#30 - "Wir erleben die zweite Welle: Von Experimenten zu skalierbaren KI-Lösungen"

Die Back the Future, Data-Triven Business mit Mensch und Maschine. Ein Podcast vom PVC-Deutschland, mit Frau-Geschlehr von Gellekom und Andreas Odenkirchen. Hallo und herzlich willkommen zu einer neuen Folge unseres Podcasts, die Back the Future. Ich bin Frauke und wie immer, sitz ich mit meinem Kollegen Andreas Odenkirchen zusammen. Hallo Andreas, wie geht es dir? Hallo Frauke, ja, freut mich wieder hier, mit jetzt zusammenzusitzen. Insbesondere auf den heutigen Gast freue ich mich sehr. Ja, es ist ja ein Wiederkehrer und hat mich schon die ganze Woche drauf gefreut, ihnen jetzt heute wieder zu sprechen, genauso wie du bestimmt auch. Und ich glaube, das Thema Enterprise Ready AI ist ja aktueller denn je, oder? Das ist es und deshalb geht es mir genauso wie dir. Wir haben es eben schon im Vorgespräch gesagt, ich war auch total gespannt auf heute, einfach auch ein bisschen Perspektiven zu bekommen, das Thema zu diskutieren. Also ich freue mich auf jeden Fall. Und nun zu unserem heutigen Gast Norbert wird. Norbert, du bist Global VP Data bei Payback. Du kannst ja dann gleich nochmal genau erzählen, was dahinter steckt. Und aber auch vor allem erfahren, er vordenke im Bereich KI Daten und vor allem auch Plattformen. Und du bringst, was mir auch mal ganz wichtig ist in allen unserer Diskussionen, immer eine ganz klare Sicht auf das Zusammenspiel zwischen Technologie, Organisation und Governance-Mist. Das heißt, wirklich das Thema Enterprise Ready AI. Und du bist dann Wiederkehrer Andreas hat gesagt. Und ja, die Zuhörer haben sich schon vor einigen Jahren. Es ist mittlerweile schon her, in Folge 12 war das drei Jahre sehr kennengelernt. Stell durch, doch gerne trotzdem kurz nochmal vor. Wie geht's dir? Was machst du gerade so? Und was hast du die letzten drei Jahre so erlebt? Ja, freut mich sehr hier zu sein, wieder hier zu sein. Es sind sehr umtriebige Zeiten, ganz klar. Viele Unternehmen, denke ich, versuchen gerade wirklich am Ball zu bleiben oder vielleicht sogar etwas vor, die Welle zu kommen, was KI-Themen betrifft, was Daten-Themen betrifft. Diese Verbindung und die Abhängigkeit, gute Daten bedeuten ich kann. Tatsächlich auch KI-Systeme, die Pläuen, die darauf ansetzen. Ist mittlerweile immer mehr Leuten klar und entsprechend ist auch bei mir wirklich viel los zur Zeit. Mir geht's prächtig. Aber der Tag könnte 48 Stunden haben im Moment. Ja, mich freut mich, wahnsinnig da zu sein und bin auch sehr, sehr gespannt auf die, auf das Gespräch, auf die Diskussion. Ich habe tatsächlich überlegt, was haben wir eigentlich vor drei Jahren besprochen? Hab noch mal reingehört. In den Podcast von damals, ich glaube, es war folgenummer 12, wenn ich ganz richtig leg. Und bin mal gespannt, wie wir da angnüpfen heute. Ja, lass uns doch tatsächlich mal ein bisschen zurückblicken, auch auf die letzten zwei, drei Jahre in Norbert. Und ich mein, du hast ja wirklich viel Erfahrung in Daten getriebener Unternehmenssteuerung gesammelt. Jetzt bei Payback davor bei ja auch in anderen Unternehmen, Skuba, GFK. Was hat dich zuletzt besonders geprägt, wie Chance zu zurück auf die letzten zwei, drei Jahre? Welche Themen kommen dir da direkt in den Sinn? Na ja, es sind wirklich im Moment die Themenfelder Governance durch KI und durch den EU-EI Act natürlich noch mal besonders geflügelt. Aber auch Data Governance und Datenstrukturen, Datenökosysteme. Was mich ehrlich gesagt besonders beeindruckt, würde ich was dann in positiven Sinne. Das ist wieder Fokus auf Daten, in keiner Weise nachgelassen hat durch den KI-Hype. Sondern ganz im Gegenteil der Fokus ist noch viel stärker geworden. Es wird immer klarer, Daten müssen gut strukturiert sein, gut aufbereitet sein. Also die Kurz-Vasion ist wirklich, sind diese zwei Punkte. Also die Relevanz von Datenökosystemen, Bereitsstellung von Daten in adiquator Form. Aber auch die Wichtigkeit von Governance und ich denke, da werden wir heute etwas tiefer eintauchen. Aber das ist ja wirklich ein Feld, das alle gerade sehr stark beschäftigt. Ich finde es spannend, welche Themen du jetzt zuerst genannt hast. Ich glaube, viele, die man gefragt hätten als allererstes gesagt, Agent-AI oder Agent-AI oder ähnliches. Aber du kommst direkt aus der Governance und aus der Datenperspektive. Gut, nun bist du natürlich auch Global VP of Data, aber wir wissen ja, dass du wirklich ein KI enthousiast auch bist. Und ich da wirklich auch im Detail mit auseinandersetz mit den Modellen. Trotzdem sagst du eigentlich die letzten zwei, drei Jahre. Geht es vor allem um Governance um Daten und nach wie vor, das ist top-Thema auf deiner Gänder. Ja klar, ich mein, Gen-AI ist natürlich, wenn man so will nach außen das zentrale Thema. Und der Hype treibt sehr, sehr viele Leute um. Aber wenn wir über Enterprise-ready-AI-Lösung sprechen, dann ist einfach klar, dass die Fundament ist sehr, sehr solide sein müssen. Es ist kein Problem, einen Agenten aufzusetzen, mit dem ich mich nicht unterhalten kann. Es ist auch kein Problem, einen Agenten aufzusetzen und Parack oder per Dokumentattachment, dem noch irgendwelche Informationen zur Verfügung zu stellen. Aber wenn ich das wirklich im Unternehmenskontext machen will und den wirklich verknüpfen will mit einer soligen Datenstruktur, dann ist es einfach unumgänglich, dass dieses Fundament steht. Und die Governance-Zeite finde ich, ist absolut relevant. Das müssen wir uns alle immer wieder klar machen und die wird durch Gen-AI-Lösung, durch Agenten- und Agenten-Systeme noch viel relevanter. Und hast du das Gefühl, die Themen stehen auf der Agenda. In den anderen Unternehmendet, du tauscht sich auch viel aus. Mit Head of Data, Head of AI sind an Unternehmen. Hast du das Gefühl, da stehen die Themen hoch genug auf der Agenda? Oder ist da schon auch so ein Stück weit immer noch der Hype rund um? Wir versuchen jetzt, oder wir testen jetzt neue AI-Modelle aus, wir experimentieren. Also sozusagen die Fans, die AI-Zeite. Wie schätzt du es ein? Also mir fährt tatsächlich auf das Beides, wenn man im Moment stattfindet. Und beides in großen Rahmen stattfindet. Also ich sehe einige Unternehmen, da zähl ich auch uns selbst dazu, die versuchen wirklich sehr solide und skalierbar zu bauen. Die Experimentierphase ist für uns, würde ich mal sagen, eigentlich vorbei. Also wir experimentieren noch in Einzelfeldern, probieren hier oder da, was Neues aus. Ich glaube, das muss auch immer möglich sein. Aber unser Fokus geht gerade wirklich auf skalierbare Lösungen. Die oft auch gar nicht unbedingt nach außen sichtbar sind. Und das sehe ich auch bei einigen anderen Unternehmen. Die tatsächlich AI-Cases mittlerweile sehr ernsthaft abklopfen und durch leuchten. Um festzustellen, ist das was, wo wir im menschlichen Geld- und Entwicklungsaufwand investieren wollen. Was wird der Effekt? Ist es safe? Macht es