Data & AI Culture bei BSH: Treiber der AI Business Transformation – mit Charlotte Witte, BSH Home Appliances

egal ob ich jetzt im HR-Bereich, im Marketing-Bereich oder im Kontroling bin, werden da möglicherweise ganz andere Kennseilen drin sein, warum, weil jede Abteilung mit AI eine andere Art von Wert erzeugen möchte und wird. Hallo und herzlich willkommen zum Data Culture Podcast. Ich bin Karsten Bange, gründer Geschäftsverbot von BAK und heute ist Charlotte Witte bei mir zu Gast und sie ist der Lead für Data und AI-Culture bei BSA, dem Ausgerätehersteller. Und wir erfahren, wie Data Culture bei Ihnen durch sie und ihr Team vorangebracht wird in den drei wesentlichen Ansatzpunkt und Bereichen und zwar eine Academy, also das ganze Thema Weiterbildung Ausbildung, dann Community, letztendlich Einbeziehung und direkte Unterstützung. Und dann aber den dritten Bereich auch noch Business Transformation, das funktioniert wie so eine In-House Consulting, wo also direkt geholfen wird, dass sich Menschen in der Organisation weiterentwickeln können und da ist ihr Fokusbereich auch AI. Wir sprechen über alle drei Bereiche, ihre Erfahrungen, ihre Tipps und Empfehlungen, wie ich da gute Ansätze finde und Schwerpunkt des Gesprächs wird dann genau dieses Thema Business Transformation. Denn sie haben ein AI-Radiness Test aufgesetzt, da frage ich ein bisschen wie der funktioniert und dann reden wir noch sehr viel über das Thema, wie kann ich eigentlich Wert messen, wie kann ich messen und darstellen, welchen Return on the West, letztendlich diese AI Investments oder Data und AI Investments kriegen. Ein super spannendes Thema, was da sehr sehr viele umtreibt und ich glaube Charlotte hat da wirklich ein paar spannende Ideen und Ansätze für uns. Viel Spaß mit der Folge! Hallo Charlotte! Hallo Kasten! Toll, dass du heute im Podcast bist, du bist im Data-Kaltschaportkast und du bist verantwortlich für Data und AI-Kaltschap bei der BSA. Das passt natürlich super und deshalb freue ich mich total, dass du heute hier bei mir bist. Vielen Dank! Ja und ich wollte erst mal fragen, wie habt ihr denn Data und AI-Kaltschap bei der BSA sozusagen strukturiert oder was sind die Themen, mit denen du dich beschäftest? Ja, ich habe einen kleinen Bereich, namens Data und AI-Kalter in der BSA und wir sind für AI Literacy und AI-Adoption verantwortlich. In der Halb des Konzerns, was ist das genau? Wir haben drei Produktbereiche. Der erste Produktbereich ist die sogenannte Data und AI Academy. Dort definieren wir Data Analytics und AI Rollen, die wir denken, dass sie in den Business-Juhe zu allem diese Rollen aufgebaut werden sollen. In den nächsten Monaten und wir erstellen auch Trainingsangebote und Lernpfade, um eben die wir sind, die wir in Skills für Data und AI aufzubauen. Der zweite Bereich ist der Bereich Data und AI-Community. Das kann man sich vorstellen wie eine sehr große Community im Konzern mit, ich glaube, 3,500 Mitgliedern inzwischen, wo wir die Kollegen beraten, hinsichtlich der Tools, Fragen beantworten und auch ganz ad hoc während der Arbeit, wenn was aufkommt mit Experten zur Unterstützung für die Kollegen da sind. Der dritte Bereich, das ist vermutlich der größte, der heißt Business-Transformation. Das kann man sich vorstellen, so ein bisschen wie In-Hauskonzaltung, Richtung Data und AI. Das heißt, wir bieten verschiedene Workshops für die Kollegen an, wir bieten AI-Readiness-Tests an beschäftigen uns mit dem Thema Messung vom AI-Wert und vom Reifegrad. Das sind in kürze die drei großen Themenfelder, mit denen wir uns beschäftigen. Super spannend. Ich bin gerade in Letzten mit der Business-Transformation, also dieser beratende Ansatz. Der ist schon super spannend, aber ich habe doch noch ein, zwei Fragen zu den anderen kurz und dann streiten wir da noch mal ein Detail ein. Academy, wie viel Rollen habt ihr denn definiert? Das ist ja sehr stark jetzt auf diese Rollenausbildungsfade bezogen. Ja, wir haben acht Rollen definiert und das ist super wichtig, weil die Trainingsangebote, die sind sehr individuell, je nachdem, was man auch mit Data oder AI im Konzern machen möchte. Das fängt an bei einem einfachen Data-Konsumer. Da behaupte ich immer, dass es je man im Konzern, der zumindest ein Einsteiger-Training erhalten sollte. Warum ist es wichtig, mit Daten zu