Latest / Digital Sense – The Human Side of AI / Folge 25: Warum ChatGPT kein Zauber ist – die Technik hinter moderner KI

Transcript

Folge 25: Warum ChatGPT kein Zauber ist – die Technik hinter moderner KI · Digital Sense – The Human Side of AI

• Lucien Reuter AI: Hier haben wir leider für etwa 10 Minuten kein Bild und Ton von Yvonne. Frage von Yvonne. Das heißt, KI betrifft nicht mehr nur IT oder Prozesse, sondern auch klassische Wissensarbeit. Frage von Yvonne, lass uns einmal historisch drauf schauen. Viele haben das Gefühl, ChatGPT war plötzlich da. War das wirklich so plötzlich? Yvonne Faoual: zu Digital Dissens, die human side of AI. Und heute starten wir ja mit Staffel 3 und wer die letzten Folgen aus Staffel 2 sich angehört hat, weiß, dass wir bereits angekündigt haben, dass wir in dieser neuen Staffel konkreter werden wollen. Also wir wollen stärker in die Praxis schauen, wir wollen über echte Anwendungsfälle sprechen, wir wollen Gäste einladen, die KI bereits im Unternehmen einsetzen. in Unternehmen einsetzen, Organisationen, Beratung, Bildung oder Führung, unterschiedlichste Branchen, unterschiedlichste Bereiche und wollen das so weit wie möglich ganz weit streuen. Und außerdem wollen wir herausfinden, was funktioniert tatsächlich, was klingt nur gut und wo braucht es tatsächlich auch mehr Klarheit, Verantwortung und Bewusstsein. Bevor wir aber in diese Use Cases einsteigen, machen wir heute noch mal einen kurzen Schritt zurück. Wenn wir über KI in der Praxis sprechen wollen, müssen wir zuerst verstehen, worüber wir eigentlich sprechen. Also was ist der Unterschied zwischen Digitalisierung, Automatisierung, RPA und generativer KI? Und warum war das Transformer-Modell so ein Wendepunkt? Satz Und darüber spricht heute Lucien weil das sein absolutes Steckenpferd ist. Und Lucien, heute wird es also etwas technischer, aber hoffentlich so, dass man es auch versteht, wenn man nicht aus der IT kommt. Dr. Lucien André Reuter: Ich gebe mir ganz große Mühe und habe mich schon zwei Staffeln lang zurückgehalten mit der ganzen Technik oder in der Tiefe. Deswegen heute ist es längst überfällig. Yvonne Faoual: Perfekt! Und ich bin ja Gott sei Dank auch in dem Podcast dabei. Das heißt, ich kann ihn dann immer wieder zurückbringen zu den einfachen, erklärten Dingen, bevor er sich verrennt. Lucien, wir starten heute mit Staffel 3. In Staffel 2 haben wir schon viel darüber gesprochen, was uns jetzt erwartet. Mehr Praxis, mehr Use-Cases, mehr Gäste. Ich freue mich riesig drauf. Warum starten wir jetzt ausgereichend mit einer technischen Grundlagenfolge? Dr. Lucien André Reuter: Ich bin der Meinung, wie ich gerade eben schon erwähnt hatte, dass wir ein gemeinsames Verständnis brauchen, auch die Technik. Natürlich möchte ich nicht aus euch allen jetzt Informatiker machen in der Kürze der Würze, aber so ein paar Thematiken einfach mal ansprechen, auch als bisschen Nachschlagefolge, wo man nochmal reinhören kann, vielleicht ein paar Ideen sich ja reinhören kann, was wir... oder worum man sich nochmal informieren kann, sich kümmern kann. Wenn wir jetzt in den nächsten Folgen über konkrete Use Cases sprechen, dann werden wir an Begriffe kommen wie natürlich KI, Automatisierung, GPTs, Agenten, Daten, Modelle, Stiftstellen oder APIs, RPA und im Alltag erlebe ich ganz häufig, dass diese Begriffe fallen. Aber nicht immer alle das