das, was es machen soll? Ich sehe aber auch viele Unternehmen, die tatsächlich immer noch in diesem Hype-Taumel, würde ich was sagen. Drünstecken und Angst haben, letztens zurückzufallen, wild Dinge ausprobieren. Und da ist wahrscheinlich noch etwas mehr Strukturellaufholbedarf, auch gerade mit Blick auf Governance. Denn wenn ich dann noch was mit Anhängen darf, Andreas, wir reden ja mittlerweile bei AI wirklich über zwei zentrale Dimensionen. Wir haben einmal die Enterprise-Fasette, also da reden wir über E-I-Lösungen, die oft in der nach außengerichteten Wertschöpfungskette implementiert werden. Das heißt auch was, was Konsumenten, Partner, Kunden erleben. Auf der Enterprise-Seite haben wir auch E-I-Lösungen, die wirklich im Maschinenraum einer Firma wirken, die nach außen nicht unbedingt erlebbar sind. Aber integraler Bestandteil der Wertschöpfungskette, nichtsdestotrotz. Die andere große Dimension ist die Enablement-Dimension. Und da ist meiner Meinung nach in den letzten zwölf Monaten immens viel passiert. Das Unternehmen sich wirklich bemühen ihre Mitarbeiter und Mitarbeiterinnen zu befähigen, selber, kleine Lösungen für sich zu bauen, selber ihren Arbeitsalltag zu vereinfachen, effizienter zu werden. Hoffentlich auch Dinge zu tun, die vorher nicht möglich waren, durch den Einsatz von standardisierten KI-Lösungen, wie dem Microsoft-Copilot oder was auch immer die Unternehmen für sich da importfolio haben. Da entstehen auch Agenten, da werden zum Teil Agenten oder Assistenten, um wahrscheinlich korrektor zu sein, zum Teil auch dann innerhalb der Unternehmen publiziert. Und das hat eine Gauernensdimension, die glaube ich im Moment noch nicht wirklich gesehen wird. Denn wenn jetzt beispielsweise hier ein Kollege sich einen Agenten baut, den Publisch, andere Kolleginnen und Kollegen verlassen sich darauf, dass dieses Ding auch wirklich macht, was es machen soll, dass es wirklich sauber ist. Wenn jetzt aber eben nicht nur einer, sondern im Monat 50 oder 100 geparplished werden, wie lässt sich das Thema noch ein Fangen und kontrollieren? Das heißt, wir haben also die Enterprise-Dimension, muss sehr ernst genommen werden, wir haben aber auch die Enablement-Dimensionen. Das heißt, wie arbeiten Leute im Unternehmen, oft auch ihren ganz normalen Büroalltag mit KI-System, was hat das für eine Gauernensfassette? Ja, ich glaube noch etwas zu ansprichst. Also zum einen habe also Teile, ich, Andreas, denke ich auch auch, deine Enschätzung, das tatsächlich will das mal ernsthaftigkeit mit den Thema KI-Lösung deutlich gestiegen ist. Es gibt immer noch diese Halbdimension, aber ich habe auch den Eindruck, dass ich viel ernsthaft damit skalierbaren Lösungen beschäftigt wird oder umgesetzt wird. Ich glaube, das ist definitiv der Fall. Und das ist ja auch schön, wenn du jetzt über das Thema und du bist ja schon mitten drin oder wie sind schon mitten drin in der Diskussion? Über das Thema Enterprise-ready AI sprichst, hat es ja einerseits deine Enterprise-Komponente, ob jetzt nach innen oder ausgerichtet, also KI-Lösung, die wir entwickeln. Gleichzeitig das Thema Enablement-Befähigung, Low-Code-Lösung, so gut man sie eben auch schon Low-Code bedienen kann. Ich glaube, da gibt es auch noch gewisse Grenzen. Und dann aber ausgestattet mit dem ganzen Thema Datenplattform ist das das, was du als Enterprise-ready AI-Jensatz von Buzzwords bezeichnen würdest? Würde ich dann sagen, also die Datenplattform, wie gesagt, ist oft der Grundstock. Die Frage ist natürlich, wie wird die technologisch dann zur Verfügung gestellt? Können beispielsweise, wenn wir in der Enablement-Demension bleiben, also Mitarbeiterinnen und Mitarbeiter können sehr einfach Low-Code-Lösung für sich selber bauen. Gibt es dann die volltmässigen MCP-Service-Set-Up, in dem der Zugriff auf diese Daten ermöglicht wird? Wir müssen jetzt nicht zu technisch werden. Aber die Verbindung der Datenplattform zu KI ist natürlich auch nach wie vor ein Thema. Wie frei ist die? Wie werden Zugriffsrechte gemanagt? Wenn das alles ernst genommen wird, dann würde ich sagen, ist man auf der Enablement-Seite, also sprich auf der, wie arbeiten meine Leute? Wie kann der ganz normale Arbeitsalltag durch KI verbessert oder erleichtert werden? Schon mal relativ safe. Die große Frage da ist dann immer noch, wie geht man mit dieser Flutwelle an Agenten an Assistenten um, die dann im Unternehmen auf einmal existieren? Wie sichert man ab, dass Agenten die anderen Kolleginnen und Kollegen zur Verfügung gestellt werden, auch wirklich safe sind und auch wirklich den professionellen Standards entsprechen? Wenn wir auf die Enterprise-Lösung, also sprich wirklich große, mit Entwicklungsaufwand vorangetriebenen KI-Lösungen blicken, dann hat man, glaube ich, da mit der Dateninfrastruktur oder dem Daten-Ökosystem und nach der Frage, welches tooling benutzt man? Um tatsächlich Lösungen zu bauen, die in die Wertschaffungskette integriert werden, manchmal sogar wie gesagt direkt im Customer-Facing-Context, da ist die Governance-Seite, würde ich sagen, noch viel essenzieller. Also da ist sie wirklich noch viel wichtiger, weil man muss natürlich überlegen, was für eine Risiko-Apität hat und Unternehmen, wie viel Risiko akzeptiert man, wie stark beschneidet man, gegebenfalls auch in Agenten? Und last but not least, das ist ganz ja auch eine Kostimension, sie jede Interaktion beispielsweise mit einem Chatbot generiert ja Kosten, da werden Tokens durchgeschleift, da läuft der Zähler und ganz ehrlich, ich bin selber nach wie vor höflich, war noch immer ich mit KI-Interagier und lasst mir immer wieder von meinen Tech-Experten sagen, ach das nicht, das ist Energieverschwendung. Aber ich denke, man ja vielleicht ist die KI ja wirklich irgendwann schlauer als ich und erinnert sich dann dran, dass ich immer nett war. Aber man sollte das nicht tun, also sprich da haben wir auch noch die cost-monitoring-Demension natürlich, die man nicht aus dem Blick verlieren darf. Ja, und du sprichst jetzt ja auch schon viel von Enterprise-Lösungen, die gebaut werden. Was ist denn für dich oder auch dem, wie du die letzten Jahre erlebt hast, vielleicht das entscheidende gewesen, und wenn du es auch beobachtest von außen, wie du Daten und KI zusammenbringsst, das ist nicht nur bei den Prototypen bleibt. Ich glaube, das ist ja mal so, wir haben ja eben über den Hype gesprochen, ich glaube, der Hype KI sozusagen, Sachen sicher machen, ist ja schon dann, da sind wir, also wenn der in der Realisierungsphase sind wir ja eigentlich schon da, wo es produktiv genutzt wird. Die Frage ist ja am Ende, wie schaffen wir es überhaupt, dahin zu kommen, neben den ganzen Voraussetzungen, die wir technisch starten, seit ich brauchen, weil gehört ja wahrscheinlich noch ein bisschen mehr dazu oder wie nimmst du das war? Ja ja, aus meiner ich würde ehrlich gesagt gerne am anderen Ende anfangen, Frauke, aus meiner Sicht ist es nach