KI im Einkauf | Die Grundlagen der KI-Readiness mit Dr. Klaus Iffländer

Fabian Heinrich (00:01)
Hallo liebe Zuhörerinnen und Zuhörer, es freut mich außerordentlich nach langer Zeit wieder zurück bei Procurement Unplugged mit einer speziellen Season zum Thema Künstliche Intelligenz mit Dr. K.I. Klaus Iffländer. Im Zusammenspiel werden wir 4-5 Folgen machen, wo wir über das Thema Künstliche Intelligenz im Einkauf sprechen.

Ja, Klaus, es freut mich ganz besonders mit dir heute diesen Podcast zu machen oder vielmehr diese ganze Podcast-Reihe mit dir aufzunehmen. Stell dich doch gerne mal unseren Zuhörern vor, was du in letzten Jahren so gemacht hast und quasi wie du zum Thema Künstliche Intelligenz gekommen bist.

Dr. Klaus Iffländer (00:51)
Ja, danke, gerne. Ich habe mich auf jeden Fall schon immer für Daten und deren Auswertung interessiert, vor allem große Datenmengen. Auch früher schon, als es noch keine Large-Language-Models gab und auch Data Science noch nicht, habe ich mich immer schon dafür interessiert. Mein erstes Datenprojekt war bei der Deutschen Bank noch, da habe ich im Studium noch ein Immobilien-Portfolio auswerten dürfen.

und habe da schon Prognosemodelle erstellt, die gezeigt haben, welche Richtung sich welche Immobilien entwickeln, also wertmäßig, da das Kredit-Risikomanagement zu verbessern. danach ging es halt so weiter. Ich habe mich immer interessiert für diese Prognosen und Datenprojekte immer wieder gemacht, dann auch als Data Scientist gearbeitet und auch in

in der Promotion immer mich mit Daten beschäftigt und da interessante Experimente durchgeführt, sodass ich in den letzten fünf Jahren halt Breezy Services gegründet habe und jetzt für verschiedene Kunden tätig bin und die vor allem bei der Beratung und Entwicklung unterstütze bei den Themen rund Künstliche Intelligenz und Datenprojekte. Genau, und seit Mitte des Jahres bin ich jetzt Head of Research and Development bei Mercanis.

In dieser Funktion freue ich mich außerordentlich heute hier zu sein.

Fabian Heinrich (02:19)
Ja, Klaus, freut uns auch. Mit dir haben wir einen absoluten Experten hier, wenn es KI geht, wenn es Datenmengen geht. Und ich würde ganz gerne heute in unserer ersten gemeinsamen Folge einige Themen genauer beleuchten. Das eine wäre quasi, es gibt ja seit jetzt ein, zwei Jahren einen riesigen Hype um KI. Was steckt dahinter? Das andere Thema ist so bisschen, wie ist irgendwie die Geschichte der Künstlichen Intelligenz, dass du vielleicht das Ganze mal ein bisschen so beleuchten kannst. Wo kommen wir her? Wo geht die Reise hin?

Und das dritte Thema wäre, wie kann ich das als Person anwenden und wie kann ich da als Unternehmung die Transformation weiter bringen. Gut, dann würde ich sagen, klar, KI ist in aller Munde, man braucht nur die Zeitungen aufzumachen. Wenn wir auf die harten Zahlen gucken, dann sehen wir irgendwie mehr als 25 Milliarden Investitionen in private Firmen, also meistens natürlich auch Start-ups.

Das löst dann schon ein großes Echo aus. Wenn man sich jetzt anguckt, die Performance, früher hat man immer gesagt, ich traue der KI nicht, dann liest man auf einmal Schlagzeilen Chat GPT, besteht das bayerische Abitur mit 2,0. Es scheint inzwischen ja auch relativ viel dahinter zu sein und vielleicht ist noch nicht auf dem Niveau eines Menschen, aber scheint ja relativ gut zu funktionieren.

Wie ist deine Meinung oder wie siehst du den ganzen KI-Hype, der seit eineinhalb Jahren von sich geht?

Dr. Klaus Iffländer (03:54)
Ja, einerseits aus meiner technischen Sicht ist es jetzt nicht ganz so neu, sondern die Technologien, die dem zugrunde liegen, die gibt es ja schon länger. Was jetzt aber neu ist, ist diese, also wie man das jetzt nutzt. Also einerseits die Zugänglichkeit, also dass es halt für viele Leute so zugänglich ist, weil man nicht programmieren können muss oder man muss nicht in Statistik sich auskennen, sondern man kann einfach mit dem Large Language Model chatten.