Gleiche damit meinen. Also so ein bisschen eine unterschiedliche Interpretation der einzelnen Wörter einhergeht. Und das ist tatsächlich für ein Unternehmen ein riesengroßes Problem. Der eine spricht von KI und meint eigentlich eine klassische Automatisierung. Der andere spricht von Chechipity und meint generative KI. Wieder jemand anders denkt an Roboter, Science Fiction oder eine vollautomatische Entscheidung. Und genau da beginnt dann das Thema, was wir in Staffel 1 und 2 hatten, nämlich diese Verwirrung und Unklarheiten. Und deswegen finde ich die Folge einfach unglaublich wichtig jetzt zu Beginn, bevor wir die ganzen News Cases aufgreifen. Wie gesagt, nicht weil jetzt jeder ein KI-Entwickler werden muss, sondern weil unsere Zielgruppe, also ihr da draußen, ihr Führungskräfte, Unternehmer, Berater, Teams einfach ein Grundverständnis brauchen, ⁓ eure guten Entscheidungen für euch selbst, aber auch im Rahmen der KI für das Unternehmen treffen könnt. Und ich würde es mal ganz plumpst sagen, man muss nicht immer wissen, wie man einen Motor baut, ⁓ ein Auto verantwortlich zu fahren. Aber man sollte verstehen, dass es da einen Motor gibt, dass er seine Grenzen hat und dass man vielleicht nicht unbedingt blind mit 200 durch Nebel fährt. Und genauso ist das auch bei der KI überspitzt formuliert. Wir müssen nicht jedes kleine technische Detail kennen, aber wir müssen verstehen, was diese Systeme grundsätzlich tun und was sie eben nicht tun. Yvonne Faoual: Okay, dann lass uns doch gleich mal direkt Ordnung schaffen. Also wenn Menschen heute über KI sprechen, das hast du jetzt schon ein paar Mal gesagt, werfen sie ganz oft viel zusammen. Also da fallen wirklich so Worte wie Digitalisierung, Automatisierung, RPA. Vielleicht kannst du da auch noch bisschen was zu diesen Abkürzungen sagen. Viele kennen die Abkürzungen, aber eben nicht die ausgesprochenen Begrifflichkeiten. Machine Learning, JetGBT. Also was müssen wir denn überhaupt zuerst unterscheiden? Dr. Lucien André Reuter: Der wichtigste erste Schritt ist tatsächlich KI ist nicht gleich KI. Wir müssen da, wie du schon gesagt hast, ein paar Begriffe ein bisschen auseinanderhalten. Fangen wir vielleicht mit Digitalisierung an. Digitalisierung bedeutet erst einmal, etwas, das von analog war, wird digital abgebildet. Ein Beispiel. Ich hatte früher ein Papierformular, heute habe ich einen PDF oder ein Onlineformular. Früher lag ein Vertrag abgehäftet in meinem Ordner im Schrank. Heute liegt er in meinem DKMS, also Dokumentenmanagementsystem. Das ist Digitalisierung schon, aber es noch lange keine Intelligenz. Dann der nächste Schritt ist die Automatisierung. Automatisierung bedeutet, ich habe einen Prozess, der nach bestimmten Regeln abläuft. Also wenn A passiert, dann mache B. Beispiel, eine Rechnung kommt per E-Mail rein. Das System erkennt den Absender, speichert die Datei in einem Ordner. informiert die Buchhaltung und legt vielleicht sogar einen Vorgang an. Das ist ein ganz klarer Prozess. So eine sogenannte Winebox. Wir wissen an jedem Schritt, was passiert. Das kann sehr wertvoll sein, aber ist meistens regelbasiert. Dann gibt es RPA, also Robotic Process Automation. Das klingt nach Robotern, meint aber meistens Softwarerobotern, also Software. Diese kleinen Bots klicken sich im Prinzip durch digitale Oberflächen. und führen wiederkehrende Aufgaben aus. Zum Beispiel