nicht überall zugreifen.

weil das mein Agent ist, dann kann er plötzlich überall zugreifen.

Nein, er braucht es auch.

Er muss zu meinem Berechtigungskonzept angepasst werden.

Deswegen, also wenn ich schaffe, so ein Framework zu definieren und zu sagen, okay, für Sascha, für seine Aufgabe im Unternehmen, für das, was er zugreifen darf, erlauben wir diese Rahmen und darin kann er sich austoben so ein bisschen.

Und das soll man im besten Fall für verschiedene Funktionen Etablieren.

nur natürlich auch das Dauer zu wissen, das ist klar.

Also es ist nicht von heute auf morgen getan, aber diese Geduld sollte man schon mitbringen.

Gerade wenn es um digitale Services und Features geht, hat Stihl einen hohen Anspruch an sich selbst.

Der Beirats- und Aufsichtsratsvorsitzende Dr.

Nikolas Stihl sagt selbst, wir wollen Teil der Speerspitze der Technik sein und unsere Zukunft bestimmen, indem wir sie selbst erfinden.

Und mit dieser Aussage steht er dem Gedanken von Schwarz-Digits, der Selbstbestimmung und Souveränität sehr, sehr nah.

Es ist also nicht überraschend, wenn beide Unternehmen sich mit diesem Mindset gut ergänzen.

Gerade weil Stiel in Sachen Digitalisierung so stark voranschreitet, ist Cyber Security Chefs Sache.

Aber, so betont Nikolas Stiel, viel wichtiger ist, dass Cyber Sicherheit im gesamten Unternehmen präsent ist und zum Alltag aller Mitarbeitenden gehört.

Alle müssen die Aufmerksamkeit entwickeln und darauf vorbereitet werden, dass es jederzeit einen Angriffsversuch geben kann, auf den entsprechend reagiert werden muss.

Mit diesem Bewusstseinsatz Stihl zur Prävention von Cyber-Sicherheitsvorfällen neben Trainings und Schulungen der Mitarbeitenden auf die Lösungen von Exem-Cyber.

Exem-Cyber bietet seinen Kunden Hybrid-Cloud-Sicherheit.

Mit seiner Plattform für Fortlaufendes Exposure Management transformiert Exem-Cyber die Vorbeugung von Cyberrisiken in On-Prem und Cloud-Umgebungen.

Das eröffnet neue Wege, Schutzmaßnahmen effizienter umzusetzen.

Und genau das hat auch Stihl überzeugt.

Cyberkriminelle entwickeln ihre Angriffsstrategien ständig weiter.

Daher müssen auch Unternehmen, Abwehrmechanismen kontinuierlich und zügig weiterentwickeln, ist Dr.

Stihl überzeugt.

Daher ist XM Cyber für Stihl der richtige Partner, um den wachsenden Fähigkeiten von Cyberkriminellen mit eigenen Lösungen zu begegnen.

Mehr zur Zusammenarbeit von Stihl mit XM Cyber und Schwarz-Digits erfahrt ihr auf der Website schwarz-digits.de.

Was wir vielleicht auch noch besprechen wollen, sind zwei große Solbruchstellen, die bei Startprojekten rund um künstliche Intelligenz stattfinden.

Wir haben schon von den KPIs gesprochen und von relativ vielen Punkten, die am Ende nicht dazu führen, dass man ganz genau sagen kann, hat sich das jetzt wirklich gelohnt oder nicht.

Diese Kosten nutzen wir jetzt.

Es gibt aber in den verschiedenen Untersuchungen State of AI, zum Beispiel von McKinsey.

Es gibt erst was Entsprechendes von Gardner, von Deloitte, gibt es State of Generative AI in the Enterprise.

Es gibt euch wirklich von fast allen größeren Beratungen immer wieder genau diese Untersuchungen.

Eine sehr häufig auftretende Parallele ist, dass einerseits völlig übertriebene Erwartungen bei Pilotprojekten vorhanden sind, sowohl die Leute, die das benutzen, wie auch die Leute, die das verantworten.

haben da etwas, das nennt sich auch Gen AI Paradox, will sagen, das Gefühl, was man hat, wenn man Chatchi PT benutzt, ist, dass das macht vollste Technologien-Ding auf der Welt und irgendwie übersetzt sich das nicht so richtig bei den verschiedenen Unternehmensansätzen und Pilotprojekten, also übertrieben Erwartungen einerseits.

Und das andere, finde ich auch sehr spannend, ist, dass sehr häufig die schlechte Datenqualität, mit der man die KI dann, was das Unternehmen geht, füttert.

Einen Grund ist, warum Pilotprojekte nicht ganz so gut performen oder sogar wirklich sehr schlecht performen.

Ja, also du hast es an sich auch so ein bisschen beantwortet.

Diese Erwartungshaltung, die wir von JetGPT haben, die wollen wir dann im Unternehmen einsetzen und sagen, okay, warum das funktioniert so gut und hier nicht.

Die Pilotprojekte haben natürlich den Vorteil, dass man in einer sozusagen geschützte Umgebung unterwegs ist.

Für ein Pilotprojekt holt man sie schon mal Daten, die hat man bereinigt, die hat man vorbereitet und die stehen irgendwo auf eine Festplatte.

Und auch virtuell, ich meine jetzt nicht wirklich.

Aber egal, das ist, das heißt, ich habe da diese Daten, ich mache damit das Pilotprojekt und das gibt es gute Ergebnisse.

und ich sage super und jetzt bitte skalieren.

So, nur in der Skalierung habe ich nicht diese hochqualitative Daten überall.

In der Skalierung rede ich mit aktuellen Daten, mit Daten aus den Produktivsystemen, mit Live-Daten.