arbeiten? Und wie mache ich das? Dann geht es weiter mit Data-Analysts, Data-Stewards, Data-Owner, bis hin zu Data-Scientists. Ganz neu haben wir den AI-Business Expert und für diese Rollen haben wir zum Teil auch unterschiedliche Level an Erfahrung. Das heißt, es gibt den AI-Business Expert für Einsteiger, für Fortgeschritte und für Profis, das wir je nachdem, was der Mitarbeiter auch machen möchte mit AI, dann passende Trainingsangebote anbieten können. Da wird das jetzt heute nicht vertiefen, vielleicht nur so deine Erfahrung, was würdest du sagen, was sind die Haupterfolgsfaktoren oder was funktioniert am besten in der Weiterbildung? Wo sagst du das, wie wir wirklich am besten weiterkommen? Ich denke, dass es wichtig ist, dass die Trainings in ganz viele kleine Einheiten zugeschnitten sind. Wir haben häufig die Erfahrung gemacht, wenn man dieses zwei Tages-Training anbietet. Der fehlt einfach die Zeit und gerade jetzt die umfangreicheren Lernfahrer sind so zugeschnitten, dass die aus ganz vielen einzelnen Bausteinen bestehen, die vielleicht 20 Minuten bis zu 1, 2 Stunden gehen. Und dann kann man die Trainingswürbte über Wochen und Monate individuell in den Arbeitsalltag einbauen, wann immer es gerade reinpasst. Und das macht das Ganze sehr viele einfacher zu handhaben, als ich dann so ein großen Blog auf einmal aus dem Arbeitsalltag rauszusteinen. Sehr cool, es find ich eine tolle Erfahrung, die mein amerikanischen Kollegen würden, das "Bite-Size" den nennen. Genau, richtig, das ist der Fachbegriss. Super, dann hat es der gesagt, zweiter Bereich ist Community. Da würde mich auch interessieren, du hast gesagt, über 3000, das ist bei einem, ich habe glaube ich, so 57.000 Mitarbeiter. Das ist so wichtig, ja. Das ist schon ja eine echt, so mal signifikante Menge. Da wird mich auch interessieren, so Erfolgsfaktoren. Weil ich hatte Gäste, ja, die haben auch offen berichtet, dass sie manchmal ihre Communitys nicht so richtig ins Laufen kriegen, dass sie mich richtig funktionieren. Nachdem man am Anfang große Investments und Hoffnung hatte, war euch scheint das sehr gut zu funktionieren. Was sind da vielleicht so deine Erfahrung oder auch da so die wesentlichen Punkte, wie kriege ich sowas gut umgesetzt? Ich glaube, das wichtigste ist, dass die Community Mitglieder ein Mehrwert für sich selbst ziehen. Und was sehr gut angenommen wird, sind die verschiedenen Kanäle in der Community. Das heißt, wir haben jetzt nicht einen Chat für diese 3.500 Leute, weil das würde die alle nicht interessieren im Geteil, sondern wir haben Themen und tulspezifische Chats. Wir haben zum Beispiel einen Power BI Chat, wo dann Anfragen konkret zum Thema Power BI gestellt werden können. Und dann haben wir andere Chats, die sind dann eher für Einsteiger und andere. Da wird dann wirklich ganz konkret über sehr detaillierte AI und Analytics Dinge besprochen. Die sind vielleicht auch nicht für jeder Mann relevant. Da hinter sitzen immer Moderatoren, die die Tool-Owner oder wirklich Fach-Experten sind und dann auch sehr schnell Antworten auf mögliche Problemstellungen oder Fragen geben können. Das ist das eine, was gut funktioniert. Und das zweite sind regelmäßige Community Events Sessions. Die ganz regelmäßigen sind virtuell. Aber was ich besonders wertvoll finde sind die Onside Events. Da hatten wir letzte Woche auch ein super schönes Event, die die Global AI Week in sechs Ländern parallel in China, in Indien, Deutschland, Türkei, Spanien und in Polen. Und da habe ich das Gefühl, auch wenn es Fübride und virtuelle Angebote gab, nichts ersetzt, dass wenn man wirklich vor Ort die Leute trifft, vor Ort in kleinen Gruppen, Workshops anbieten kann, sich vernetzen kann. Vielleicht bei einer kleinen Infofär, wie wir sie in Munich hatten, sich unterhalten kann. Und das ist unglaublich wichtig, dass man auch in echt live den Kollegen gegenübersteht und sich unterhalten kann. Okay, super. Wie für Leute waren da? Ja, das waren sehr, sehr viele Teilnehmer, was mich gefreut hat zum einen virtuell. Wir haben gut 50 virtuelle Sessions angeboten, um drei Themenfelder herum, Strategy und Insights, Trainings und Use Cases. Und da hatten wir über 20.000 Anmeldungen für die Sessions jeweils. Das hat uns auch tatsächlich erstaunt und begeistert. Und Onside in den sechs Ländern hatten wir je