Daten aus einer Excel-Tabelle nehmen in ein ERP-System übertragen, einen Status setzen und vielleicht einen Bericht verschicken. Das ist in vielen Unternehmen super hilfreich, gerade im Mittelstand. Aber auch das ist noch nicht das, was viele heute mit generativer KI meinen. Dann gibt es als nächstes Das klassische Maschinen-Learning. Kennen wir seit einigen Jahren, sollte jeder mal gehört haben. Die meisten Leute können sich aber nicht allzu viel darunter vorstellen. Hier geht es darum, dass Systeme aus Daten Muster lernen. Das heißt, wir haben zum Beispiel... Ja, ein gutes Beispiel. Wie hoch ist die Wahrscheinlichkeit, dass ein Kunde kündigt? Welche Maschinen in meiner Fabrik haben ein erhöhtes Ausfallrisiko? Welche Transaktionen bei... Banken, also Bankkrankstaktionen sehen verdächtig aus. Das ist so typisches Machine Learning. Es werden Muster erkannt und daraus wird was abgeleitet. Und dann haben wir die generative KI. Das ist das, jetzt seit ein paar Jahren so im Alltag angekommen ist bei vielen Leuten. Die meisten Handys haben ja mittlerweile entweder die Meta-KI drauf oder JGPT oder Clots oder oder oder. Und das sind Systeme. die neue Inhalte erzeugen können, deswegen generative. Sie generieren etwas, sei es Texte, Bilder, Code, Konzepte, Zusammenfassung, Analysen, Ideen und darunter fallen dann sogenannte Modelle wie GPTs. Der Unterschied, also nochmal im Kurben zusammengefasst, RPA automatisiert wiederholbare Prozesse, Machine Learning erkennt Muster und generative KI erzeugt neue Inhalte auf Basis gelernter Muster. Und das sollte man wirklich sauber trennen. Yvonne Faoual: Okay, das heißt dann ein Unternehmen sagt, wir machen jetzt KI, muss man erst mal hinterfragen, was genau meint ihr denn eigentlich? Dr. Lucien André Reuter: Genau, also die meisten Kunden, mit denen ich irgendwie in Kontakt habe, sagen, wir wollen jetzt KI machen. Ich glaube, das habe ich in einer alten Folge auch schon mal erwähnt. Und dann ist meine Aufgabe, mal Fragen zu stellen und herauszufinden, was wollen sie denn eigentlich mit dieser KI? Wenn man das nicht tut, dann fängt man an, Tools zu kaufen, Lizente zu kaufen und man weiß eigentlich gar nicht, welches Problem man löst, sondern man macht halt KI, weil alle machen gerade. Wenn man das ein bisschen auflöst, dann kann man sagen, wenn ich ein Prozessproblem habe, brauche ich vielleicht eher eine Automatisierung, RPA. Wenn ich ein Prognosenproblem habe, dann ist vielleicht eher Machine Learning meine Thematik. Und wenn es ⁓ Kommunikations- oder Wissensproblematik geht, dann kann eine generative KI sehr spannend sein. Natürlich kann man das nicht immer alles feinsäuberlich trennen. Es gibt mittlerweile Automatisierung, RPA, die auf KI zurückgreifen. Aber so im groben... kann man sagen, jedes Problem ist ein GPT-Problem, also ein Chat-GPT oder ein Cloud-Problem. Und da sollte ich nicht mit Spatzen, mit Kanonen auf Spatze schießen, so sagt man es. Und das ist ganz wichtig, nochmal zu wiederholen. Wir sehen einen sehr starken Tool-Aktionismus aktuell. Das heißt, meine Kunden sagen, wir brauchen Chat-GPT im Unternehmen. Yvonne Faoual: Ja. Dr. Lucien André Reuter: Die bessere Frage, wo haben wir eigentlich Reibung? Wo verlieren Menschen Zeit? Wo fehlt Wissen? Wo entstehen Entscheidungen auf unsicherer Grundlage? Wo müssen wir Kommunikation, Dokumentation und Analyse verbessern? Also