Und damit ich das tun kann, muss ich den Zugriff drauf haben.

Es muss auch ein Berechtigungskonzept da sein.

Es muss überhaupt eine Infrastruktur da sein und die Qualität der Daten muss stimmen.

Und damit ich stimmen kann, muss geklärt sein.

Wer ist da ein verantwortlicher?

Data-Ownership, ist in vielen Unternehmen nicht geklärt.

Wer ist zuständig für die Personaldaten?

Alle schauen sich an.

Die Personalabteilung sagt, nee, das ist der Bereich, der die Leute einstellt.

Der Bereich, der die Leute einstellt, sagt, das ist die Personalabteilung.

Und irgendwann gucken alle auf die IT und sagen, guck mal, warum ist Isabeles Daten misst drinnen?

Und die IT sagt, gar bitch, eben gar bitch out.

Das, was ihr da reinschreibt, ist das, was ich euch gebe.

Da sind die Gründe im Unternehmen.

Wenn es kein Datenmanagement gibt, der beschreibt, wer ist für Daten zuständig?

Wer ist für die Qualität zuständig?

Ein Datenmodell definiert dem Unternehmen ist.

Wie sammeln wir in diesem Unternehmen überhaupt Daten?

Was muss unter Kundennamen stehen?

Was muss unter Kundenadresse stehen?

Und das muss weltweit in eine ähnlichen Art und Weise gesammelt werden.

Weil erst wenn ich diese Struktur habe, kann ich sozusagen direkt Live-Daten Ansprechen, analysieren und daraus irgendwas machen.

Und das ist der Grund, warum die POCs nichts skalieren.

Weil für die BOCS, wie gesagt, ich mache ein SQL query, ich habe die Daten, ich bereinige sie.

Ich mache damit das Beispiel, ich nourrst, trainiere ein Modell und dann super funktioniert.

Aber das ist nicht der Zustand im normalen Leben.

Der Zustand im normalen Leben ist, die Daten sind in Tausende von Systeme verteilt.

Und wenn ich keine Integration dieser Systeme haben, dass ich Systeme miteinander sprechen können.

Das ist eine Mittel, wo er wenn der Daten Autobahn gibt, wo ich Daten aus verschiedenen Systeme in einer Regelmäßigkeit immer habe, in einem.

Qualität, sodass die Modelle das direkt nutzen können, dann habe ich keine Skalierung.

Da gibt es übrigens auch mehrere interessante Begleiterkenntnisse, die so ein bisschen um KI-Projekte herum gerade erforscht werden.

Man muss dazu sagen, ist ja alles noch ziemlich am Anfang.

Viele Leute probieren glücklicherweise irgendwas aus, aber dieses Probieren hat dann häufig Spätwirkungen ins Unternehmen.

Wenn die ersten drei, vier, fünf Pilotprojekte einfach Katastrophal scheitern oder es Schwierigkeiten gibt, dann ist das kein gutes Signal ins Unternehmen rein und erst recht nicht an irgendwie die Leute, die Entscheidungen und Verantwortung treffen und tragen müssen für zukünftige Projekte.

Deswegen kann man so ein paar...

sagen wir mal Begleiterkenntnisse, glaube ich, mit reinnehmen rund ums Pilot Purgatory.

Und eine davon ist, das gibt es verschiedene Untersuchungen, zuletzt vom MIT aus dem Ende Juli, zum Beispiel aus dem Ende Juli, zum Beispiel, verschiedene Untersuchungen zeigen, dass Projekte, die mit erfahrenen Partnern oder Dienstleistern angefangen werden, oft um den Faktor zwei häufiger zu einem Erfolg führen.

Ja, da gibt es, wie gesagt, relativ viele unterschiedliche Zahlen.

Aber das ist so eine grobe Faustregel, die man sagen kann.

Wenn man das erstmal alleine so ein bisschen ausprobiert, dann ist die Chance viel geringer, als wenn man sich Leute dazu holt, die schon häufiger ähnliche Projekte gemacht haben.

Das hört sich überhaupt nicht überraschend an.

Im Gegenteil, das ist so ein bisschen wie die vielen Studien, die sagen, ja, okay, wenn man sich schlechter ernährt, ist man häufiger krank oder so.

Super interessant, hätte ich nie gedacht.

Aber das sind trotzdem Erkenntnisse, die...

nicht häufig genug dazu fühlen, dass sie auch Niederschlag in den Strategien von Unternehmen haben.

Das hängt wiederum an ganz vielen Punkten.

Wie groß ist das Budget, das man am Anfang hat?

Wenn man sagt, wir haben ein kleines fünfstelliges Budget, dann sind irgendwie die Bezahlung von Partner und Dienstleistern, die da vielleicht dazu kommen müssen, relativ schnell erschöpft.

Aber gleichzeitig sehen wir, dass die Ernsthaftigkeit mit der es probiert, wird natürlich auch ein ganz wichtiger Punkt ist.

Und zur Ernsthaftigkeit gehört heute einfach auch ein Budget dazu.

Ja, absolut.

Also das sehe ich genauso.

Solche Themen brauchen Budget.

Alles, was ausprobieren bedeutet, kostet ja auch Geld.

Und wenn man es richtig macht, macht kostet es noch mehr Geld.

Und einfach mal so nebenbei, was ich auch oft beobachte, das natürlich zum Start ist ja normal, dass man sagt, okay, Sascha, du bist jetzt, weiß ich nicht, Abteilungsleiter neun.

Und jetzt machst du auch noch KI.

Und deine Leute genauso.

Das wird natürlich schwierig.