wie vor so, dass man wie generell in der Produktentwicklung sich überlegen muss, was ist denn eigentlich der Anwendungsfall? Sprich, ich sollte, wenn ich eine Enterprise Relic KI-Lösung, Plane und voranbringen will, nicht einfach getrieben sein, aus dieser Motivation, ja wir wollen jetzt auch, wir müssen auch was machen, sondern ich sollte tatsächlich, wie es auch gut praktisch sein sollte und historisch auch immer wahr. Beide Anwendungssituationen beginnen, das heißt, was ist das Nutzeralätnis, das ich kreieren will, natürlich ganz besonders, wenn man eine Consumer-Facing-Lösung generiert und was ist der mehr Wert, den ich das schaffe. Und mir fällt auf, dass tatsächlich Lösungen, die Wertschöpfung, also was ist der inkrementelle Wert, den ich hier generiert, was hat das für ein Effekt und was ist das Nutzeralätnis, wenn das besonders ernst genommen wird, dann haben die Lösung eine wesentlich größere Chance, auch erfolgreich zu sein. Also mein ganz aus der, nicht ganz aus den Luftgegriffen des Beispiels, aber was natürlich sehr häufig passiert, das wird irgendein Chatbot entwickelt. Der kann mehr oder weniger hilfreich sein, die Konsumenten werden mit dem Chatbot nur interagieren, wenn er ihn tatsächlich ein positives Erlebnis schafft. Das heißt, wenn es eine gute Interaktion ist, die ein Problem, das vorher nicht so gut löst war oder nicht so gut gelöst wurde, besser löst und es muss eine angenehme Situation sein. Also sprich, ich habe noch mal den Bogen nach vorne gespannt zur eigentlichen Anwendungssituation. Ich glaube, die muss gut durchdacht sein und es muss wirklich ernsthaft geschaut werden, wie ist das Erlebnis für den Nutzer? Deine Frage hat ja eigentlich hinten angesetzten im Maschinenraum, wenn du so willst. Und da kann ich nur immer wieder darauf hinweisen, na das natürlich, die Daten, die einem Agenten oder einem Agentiksystem zur Verfügung gestellt werden, die sind unglaublich wichtig. Und wenn eine Firma da die Hausaufgaben nicht gemacht hat, dann aber anfängt, einen Agenten zu bauen, wird sie irgendwann feststellen. Oh, hier fehlt aber noch dieser Input, hier fährt jener Input. Und das ist dann oft genauso viel Aufwand, wie letzt oder mehr Aufwand als letzten Endes, dann den Agenten zum Laufen bringen, zu bringen. Sprich, saubere Datenlandschaft, mit guter Metadatenstruktur, sauber katalogisiert, das sind essenzielle Voraussetzungen, um später dann einfachen Agenten aufsetzen zu können. Wenn das Ganze dann natürlich noch technisch bereits so aufgestellt ist, dass es leicht angnüpft bei es für einen Agenten, über Interfaces oder wie gesagt, über einen MCP-Serber beispielsweise, dann hat man wesentlich bessere Voraussetzungen auch erfolgreich relativ schnell eine Produktivlösung bauen zu können. Ja, apropos Datenlandschaft, da würde ich gleich gerne auch noch mal mit ihr einnagen, Norbert, vielleicht noch mal kurz davor zum Thema Use-Cases. Weil da habe ich tatsächlich das Gefühl, wir sind manchmal so ein bisschen in der Zwickmühle. Auf der einen Seite wollen wir gerne, wenn wir aus der Agentikperspektive kommen, irgendwo kleine Bausteine uns rausnehmen und sagen, in einem ganz konkreten Prozess setze ich jetzt diese konkrete Aktivität über den Agenten um und dann schuld ich viele Agenten zusammen. Aber eine sehr agile Denkweise, ja, fast schon microservices Denkweise. Und dann haben wir auf der anderen Seite die großen Knowledge Management-Assistenten, die ja eigentlich das gesamte Unternehmenswissen brauchen. Und das ist ja eigentlich genau das andere Ende des Spektrums dann, wenn ich das hinkriegen möchte, dann kann ich irgendwie nicht in diesem kleinen kleinen Denken gerade auch aus der Datenplattform gedacht. Und sagen jetzt habe ich ganz viele kleine Puzzle-Stücke, die löse ich alle nacheinander, sondern der User erwartet ja eigentlich, dass wenn ich heute zu dem Knowledge-Assistent geht, dass der eigentlich alles weiß und auf alles zugreffert und alles perfekt ist, das ist es natürlich nicht. Und da kommen wir glaube ich auch mit einem Big Bang niemals hin, sondern müssen in dieser kleinen Schritt für Schritt agilen Denkweise rankommen. Hast du auch das Gefühl, da prallen so zwei Welten aufeinander und wir sind jetzt die nächsten Jahre irgendwie noch so ein bisschen in der Zwickmühle, bis dann irgendwann mal die Daten bestand, vielleicht so auch ausschaut, dass die Knowledge-Management-Assistenten dann genügend Futter haben und wirklich gut zu funktionieren. Ich glaube da prallen tatsächlich unterschiedliche Motivationen aufeinander, also weil man möchte eigentlich dem Agenten möglichst alles zur Verfügung stellen. Also wenn wir gerade bei den großen Knowledge-Management-Agenten bleiben, da die oft Unternehmensintern aufgesetzt werden, wo man sagt, wir haben so viel Informationen, keiner findet sich mehr zu recht. Hier könnte doch ein Agent Wunder wirken. Genau hervorragende Motivation, problematisch wird es dann aber, wenn beispielsweise spezifische Informationen auch an Zugriffsrechte gekoppelt ist. Sprich, wenn man eben dann sagen muss, na ja, es gibt Teile, die sind wirklich für das ganze Unternehmen auch frei verfügbar, also die kommen Knowledge-Base. Es gibt aber auch sehr viele Pockels, in denen spezifisches Wissen liegt, dass eben nicht für das ganze Unternehmen verfügbar ist. Es gibt ganz unterschiedliche Themenbereiche, die oft relativ wenig miteinander zu tun haben. Ich glaube da ist die Wette noch nicht so ganz aufgelöst, was denn jetzt eigentlich gewinnt. Also im Moment sehe ich tatsächlich bei Knowledge-Management aber auch bei nach außen gerichteten Agenten viel über Intent-Modeling beispielsweise. Das heißt, das Erletzen ist eine Anfrage. Erst mal auf einer ersten Schicht überhaupt analysiert wird, was will die Person. Und wenn wir jetzt zurückgehen zum Knowledge-Management, also Unternehmensintern, dann kann das sein natürlich A. In dieser Intent Identifizierung stellt sich heraus, die Person hat eigentlich eine Frage zu technischen Dokumentation. Und wird dann zum spezifischen Agenten geroutet, dann unter der Motorhaube, der an diese Datenquellen auch angeknüpft ist. Wo hingegen, ich mach jetzt mal ein extremes anderes Beispiel, es um die Frage geht, was gibt es den Morgen in der Kantine zu essen? Also ein ganz anderer Case und da kann es vielleicht so ein General-Purpose Agenten geben, der so allgemeine Infos zum Keine Ahnung, wie mit wem spreiche ich, wenn es irgendwelche Probleme gibt, wenn es Waschbecken nicht funktioniert oder bis hin zu, was gibt es den Morgen in der Kantine? Um dieses Knoil letzten Endes aufzulösen, also im Moment, aber ich das Gefühl, Intent Modeling ist ein Fahrt in einige versuchen, um nicht alles in einen Top zu werfen. Und um gegebenenfalls dann auch so Themen wie Zugriffsrechte zu klären. Aber das ist, das sind im Moment Versuche. Ich finde die, ich halte für relativ viel versprechend. Wie gesagt, Intent Modeling