die ganzen Thematiken, die wir vorher auch zum Thema gute Führung hatten, greifen bar überall wieder mit rein. Und erst wenn ich das gemacht habe, dann kann ich mir überlegen, was ist denn jetzt die Technologie, die ich eigentlich brauche? Ja, für mich ist RPA schon lange ein Thema, was ich auch immer als Dozent ganz gerne mit anbringe, weil es nicht neu ist, aber viele Unternehmen diese Digitalisierung komplett verpasst haben oder nur so am Rande mitgenommen haben. Also noch mal RPA ist dahingehend wichtig, dass Software nicht nur speichern oder anzeigen kann, sondern tatsächlich Aufgaben übernehmen kann, Entlastung bringt. Gerade in allen Bereichen, wo es klare Prozesse gibt. Von der Verwaltung, Buchhaltung, Einkauf, HR, Kundenservice. Das sind ganz typische Branchen oder nicht Branchen ist das falsche Wort, aber ganz typische Bereiche, immer wieder repetative Aufgaben, also wiederkehrende Aufgaben haben. Ein Mensch öffnet eine E-Mail, lädt einen Anhänger herunter, prüft ein bestimmtes Feld, überträgt die Daten in ein System, sei es das EAP, das CRM-System, verschickt eine Bestätigung. etwas ab. Die sind immer regelbasiert oder fast immer regelbasiert, weil ich ganz genau weiß, wenn das, dann das. Das könnte ein bisschen verzweigt sein, weil natürlich abhängig davon ist, wer ist der Kunde, die werden anders behandelt, vielleicht mit einem gewissen Grad, wie schnell die Anfrage beantwortet wird oder je nach Thema. Aber auch das ist alles deklariert, vielleicht nur in den Köpfen von bestimmten ausgewählten Menschen. Aber genau das ist so wichtig daran, man dieses Wissen, was in diesen Köpfen drin ist, Unternehmen greifbar und wiederverwendbar macht. der Unterschied zu der generativen KI ist aber, RPA braucht relativ klare Prozesse. Das kann nicht immer nur wieder wiederholen. Chetchipiti kann auch mit unstrukturer Sprache umgehen. Und das ist ein riesen Unterschied. Wenn ich bei RPA bin, sage ich immer Schritt 1, Schritt 2, Schritt 3, Schritt 4. Vielleicht auch mit ein paar Verzweiflungen. Aber GPT ist immer sehr stark, wenn ich sage, hier ist ein langer Text, fasse ihn zusammen. Hier sind zehn Kundenanfragen, sortiere sie vor. Hier ist ein Protokoll, Leiter, der aus Aufgaben herrscht. Hier ist ein komplexes Thema, erkläre es verständlich. Das natürlich immer abhängig davon, welches Modell ich benutze und wie gut mein Prompt ist. Aber das ist eine andere Thematik. Konkret heißt das, RPA macht wiederholbare, repitative Aufgaben schneller. Generative KI macht unstrukturierte Wissensarbeit bearbeitbarer, leichter und schneller. Und deswegen ist der aktuelle Wandel auch so groß, weil es ein bisschen aneinander vorbeigeht. Also früher haben wir alle von Prozessen automatisiert, heute beginnen wir Sprache und Wissen und Kommunikation zu unterstützen. Aber so ganz wird gerne gesprungen von, okay, ich habe die Digitalisierung verpasst, ich füge jetzt KI ein. Absolut. Wissensarbeit aber auch das ganze Unternehmen im Ganzen. ist ja überall Wissensarbeit drinne. Viele technologischen Entwicklungen haben vor allem körperliche Arbeit oder strukturelle Verwaltungsarbeiten verändert. Aber generative KI kommt sehr nah an Tätigkeiten heran, die wir bisher als typisch menschliche Wissensarbeit verstanden haben. Alles was generiert. Texte schreiben, Informationen sortieren, Argumente entwickeln, E-Mails formulieren, Analysen. Protokolle, Konzepte