nach Land, würde ich sagen, zwischen zwei bis 400 Teilnehmer vor Ort. Anmeldung heißt auch einzelne Personen oder haben sich Personen mehrfach angemeldet für verschiedene Sessions. Das sind keine Unik, keine Unik, sondern in dem Fall diese 21.000 sind einzelne Anmeldungen für Sessions. und es kann sein oder wir relativ sicher sogar, dass ich viele Kollegen dann für drei oder vier Sessions angemeldet haben. Ja, aber trotzdem ist ja ein Riesenerfolg. Ja, absolut, absolut. Das ist ja toll. Also herzlichen Glückwunsch. Danke schön. Das hat gesagt, diese Tschennels um darauf nochmal kurz zurückzukommen werden moderiert von den Fachexperten. Ja. Die werden ja wahrscheinlich nicht bei dir sitzen, sondern wahrscheinlich wisst auch Duja auf ein Netzwerk zurückgreifen, von engagierten Menschen in der Organisation, die damit machen. Deshalb bin ich das auch noch mal interessieren. Also es ist eine, hast Du ein Team oder bist Du alleine? Und wie macht Ihr das, das eher sozusagen dann auch die Wirkungsmächtigkeit und Fähigkeit überhaupt bekommt in die Organisation hinein? Also ich habe ein kleines Team mit Kollegen in Deutschland, in der Türkei und in Indien. Und wir moderieren mit dieser Community. Wir kümmern uns um die Community-Events-Veranstaltung wie die Global AI-Week, aber in dem größeren Bereich, also nicht in meinem Team, sondern in meinem größeren Bereich, im Data- und AI-Bereich, dort sind die Fachexperten und die Kollegen wiederum sitzen dann zum Beispiel hinter einem AI-Tool-Channel als Fachexperte als Produkt-Oner und können dann auch wirklich Ausgrund geben, den Kollegen die dort im Chat sind. Aber ja, wir sind darauf angewiesen, dass wir die Fachexperten für die einzelnen Themen in der Community drin haben. Und war das schwer, die zu finden und es vor allem auch zu motivieren, da dauerhaft mitzumachen? Eigentlich nicht. Ich mein es lief vielleicht auf daran, dass es meine direkten Kollegen sind. Wir arbeiten zum Teil seit zehn Jahren zusammen. Das war nicht so schwierig, muss ich sagen. Okay, aber ist das super. Sehr gut. Gut für euch, oder finde ich. Dann lass das noch so auf den dritten Bereich gucken, Business Transformation. Das kann jetzt ja super spannend, das schon kurz ein Hinweis gegeben, dass du sagst, ihr macht AI-Radiness. Radiness Test und eine Radiness Journey haben wir. Radiness Journey. Was testest du denn da? Was kann ich mir da drunter vorstellen? Ja, vielleicht um noch etwas größer auszuholen. Also in diesem Business Transformationbereich alles was wir tun ist darauf ausgelegt, die Kollegen im Business zu unterstützen, AI-Radiness zu werden, mit allem was sie brauchen. Da geht es ganz viel auch um Awareness, um auf Themen hinzuweisen, Aufmerksam zu machen, aber es geht auch ganz konkret darum, Hilfestellung zu leisten und zu beraten. Und dieser AI-Radiness Test, da war erst mal der Gedanke, wie können wir den Reifegrad in der Organisation messen? Wie AI-Radiness sind wir eigentlich? Und dann haben wir uns, wir haben selbst einen kleinen Test entwickelt, implementiert, der hat vier Dimensionen, People and Culture, Data and Governance, Business Value und Artificial Intelligence. Den bieten wir allen Mitarbeitern in der Organisation an und natürlich hat man einen Gesamtwert und kann sehen, was ist die AI-Mituality heute und vielleicht die entwickelt, die sich in ein, zwei Jahren. Aber der eigentlichen Mehrwert von diesem Test haben wir gesehen ist, der einzelne Mitarbeiter, der diesen Test durchführt, der bekommt danach eine Auswertung, das ist wie eine Heatmap und jede dieser vier Dimensionen hat Subdimensionen und kann dann sehen, aha, im Bereich Genai, bin ich schon sehr weit, aber Data Quality bin ich noch ganz weit vorne. Und dann bekommt er, wenn er über die einzelnen Themenfelder drüber geht, personalisierte Empfehlungen ausgespielt. Das heißt, man sieht dann, Data Quality ist noch nicht so gut, was kann ich denn tun, um von einer Zweie auf eine vier, auf einer Skala von 1 bis 5 zu kommen. Und das ist das eigentlich wertvolle daran, dass die Kollegen sehen, okay, ich möchte AI machen, was brauche ich dafür überhaupt, welche Themenfelder spielen da eine Rolle, was muss ich mir alles vorher anschauen und wie genau mache ich das. Und der Test ist sehr häufig für uns, eine erster Türöffner, um mit den Kollegen dann