Das ist halt neu und dadurch erfährt es halt eine rasante Adoption. Und die andere Sache ist, dass es auch wirklich vom Nutzen jetzt ganz was Neues bietet. Also es bietet halt nicht nur so wie zum Beispiel Prognosemodelle so einen einfachen Output, ein Estimate sozusagen oder irgendeine andere Art von Auswertung wie andere statistische Modelle, sondern was man jetzt als Ergebnis bekommt von den Large Language Models

ist jetzt wirklich ein Verständnis. Es wird jetzt ein menschliches Verständnis, zumindest simuliert, was jetzt wirklich hilfreich ist, sodass es halt als System neben einem Menschen quasi hierher arbeiten kann oder Arbeitsabläufe unterstützen kann, so wie das halt ein echter Mitarbeiter auch tun würde. Und so diese zwei Aspekte, finde ich, sind halt schon sehr neuartig und dadurch hebt sich das halt wahnsinnig ab von anderen technologischen Entwicklungen auch in dem Bereich. Und daher finde ich,

ist dieser Hype auf eine Art gerechtfertigt. Also, da so viele Ressourcen reingehen, zeigt, dass da ein riesiges Potenzial gesehen wird in dieser Technologie und in deren Anwendung. Wobei man aber auch dazu sagen muss, dass jetzt die großen Umsatzbringer halt auch noch nicht auf dem Markt sind so richtig, sondern diese großen Anbieter von Künstlicher Intelligenz, die man jetzt kennt, die sind natürlich

Venture Capital finanziert und die machen jetzt keine Gewinne. Keiner von denen. Und auch im Einsatz bei anderen Kunden, also diese ganzen B2B Anbindungen, wo jetzt KI reinfließt, da sind es halt aktuell jetzt auch so die ersten Features, die da jetzt entwickelt werden. Aber ob das dann letztendlich diesem Hype gerecht wird in der Umsatzdimension, bleibt noch abzuwarten.

Das war's

Fabian Heinrich (06:20)
Ja, das sind schon sehr spannende Insights, dass du der einen Seite sagst, die Technologie kostet noch so viel Geld, dass die Anbieter alle defizitär sind und da weiter auf Venture Capital oder Private Equity Geld angewiesen sind. der anderen Seite, so wie ich es jetzt von dir verstehe, ist der Hype natürlich auch dem Sinne so groß, weil KI zum ersten Mal, wenn man so will, ein Gesicht bekommen hat mit so Chatinterface.

Und ich meine, die Zahlen, die man dort sieht auf der Konsumentenseite mit der Chat GPT-App oder Chat GPT-Webinterface, die sind ja wirklich bombastisch. Also das ja wirklich mehr als exponentiell das Wachstum, vor allem wenn man das mit allen bisherigen so vergleicht. Wenn man jetzt aber mal guckt in die Corporate-Welt, in die B2B-Welt, dort sehen wir die Adoption ja noch nicht so. Also ich meine, wenn man jetzt sagt, okay,

Man vertraut den neuen Umfragen von Statista, dann sehen wir 2 % der Unternehmen in Deutschland sich dort als Vorreiter und ich glaube weniger als 30 % nutzen überhaupt KI. Wie kommt es dazu oder wie siehst du das Thema?

Dr. Klaus Iffländer (07:33)
Ja, finde ich auch interessant, diese Entwicklung zu sehen, weil einerseits oder mein Eindruck, wenn man jetzt in dieser Technologie halt so drin ist oder in der Branche, ist mein Eindruck jetzt, dass die Adoption halt sehr schnell geht. Man kennt ja auch die die Use Cases, die halt wirklich durch die Decke gehen, wo ganze Abteilungen von Customer Service Agenten aufgelöst werden und es von Bots übernommen wird und teilweise sogar mit besserer Qualität oder diese ganzen Content Funktionen, wo wirklich Inhalte erstellt werden, wo offensichtlich jetzt die LLMs auch einen großen Beitrag leisten können. Das sind natürlich die großen Erfolgsfälle, aber du hast schon recht, dass viele Unternehmen da trotzdem noch zögerlich sind.