Also es braucht schon ein bisschen mehr Ressourcen, die sich rein um dieses Thema kümmern, weil da sind viele Absprachen, die man treffen muss, viel Kommunikation, viele Organisationssthemen, bis man wirklich jetzt so ein Modell bauen kommt.

Also, achtzig Prozent des Aufwands sagt man ja auch, geht in Datensammeln und zwanzig Prozent in Modelle bauen.

Und diese Datensammel ist ja auch viel Verhandlung, Telefonieren, Erklären, Fragen.

Das ist vielleicht der erste Punkt.

Diese Aus meiner Sicht das größte Problem bei dieser POC Trap oder Burgatory, wie du gesagt hast, ist die Enttäuschung, die in der Organisation entsteht.

Weil alle fangen mit einem guten, mit einer guten Hoffnung, mit einer guten Stimmung, guter Energie an und sagen, ja super, jetzt probieren wir und dann wird es probiert, da wird Geld ausgegeben und danach merkt man nichts davon kann skalieren.

Und das hilft nur punktuell hier und da, aber für das Unternehmen bringt es nichts.

Und was passiert dann?

Das ist das Gefährliche.

Beim nächsten Mal will keiner mehr investieren.

Ja, dass diese Freude am experimentieren, am probieren, am investieren, mal innovieren, die ist dann weg.

Weil man diese schlechte, in Anführungszeichen schlechte Erfahrungen gemacht hat.

Auf meine Sicht sind das keine Schlesserfahrungen, man hat gelernt.

Das macht danach nur besser.

Und damit man es besser macht, die Frage...

Ob man mit externen zusammenarbeitet oder nicht.

Also ich sag mal so, wenn diese Studie ja jetzt von einem Beratungsunternehmen gemacht wurde, dann ist es natürlich sehr, sehr einfach zu zweifeln.

Es ist eine Uni gemacht, könnte man sagen, okay, das ist eine neutrale Stelle, die das ausgewertet ist.

Ach, immerhin doch, okay, alles klar, dann habe ich verwechselt.

Nee, dann ja.

und hier, wir kennen das ja alle.

Wenn man im Hamsterrad ist, es schlägt irgendwann mal die Betriebsbelindheit.

Ja, weil du bist in deinen eigenen Prozessen und du siehst halt nur deine Welt.

Wenn jemand von außen kommt, hilft er dir sozusagen so zwei Schritte zurückzutreten.

und auf das Geschehen von außen zu schauen und sagen, ja, guck mal, das ist ja super, dass ihr so viel experimentiert.

Hast du vielleicht daran gedacht, diese Experten zusammenzubringen?

Hast du vielleicht daran gedacht, dass du doch jemand zentral braucht in der IT-Abteilung oder wo auch immer, der guckt, dass die Infrastruktur da ist, der sich um das Datenmanagement kümmert, solche Sachen.

Diese Expertise von außen und Best Practices von außen in ein Unternehmen reinbringen, das ist sicherlich hilfreich.

Ja, vielleicht ist das auch ein indirekter Prozess, muss man dazu sagen, weil Projekte in Unternehmen, die mithilfe von externen und vor allem Dienstleistern und Partnern gemacht werden, die haben in aller Regel ein höheres Budget, die sind aller Regel strategisch sauberer aufgesetzt und die sind in aller Regel auch mit viel klareren Verantwortung verbunden.

Insofern, glaube ich, da gibt es auch schon eine Koordination.

Und auch Ergebnisse.

In der Regel, wenn Partner reinkommen, gibt es ein Business Case.

Richtig.

Und dann legt man vor, der KPI ist das.

Genau.

Also, was wäre denn aus deiner Sicht, jemand steht direkt, um jetzt mal diesen ersten Block abzuschließen?

Jemand Mittelständlerin, irgendwie in dritter Generation, tausend neunhundert Mitarbeitende, viel zu Weltmarktführerin ist sie.

Sie macht die Geschäftsführung seit vierzehn Jahren, sie hat schon drei oder vier Transformationen im Unternehmen einigermaßen erfolgreich durchgezogen.

Was wäre denn dein...

Tipp beziehungsweise die drei wichtigsten Tipps ganz kurz zusammengefasst, die du dieser Person geben würdest, wenn sie sagt, okay, hier in unserem BtoB super erfolgreichen Mittelständler versuchen wir jetzt mal künstliche Intelligenz, und zwar explizit generative künstliche Intelligenz einzuführen.

Was wären deine Top drei Tipps, die du ihr geben würdest?

Die erste Stufe, die wir am Anfang besprochen haben, gab es eine Awareness.

Ist das Thema für das Unternehmen ausreichend besprochen worden, kommuniziert worden?

Weil relevant ist es mit Sicherheit.

Viele glauben immer noch, ist es für mich nicht relevant, aber nein, das ist nur eine falsche Einnahme.

Erst mal an die Awareness, an die Kommunikation, Trainings, so Befähigung in der breiten Masse.

Dann...

Use Cases sammeln und bewerten und eine Roadmap bauen, die realistisch für das Unternehmen ist, die realistisch umsetzbar ist.

Also sich nicht an den Trends orientieren.

An sich ist es ja heute super einfach.

Du kannst die CPT fragen.

Ich bin in der Industrie XY.

Das ist meine Größe.

Das ist die Region, wo ich unterwegs bin.

Wie kann mir AI oder Gen AI helfen?

Was gibt es an Use Cases?

Da kriegst du eine Liste.

Also Use Cases Ideen ist heutzutage nicht mehr.

die Kunst, sondern welche davon kann ich in welcher Reihenfond geumsetzen?

Das ist die Kunst, die zu bewerten und zu wissen, wo ist meine Maturity als Unternehmen?