generell ist ein wichtiges Thema, wenn man natürlich drunterliegen Systeme hat, die unter umständigen ganz unterschiedliche Wissens- oder Informationsbereiche reingreifen. Ich halte aktuell für sauberer und einfacher handelbar diese Themen in der zweiten Schicht, in der dann spezifische Agenten letzten Endes bereitgestellt sind oder auch spezifische Datentöpfe. Wenn es klar auseinandergehalten wird. Ja, finde ich einen schönen Ansatz. Wobei ein entschuldige Andreas aber ergänzen noch im Erlebnis für den User, muss das unbedingt nicht unbedingt sichtbar sein. Das ist ja eigentlich der Knackpunkt. Also das ist der User interagiert mit dem System. Und was der User will, muss das System begreifen. Das System rutet ihn dann durch zur richtigen Quelle, aber die Interaktion mit dem Agenten oder Chatbot oder was auch immer es ist, letzten Endes. Die sollte für den User möglichst ziemlich sein. Das heißt, der User erlebt das einfach als eine nützliche, gewinnbringende Interaktion, die ihn oder sie zur relevanten Informationsquelle bringt. Beziehungsweise die relevanten Informationen bringt. Und auf den darunterliegenden Schichten, wie du es gerade genannt hattest, habe ich dich eben auch so verstanden, dass wir die Datenlandschaft im Prinzip auch in kleinere Stücke aufteilen und dann ohne Schipp entsprechend auch die Zentraler vergeben. Also ein bisschen der der meschgedanke, sprich vielleicht raus, heißt das für dich eben auch saube Datendomen definieren, Datenprodukte definieren, Stück für Stück aufbauen, ist das der Ansatz. Hinzu einer hoffentlich irgendwann einmal flächendeckend gut gemanascht und hochqualitativen Datenlandschaft. Ich meine, das wird immer ein Stück weit neverending Challenge sein, weil neue Daten dazu kommen, Daten in Bewegung sind. Trotzdem ist das für dich der Ansatzstück für Stück Agil da voranzugehen auch? Ja, wobei ich tatsächlich das Attribut Agil in Anführungszeichen setzen würde. Also ich glaube und das sage ich jetzt wirklich vor dem Hintergrund von einigen Jahren schon an Erfahrung, Transformationenrichtung, DataMesh und so weiter. Gerade ein DataMesh funktioniert meiner persönlichen Meinung nach eigentlich nur dann wirklich gut, wenn es sehr, sehr strukturiert aufgesetzt ist und sehr planvoll aufgesetzt ist. Das bedeutet nicht, dass es nur von einer zentralen Instanz entwickelt und umgesetzt und auch gepflegt werden sollte. Das sollte sehr wohl Produktnasein, also so die Kernide des meschsten, die Leute, die Daten erzeugen, die Daten verstehen, sollten auch die entsprechenden Datenprodukte onen. Mit der sehr einfachen Unterscheidung Source-Aleint, also das heißt Quellen spiegeln die Datenprodukte als Primärquelle, dann letzten Endes-Datenprodukte, die Akkrigation oder Datenverbindung durchführen und Datenprodukte, die sehr auf die Konzumer der Daten ausgerichtet sind. Ich glaube nach wie vor, die Grundide des meschsten hier ist schon sehr, sehr richtig. Aber ich halte es nach wie vor für sehr, sehr wichtig und ich glaube auch, das ist mein Mantra seit drei Jahren, wenn nicht länger. Es muss planvoll passieren. In der Grundide des mesch war ja immer die Idee Federated Computational Governance zu implementieren, sprich es gibt irgendeinen, eine Magie letzten Endes im System integriert, die sicherstellt, dass alles sehr, sehr geordnet vor sich geht, meiner Meinung nach das reicht einfach nicht. Es braucht sehr, sehr klare Regeln, es braucht Standards und es braucht auch Komponenten, die die User dann einsetzen können, aber zurück zum Ausgangspunkt. Ja, eine gut strukturierte Datenlandschaft mit klar identifizierbaren Datenprodukten, halte auch nach wie vor für den richtigen Weg, denn es macht es einfach einfacher, es macht es beherrsparer. Ein zentrales Daten erstset, wenn das mal über viele Jahre gewachsen ist, erreicht es immer irgendwann den Punkt, wo es kaum mehr beherrspar ist, wo es chaotisch wird. So war es dann, eine KI zur Verfügung zu stellen, grenzt schon an, ich würde es nicht sagen, Fahrlässigkeit, aber zumindest einer gewissen Risiko-Ignoranz. Es ist wesentlich einfacher, dass die letzten ist den Zugriff auf ich spezifische Datenquellen zu Managen und auch beherrspar zu halten, wenn man auch die Daten sauber abgrenzt spricht, schön definierte Datenprodukte hat, die pfläckbar sind, wo die Abhängigkeiten sehr, sehr klassig sind. Also ich halte es nach wie vor für einen extrem wichtigen Punkt. Und das Spannende ist ja auch, dass das Themen sind, die wir auch schon seit Jahren kennen, die sich gar nicht so stark durch KI verändert haben in den letzten Jahren, sondern es ist immer noch wichtig und das bewusst sein, kehrt jetzt auch wieder dahin zurück. Ich habe das Gefühl, in den letzten drei Jahren war der Fokus einfach sehr stark auf KI für den User und deswegen sind die Daten Themen ein bisschen am Top-Level in der Priorität sozusagen runtergerutscht. In der Data-Community war es immer klar, das sind die richtigen Themen, an denen müssen wir auch weiterhin bleiben. Und jetzt kommt aber das bewusst sein, auch auf den Top-Management-Level wieder dahin zurück, dass die Investments in Daten-Domain-Ownership, in den Daten-Katalog, in die Plattform, in gewisse Standards, in Daten-Qualität und so weiter. Dass die richtig waren und noch weiter und richtig sind, oder? Absolut, absolut. Also mein Eindruck ist wirklich, dass durch KI und auch durch letzten Endes das Überprüfen des Bewerten von KI-Jews-Cases, was ja dann tatsächlich auch auf sehr hohe Management und Händchen bekommt, wird noch mal klarer, wie richtig und wichtig diese Idee die ganze Zeit war. Und es ist vielleicht tatsächlich so, dass in der Phase als Genii, letzten ist der Genii hype, letzten ist losging, tatsächlich technische Entwicklung, war ja früher. Aber man kann ja schon sagen, mit den Public Launch von ChatGPT ist letzten Endes der hype wirklich überall angekommen und auch auf Siehlevel sehr, sehr stark eingeschlagen. Da hat man vielleicht erst mal gedacht, dann ist das mit den Daten ja gar nicht mehr so wichtig erst mal oder müssen wir da noch so investieren und ich glaube eben jetzt zeigt sich und das hat sich auch schon die letzten anderthalb bis zwei Jahre gezeigt. Gerade da wird es dann wieder sehr, sehr wichtig, weil ohne gut strukturierte und gut gepflegte Datenökussysteme das Aufbau von KI-Lösung wesentlich mühsamer ist und man eben doch Leute braucht, die die Datenbereitsstellung. Sicherstellen, was traurig ist, wenn man sich eigentlich gerade etwas ganz anderes konzentriert. Also ich finde der hype hat das die Wichtigkeit noch mal massiv unterstrichen. Da sind wir ja letztlich auch wieder bei dem Thema Anwendungsfälle, also das sozusagen, da hast du ja den schönen Bogen gespannt auch wirklich von der Nutzerperspektive zu kommen, um wirklich auch zu sehen, was Bedeutung hat am Ende. Dafür hat dann immer so eine Experimentierphase doch was Gutes, weil man dann wieder zu dem