Und ich glaube, das liegt an verschiedenen Dingen. Gerade in Europa oder in Deutschland kommt jetzt auch noch hinzu, dass der Datenschutz sehr streng ist. Also da gibt es eine klare Regulatorik, was ja auch richtig ist. Nur es führt oft dazu, dass Unternehmen sehr, sehr vorsichtig werden, weil sie sich da nicht rechtlich angreifbar machen wollen oder keinen Fehler machen wollen, bevor der...

bevor der Nutzen überhaupt wirklich richtig da ist. Da ist große Vorsicht, weil es aktuell so ist, dass die Anbieter von den LLMs nicht offenlegen, welche Quellen sie genau benutzt haben, die Modelle zu trainieren, dieses Verständnis zu erreichen. Und das sieht man auch daran, dass gerade diese ganzen Rechtsstreite geführt werden in den Vereinigten Staaten. gibt es fast täglich die Lawsuits, wo vermeintlich illegal

Texte benutzt wurden als Trainingsmaterial. Also das ist tatsächlich ein ungeklärtes Feld sozusagen. Und in Europa, wo wir jetzt die Datenschutzgrundverordnung haben, kann man dafür tatsächlich belangt werden und da will jetzt kein Unternehmen sich in die Gefahr geben. Also das ist glaube ich ein Punkt. Und dann ist es ja auch so, glaube ich, bekanntermaßen, dass es Deutschland immer noch viele Unternehmen gibt, bei denen die Prozesse

nicht unbedingt so formal bekannt und digitalisiert sind. Die Digitalisierung ist ja nach wie vor ein Thema und es zeigt halt, dass in vielen Unternehmen die Arbeitsabläufe jetzt digital nicht unbedingt so erfasst sind. Viele Effizienzgewinne kommen ja daher, dass man Dinge halt digitalisiert, damit man die dann eben durch automatische Prozesse abbilden kann. Und wenn das nicht passiert ist, also wenn die

wenn die Abläufe nicht digital erfasst werden, dann kann man natürlich auch mit KI nichts machen. Dann können natürlich auch keine Large-Language-Models damit arbeiten. Sondern das wäre ja dann Zusatzarbeit, die Texte oder was auch immer, dann wieder abzutippen. Nur dann von KI-Modellen irgendwelche Antworten zu bekommen. Das ist, glaube ich, auch so ein Faktor. Und dann ist es einfach so ein organisatorisches Ding. Ich glaube, ist jetzt aber nur mein anekdotisches Wissen.

Fabian Heinrich (10:32)
Hm.

Dr. Klaus Iffländer (10:46)
Ich glaube, dass viele deutsche Unternehmen sehr etablierte Prozesse haben. Wir sind ja sehr stark zum Beispiel im Maschinenbau oder in der Automobilindustrie. Und dass da viele organisatorische Prozesse, wenn wir uns jetzt zum Beispiel Manufacturing vorstellen, dass die halt sehr festgelegt sind und dadurch so eine Art kulturelles Problem entsteht, dass diese Prozesse auch nicht so leicht geändert werden.

Selbst wenn jetzt Prozesse bekannt sind und die auch durch KI unterstützt werden könnten, dass dann trotzdem einfach aufgrund kultureller Bedingungen Unternehmen da zögerlich sind, weil etablierte Prozesse eben ungern mir nichts, dir nichts geändert werden, selbst wenn es vielleicht einen potentiellen Nutzen daraus gäbe.

Fabian Heinrich (11:38)
Also, relativ vielschichtig, eigentlich wieso es quasi in Deutschland noch an der Adoption hakt. Quasi das regulatorisch-rechtliche, quasi der Respekt vor solchen Lösungen, das kulturelle und schlussendlich auch die Datengrundlage. Die Datengrundlage finde ich ganz spannend. Du vorher schon mal erwähnt, dass Künstliche Intelligenz nichts Neues ist. Das gibt es ja schon 40 Jahre, wenn man mal die Anfänge anguckt von

Maschine in Learning ist dann weiter gegenüber Deep Learning und NLP. Kann ich sagen, ich habe da schon länger den Anschluss verpasst als Firma, wenn ich dem ganzen nicht so stringent gefolgt bin die letzten 10, 20 Jahre oder kann ich auf der anderen Seite sagen, das macht eigentlich gar nichts. Ich kann das wie man so schon sagt, leapfroggen, weil diese neuen LLM Modelle eigentlich mir die Arbeit irgendwo abnehmen und die Daten gar nicht mehr so strukturiert sein müssen und diese Expertise im linearen Wissensaufbau gar nicht so haben muss.