in Kontakt zu kommen, häufig kommen sie direkt nach dem Test auf uns zu und sagen, ich habe dann auch eine Frage, können wir uns dazu unterhalten, daraus entstehen dann Workshops und dann weitere Beratungs-Team im Nachgang. Okay, wie kurz inhaltlich, wie habt ihr es umgesetzt? Also ist das so zangregelbasiert, nach dem Motto, okay, jemand ist auf zwei, dann spiele ich im Folgen Empfehlungen aus, weil das diese Dinge sind, die man dann quasi macht als nächstes oder wie kann ich mir das inhaltlich vorstellen. Also für die Zuhöherer, die das interessiert, es gibt tatsächlich viele Tools online, kann man finden, die ähnliche Dinge machen. Wir haben deshalb unseren eigenen Test entwickelt, weil die Empfehlungen sehr stark zugeschnitten sind auf unser Unternehmen, das heißt manchmal sind da auch links dahinter, auf intrane Zeiten und so weiter. Und wir haben je nachdem auf welchem Level geantwortet wird, verschiedene Empfehlungen hinterlegt. Das ist erst mal ein Stück weit manuell, was wir aber schon tun, vielleicht kann ich das so ein bisschen ankündigen. Wir experimentieren natürlich auch viel selbst mit AI. Das heißt, wie können wir da noch weitergehende Empfehlungen ausspielen, sowas vielleicht auch wie ein Agent einfüllen, mit dem man dann checken kann und sich unterhalten kann, dass die Kollegen nicht zu uns jedes Mal kommen müssen, sondern dass sie direkt nach dem Test sich unterhalten können mit der Empfehlungsmaschine und dann weiter für sich rausfinden können, was sie machen können. Also das sind alles Gedanken, Spiele und Experimente, an denen wir momentan dran sind, um diesen Test weiter zu entwickeln. Ja, sehr cool. Da kommen wir vielleicht mal zu unterhalten. Wir haben sowas schon gebaut. Also wir haben auch als Angehot so ein Online Assessment Plattform. Sie genause funktioniert, die Leute beantworten Fragen, werden dann mit Schuldchenmäßig ein sortiert, kriegen dann auch quasi erst mal einen Überblick und so Empfehlungen, die ich quasi hart hinterlegen kann. Aber wir haben jetzt ein LLM trainiert mit allen möglichen Input, den wir haben, so Datenstrategie, zu Governance etc. Und das funktioniert tatsächlich relativ gut. Wenn du so zahlen, dass Profile Antworten da reinwärzt, dass dem LLM mitgibst und auf Basis der Daten, Basis dies hart, plus natürlich dem Weltwissen sozusagen, kommen da tatsächlich schon relativ guter Empfehlungen darauf aus. Also ich glaube, das kann was werden. Das ist tatsächlich auch unser erster Eindruck und Kassen. Wir sollten uns da unbedingt nochmal im Anschluss drüber unterhalten und gegenseite Güte die Erfahrung austauschen. Absolut, genau. Okay, also ihr macht diese Assessment. Wie wird das angenommen? Ist das so was, was die Leute nachfragen oder ist das ein Angebot, was sie auch vermarktet, wie läuft das? Ja, so und so. So und so. Man muss dann natürlich immer sehr vorsichtig sein. Manche Kollegen haben dann das Gefühl, oh, ist das eine Erfolgsmessung? Ist das ein Test, kann ich durchfallen? Nein, es ist nicht. Wir haben da tatsächlich auch mit dem Worker's Council, diesem Test offiziell abnehmen lassen und so weiter. Darum geht es nicht. Es geht wirklich darum, die Kollegen zu unterstützen, besser einschätzen zu können. Wo stehen sie und vor allem zu beraten, was können sie tun, um sich weiter zu entwickeln. Und im Rahmen der AI Week haben wir das Thema nochmal groß vorgestellt und da kam es tatsächlich sehr gut an. Also die, die Nutzerzahlen steigen stetig. Okay. Ich weiß nicht, ob das Teilen magst oder kannst, aber wie ist denn? Oder wie ist denn so vielleicht in Summe, die der Reife in der Organisation, also wo steht der PSH da? Ja, also insgesamt möchte ich das noch nicht teilen tatsächlich, was man aber sagen kann, dass wir bieten das nicht nur für Individuen an, sondern besonders wertvoll sind die Testergebnisse für Bereiche oder Abteilungen. Das heißt, der kommt dann in Bereich vielleicht mit 70 Kollegen auf uns zu und sagt, wir würden das gerne für uns wissen. Dann kriegen die ein Projektcode und können dann nur für ihren Bereich das Ganze sehen. Und dann haben die vielleicht eine 2,8 oder bei guten Ergebnissen auch meine 3,4. Okay. Das gibt uns jetzt zum Mittelschummeinkroup ein Druck. Wo sind die großen Themen bei euch, AI? Du hast ja die verschiedenen Bereiche, die du abfragst. Das