zurückkehrt, was man und visibel macht, was man tatsächlich braucht. Ich glaube, das haben wir wahrscheinlich ein Stück weit die letzten Jahre auch gesehen und erlebt und ich würde mit dir gerne nochmal ein Thema vertiefen, dass du eben schon angerissen hast, auch Richtung nochmal Nutzeranwendungsfälle. Wie er lebst du denn, war euch das Thema No-Lo-Code, beziehungsweise Agent-Bilder. So zu sagen, finde ich, momentan auch eine sehr intensiv geführte Diskussion im Sinne von, na ja, sie sind irgendwie da, das Versprechen ist groß. Sie haben auch, ne, sie sind auch mächtig, ne, am Ende, man kann schon viel machen. Aber es gibt dann doch auch irgendwie noch Grenzen. Wie nimmst du das aktuell, war bei euch, aber auch gerne auch bei anderen Unternehmen dein Blick auf das Thema? Ich sehe eine relativ große Begeisterung und auch einer wachsenden Gruppe für das Thema. Ich würde es aber gerne etwas differenzierter besprechen, Frauke einerseits, was häufig als Agent-Bilder bezeichnet wird, ist eben ein Abelman-Context, also noch nochmal generelle Befähigung, aller Mitarbeiterinnen und Mitarbeiter. Reden wir eigentlich oft eher von Systemen, die einmal lauben, einfach Assistenzen, Assistenten zu bauen. Also wirklich Powerful Agents, halt ich schon nochmal für eine eigene Kategorie. Da haben wir ja auch Agent-Bilder, da haben wir auch Low-Code, No-Code-Lösung und da habe ich eine ziemlich starke Meinung dazu, da gehe ich gerne noch mal drauf ein. Aber vielleicht erst mal wirklich auf den Kontext in Abelman, das heißt im Unternehmen Mitarbeiterinnen und Mitarbeiter befähigen sich selber kleinere Assistenten zu bauen, vielleicht auch Assistenten, die anderen Kolleginnen und Kollegen zur Verfügung stellen. Ich glaube, es ist so, dass nach einer gewissen Zögerlichkeit am Anfang, wo wir nur die Innovationsoffene und Technikaffine Menschen gesehen haben, die das unbedingt ausprobieren und machen wollten. Sehen wir jetzt, dass die Begeisterung wächst. Ich glaube, viele Firmen haben ihren eigenen Weg gefunden, das Thema Unternehmensintern voranzubringen, da gibt es sicher Parallelen. Beispielsweise, die meisten Unternehmen suchen wege Multiplikaturen zu finden, im Mitarbeiterinnen und Mitarbeiterkreis, die das Thema anderen nahe bringen. Man macht Events, man macht Experience Days, man holt sich Lösungen von Wendoren rein. Oft ist es dann einfach im Microsoftstack, das natürlich bei vielen Firmen etabliert ist. Oder es ist Open AI basiert, weil dann natürlich einfach die große Welle, die Heipbelle angefangen hat. Aber am Ende des Tages schauen die Unternehmen, wie können wir unsere Leute befähigen? Und im Moment habe ich den Eindruck, dass es immer eine immer breitere Akzeptanz findet. Warum? Ich glaube, viele haben Begriffen, man muss letzten Endes natürlich die Nutzlichkeit dieser Dinge herausstellen. Also die wenigsten Leute, außer sehr Innovationsaffinen, Kolleginnen und Kollegen, werden mit einem Agent oder Assistant-Bilder letzten Endes was machen, einfach so aus Spaß, aus Interesse an der Technologie. Die meisten wollen irgendwas damit vereinfachen, irgendwas beschleunigen, eine Aufgabe, die vorher sehr, sehr mühsam war. Und je mehr Cases hier vorgelebt werden im Unternehmen, das so mehr Leute springen dann auch mit Begeisterung auf und stellen fest, oh, will ich auch. Das ist ja wirklich immens, wie stark ich hier einen sehr mühsam, sehr händischen Task vereinfachen kann. Das heißt, ich glaube, hier passiert gerade unglaublich viel. Und hier haben wir ein eigenständiges Governance-Thema, wie ich vorhin schon angedeutet habe. Weil diese Kleinstlösung, die manchmal nur eine Person für sich selber baut, müssen ja auch letzten Endes in irgendeiner Form im Blick behalten werden. Wenn es nun wirklich was ist, was nur eine Person für sich selber macht, löst man es natürlich oft über E-I-Polices, in denen dann ganz klar gesagt wird, was auch immer für ihn haltet, du nutzt die E-I generiert sind und das inkludiert ja auch eben was, was mein Agent, den ich mir selber gebastelt habe produziert, es ist trotzdem deine Verantwortung, was du machst. Damit stellt mein letzten Endes-Kognitive scharf und sagt Mitarbeiterinnen und Mitarbeiter, ihr dürft es gerne nutzen, aber behaltet bitte im Hinterkopf, ihr seid dafür verantwortlich, was daraus kommt, sei es jetzt eine automatisch generierte E-Mail-Antwort, sei es irgendein Summary des produziert wird, was auch immer. Aber interessant wird, wenn das jetzt Agenten sind, die dann intern auch gepapplich werden können. Also verschiedene Plattformen lassen das ja eben zu, dass Mitarbeiterinnen und Mitarbeiter ohne Kodingkenntnisse, ohne technische Kenntnisse zu KI, oft auch ohne tieferes Wissen über die Datenlandschaft, dann Lösungen bauen und das intern zur Verfügung stellen, da sehe ich schon eine zentrale Governance-Aufgabe. Mindest solche Agenten zu Katalogisieren und vielleicht auch zu klassifizieren, aber kann sorglos benutzt werden, bedeutet dann aber, dass da jemand wirklich intensiv QA auch damit gemacht hat, oder sollte nur von erfahrenen User benutzt werden oder unbedingt immer sehr, sehr kritisch die Outputs überprüfen, wenn ihr dieses System einsetzt. Vielleicht so viel mal zur Enablement-Dimension, also meine Meinung nach, passiert wahnsinnig viel, ich sehe, dass die Menschen sehr sehr begeistert sind, weil sie eben den Nutzen davon erleben und dass immer mehr Leute auch hoch motiviert sind, hier selber was zu machen. Und man kann die Schwelle sehr niedrig halten, die technische Einstiegsschwelle. Agent-Builder im Enterprise-Context halte ich für deutlich schwieriger. Das ist nun wirklich ein Thema, wo mir wichtig ist, dass die Kolleginnen und Kollegen, die ein System entwickeln, auch sehr tief blicken können in die Parameter, die den Agenten steuern. Und hier kann ich nur sagen, ist es oft so, dass ein Agent-Builder einen auch stark limitiert. Und man hat dann, ich sage jetzt mal ganz bildlich, ein Skiberegler, der letzten Endes festlegt, wie frei oder unfrei, ein Chatbot beispielsweise plaudern darf, das kann extrem unbefriedigen sein. Weil dann wird er eben im Testing reagiert, der Chatbot manchmal auf Dinge ungewollter Form, dann wird der Skiberegler etwas weiter nach links, also Richtung konservativeres Settings geschoben. Aber man kann nicht exakt kontrollieren, was er macht, nur einklitzig kleines Beispiel, wo ich denke, es ist wahnsinnig wichtig, dass die Teams, die Agenten aufsetzen, auch tief blicken können. Das heißt nicht, dass sie keine vorgefertigten Services nutzen sollten, ganz im Gegenteil, aber es heißt eben der Blick in den Maschinenraum zu den ganz konkreten Steuerungsparameter und der muss nach wie vor unangeschränkt möglich sein. Ja, das ist glaube ich ein wichtiges Thema, nur vor allem, wenn es dann auch darum geht, so ist zumindest das erleben, dass man dann doch ein sehr speziellen Anwendungsfall immer vor Augen hat, der dann doch immer