Dr. Klaus Iffländer (12:41)
Interessante Frage. Wenn, dann kann man es jetzt leapfroggen Wenn, kann man jetzt gut den Einstieg bekommen, weil jetzt diese ganzen Anwendungen wirklich auf den Markt kommen und weil es jetzt so zugänglich ist. Vorher, also bis vor wenigen Jahren, war es wirklich so, dass man erstmal die Grundlagenarbeit machen musste. Man musste wirklich eine gute Datengrundlage haben und dann zusätzlich auch wirklich

eigentlich Experten im Unternehmen haben, ... ... die solche Modelle überhaupt ... erstellen und trainieren können, da irgendeinen Nutzen daraus zu ziehen. Also zum Beispiel Prognosemodelle. Klar, ist jetzt vielleicht ein einfaches Beispiel. Da gibt es sicher etablierte Tools und Lösungen. Aber wenn es halt komplexer wird, zum Beispiel so ... ... Kundensegmentierungsfälle. Also stell dir vor, ... du hast irgendwie eine Menge von Kunden und du weißt ...

bestimmter Teil davon wandert in den nächsten drei Monaten ab und du würdest denen gerne ein Angebot machen, noch bei deinem Service zu bleiben, dann ist natürlich wichtig herauszufinden, welche Kunden das wohl sein werden, dann halt nicht den Kunden Geschenke zu machen, die sowieso an deinem Produkt gebunden geblieben wären. das ist also so Segmentierungsproblem. Und für solche Sachen ...

sinnvolle Modelle zu definieren, die dann auch entsprechend zuverlässig sind und man es auch weiß, also dass du halt die Präzision davon einschätzen kannst. solche Dinge zu berechnen, braucht man halt schon viel Hintergrundwissen oder gewisse Skills im Unternehmen. Und das ist natürlich wahnsinnig teuer, diese Capabilities aufzubauen als Unternehmen. Und mit LLMs ist es nicht ganz so streng. Also man muss nicht

ganz so viel Vorarbeit leisten, man muss nicht ganz so viel Expertenwissen aufbauen, sondern der Zugang ist sehr viel leichter. Erst mal gibt es viele Produkte aktuell kostenlos verfügbar, wenigstens zum Testen. Und dann sind auch die Anforderungen an die Datenstruktur nicht ganz so hoch. Natürlich, man muss irgendwie Daten haben, mindestens Texte und Dokumente, aber man muss jetzt nicht ein perfekt strukturiertes Data Warehouse haben, wie das für andere

Machine Learning Anwendungsfälle der Fall ist.

Fabian Heinrich (15:07)
Ja, und ich meine, jetzt hast du ja schon erwähnt, der beste Einstieg oder das beste Leapfroggen wäre jetzt, also the time is now. Wie würde ich denn da loslegen? Also man spricht ja immer über KI readiness. Also wie weiß ich denn, bin ich ready, loszulegen? Bin ich immer ready, loszulegen? Was muss ich denn, was wäre jetzt so eine Handlungsanleitung, wenn ich jetzt ein Mittelständler in Deutschland im Einkauf bin oder auch größeres Unternehmen, sagen wir mal jetzt loszulegen?

Dr. Klaus Iffländer (15:37)
Es kommt natürlich immer auf die Use Cases an und ist auch oft schwierig, sich zu überlegen, wo KI im Unternehmen überhaupt einen Mehrwert stiften kann. Aber, wenn man sich anstrengt oder wenn man die richtigen Leute auch ins Meeting holt und dann einen Raum zusammensetzt, dann kommt man auch auf diese Ideen, wo KI wirklich einen Mehrwert leisten könnte. Und wenn wir jetzt über dieses

Einfache, meine Mitarbeiter dürfen jetzt Chat GPT benutzen. Das kann ja irgendwie jeder. Das sind ja diese Copy-Paste-Anwendungsfälle. Wenn man darüber jetzt bisschen hinausgehen möchte als Unternehmen und jetzt wirklich ins Thema einsteigen und den Anschluss finden und wirklich ein bisschen komplexere Anwendungsfälle realisieren möchte, dann würde ich das an vier Dingen eigentlich festmachen.