strukturieren, Lerninhalte erstellen, Strategieoptionen vergleichen. Das sind alles Sachen, die auf einmal von einer Maschine gemacht werden kann. Und jetzt wieder wichtig, wir hatten es in den letzten Folgen auch schon gesagt, das heißt nicht, dass die KI alles menschliche Denken ersetzen darf oder sollte. Aber es verändert jetzt schon, wie wir denken, schreiben, strukturieren und entscheiden. Und das ist für eine Führungskraft extremst relevant. Denn plötzlich geht es nicht mehr ⁓ Alleine ⁓ die Effizienz. geht ⁓ Qualität von Entscheidungen, ⁓ Transparenz, ⁓ Verantwortung und auch ⁓ die Frage, welche Rolle spielt der Mensch, wenn Maschinen sehr gute Vorschläge machen können. Da sind wir wieder bei unserem Human in the New Prinzip, was ja der Dominik von Leaders of AI uns auch gesagt hatte. Ja, höre ich auch ganz häufig. Für die Öffentlichkeit sicherlich. Technisch gesehen ist das eine ganz lange Reise gewesen. KI, Künstliche Intelligenz, gibt es als Idee schon seit vielen Jahrzehnten. Am Anfang, wie gesagt, standen regelbasierte Systeme. Dann haben Menschen versucht, Wissen in Regeln zu übersetzen, zu transformieren. Zum Beispiel, man kennt es vielleicht von früher. Wenn bestimmte Symptome aufgetreten sind, konnte eine bestimmte Diagnose anhand von Wahrscheinlichkeiten da sein. Oder wenn ein Kunde bestimmte Eigenschaften hat, dann bekommt er eine bestimmte Empfehlung. Also die ersten Suchmaschinen, die ersten Hilfen. In Word früher, diese Klammer, wenn du dich da noch dran erinnern kannst, die einem immer penetrant genervt hat und einem irgendwelche Vorschläge gemacht hat. Das waren so die allerersten Versuche letztendlich. Und das Problem bisher war immer... Die Welt ist viel zu komplex für reine Regeln. Du kannst nicht alle Regeln klar runterbrechen und dann auch noch am besten miteinander verbinden. Dann kam aber deutlich stärker das Thema Machine Learning auf. Da sagt man nicht mehr, ich programmiere jede Regel einzeln runter, sondern ich gebe dem System Daten und das System erkennt daran Muster. Beispiel, wenn ich ein System habe, das ich brauche, ⁓ Tiere zu erkennen oder auseinander zu halten, Überwachungskameras oder suchst dir aus. Und dem zeige ich ganz viele Bilder von Katzen, von Hunden. Und irgendwann kann man selbst die Merkmale rauskristallisieren und mit einer sehr hohen Wahrscheinlichkeit immer sagen, ist eine Katze, ist ein Hund. Und berechnet mir auch die Wahrscheinlichkeit, wie das zusammenpasst. Eine relativ bekannte App in dem Maße ist auch für den Garten Flora Incognito, glaube ich, oder ähnlich heißt die. Da kann ich ein Foto vom Blatt, von der Blüte, von einem Ast, von einer Baumrinde machen und die berechnet mir zur Wahrscheinlichkeit, was das genau für eine Pflanze ist. Also total praktisch. Dann, nach dem Machine Learning, kam das Begriff Deep Learning immer präsenter auf. Damit sind dann neurale Netze gemeint, die viele Schichten haben. Und dadurch konnten die Systeme auf einmal deutlich komplexere Muster erkennen in Bildern, Sprache, Audiodateien und auch Datenformen. Das heißt, wir hatten jetzt nicht nur einfach eine Datenbank, die wir auswerten konnten, sondern auch Sprache, Bilder, Audio und ganz viele verschiedene Formaten. Und das war ein großer Schritt gewesen. Bei Sprache gab es aber eine Riesenherausforderung. Nämlich eine Sprache ist immer kontextabhängig. Ein