Also so ein AI Readiness Test ist auch eine Empfehlung.

Dann weiß man, okay, wo stehe ich?

Und mit dieser Erkenntnis kann ich auch wissen, was kann ich meine Organisation zumuten und was nicht und in welche Reihenfond geht.

Dann habe ich eine vernünftige Roadmap.

Ja, und dann die Umsetzung als Schritt-by-Schritt.

Und bei den Investitionen, das ist vielleicht mein dritter Tipp, das Thema Finanzen ist in diesem Bereich super schwierig.

Investitionen funktionieren die meisten Unternehmen nach einem Business Case.

Und Business Case wird gebaut mit Einnahmen und Ausgaben.

Das heißt, du machst eine Planung, was, glaube ich, ausgeben zu müssen und was, glaube ich, einnehmen zu müssen, damit ich die Ausgaben, sozusagen, kompensieren kann.

Und das ist bei AI beides.

Kannst du nicht genau schätzen.

Wie viel Geld ich ausgebe, kann ich nicht wissen, bis ich nicht erst mal Zugriff auf die Daten habe, die Qualität geprüft habe, gecheckt habe, ob sie, ob die Qualität und Quantität ausreichend ist, die erste Modelle gebaut habe und getestet habe.

Erst dann weiß ich, was mir das Ganze wirklich kostet.

Aber bis dahin habe ich ja schon Geld ausgegeben.

So, und nachdem ich es gebaut habe, kann ich erst gucken, welchen Einfluss könnte es entweder auf die Produktivität haben, sprich, ich werde effizienter günstiger, dann habe ich Geld gespart.

Oder ich kann damit neue Produkte, neue Geschäftsmodelle anbieten, die ich vorher nicht hatte.

Das heißt, ich verkaufe mehr.

Top-Line.

Revenue.

Und das kann ich aber erst zum späteren Zeitpunkt wissen.

Das heißt, in dem Moment, wo ich mein Investitionsantrag mache, eigentlich ist es eine absolute Schätzung, die mit eine Uncertainty liegt.

Und dann ist es nur der Unterschied zwischen Menschen, die das gut verkaufen können und Menschen, die es schlecht verkaufen können.

Ob sie das Geld kriegen für diese Investition oder nicht.

Deswegen das schon mal zu wissen, als Geschäftsführerin, glaube ich, ist hilfreich.

Und dann ist es eher auch eine Frage, ich muss mich als Geschäftsführerin fragen, was kann ich mir leisten?

Wie sieht mein Cashflow gerade aus?

Wie sieht meine Investitionsplanung aus?

Was sind meine strategischen Themen?

Was ist meine Unternehmensstrategie?

Und da eine Top-Down-Planung machen?

Okay, wie viel möchte ich in dieses Thema investieren in den nächsten Jahren und da schauen, was schaffe ich damit?

Also es ist eine Kombination natürlich.

Ich will nicht sagen, Business Case bringt gar nichts.

Nur bei diesem Thema ist es...

so ungenau, so ungenau, dass man da nur unglücklich wird, wenn man sich drauf verlässt.

Das ist super.

diese drei Tipps.

Das ist auch eine fantastische Überleitung zu unserem zweiten großen Themenblock, was du gerade angesprochen hast.

Der zweite große Themenblock muss sich ärgerlicherweise beschäftigen mit einer gigantischen Problematik in vielen Unternehmen.

Es läuft alles unter dem Stichwort Unsicherheit und die Herstellung von einer gewissen Sicherheit oder zumindest dem Gefühl.

Der Unsicherheitaspekt, was sich da alles drunter gliedert, ist das schon angesprochene Thema Governance.

Aber auch Sicherheit, was Datensicherheit angeht, was Heckbarkeit angeht, da kommt eine sehr große Zahl von neuen Angriffsvektoren, würde man im IT-Kontext sagen, auf uns zu, was generative künstliche Intelligenz angeht, was künstliche Intelligenz insgesamt angeht und natürlich auch Compliance.

Und warum müssen wir das besprechen?

Einerseits, weil viele Leute aufgrund dieser Unsicherheit, was wird eigentlich passieren, wie wirkt das, Angst haben?

Angst ist ein widerkehrendes Thema, und zwar sowohl bei den Mitarbeitenden wie auch im Management, wie auch ein bisschen ganz hoch zu den Leuten, die am Ende in Unternehmen komplett verantworten, diese Angst, die muss man adressieren, aber auch die Regulatorik, weil wir neben Unsicherheit auch den Versuch haben, zum Beispiel beim AI Act vonseiten der EU, mehr Regulierung zu schaffen, die mehr Sicherheit erzeugt, was leider zumindest im Moment häufig genau ins Gegenteil umschlägt.

Die Fragen, die ich von so sagen wir mal mittelständischen Unternehmen am häufigsten bekomme, ist, was bedeutet das denn jetzt ganz genau, dass der AI Act X oder Y oder Z vorschreibt?

Das heißt, der Wunsch, Klarheit zu schaffen, ich möchte gar nicht ausschließen, dass das irgendwann kommt durch den AI Act, aber im Moment scheint es mir zu einer größeren Verunsicherung zu führen, ob man überhaupt in der Lage ist, ein KI-Projekt so aufzusetzen, das ist der Regulierung genügt.

Was ist denn deine Erfahrung in diesen vielen Unsicherheitsthemen ganz konkret in Unternehmen?

Also so Hands-on, was ist da und wie kann man dem entgegenwirken?

Also auch hier, sag ich mal, wenn es eine etablierte Governance gibt, dann hat es mal viel weniger Unsicherheit.