sind ja auch damals die typischen, die man sich anguckt. Aber wo sind die Themen? Also wo denkt ihr, dass ihr ranmöst oder wo es sozusagen, wo ihr auch das meiste Potenzial sieht? Ja. Also nicht nur durch diesen AI-Readiness Test, denn natürlich auch kurz ist und nicht allzu viele Fragen hat, sondern auch wir führen noch eine weitere Sache durch, den CSAT. Das ist der Kastema-Set-Sfection-Surveil. Den führen wir mit vielen 100 Data und AI-Rollen im Konzern durch und fragen da regelmäßig ab. Wie zufrieden seid ihr mit den Tools? Was fehlt euch? Wo sind die größten Schwierigkeiten und Herausforderungen? Und bei uns sind tatsächlich nach wie vor, muss man leider sagen, die Kern-Team Data-Access, Data Transparency. Dann ist ein ganz großes Themenfeld, die richtigen Rollen an den richtigen Stellen in der Organisation zu haben. Das Thema Skills und Trainings ist sehr groß. Ja, ich glaube das ist ein bisschen. die die größten Themen Schwerpunkt Data Access Data Transparency Rollen Skills Trainings. Spannend. Also wird vielen so gehen. Datenqualität hast du jetzt nicht genannt? Ist das auch ein Thema? Das ist auch ein Thema. Ja, das ist definitiv ein Thema. Ich weiß, mein Kollege aus dem Data Management Team, die sind an einem Data Quality Desport dran. Das ist natürlich auch ein großes Thema für uns. Wir arbeiten stetig dran, aber das ist auch ein Thema, was ich natürlich von heute auf morgen erledigen lässt. Ja, überhaupt nicht. Okay. Ja, spannend. Lasst uns noch mal bei ein anderes Thema sprechen, wo ich weiß, dass du auch aktiv bist und was natürlich sich direkt anschließt. Wir haben es ja schon jetzt öfter unterhalten über das ganze Thema "Wertwertmesserung". Und da muss ich sagen, das ist für mich eins der brennsten Themen für 2006. Ich war schon 2005, das was ich mit sehr vielen AI verantwortlichen Data und AI verantwortlichen besprochen habe. Das generell so gesagt wird, na ja, wir mit so ein Reifgegrad erreicht in der AI, dass so jetzt eigentlich das Experimentieren vorbei ist und dass jetzt eben auch Dinge umgesetzt werden müssen, skaliert werden müssen und das vor allem auch der Wert gezeigt werden muss. Dass man also jetzt ein bisschen raussis nach dem Motto AI-Shype und alle machen es und wir machen einfach, sondern dass jetzt auch stärker drauf geguckt wird wie es in der ROI. Jetzt haben wir hier Investments, was kommt da wirklich bei rum, wo wir alle wissen, dass es überhaupt nicht einfach, das da zu stellen. Erste Frage ist das bei euch auch ein großes Thema, ein wachsendes Thema wie wir entwickelt sich das so aus deiner Sicht und danach sollten wir uns natürlich ein bisschen drunter unterhalten, was ihr da veransetzt habt. Aber erst mal die generelle Frage, als für AI, wie verhält sich das bei euch? Ja, also es ist grundsätzlich den wert, den zusätzlichen Wert, der durch AI generiert wird, zum Essen ist eine riesen Thema für uns. Ich habe tatsächlich vor wenigen Tagen auch erst eine Studie von der ISG gelesen und da wurde gesagt, dass die größten Herausforderungen in Unternehmen bezüglich AI in 2026 Platz 1, der Wert, den Return und Invest, dem Business zu demonstrieren. Das war die Top-Anfort nach Data Quality, also folgend dann von Data Quality, Change Management, Rollen und Trainings und so weiter. Also es ist wirklich nicht nur für uns, sondern auch für andere Unternehmen, glaube ich, ein sehr zentralen Thema für dieses Jahr. Absolut. Was glaubst du daran, das liegt jetzt mal nicht nur bei euch. Also ich habe da so ein paar Gutezen, aber schon viel diskutiert mit gestern hier, aber erst mal vielleicht so aus deiner Perspektive. Warum ist das jetzt so ein riesen Thema geworden? Also bei allen möglichen anderen klassischen Themen, da gibt es immer ein Business Case, ist immer die Frage, was ist der Return und Invest. Das ist eine ganz klassische Herangehensweise und ich halte das tatsächlich für falsch, diese Herangehensweise zu fragen, was ist der Return und Invest für AI, weil man sich zuerst die Frage stellen sollte, warum brauche ich AI, warum und wofür verwende ich AI. Und es gibt nicht die eine Sache für die AI im Unternehmen verwendet wird, je nach dem, was es für eine Branche ist, je nach dem, was es auch für eine Business unit ist, wird eine ganz andere Art von Wert erzeugt. Wenn ich da jetzt nun ein paar Beispiele