Erstens, die Daten, die müssen halt da sein. Zweitens, Infrastruktur, also wo soll was laufen, wie will ich das aufbauen, also einfach aus technischer Sicht. Dann die Skills, also welche Fähigkeiten, Fertigkeiten brauchen meine Mitarbeiter, also das Team, was das bedienen soll letztendlich.

Und viertens, die Organisation, also was ich eben schon gerade angerissen hatte, also organisatorische Abläufe oder was es erlaubt und nicht erlaubt. Also einfach diese Rahmenbedingungen, die organisatorisch auch da sein müssen, damit das Ganze funktionieren kann. ja, wir können mal kurz durchgehen. Zum Thema Daten würde ich sagen, ja.

Fabian Heinrich (17:22)
Also vielleicht da nochmal, wenn ich einhalten darf,

also quasi als Fundament, Schritt Null, sagst du aber schon, das wäre irgendwie die Definition der Use Cases. Man sollte jetzt nicht KI-Wegens irgendwas machen, sondern schon klar Use Cases definieren, wo man da entsprechend automatisieren kann, beziehungsweise wo die helfen kann. Das wäre quasi der allererste Schritt, oder? Habe ich das richtig verstanden?

Dr. Klaus Iffländer (17:47)
Auf jeden

Fall, weil sonst läuft man ja als Unternehmen Gefahr, Dinge zu machen oder Ressourcen zu verwenden auf eine Technologie, ohne zu wissen, was denn der Nutzen ist. Und da bin ich halt BWL-er genug zu sagen, also der Nutzen, der Mehrwert fürs Unternehmen, der muss natürlich im Vordergrund stehen. Man macht diese ganze Sache nicht wegen der Technologie oder wegen des Hypes,

sondern weil es einen echten Mehrwert bieten kann im Unternehmen. Und es gibt sicher auch Berufe, wo das gar keine Rolle spielt. So, weiß ich nicht, in der Pflege oder so. Und es wäre ja Quatsch, dann die Leute zu zwingen, dann trotzdem irgendwas mit KI zu machen, nur weil es jetzt gerade ein Hype-Thema ist. Sondern ganz im Gegenteil, es muss immer zuerst klar sein, wo kann man hier einen Mehrwert schöpfen, wo kann es Nutzen stiften und daran sich orientieren. Und dem muss die Technologie folgen.

Deshalb ist es immer wichtig zuerst, sich Anwendungsfälle zu überlegen, wo kann der Nutzen sein? Und dann kommt man auch auf die besten technischen Lösungen dazu. Also immer so rum.

Fabian Heinrich (18:59)
Du wolltest eben noch tief werden das Thema Daten eingehen dazu?

Dr. Klaus Iffländer (19:04)
Genau, bei den Daten ist es so, die bilden ja im Prinzip das Unternehmen ab, ja, digital. Und man muss halt zumindest für die Anwendungsfälle oder Arbeitsabläufe, die man unterstützen möchte, müssen zumindest irgendwelche Daten bekannt sein, weil wenn ich einen Arbeitsablauf habe und dazu gibt es gar keine Daten oder gar keine Texte, Dokumente, also irgendetwas, was digital verfügbar ist,

dann wird es auch schwer mit einer digitalen Technologie da ranzugehen. Also das wäre das erste. Und darüber hinaus müssen die Daten halt möglichst gut strukturiert sein. Also man muss zum Beispiel, wenn man jetzt wirklich nur Texte hat oder nur Dokumente, dann muss man zumindest wissen, was für eine Art von Texten oder was für eine Art von Dokumenten das sind. Also was da drin steht, was man daraus ziehen

kann oder möchte für den jeweiligen Anwendungsfall. Und die müssen dafür eben geeignet sein. Denn wie bei jedem IT-System gilt natürlich auch garbage in, garbage out. Also wenn man die Modelle mit Informationen füttert, die nicht gut strukturiert sind oder fehlerhaft oder unzuverlässig, dann werden die Ergebnisse genauso sein.