wieder die eigenen Anforderungen hat. Und das dann natürlich gewisse Dimentationen häufig birgt. Nichtsdestotrotz bin ich auch beider nach Beobachtung. Norbert gerade so die Tools und Agent-Bildersprisen quasi nahezu überall hoch und sind auch sehr, sehr interessante Lösungen dabei. Und was ich aus meiner Beobachtung auch für eine sehr relevante Aufgabe sehe, in dem ganzen Kontext ist sowohl für die Enableman-Dimension als auch für die Enterprise-Dimension eine Art Tools-Grening auch zu machen, um da auch immer auf einem Ball zu bleiben. Was sind denn die Lösungen jetzt am Ende, die uns wirklich den Mehrwert bringen? Weil wir können ja nicht alles einführen, wir können auch nicht alles nutzen, sollten wir auch nicht aus finanziellen Gründen aber aus ganz vielen anderen Gründen. Und da sozusagen auch eine klare Empfehlung aussprechen zu können, eine Gavarnenz zu haben, ist aus meiner Sicht aber kannst du gerne auch nochmal reflektieren, eine große Herausforderung im Sinne der Agilität. Weil ich natürlich auch neue Sachen ausprobieren will und gleichzeitig aber auch einen robusten Kern zu schaffen, wo ich mich wirklich auch drauf verlassen kann. Das ist ein unglaublich wichtiges Thema, Frauke. Hier gibt es auch viele, viele Diskussionen. Also, ich würde mal sagen, fast unabhängig davon, ob über welche Facetdeffung KI-Nutzung im Unternehmen wir jetzt sprechen will. Also Enableman oder Enterprise, wirklich fast unabhängig davon, welche Tools dürfen die Leute nutzen? Also, das ist ein hochgradig Emotionsgeladenes Thema. Auch, da gibt es natürlich die Fraktion, die für Toolfreiheit und ich möchte aber hier selber ausprobieren können und brems mich doch nicht in meiner Innovation hier. Und es gibt die anderen, die sagen ja, darf ich denn eigentlich, ist es safe. Ich glaube, ein Aspekt. Und da kommen wir wieder zur Diskussion von vorhin, der hier nicht vergessen werden sollte. Das ist Tools zu nutzen, Tools zu canonisieren, sprich als Unternehmen zu sagen folgende Tools dürft ihr, da ich jetzt mal generell einsetzen, ist schon mal ein wichtiger Schritt. Das muss aber tatsächlich etwas differenzierter passieren. Es kommt ja auch darauf an, welche Daten stelle ich dem Tool zur Verfügung, was für Daten exponierig hier gegebenenfalls. Und ich denke, für jedes Unternehmen macht es einen großen Unterschied, ob Mitarbeiterinnen und Mitarbeiter, Daten, die als Publik klassifiziert sind. Das heißt, die ohnehin in der Publikto-Main sind exponieren oder ob Daten, die unter Umständen hochgradig vertraulich sind oder vielleicht sogar hochgradig die LiCAD. Also, eine ganz extremer Falle der Natur, PiI und so weiter von Mitarbeiterinnen oder Kunden. Durch solche Daten einem Tool exponiert werden sprich, du bekommst dann eigentlich fast so ein Bild. Okay, es kann ein Set-and-Tools geben, das genutzt werden darf, aber es sollte auch immer gesagt werden, wofür für welche Daten. Und ich glaube, die Antwort, welches Tool genutzt werden darf, hängt ganz stark auch davon ab. Sind es sehr sensible Daten oder sind es hochgradig unproblematische Cases, wo ohnehin nur Daten, die auch in der Publikto-Main sind eingesetzt werden. Das heißt, es entsteht eigentlich eine Art Matrix. Und das ist, also, haben wir, wir kamen zu der Erkenntnis, wenn natürlich auch immer wieder der Wunsch war, neue Tools einsetzt zu können und so weiter. Und dann muss erstmal überprüft werden, findet denn ein Datenrückfluss statt, werden Promts zu Trainingszwecken genutzt. Das schließt dann ganz viele Anwendungsfälle einfach aus, weil es einfach absolut und denkbar ist, das Daten zurückfließen. Das Promts zu Trainingszwecken genutzt werden. Und es gibt natürlich Cases, in denen schlichtweg mit unkritischen Daten gearbeitet wird. Da kann man dann etwas, sage ich mal, entspannter sein. Aber ja, ganz, ganz wichtige Frage, Canonisierung von Tools. Und ich kann nur allen dringend empfehlen, immer auch mit im Blick zu behalten, wofür dürfen die Tools eingesetzt werden. Die Dimension, die sich richtig aufdrängt, ist die Dimension, was für Daten gehen da eigentlich rein. Das verstehen die meisten Menschen dann auch schon fast intuitiv. Wenn nicht, dann ist da auf jeden Fall ein Nacharbeit notwendig. Denn ich denke, in jedem Unternehmen, in jedem Mitarbeitern, in jedem Mitarbeiter, wenn sollte verstehen, welche Daten sind vertraulich. Und welche Daten sind öffentlich, also ohne Probleme, auch kommunizierbar. Ja, Norbert, ich würde sogar noch ein bisschen weiter differenzieren, eigentlich an der Stelle und sagen, wir haben natürlich Tools und Daten. Und dazwischen bewegen sich dann jetzt aber noch die Agenten. Und was ich da eben gerade sehe, ist, dass wir, also wir haben natürlich Agenten, die wir selber bauen. Aber wir sehen eben auch Agenten, so als Third Party Agenten sozusagen, die von außen noch reinkommen. Und dann sehen wir eben das in Tools, die ich vielleicht schon habe in meiner Landschaft jetzt auch noch mal Bild in Agenten kommen. Die einfach so als neue Features dazugeschaltet werden. Jetzt habe ich diese drei Arten von Agenten, die auch noch mit spielen, wo ich vielleicht aus einer IT-Sicht gar nicht unbedingt in der Toolentscheidung eingebunden war, weil das Tool gab es schon. Da wird es einfach in Agenten zwischen geschaltet und ich sage, na ja, eigentlich habe ich den jetzt auch selber gebaut. Vielleicht gibt es über ein Third Party Agenten, der das besser kann. Und dieses Bewusstsein, also ich glaube da wird einfach die Landschaft komplexer. Da vorhatten wir irgendwo Software und wir hatten Daten. Und jetzt kommen die Agenten, die irgendwo so dazwischen sich bewegen. Wie kriegt das getroffen? Ja genau. Und das macht es wirklich hochgradig komplex. Also in so einem Multi-Agent-Setting mit tatsächlich selbstgebauten Agenten, zugekauften, Third Party Agenten und so weiter. Ich glaube wirklich, das ist auch was, was Gauernens betrifft und was Absicherung betrifft. Noch ein Feld, in dem alle sehr, sehr genau hinschauen müssen. Was wollen wir hier und was wollen wir keinesfalls? Ich glaube da sind alle gerade noch in der steilen Lernkurve. Absolut. Denn wenn man so will, die erste Welle, eher als Assistent-System, Chatbot-System und so weiter, die möglich gemacht wurde, da haben viele mittlerweile einen ganz guten Griff dran. Und haben so das Gefühl, okay wir beherrschen, das oder wir wissen, was wir wollen. Aber wenn du jetzt wirklich auf Acting Agents blickst und Multi-Agent-Systeme, da ist hohe, hohe Aufmerksamkeit gefordert und auch sehr viel Achtsamkeit, was will ich wirklich zulassen. Und ich glaube die Komplexität ist im Moment auch noch nicht aufgelöst, ganz ehrlich Andreas. Also ich glaube da müssen alle, die mit Multi-Agent-Systemen arbeiten moment ganz, ganz genau hinschauen, können sich nicht einfach ausruhen und sagen, "Ach ja wird schon, wird schon funktionieren." Oder ich halt mich an Standard-ABC. Da ist sehr, sehr viel