Und zwar, weil es in diesen Strukturen mit Governance und Compliance und Approvalprozesse und die normalen IT-Prozessen, da gibt es ja auch definierte Quality Gates sozusagen in den Unternehmen, die ein IT-System durchgehen muss, bis es ausgerollt wird.

Und wenn man die KI-Uscases auch da reinbringt, dann erhöht sich die Sicherheit, weil du hast ja in jedem Unternehmen, oder solltest du, eine Cyber-Sicherheit-Team, also Cyber Security Experten da, dann gibt es Compliance, dann gibt es Risk Management.

Und die Compliance und Risk Management stellen, sind in der Regel auch Juristinnen drin.

Das heißt, die schauen sich die Regulierungen an und versuchen sie zu übersetzen in Handlungen für das Unternehmen.

Und deswegen sage ich, der AI-Akt ist gar nicht so jetzt noch nicht so furchtbar wie viele Meckern.

Tatsächlich in diese Phase, die jetzt gilt, geht es darum einen Überblick darüber zu haben.

Welche AI-Applikationen habe ich überhaupt im Unternehmen?

Und wenn ich sie habe, muss ich das dokumentiert haben und dann dafür gesorgt haben, dass die Leute ausgebildet sind.

Ja, also das ist die erste Stufe, über die wir reden.

Natürlich muss ich auch die Applikationen bewerten hinsichtlich, okay, ist es High-Risk, Low-Risk oder Middle-Risk?

Das muss ich schon machen und die High-Risk-Applikationen sind einige davon sind ja nicht erlaubt.

Das heißt, ich muss mich schon mit dem Thema auseinandersetzen, keine Frage, aber es ist jetzt kein Beinbruch, um mit KI zu starten.

Also das ist nicht der Showstopper, will ich damit sagen.

Also zusammengefasst, wenn man eine funktionierende Governance für das Thema hat, das Modus operandi ist geklärt im Unternehmen, wer ist für was verantwortlich, in welchem Prozess werden Applikationen gebaut und dann freigegeben und dann in Betrieb genommen.

und wenn man sich an den IT-Prozess innelt.

dann ist es fein, bei IT-Applikationen ist es ja auch nicht anders.

Cybersecurity-Attacken und so, das kennen wir alles und wir haben in der Regel ja schon Prozesse, die das versuchen, zu vermeiden so ein bisschen und dann die, was noch wichtiger ist, weil so richtig so ein hundert Prozent vermeiden kann man es nicht, aber der Damage-Control zu machen.

Also wenn eine Cyber-Attacke stattfindet, dass der Schaden nicht so riesengroß ist.

Wenn ich dafür sorge, dass ich ein Backup habe und Meine Daten sind weg, durch die Cyberattack oder ich kann meine Systeme zugreifen, kann ich trotzdem auf die Daten zugreifen und die wiederladen in das System.

So lange ich mit den Hackern verhandle, aber dann bin ich nicht so.

Und diese Systematiken kann man für KI auch anwenden.

Ich habe mit vielen Leuten gesprochen, die genau jetzt gerade dabei sind, in ganz unterschiedlichen Qualitäts- und Intensitätsniveaus natürlich KI einzuführen im Unternehmen.

Eine wiederkehrende, sehr konkrete Angst hängt mit einer großen KI-Unsicherheit selbst zusammen, nämlich mit Halluzinationen.

Und Halluzination ist etwas, was man perspektivisch glaube ich, dass wir meine These in den Griff kriegen kann.

Es ist heute aber noch nicht so leicht zu handeln, wie man hofft und glaubt, vor allem, weil die schwierigsten und gefährlichsten Halluzinationen nicht ganz leicht zu entdecken sind.

Ganz konkret ist eine Angst, mit die mir so häufig begegnet ist.

Da ist jemand in irgendeiner Abteilung von einem Unternehmen und die haben eine eigene KI und diese eigene KI macht zum Beispiel einen Vertrag.

Die erstellt einen Vertragsentwurf, eine Zusammenfassung, meinetwegen, die ganz bestimmte Punkte von einem ganz spezifischen Projekt abdecken soll.

Diesen Vertrag, den gibt es so ja auch noch gar nicht, weil jedes größere Projekt irgendwie ganz eigene Anpassungen braucht.

Früher hat man da irgendwie sechsundzwanzig Anwälte dran gesetzt, die haben das dann irgendwie für Arbeit, wird sich viel Geld ausgearbeitet und am Ende haben sie nicht so richtig haften wollen, aber das ist jetzt auch egal.

Dieses KI-Tool erstellt mir eine fantastische Vertragszusammenfassung, einen sehr guten Vertrag.

Aber niemand kann so richtig garantieren und sagen, ob's A.

wirklich juristisch korrekt ist und ob B.

sich da nicht irgendwo was eingeschlichen hat wie so eine kleine Teilhaluzination.

Und dann entsteht daraus eine Unsicherheit, eine Angst.

und wie kann ich der konkret begegnen mit Unternehmen?

Haluzination haben nur die Transformer.

Nicht alle KI-Methoden haluzinieren.

Das ist wirklich nur die Transformer-Architektur, die die Grundlage für die generative KI ist.

So.

Und je nachdem, was ich tue, muss ich wissen, welches Tool ich mich bediene.

Wenn ich Diagnostik mache jetzt im Gesundheitswesen, da wird keine Transformer genutzt, sondern die Neuronalnetze.

Und so ähnlich ist es ja hier, wenn ich Ein Vertragswerk nutze.

Es gibt ja NLP, es gibt ja mit Natural Language Processing, es gibt ja Methoden der KI, die nicht hallucinieren.