Deswegen muss man sich darum kümmern, wie die halt strukturiert sind, also wo was abgelegt ist. Idealerweise hat man halt Daten in relationalen Datenbanken, die abgefragt werden können und kann quasi das ganze Unternehmen digital wieder zusammenführen, sodass die LLMs, also große Sprachmodelle, wirklich auch eine Chance haben, Zusammenhänge und Kontexte zu verstehen. Denn das ist ja ein großer Unterschied hier beim Thema Large Language Models, dass die halt wirklich

solche Sachen begreifen können, zumindest soweit wir das als Menschen beurteilen können. Wohin ging man früher ja wirklich nur einzelne Datenpunkte abfragen konnte und die vielleicht aggregieren oder Trends ableiten. Aber da ist halt viel über die Interpretation passiert auch. Und heute mit den KI-Agenten, die wir jetzt sehen, die auf den Markt kommen, die können das halt selbst. Denen kann man halt ruhig viel Daten einfach hingeben

und die bringen dann das Verständnis und die Interpretation direkt selber mit. Also das ist halt der große Unterschied. Dennoch kommt man nicht drum herum, Unternehmen halt für Datenqualität zu sorgen und es geht am besten, indem man Verantwortung dafür zuweist. Also die Daten darf man nicht so behandeln, dass die einfach irgendwo anfallen und irgendwo dann rumliegen, sondern da Struktur und Qualität reinzubekommen.

Zeit es sich aus, verantwortliche Personen dafür zu haben, die sich darum kümmern, pflegen und zumindest wissen, welche Daten zuverlässig und hochwertig sind und welche eben nicht, sodass man die richtigen benutzen kann.

Fabian Heinrich (22:10)
Ja, spannend. meine, jetzt haben wir sehr viel Content gehört. glaube, vielleicht haben die Zuhörer nochmal spannend nochmal runtergebrochen die fünf Schlüsselschritte zur digitalen Transformation. Wie kann ich jetzt loslegen, das ganze Thema lieb zu fragen?

Dr. Klaus Iffländer (22:26)
Genau, also Daten wie gesagt, dann Infrastruktur, Skills und Organisation.

Fabian Heinrich (22:36)
Ne, also das ist denke ich mal super Handlungsanleitung und Klaus hat es eben schon mal so gesagt, natürlich muss man den BWL-Nutzen immer im Hintergrund haben. sind die Use-Cases, die da Sinn machen? Stichwort Use-Cases, das eine ist das eine auf organisationaler Ebene, das andere irgendwo auf individueller Ebene. Ich du weißt es selbst Klaus, bei uns in Mercanis, ich sag's auch den

Mitarbeitern immer, sie müssen sich über diese LLMs, über diese Künstliche Intelligenz irgendwie auch selbst skalieren. Ich meine, ist ja irgendwie so, als der Wandel kam mit der Office Suite Anfang der 90er, am Anfang gab es da auch die Gegner, die haben dann weiter mit ihrem Rechenschieber hantiert, weil das Excel halt noch so stiefmütterlich war und semi funktioniert hat. Irgendwann waren die natürlich die Könige, die von Anfang an das Excel so genutzt haben, weil irgendwann konnte man dann natürlich da...

10x besser sein. Jetzt geht natürlich die Entwicklung nochmal nicht nur 10x, sondern wahrscheinlich 100x und deutlich schneller. Also wie siehst du das Ganze, wenn ich jetzt nicht diese neuen Tools und Systeme nutze oder derartige LLMs in mein Alltag integriere, werde ich dann schon abgehängt oder was, was rätst du, weil sie Mitarbeitern vor allem jetzt auch im Einkauf, was kann ich da irgendwie machen? Du hast ja auch das Thema Upskilling angesprochen.

Was ist da deine Empfehlung?

Dr. Klaus Iffländer (24:04)
Genau, also geht genau ins Thema Skills. also meiner Meinung nach muss man diese Dinge jetzt benutzen, einfach zu lernen, damit umzugehen. Also ich glaube, man braucht da gar nicht mal ein formales Training oder so, wie das vielleicht bei Excel noch mehr Sinn macht, sondern einfach der Umgang mit diesen Sprachmodellen übt eigentlich so viel, dass man vor allem lernt, einzuschätzen, wann kann ich dem vertrauen oder wann ist es eine Hilfe.

und wann halt auch nicht, sondern zu wissen, bis wann hat das Modell Trainingsdaten oder auf welche Daten hat es Zugriff. Weil nur dazu kann ich ja zum Beispiel Fragen stellen oder Dinge extrahieren. Und das müssen die Leute eben lernen, also das einzuschätzen, was es kann und was nicht. Denn es steht ja auch immer dabei, die Sprachmodelle halluzinieren teilweise oder die machen Fehler oder die können halt auch bestimmte Dinge nicht