Sorgfalt gefragt. Ja, und wie du sagst, ich glaube, wir lernen auch alle da weiterhin. Und ja, ich bin gespannt, was die nächsten Jahre noch bringen. Aber auf der anderen Seite, glaube ich, bringt es jetzt auch nichts zu sagen. Es ist noch nicht genau klar, wo wir hingehen. Also bewegen wir uns nicht, sondern ja wir bewegen uns weiter, müssen uns natürlich der Risiken bewusst sein. Und dann aber einfach auch ein Stück weit doch immer wieder auf, wenn es uns schön ist. Aber das Aufräumen, was wir vielleicht in den letzten Monaten verbrochen haben, was dann vielleicht rückblickend, doch nicht so wahr wie sein sollte. Ich glaube trotzdem, wir müssen einfach vorangehen und vielleicht die eine oder andere Dinge dann noch mal rückblickend nachziehen. Und vielleicht ergänzend einen Punkt, der sich hier natürlich aufdrängt, der gerne vergessen wird, ist gerade in komplexeren Systemen, wo ich relativ viele neue noch weniger probte Sachen einsetzt. Was für Sicherheitsnetze lege ich an. Was für Monitoring, was für allerdings Systeme kann ich einbauen. Wie lassen sich beispielsweise auch Interaktionen oder Flos locken, um wirklich sicherstellen zu können, dass ich sehen kann, es hat was nicht funktioniert und vielleicht auch darauf hingewiesen werde. Also ich denke, das ist was, was man gerade, gerade wenn man in mal die älten Settings arbeitet jetzt und neue Sachen ausprobieren will, auf gar keinen Fall vergessen sollte die Dimension, wie sicher ich es ab. Wie kann ich es Monitoring, wie kann ich ungewünschte Ereignisse, ungewünschte Verhalten erkennen und dann auch etwas dagegen tun. Und klar, am Ende des Tages wollen wir, wollen wir vorankommen. Das heißt, wir werden auch neue Technologien einsetzen müssen, einsetzen wollen. Aber wie können wir es safe machen? Das ist, glaube ich, einfach ein Faktor, den man nicht unter den Tisch kehren darf, sondern der gewinnt gerade da, dann wieder extrem an Relevanz. Das ist vielleicht ein letztes Thema für die heutige Folge auch noch mal über Skills sprechen. Wie siehst du es im Moment sowohl auf der Unternehmensseite um attraktiv zu bleiben, als auch auf der Seite von jedem persönlichen Arbeitnehmer, der sagt, was muss ich denn jetzt eigentlich tun, wie muss ich mich weiterentwickeln um auch Relevanz zu bleiben? Wie siehst du es und was würdest du auch empfehlen sowohl den Unternehmen als auch den Mitarbeitenden? Das ist ein großes Thema. Ich fang mal, ich fange am besten mal bei den Mitarbeitenden an oder bei jedem Individuum. Also ich kann eigentlich jedem Menschen nur empfehlen aufgeschlossen zu bleiben und sich nicht einfach zu verschließen. Ich habe wirklich jetzt mehrfach schon erlebt, wie Menschen erst eher so eine Art Blockadehaltung hatten. Ich sage mal, ich will damit nicht und ich habe gerade ohnehin so viel zu tun. Ich will jetzt nicht solche KI-Sachen auch noch nutzen müssen. Wenn Sie in dem Moment, als Sie sich mal drauf eingelassen haben, fast zu Advokaten wurden. Also dann gemerkt haben, wow, das ist ja echt spannend. Das hilft mir echt weiter. Ja, ist nicht perfekt, aber ich kann das beherrschen. Also ich glaube hier ist einfach Offenheit, dringend zu empfehlen, sich auch einfach mal neue Sachen anschauen. Kann man ja auch problemlos im privaten Kontext machen. Man sollte aber auch nicht jetzt einfach, sage ich mal, sich nach I freien stürzen und total auf den Hype einlassen, sondern einfach wirklich auch Offenbleiben ausprobieren, die eigenen Skills auch in diese Richtung weiterentwickeln. Was da insgesamt kommt, ist natürlich eine gesamtgesellschaftliche Frage. Also wie verändern sich denn Jobprofile, was bedeutet das für den Arbeitsmarkt, was bedeutet das für Gesellschaft, was für Jobs werden in fünf oder zehn Jahren? Denn relevant sein durch diese Veränderungen, die wir gerade sehen. Und erst könnte ich auch nicht sagen. Also ich würde mich im Moment nicht trauen, da ein Vorkast zu machen, weil man sieht schon es trifft. Manche Felder wesentlich härter, wo es nicht erwartet wurde und andere berührt es relativ wenig. Das heißt hier sollte jeder Mensch für sich selber einfach Offenbleiben schauen, wie kann ich damit arbeiten, wie kann ich es nutzen? Man sollte sich vor allem nicht, glaube ich, von Angst steuern lassen, dass vielleicht die eigenen Skills und die eigenen Qualitäten nicht mehr relevant sind, sondern eher nutzen, wie kann man denn die eigenen Skills noch besser eintetzen, vielleicht durch die Unterstützung von KI. So, da könnte man natürlich, wie gesagt, viel drüber sprechen, aber das ist glaube ich eine gesamtgesellschaftliche Diskussion, was passiert hier und wie gehen wir damit um? Auf die Unternehmen geblickt, ich glaube im Moment ist da gerade die große Herausforderung einerseits, die meisten Unternehmen suchen natürlich, talentierte und erfahrene Menschen, die in dem Feld Themen voranbringen können. Klar, mein Blick ist dann immer eher auf die Data Scientist, die Data Engineers, die AI Engineers und so weiter. Also wirklich diese ganz extrem Expertenfelder. Aber es ist ja, es ist letzten Endes noch breiter, das Phänomen. Aber es ist natürlich so, wenn man überlegt, wie man früher Jobprofile geschrieben hat, eine Suche Data Scientist, 10 bis 12 Jahre Erfahrung im Umgang mit X, Y, Z und so weiter und so fort, geht eben nicht. Da sind die Themen ja so neu, also MCP beispielsweise, wann war es? Ich glaube, November letzten Jahres wurde es letzten Endes public gelauscht. Ja, da hatten niemand fünf Jahre Erfahrung damit. Sprich für die Unternehmen ist gerade die Challenge. Man kann nicht mehr einfach nach diesem Senioritätsprinzip suchen. Manchmal sind es wirklich Leute mit wenig formaler Erfahrung, die aber unglaublich wichtig sind, um neue Themen voranzubringen. Sprich, man muss viel genauer schauen auf Motivation, was für ein Drive hat eine Person und was hat eine Person wirklich in den letzten anderthalb bis zwei Jahren gemacht. Und dann vielleicht auch einfach eine Wette eingehen, dass diese Person auch die Seniorität entwickeln wird. Es ist aber auch so, dass es unglaublich schwierig gerade ist, wirklich gute Profile zu finden, denn der Markt ist überschwemmt mit Menschen, die sich natürlich jetzt versuchen, als Experten oder Expertinnen darzustellen. Und am Ende sind es dann nicht, was sich relativ schnell herausstellt. Da kann ich nur sagen, dass die gute alte Coating Challenge oder auch gemeinsame Code Reviews nach wie vor super, super wichtig sind, um eben zu sehen, was keine Person wirklich. Vielleicht dazu eine kleine Annik-Dothin, also ich glaube viele haben erlebt, wie Coating Challenge, das bei denen Leute in die Aufgabe bearbeiten, die dann submitten und dann wird die im Interview gemeinsam besprochen, haben sich ganz weird verändert durch das Aufkommen von Coating Assist und so weit auf einmal wurde da Wahnsinnig viel submitt und so weit und man hat dann Interviewsituationen erlebt, wo die Leute gestrauchelt