Das heißt, es hängt damit zusammen, welche Architektur ich nutze, weiß ich, was ich tue und wie ich es tue.

Ich nutze nicht JetDBT, um einen rechtlichen Dokument zusammenzufassen, sondern ich nutze eine Applikation und Tools gibt es auch hierfür, die kuratierte Daten nutzen, die kuratierte Modelle trainieren, die nicht basierend auf die Transformer sind, dann mache ich die Zusammenfassung.

Und vielleicht in der allerletzten Stufe nutze ich ein Transformer oder ein Ladelanguidschmodel, der die Formulierungen schöner macht.

Aber der Inhalt, der wurde mit den klassischen Methoden sozusagen im NLP zusammengefasst.

Und deswegen sage ich, es ist auch nur dieses Thema Halluzination, das ist sehr groß geworden und Die Angst ist, aus meiner Sicht auch ein bisschen medial getrieben, aber die Menschen, die sich mit dem Thema auseinandersetzen, die haben so eine Angst nicht, weil dann weiß ich ja, ich mache doch keine Brustkriptdiagnose mit einem Transformer.

Also man muss wissen, wozu man das nutzt.

Und bittex, ja, mit large language models, das ist der Fall.

Und dann muss ich mich fragen, wo, wenn, die sie an und wo nicht.

Und dann habe ich keine Angst, aber auch ich keine Angst haben.

Also wenn ich jemand habe, der weiß, was er tut, aber auch ich keine Angst haben.

Das KI-Tool der Woche ist diesmal LangDoc.

Die Anwendung aus Berlin ermöglicht Privatpersonen und kleinen Firmen einen Zugang zu künstlicher Intelligenz ohne die eigenen Daten zu gefährden.

Das Startup hat unter langdoc.com eine Web-Oberfläche eingerichtet, die so ähnlich aussieht wie Chat GPT von OpenAI.

Ein Eingabefenster nimmt den Promt der Nutzerin oder des Nutzers entgegen, eine KI antwortet.

Das Besondere ist, man kann verschiedene KIs anbinden.

Neben GPT-IVI oder GPT-V von OpenAI kann das auch Google Gemini, Claude von Entropic oder Lama vom Facebook-Konzern Meta sein.

Auch Mistral aus Frankreich und Flux von den Black Forest Labs stehen bereit.

Wer will, kann außerdem exotische Kais wie Deep Seek aus China anbinden oder selbst gehostete Versionen.

Möglich macht das eine AP-Schnittstelle zu den Unternehmen.

Das ist eine gesonderte Verbindung zwischen Servern, die Einzelanfragen und KI-Antworten zu kosten im Bereich weniger Cent veranschlagt.

Abgerechnet wird dann nach Intensität der Nutzung, was häufig günstiger ist als die Monatsproschale, die ChatGPT und Co.

normalerweise berechnen.

LangDoc kann noch mehr, zum Beispiel vorgefertigte oder selbst erstellte Assistenten bereitstellen.

Da gibt es etwa einen Marketing-Texter, der menschlich klingende Beiträge für die Webseite oder Social Media aufbereitet.

Wer diesen Assistenten nutzen möchte, sollte in der KI zwei oder drei besonders gut gelaufene Posts als Vorlagen hinterlegen.

Der Assistent nimmt sich dann ein Beispiel daran und versucht das Format auf eine neue Aufgabe anzuwenden.

Andere Assistenten geben eine Rechtsauskunft, transkribieren Meetings oder übersetzen Texte in Fremdsprachen.

Dafür muss man bei jedem Assistenten eine grundlegende Anweisung hinterlegen.

Dabei weist man dem Assistenten eine Person dazu, die er verkörpern soll, eine Beschreibung seiner Aufgaben, den Kontext und seine erwünschte Vorgehensweise.

Wer sich damit schwer tut, findet Hilfe bei einem Assistentenersteller.

Der fragt dann im Allzenden ab, was ein neuer zu schaffender Assistent können soll.

Hinzu kommen sogenannte Integration.

Das sind zum Beispiel eigene Wissensordner und angebundene Datenbanken.

Das können auch eigene Google Drive Ordner, Mailpostfächer, To-Do-Programme und Kalender sein.

Verbindet man diese Integration mit LangDoc, können Assistenten bei entsprechender Berechtigung Dateien auslesen, neue erstellen, Kalendertermine eintragen und neue Zahlen in Excel-Dateien anfügen.

Auch fürs erstellen und überarbeiten von Bildern taugt LangDoc, wahrweise über Flux-EinsEinsPro, Google Gemini Flash, also Nano-Banana oder GPT Image von OpenAI.

Wer eine Alternative zum herkömmlichen ChatGPT sucht, findet in Langdok eine clevere Lösung.

Sie kostet ca.

ca.

ca.

ca.

ca.

Euro im Monat plus Mehrwertsteuer bei Nutzung eigener API-Schlüssel zu den KI-Diensten.

Okay, um den zweiten Block abzuschließen.

Du hast gesagt, man muss in vielen Bereichen, wenn man mit Leuten zusammenarbeitet, die wissen, was sie tun, nicht Angst haben.

Um den zweiten Bereich abzuschließen, würde ich eine Doppelfrage an dich richten.

Zum einen gibt es so ein Stichwort Governance Gap, den hast du so ein bisschen schon adressiert, aber das scheint tatsächlich das größte Risiko in vielen Unternehmen zu sein.

Das nicht ganz genau klar ist, wer ist wie zuständig und wie geht man damit um, wenn irgendwas schief läuft, so Verantwortung Bereiche.

Wie kann man diesen Governance Gap sinnvoll schließen?