Und genau das muss man halt einschätzen lernen, weil ich kann das halt nicht blind benutzen. Und deswegen ist es meiner Meinung nach auch ein Fehler, sich dem einfach zu verweigern. Also einfach so zu tun, als gäbe es das nicht, macht einen nicht präziser oder besser im Job. Sondern ich glaube, das ist für die allermeisten Bürojobs eine große Hilfe. Man muss halt nur bisschen lernen, das einzuschätzen, das ganze Thema. Also das ist das auf

Auf individueller Ebene würde ich sagen und auf organisatorischer Ebene ist es, glaube ich, auch eine Management-Herausforderung, die Mitarbeiter zu ermutigen, auch diese Dinge auszuprobieren und einzusetzen. Da wird sich jetzt auch viel noch klären, wie ist es mit dem Datenschutz, welche Daten kann ich da rausgeben oder nicht und wo bleiben die dann eigentlich? Werden die für ein Training der Modelle benutzt oder nicht? Weil im Unternehmenskontext hat man ja üblicherweise mit

proprietären Daten zu tun. Deswegen kann man die jetzt auch nicht blind einfach hin und her geben mit so einem LLM. Das würde ich schon auch unterschreiben. Trotzdem denke ich, muss man diese Adoption begünstigen, indem man die Leute ermutigt und auch mal Raum für Experimente schafft. Solche Sachen wie einen Hackathon im Entwicklungsteam, damit die lernen, damit umzugehen oder auch so Pendants im ganz normalen

Alltag. Also einfach die Leute mal ausprobieren zu lassen, was kann ich denn damit machen, wie kann ich denn existierende Abläufe damit unterstützen oder einfach damit rumzuspielen. Also diese Zeit sollte man einfach geben, weil ich glaube, dass sich das in sehr kurzer Zeit auszahlt. Denn du kennst es ja selber aus dem Alltag, manche Tools fängt man an zu benutzen, dann kommt man gar nicht mehr davon weg, weil die einen einfach effizienter machen oder weil es halt auch mehr Spaß macht.

Damit begünstigt man dann ganz viele andere Dinge auch, weil es kommt dann von ganz allein oft, dass den Mitarbeiter dann klar wird, es wäre doch toll, wenn dieses System jetzt auch noch Zugriff auf unsere internen Daten hätte oder auf andere Datenquellen, die zu verknüpfen und neue Erkenntnisse rauszuziehen oder Dinge zu automatisieren, die vorher viel Zeit benötigen. Und mir ist auch klar, dass es oft mit Ängsten

Fabian Heinrich (27:26)
Ja auch, hier.

Dr. Klaus Iffländer (27:26)
weil es immer ein Wandel ist und eine Änderung bestehender Prozesse an die man gewöhnt ist und die auch funktioniert haben. Und trotzdem ist es unvermeidlich.

Fabian Heinrich (27:38)
Ja, auch hier zeigt sich ja dann, man muss einfach loslegen. Also, ich meine, was nehmen wir jetzt heute mit? Also, wir hören auch von dir, KI ist kein neues Thema, aber der Hype ist real, sag ich mal, salopp. Und wir haben jetzt von dir klare Handlungsanweisungen gehört, wie kann ich da starten, Sinne, sagen wir, KI ready zu sein, KI ready zu werden und ist ja anscheinend kein besserer Zeitpunkt, das Ganze zu liebfroggen.

Wenn ich bis jetzt da nicht der KI Vorreiter war. Auch noch ganz spannend, was du jetzt gesagt hast, dass das Ganze jetzt nicht irgendwie die Einbahnstraße ist, dass der Mitarbeiter sich irgendwie upskillen muss und da loslegen muss. Das ist wahrscheinlich schon nicht schlecht, wie ich es ja auch eben gesagt habe, aber das Ganze muss natürlich auch vom Management motiviert, incentiviert werden und hat natürlich was irgendwo auch mit kultureller Transformation dann in den Unternehmen zu tun.

Gut, das war es mit unserer ersten Folge, Klaus. War sehr kurzweilig, hat sehr viel Spaß gemacht mit dir. Kleiner Ausblick auf die nächste Folge. Da gucken wir uns dann im Detail genauer an, wie kann ich denn jetzt Künstliche Intelligenz, vor allem die neuen Technologien, generative KI, im Einkauf einsetzen. Da werden wir dann auch über sogenannte Racks sprechen oder Vektordaten banken. Also ich freue mich schon sehr auf die nächste Folge und bis dann.

Dr. Klaus Iffländer (29:06)
Danke, Fabian.