haben, ihren eigenen Code zu erklären, wo man natürlich sehr schnell merkt, okay, hast ihr auch einfach nicht selber geschrieben. Mittlerweile hat es wirklich gravierende Ausmaße, und man kann dann auch relativ schnell filtern. Klar, sucht man natürlich aber auch Mitarbeiter und Mitarbeiter, die mit einem Coating Assist und gut arbeiten können. Bedeutet aber, sie sind zumindest in der Lage zu erklären, was da produziert wurde. Aber nur noch mal, also ich glaube wirklich so, auf Skills genauer hinzuschauen, ist unglaublich wichtig geworden. Und bei manchen Themen kann man einfach ein technisch gar nicht nach Seniorität suchen, wie man es früher gemacht hat, weil es die nicht geben kann im Markt. Die gibt es einfach nicht. Der letzte Punkt, vielleicht noch ganz kurz, ist natürlich auch, passiert dann auch so ein Hypner, also während der letzten ist beobachtet, was in USA passiert ist. Das heißt, dieser Grasse War for Talent, darauf einmal losging und wirklich ultra erfahrene, AI-Entwickler abgeworben wurden für horrendes Summen. Da muss ich sagen, das ist für die Unternehmen, aber glaube ich auch für die Leute selber sehr, sehr wichtig mal im Blick zu behalten, was bedeutet das denn dann, wenn man für völlig überzogenen Gehaltsvorstellungen Leute heiert. Der Erwartungsdruck ist dann immens und ich sag das sogar zu bewärbern, also du kannst eine Forderung X Y haben, aus einem 10 Millionen Gehalt wollen, aber würdest du das denn auch. Und das ist eine Frage, die Unternehmen sich selber natürlich auch stellen wollen. Also wie weit lässt man sich auf die Spirale ein, dass hier bestimmte Profile extrem hochgeheilt werden, am Ende des Tageskons darauf an, was bringt eine Person, was trägt eine Person bei? Und das sollte er im Verhältnis bleiben. Generell stell ich fest, talentiert der hochmotivierte Leute, sind an spannenden Challenges interessiert und ich kann nur sagen, also wenn Unternehmen interessante Aufgaben und gutes Environment bereitstellen können, dann sind die Chancen nach wie vor nicht allzu schlecht, auch wirklich gute Leute zu finden. Ja, und ich glaube auch, das, was du gesagt hast, dass es immer mehr auf diesen, ich sag mal, Innovationsgeist ankommt, ist glaube ich unglaublich präsent geworden. Ich finde, ich habe auch eine schöne Eigenschaft, weil es bringt uns ja auch sozusagen im Denken voran, insgesamt heißt er nicht, dass die anderen Capabilities nicht mehr wichtig sind, aber es erfordert so ein bisschen den Mindset-Shift. Der vielleicht auch manchmal bei uns in den letzten, ich jetzt gucke ich mal zurück, vielleicht zehn Jahren auch gefehlt hat, von daher finde ich das auch eine sehr schöne Bewegung und du hast uns jetzt ja schon so bisse mit in die Zukunft genommen, was das Skillset angeht und die Tools angeht. Und zum Abschluss, uns haben vorhin so vorgestellt, wir immer eine Vorkastfrage in Arbeit und wir wissen, dass sich ein Thema ganz besonders beschäftigt hat die letzte Woche und daran wollen wir gerne teilhaben und fragen dich, vertränkt den KI die Data Science in der Zukunft. Ja, ja, es hat mich tatsächlich sehr, sehr beschäftigt und die Antwort ist relativ kompakt ausgedrückt. Ich glaube, KI verändert das Feld Data Science sehr, sehr stark. Ich hatte tatsächlich erst vor zwei Tagen wieder eine intensive Diskussion dazu und wir kam dann zu dem Punkt. Gute KI-Systeme brauchen tatsächlich auch gute Data Science, gute Machine Learning Produkte im Hintergrund, aber klar, Data Science als Feld verändert sich. Und ich glaube, wie vor zehn Jahren noch letzten Endes jemanden mit ein bisschen analytisches Skills, ein bisschen Statistikwissen und ein bisschen Python-Programmierungs-Gills. Es sich als Top-Nord steht, der Scientist verkaufen konnte, das geht einfach nicht mehr. Also, sondern Data Science müssen sehr wohl sehen, wie interagieren Sie dann auch beispielsweise mit einem Agentik-System, wie baue ich ein Machine Learning-Produkt, das dann genutzt werden kann in so einem Set. Also, das heißt, ich glaube, Data Science verändert sich sehr, sehr stark. Ich glaube, nicht, dass es komplett verdrängt wird, aber ich kann den ganzen Data Science auch nur raten, also Professionalität, auch gute technisches Skills sind wichtig und werden noch viel wichtiger. Tatsächlich frau, glaube ich, vielleicht abschließend zum Blick in die Zukunft, dass dieses Feld Daten zu verstehen und wirklich Daten auch gut interpretieren zu können. Das gewinnt wieder an Bedeutung und das wird vielleicht sogar ein ganz eigenständiges Feld. Also, es heißt Leute mit diesen ganz ursprünglichen analytischen Profilen, die einfach sehr, sehr gut Daten verstehen und sehen, wie man bestimmte Patterns interpretiert, wie man mit Ergebnissen umgehen. Ich glaube tatsächlich, dass das wieder mehr an Bedeutung gewinnt und vielleicht sogar ganz eigenständige Profile daraus entstehen, die die in Zukunft durchaus sehr gefragt sein könnten. Vielleicht auch dann in der Interaktion mit Agentik-Systems. Wer weiß, wir werden sehen, wir sind ja alle hoffentlich dabei in der Zukunft. Wunderbar, Norbert. Das war, glaube ich, ein schöner und spannender Ausblick für die nächsten Monate. Ich nehme das mal gedanklich für mich mit und siniere auch mal darüber nach, weil das ist, glaube ich, keine ganz so einfache Frage, aber ich teile auch deine Beobachtung. Das sozusagen der Data Scientist viel mehr Software Engineering an Kompetenz benötigt und jetzt über das Thema Agentik und was das noch damit macht, habe ich noch nicht intensiv nachgedacht. Das ist jetzt mein Mantas für die nächste Autofahrt oder ähnliches, wo man man Zeit hat, vielen Dank für deine tollen Einblicke. Es war wie immer sehr, sehr spannend mit dir und wir haben einiges gelernt und ich glaube auch nochmal einen sehr schönen Blick von dir auf Enterprise Ready AI und alles was dazu gehört mit Datenplattformen ins besondere Datenstruktur bekommen. Andreas, wie siehst du, hast du es entsprechend auch wahrgenommen? Ja, war wieder eine spannende Diskussion. Danke dafür, Norbert. Und ja, du warst jetzt die erste Wiederkehrer. Vielleicht haben wir dich dann bald auch noch mal. Hoffentlich nicht, es sind zwei bis drei Jahren wieder, aber ich glaube es ist immer gut mit dir zu sprechen, weil wir doch einen sehr breiten Blick dann noch mal werfen auf die einzelnen Themen. Den anderen Folgen geben wir sehr tief in Einzelaspekte rein und es schön mit dir mal wieder so die gesamthafte Perspektive zu werfen auf, wo stehen wir eigentlich im Thema und wo geht die Reise hin. Also danke dafür. Super, vielen Dank euch, hat großen Spaß gemacht. Wir freuen uns, wenn ihr wieder dabei seid, bis dahin wünschen wir euch froh Weihnachten und schon einmal einen guten Rutsch ins neue Jahr. Macht's gut, bis bald. Bis bald. Das war die bergte Future. Data-driven Business mit Menschen und Maschine. Ein Podcast vom PVC-Deutschland. Mit Frau Geschleher von Gellekommen und Andreas Odenkirchen.