Und der zweite Punkt wäre Bildung, ganz konkret Bildung, sehr viele von den Schwierigkeiten in Unternehmen hängen mit Bildung zusammen.

Allerdings gibt es im AI Act die Aufforderung, wenn man KI mit Unternehmen benutzt, muss man ab nächstem Jahr sicherstellen, dass die Leute ausreichend ausgebildet sind, aber es steht nicht da wie.

Wie kann man bei diesen beiden Problemen denn versuchen, sie zu verbessern oder zu lösen?

Ja, also...

Klar, das ist jetzt nicht definiert und das ist wieder die Diskussion.

Wenn es definiert wird, dann sagt man, es wird zu viel geregelt.

Wenn es nicht definiert ist, beschweren wir uns doch über, dass es nicht definiert wird.

Aber ich glaube, einfach machen, so habe ich es auch gemacht, bei Thige um mal ein konkretes Beispiel zu nennen.

Bevor wir die Lizenzen für Co-Pilot gegeben haben, haben wir gesagt, okay, ihr muss erstmal eine Schulung absolvieren.

Und dann hatten wir in unserem Academy-System.

Ausbildungsmodule zum Thema KI und dann müssen die Mitarbeiter diese Module abschließen und danach dürfen sie eine Lizenz haben und dann die Anwendung nutzen.

Das ist ein Beispiel.

Also Content-Inhalte zur KI Ausbildung gibt es tatsächlich ausreichend.

Im ersten Schritt geht es darum, dass alle zumindest mal verstehen, was KI ist.

Was ist das für eine Technologie, wie sie funktioniert, was sind die Gefahren, was sind die Risiken, das Thema Datenschutz auch berücksichtigen und solche Sachen.

Und im besten Fall hat man aber im Unternehmen so ein Plan, das ist dann wieder die Aufgabe der Personalabteilung zu schauen, welche Stufen an an Mitarbeitende haben wir im Unternehmen und welche Art der Ausbildung brauchen sie.

Also für die breite Masse, sag ich mal, ist es vielleicht mit zwei, drei Stunden getan.

Es geht nur darum, erstmal zu verstehen, was ist das für ein Thema und wo die Grenzen legen, Thema Datenzugriff und solche Sachen, dass man es auch versteht.

Und dann schaut man, okay, für Mitarbeiter, die das intensiver nutzen, vielleicht Buchhaltung, alle White Color Workers, sozusagen, dann machen wir ein bisschen mehr.

Und dann habe ich die Expertinnen, so die in der IT oder die die in der OT, die die Produktivsysteme bedienen, vielleicht brauchen sie ein bisschen mehr.

und dann habe ich die Top Experten, die auch noch in den letzten Entwicklungen in KI ausgebildet werden müssen.

Ja und so baue ich halt meine Befähigungsplanung auf.

Also für verschiedene Arbeitsgruppen brauche ich natürlich andere Inhalte.

Ja und Hands On führt das exakt und hervorragend zu unserem dritten Themenblog.

Und das ist tatsächlich der Organisationswandel.

Was wandelt sich innerhalb einer solchen Organisation, damit man irgendwann nicht nur KI ausprobiert hat, sondern KI tief ins Unternehmen integriert hat.

Es gibt neue Rollen, es gibt neue Berufsbilder und es gibt diesen sehr großen, das das eben schon adressiert, Wunsch und auch Einsicht in die Notwendigkeit ständig weiter zu lernen, die Organisation ständig weiter zu entwickeln, was das Wissen angeht.

Und da wäre meine Frage, was glaubst du denn, was sind die wichtigsten neuen Rollen in Unternehmen bei der Integration von KI?

Und sowohl was das, ich sag mal, Change Management angeht, wie auch was ganz konkret die Technologie angeht, weil es wird ja in Zukunft in den meisten Unternehmen nicht nur eine KI an einer Stelle eingesetzt, sondern eine Vielzahl verschiedener KIs in vielen Stellen.

Ich muss gerade überlegen, braucht es wirklich verschiedene Namen für verschiedene Sachen?

An sich entwickelt sich das mit der Technologie auch.

Also Rollen wie heute, die wir im Projektmanagement haben oder in der agilen Entwicklung ein Product Owner und ein Scrum Master oder ein Projekt Manager und einen Programm Manager oder ein Produkt Manager.

Da sind Rollen, die so ein bisschen Verantwortlichkeiten auch mit sich bringen.

Wer macht was?

Das ist ja für die Ordnung in der Zusammenarbeit wichtig, dass diese Ronde definiert werden.

Ob jetzt ein AI-Product-Manager brauchen, ja vielleicht.

Also wir haben sie bei uns zum Beispiel trotzdem nur Product Manager genannt.

Wir haben es nicht in AI-Product-Manager davor gemacht, aber wir haben erkannt für diesen ganzen...

Applikationen, die wir umsetzen wollen, brauchen wir jemand, der das ein bisschen koordiniert, der den so die Requirements sammelt, priorisiert und das mit den Entwicklungsteams bespricht.

Prompt Engineers muss man da so nennen und da sind sie einfach mal die Entwickler, dasselbe wie Data Scientists, Data Engineers.

Man kann ja also es gibt Abstufungen, Es wird irgendwann mal absurd, ja, vom Data Masseur oder Masseurs.

Und man sagt, okay, braucht man das wirklich?

Oder sagt man, okay, das ist ein Datenmensch.

Egal, was er tut, nur es ist im Datenteam klar, wer was macht.

Und am besten ist es, wenn man ja Learning by doing macht aus meiner Sicht.