aufführe, AI wird dazu verwendet, um den Umsatz zu steigern, um die Effizienz und Produktivität zu steigern, Zeit zu sparen, Kosten zu reduzieren, die Qualität zu steigern, auch Mitarbeiter zu Friedenheit, Qualitätssicherung, Risikomänimierung, all das sind Themen und je nachdem, welchen Wert ich mit AI erzeugen möchte, muss man das auch unterschiedlich messen. Und deshalb ist es glaube ich auch unglaublich schwierig für den Konzern, den Wert, den Return und Invest zu berechnen. Ich halte es für sinnvoller, da sehr viel feiner und in einzelnen Wertmessungen vorzubehlen. Okay, es ist, glaube ich schon, man eine gute, herangehensweise, dass man das runter bricht. Und was habt ihr noch für Gedanken oder was, wie geht ihr sonst noch an das Thema "Ran-Wertmessung", weil es ja wirklich nicht so ganz einfach ist? Ja, also ich bin tatsächlich auch noch in der ausprobier Phase. Ich habe jetzt vielleicht noch nicht 100% die passende Lösung, aber ich habe zwei sehr gute Ideen, wie ich für die BSH das Thema weitertreiben möchte. Und das eine ist, wenn man an das Thema "Bellance Scorecard" denkt, dass man sagt, okay, man hat jetzt diese verschiedenen Kategorien von "Velue", zum Beispiel also die Themen, die ich vorher noch aufgeführt hatte, einmal Umsatzsteigerung, Versuskosten, Minimierung, Qualitätssteigerung. Das sind verschiedene Themenfelder auf einer "Bellance Scorecard", die alle je nach Bereich unterschiedlich dazu beitragen, den Wert zu generieren. Eine andere herangehen Zweise wäre, wenn man sich die Wertschöpfungskette anschaut. Also das heißt, wenn man zu einen einzelnen Business 2 sich anschaut, wie ist die Wertschöpfungskette, die "Velue Chain", wo an welchen Schritten darin wird Wert generiert? Und dann kann es auch sein, dass es auch da wieder ganz unterschiedlich, wie Eis und Metriken sind, die man sich anschaut. Aber dann kann man das anhand von dem Verlauf der Wertschöpfungskette verfolgen, wo, wie viel AI bewirken kann. Das ist auch ein guter Anlass finde ich. Ja, lass uns auf beide noch mal kurz eingehen. Vielleicht geht es gerade am zweiten, wo du gerade in Erwehren hast. Aber wie kann ich mir das dann konkret vorstellen? Also klar, ich habe eine Wertschöpfungskette, das hilft schon mal für Klarheit zu sorgen, wo bin ich dir mitzüberhaupt und was ist, ob man zieldor was kann nicht tun. Aber versuchst du dann, dass auch sozusagen in Eurus auszudrücken oder wie, wie stellt es jetzt Wert da? Ja, nicht unbedingt in Euru. Also das hängt sehr stark davon ab, wiederum, wofür warum möchte ich AI einsetzen. Und wenn es mir jetzt darum geht, die Qualität zu steigern oder vielleicht Fehler zu minimieren, dann wäre deine Kennzahl eher zu schauen, wie es meine Fehlerquote hat dann noch nicht direkt was mit Euru zu tun, in einem nächsten Schritt vielleicht, aber um dahin zu kommen, glaube ich, muss man sich nach Art und Weise des Wertes die Mehtriken zusammen suchen und dann vielleicht im nächsten Schritt auch in Euru umechnen. Aber das ist deutlich komplexer als letztes Jahr angenommen, wenn man da tiefer sich mit der Thematik beschäftigt und es wirklich sinnvoll aufsetzen möchte. Okay, und das wäre quasi dann auch die Erleutung für die Balance Scorecard. Die Idee dieser Methode ist ja nicht nur, auf finanzielle Kennzahlen zu schauen in der Unternehmensführung oder Steuerung und was du gerade genannt hast, weil wahrscheinlich schon ganz gutes Beispiel, dass man eben auch nicht finanzielle Kennzahlen hat, die man durch AI dann positiv beeinflussen will, oder? Nicht immer, nie auf keinen Fall. Ich glaube auch, dass diese Art Balance Scorecard, die müssen gar nicht konzernweit sein, die wird wahrscheinlich sehr unterschiedlich ausschauen, egal ob ich jetzt im HR-Bereich, im Marketing-Bereich oder im Kontroling bin, werden da möglicherweise ganz andere Kennzahlen drin sein, warum? Weil jede Abteilung mit AI eine andere Art von Wert erzeugen möchte und wird. Das macht es so komplex, es am Ende zusammenzuführen, aber ich denke, es ist sinnvoll erst dort bereichspazifisch, sich die Kennzahlen anzuschauen, bevor sie dann anschließend agregiert werden. Genau, also um der Spezifität quasi gerecht zu werden, da einstigen Dinge. Okay, ihr habt ja noch diese Materialty, ich erinnere mich gerade an den letzten Data Culture Summit, der ja beim Merk war und da hat man einen tollen Beitrag von Roch, die auch Materialty gemessen haben und gesagt haben, sie machen das jährlich und der Fortschritt in den Reifelgraden würde auch schon helfen quasi bei der Kommunikation des Wertes, wobei das natürlich eigentlich gesagt so ein bisschen soft ist, ja das ist man das ziemlich weit weg von dem Harten-ROI, nutzt ihr das auch oder was hältst du von der Idee? Also ich denke inzwischen, dass es zwei separate Themenfelder sind, also das eine Thema AI-Reifelgrad, da geht es sehr viel darum, wir wollen AI-Ready sein, was müssen wir tun, wie weit sind wir schon umtätig werden zu können und beim Thema AI-Vellue geht es sehr viel mehr darum, ja wir verwenden AI in unseren Prozessen und Workflows und was kommt dann dabei raus? Also für mich ist es fast schon vorgelagert, AI maturity und Reifelgradmessung und dann als zweiten Schritt das ganze Thema AI-Vellue-Megamment und auch die Kennzahlen, die man sich anschaut, weichen voneinander ab, natürlich hängt das irgendwo zusammen, aber ich glaube man muss es separate betrachten, weil die Aussage danach auch eine unterschiedliche sein wird. Ja absolut, wie habt ihr das denn integriert? Also wer müsste in jetzt überhaupt diesen Wert und wann? Wir sind noch in der Planungsphase im Cast, das heißt natürlich haben wir im kleinen schon angefangen. weil der Sport zu bauen, mehr tricken zu definieren, zu gucken, welche Daten liegen uns zur Verfügung, welche dürfen wir verwenden. Aber das Ganze ist tatsächlich erst, das Thema ist so neu. Es startet jetzt gerade erst und zumindest mir geht so, wenn ich aufs Hach messen bin. Ich muss wirklich suchen, um andere Kollegen zu finden, mit dem man sich schon austauschen kann. Auch wenn alle den AI-Wert messen wollen, sind da alle gerade sehr am Machen und Tuen ausprobieren. Ja, absolut klar. Das ist ein Thema, von auch damit umzugehen, dass man häufig eben nicht, dass in Eurus ausdrücken kann. Und da finde ich, hast du es ja schon mal einen super Impuls gegeben, dass man eben auch sehr bewusst auch gleich andere Kennzahlen wählen kann. Ich kann nochmal offenen Konferenz von zu 25 verweisen. Unser Data und der AI Summit in November, da gab es einen, fand ich super hinweis für die Teilnehmer, nämlich den AI, eigentlich von Anfang an mitzudenken und schon bei der Fragestellung, ob ich ein Newscase überhaupt umsetzen möchte, schon da sehr klar zu sein. Was denn das Ziel ist für den AI, in welcher Form auch immer, und das eben es erschreckend ist, dass es häufig gar nicht mitgedacht wird am Anfang. Sondern da ist man eben begeistert von Möglichkeiten und Technik und sonstigen Dingen und, dass man eben da aus dieser Falle rauskommt, in der glaube ich viele sind, dass du so incrementelle Verbesserungen zeigen kannst. Ja, ich kann jetzt was aus euch durch Jenny AI schneller mit Texten umgehen oder ähnlich ist. Dass aber nicht am Anfang schon drüber nachgedacht wird, was das denn eigentlich bedeutet. Also, spaich, dadurch jetzt wirklich was, habe ich dann am Ende drei Leute weniger in meinem Bereich. Also kann ich das an der Android-G&V sehen oder ist das vielleicht gar nicht mein Ziel, aber dann darf auch niemand mehr nach AI fragen, sind wir von Personalkosten-Reduktionen oder ähnliches. Was hältst du von der von dem Hinweis? Ja, also ich halte das für einen sehr guten Hinweis, weil ich bin auch der Überzeugung, dass AI macht ja nicht überall Sinn. Weil AI macht in ganz vielen Bereichen und Themenfeldern Sinn, aber natürlich nicht überall. Deshalb ist es ganz, ganz wichtig, sich im Frühhaus zu überlegen, warum brauche ich überhaupt, der AI brauche ich überhaupt. Es ist überhaupt sinnvoll für meinen Use-Case oder Projekt und warum möchte es anwenden und welchen Wert möchte ich dadurch zusätzlich generieren. Und wenn man dann überlegt, okay, was er hoff ich mir denn davon, dass es wirklich mit AI besser funktioniert, effizienter ist, zahlt er sparen da ist, was auch immer. Erst dann komme ich auch dahin, am Ende messen zu können, wenn ich schon im Voraus weiß, was ist denn mein Ziel, wofür wenn ich es an und was was spreche ich mir davon. Super wichtig. Ja, absolut, aber dann denken wir da gleich, dass das in der entscheidende Punkt ist, an der Stelle. Nee, sehr cool. Gibt es in diesem ganzen Kontext, AI-Wertmessung noch irgendwas, was wir nicht