Also ich muss jetzt nicht, bevor ich überhaupt starte, Zehnstellen Ausschreibungen.

machen und sage, okay, ich brauche den Data Engineer, den Prompt Engineer, den AI Product oder den und den und den und den, bevor ich starten kann.

Das würde ich sagen, guck mal, was du schon hast, fang mit denen und dann im Laufe der Zeit und im Laufe der Maturity wird auch klar werden, welche Sonderexpertise brauche ich noch und vielleicht erst dann suche ich sie explizit.

Es gibt auch schon Ansätze, wie man das Tiefins Unternehmen integriert, würde ich dich gerne fragen.

Die sogenannten AI Enablement Programme, die weit über eine Schulung hinausgehen, sondern die eigentlich schauen, wie entwickelt sich jede einzelne Rolle, jedes Jobprofil in einem Unternehmen weiter und dann tatsächlich so ein rollenbasiertes Playbook aufbauen.

Also mit den verschiedenen Instrumenten, die man dafür benutzen kann, bis hin zu, dass man sagt, okay, so ein Prompt in deiner Rolle, in einer zukünftigen Rolle würde so und so aussehen.

Das wären Beispiele, das wären Qualitätskriterien und natürlich bis hin zu einer Zertifizierung.

In deiner Rolle, die entwickelt sich weiter bis zu diesem Punkt.

Und wenn du den erreicht hast, dann kriegst du ein fantastisches Zertifikat mit Stempel und so einem kleinen, goldenen Siegelchen drauf.

Also, was hältst du von solchen Programmen?

Die sind absolut notwendig.

Für mich ist das wirklich jetzt die Kernaufgabe der Personalabteilung für die Zukunftsfähigkeit des Unternehmens auch zu schauen, was haben wir hier an Jobprofilen, wie verändern sie sich und wie können wir die Mitarbeiter in diese Entwicklung mitnehmen.

Und das ist das, was wir meinen, oft mit Menschen mitnehmen.

Darüber kommunizieren, aber auch zu schauen, sich mit den Jobs auseinanderzusetzen.

So schauen, wie sehen die Jobs in Zukunft aus, was fehlt weg, was kommt hinzu und was müssen die Menschen lernen, damit sie diesen Schritt halten können.

Jetzt bis zum konkreten Prompt, halte ich für übertrieben, zumal alles sich ja so schnell entwickelt, dass wenn ich heute anfange, Jobprofile zu definieren, sie sind in zwei Jahre sowieso veraltet.

Das heißt, da braucht man schon, sag ich mal, agilere herangehensweise und vielleicht nicht alles bis ins letzte Detail definieren, weil, wie gesagt, dafür baue ich dann zu lange und bis dahin ist es veraltet.

Aber grundsätzlich, sich mit den verschiedenen Job-Profilmen und Familien auseinanderzusetzen und an der Trendanalyse zu machen, wie sie sich entwickeln und was brauchen wir für Abscaling-Maßnahmen und für Befähigungen.

Das ist absolut sinnvoll und notwendig für die Zukunftsfähigkeit tatsächlich.

Ganz zum Schluss würde ich dir gerne eine sehr konkrete, aber ein bisschen merkwürdige Frage stellen.

Oh, bin ich gespannt.

Wir sind hier bei Hands On und bei Hands On, also den ganz konkreten Arten und Weisen, wie man etwas umsetzen kann.

Dazu gehört ja auch immer das Gegenteil.

Deswegen würde ich dich gerne fragen, was sind aus deiner Sicht die drei sichersten Methoden, um ein KI-Projekt in einem Unternehmen zum Scheitern zu bringen?

Ja, das Himmel unhelle.

Kein Zugriff auf die Daten erlauben, nicht klären, wer was macht und kein Geld zur Verfügung stellen.

Fantastisch.

Das sind drei absolute Misserfolgskriterien, die alle Leute, die da draußen zuhören und die sehr konkret planen, selber Projekte umzusetzen, die aber möchten, dass sie scheitern.

direkt umsetzen können.

Also das gibt es ja auch häufig, machen wir uns nichts vor, in einem Unternehmen irgendwo im Management sitzt jemand, der sagt, ich habe jetzt keinen Bock mehr, ich will nicht, dass das klappt.

Wie schaffe ich, dass das nicht klappt?

Kenza, vielen Dank für diese sehr wertvollen Tipps, wie man ein Projekt zum definitiven Scheitern bringt.

Ich denke, eine ganze Reihe von Leuten, die uns zuhören werden, das direkt mitnehmen und umsetzen.

Sehr schön.

Und dann bin ich davon.

gibt es natürlich auch die Möglichkeit, Hands-on, die Informationen, die vielen Einblicke, die du uns gegeben hast, direkt zu benutzen, um erfolgreich zu werden.

für die wenigen, die vielleicht genau das wollen.

Das kann ja auch mal sein.

Liebe Känzer, vielen Dank, dass du hier warst.

Vielen Dank, dass du uns einen Einblick gegeben hast in deinen Arbeitsalltag, in deine Arbeit, wie man ganz konkret Projekte, KI-Projekte oder ganze KI-Infrastrukturen in Unternehmen hineinbringt, eine Transformation gestalten kannst.

Vielen Dank, dass du da warst.

Und die Abschlussfrage, was nimmst du aus dem Podcast mit und was ist deine Empfehlung für die Leute dort draußen?

Also ich nehme mit, dass diese Diskussion noch notwendig ist und hoffentlich hilfreich ist und die Empfehlung ist, bitte starten.

Klein starten, aber starten.

Die Unsicherheiten werden immer geringer im Laufe des Machens sozusagen und im Zweifelsfall mich anrufen.

Da habe ich ja gesagt.

Vielen Dank und bis bald.

Ciao.

Ciao.