angesprochen haben, was aus deiner Sicht noch wichtig wäre? Ja, ich glaube, eine der großen Herausforderungen wird sein, nachdem der erste Schritt dann die Definition der Kennzahlen und das ganze Konzept, das wie man es machen möchte, gemacht ist, wird natürlich nächster großer Schritt sein, an die Daten ranzukommen. Wieder als immer wieder bei Data-Exis und Data-Quality vermutlich. Also ich stelle mich darauf ein, dass das auch nochmal eine große Herausforderung in den nächsten Monaten werden wird, zumindest für einige Kennzahlen. Weil er auch da ist dann ja von Nürden, dass natürlich das Business und die anderen Abteilungen mitmachen und das auch gerne messen möchten und diese Zahlen auch zu Verfügung stellen. Ja, absolut. Und vielleicht noch als ergänzter Input, du hast häufig ja auch Nutzen, der eher qualitativ ist und auch relativ stark sein kann, aber der habe ich dann keine Kennzahl für. Also wir haben die Erfahrung gemacht, dass man eben auch einiges dann durch Befragung ganz gut rausfinden kann. Und das ist dann nicht nur irgendwie soft, sondern es kann auch sehr, sehr stark sein. Es gibt halt so die Kennzahlen nicht direkt, aber ich kann trotzdem eben befragen, wie sich zum Beispiel Produktivität verändert hat, auch wenn ich es dann vielleicht an der Stelle nicht direkt messen konnte. Aber die Einschätzung derjenigen ist dann häufig auch schon super spannend. Also wir sehen einfach diese Mischung aus quantitativen und qualitativen Zahlen, die dann am Ende das Gesamtbild tiefern können, wie im Wert da erreicht und auch kommuniziert werden kann. Eine Möglichkeit als Denkanstoß, die ich da noch geben kann, wenn man eher weiche Themen, weiche Zahlen hat, wie das oft bei Data kalte der Fall ist, dann kann man die versuchen zu kombinieren mit harten Kennzahlen, die ja dann auch oft vom Management gefordert werden. Das heißt, wenn ich jetzt sage, ich habe meine AI maturity und da geht es aber auch darum, wie weit ist die Kulture und so weiter, dann kann ich dir versuchen zu kombinieren mit klassischen Erfolgs Kennzahlen, wie dem Ebit von einem Bereich und kann dann sagen, aha, schaut mal ein Bereich, der eine 4,2 Mai maturity Assessment gemacht hat, schneidet auch deutlich besser ab im Vergleich dann im Ebit im AI Beitrag zum Ebit. Als einer, der vielleicht nur bei 2,8 steht im Reifungrad. Ja, könnte man machen. Absolut, genau. Sehr schön. Schaut ihr ganz herzlich und Dank, wir sind am Ende unserer Zeit. Ich fand aber viele tolle Impulse drin. Erst mal haben wir herzlichen Glückpunsch. Ich finde, ihr macht dabei dabei sehr wirklich tolle Sachen im Rahmen von Data und AI-Kaltcher. Und ich bin mir sicher, dass es auch dazu beiträgt, während die Kultur positiv zu verbessern. Wir sollten ergänzen noch erwähnen, dass du ja auch bei unserem Data-Kaltcher sammelt, der bald statt findet. Richtig. Nicht nur präsent, bis und damit für die Gelegenheit gibt es dich noch mal direkt persönlich zu fragen, sondern du machst da auch einen Workshop. Vielleicht kannst du es da noch mal ganz kurz was zu erzählen. Ja, in diesem Workshop, da wird der Fokus ganz stark auf AI maturity und auf AI-Vellue-Meggement gehen. Das heißt, ich versuche dann, ein paar weitere Impulse zu geben, was man tun kann, wenn man die Wertgenerierung durch AI messen möchte. Und natürlich ist es auch da besonders wertvoll, sich auszutauschen, andere Ideen von anderen Teilnehmern zu bekommen. Also ich freue mich sehr, diesen Workshop anzubieten, wer euch im April glaube ich. 23. April sind wir bei Böhringer Ingelheim in Ingelheim. Also in der Nähe von Frankfurt, Mainz die Ecke und haben da einen Tag vor das Programm sehr viel Erfahrungsberichte input, so wie jetzt zum Beispiel von dir, aber dann eben auch verschiedene Workshops und eben auch die Möglichkeit, sich untereinander auszutauschen, an bestimmten Themen auch wirklich intensiver zu diskutieren. Und ich glaube, das wird wieder ein super Tag ein tolles Event, um sich mit dem Thema Data und AI-Kalcher auseinanderzusetzen. Freu ich mich drauf. Vielen Dank für die Einladung, Karsten hat mir sehr viel Spaß gemacht, das Gespräch. Ja auch, alles Gute. Weiterhin mit Data und AI-Kalcher. Absolut und dann sehen wir uns spätestens im April bei Böhringer auf dem Data-Kalcher sammelt. Bis dahin. Das machen wir bis dahin. Tschüss. [Musik]