Wort bedeutet nicht immer dasselbe. Gerade im Deutschen gibt es für viele Wörter mehrere Bedeutungen, die komplett was anderes bedeuten. Der Zusammenhang ist daher wichtig. Und die Bedeutung entsteht oft erst über mehrere Sätze hinweg. Und dann kamen die sogenannten Transformermodelle, die by the way nichts mit dem Kinofilm zu tun haben und die haben den Umgang mit Sprache und Computer, also der Umgang von Computer mit Sprache massiv verändert. Yvonne Faoual: Cut. Das heißt, Ggbt ist nicht einfach nur ein einzelnes Tool, sondern tatsächlich die oder steht es am Ende einer langen, langen technischen Entwicklung. Dr. Lucien André Reuter: Auf jeden Fall. Und das Ende ist Stand heute und wir wissen noch gar nicht, wo wir morgen, übermorgen, übermorgen hinkommen. Das heißt, es steht vielleicht in der Mitte von etwas noch größerem. Das werden wir demnächst sehen. Aber Chatchipiti war für viele Menschen der Moment, dem KI plötzlich sichtbar und vor allem nutzbar wurde. Und deswegen ist es auch so gerade überall angekommen, weil wir es zum allerersten Mal greifen können. Jeder hat es auf seinem Handy drauf oder viele haben es auf ihrem Handy drauf. Manche wissen gar nicht, dass sie es drauf haben. Aber darunter liegen jahrzehnte Forschung, bessere Daten, stärkere Rechenleistungen, bessere Modellarchitektur und viele, viele, technische Durchbrüche. Der entscheidende Punkt ist daher, ChatGPT gab es KI oft im Hintergrund. In Suchmaschinen, Empfehlungssystemen, Spamfiltern, in Navigationssystemen, Bilderkennung, Übersetzungssoftware. Aber mit ChatGPT wurde KI dialogfähig. Plötzlich konnte jeder Mensch mit einem KI-System sprechen. Ohne technische Oberfläche, ohne Code, ohne Spezialwissen, ohne Programmierung, Datenbanken, langes Trainieren von eigenen Modellen. war der eigentliche gesellschaftliche Durchbruch. KI wurde nicht nur leistungsfähiger, sie wurde auf einmal zugänglich. Yvonne Faoual: Verstehe. Jetzt kommen wir zu einem Begriff, den man häufig hört, wenn es ⁓ moderne KI geht, und zwar den Begriff Transformer. Also ich tatsächlich habe noch nicht so wahnsinnig viel davon gehört, aber ich weiß, dass es ganz oft damit verbunden wird, mit diesem Paper Attention is all you need. Warum war das so wichtig? Dr. Lucien André Reuter: Genau, vielleicht kurze Randinformation. Das Paper ist von Google 2017 veröffentlicht worden. Oder von Mitarbeitern von Google. Und das war deswegen so wichtig, weil wir eine ganz neue Architekturidee auf einmal hatten, die auf einmal mit Sprache besser umgehen konnte. Also es ging sehr viel ⁓ Übersetzungsarbeiten. Und der zentrale Begriff ist Attention. Attention is all you need. Und Attention bedeutet in dem Kontext nicht direkt Aufmerksamkeit in unserem menschlichen Sinne. Es heißt nicht, dass das Modell bewusst aufmerksam ist. das ist immer noch kein Mensch. Das muss man nochmal wiederholen. Es bedeutet aber, das Modell lernt, welche Teile eines Textes für eine Bedeutung gerade besonders relevant sind. Was heißt das? Lass uns mal ein Beispiel nehmen. Die Bank liegt am Fluss und die Bank vergibt einen Kredit. In beiden Sätzen haben wir das Wort Bank. Aber es hat zwei unterschiedliche Bedeutungen. In dem ersten Satz ist vermutlich eine Sitzbank oder eine Uferbank gemeint, in einem Fluss. Und in der zweiten Bank reden wir von einem Finanzsitzud, einer Sparkasse, Volksbank oder Ähnlichem. Das Wort alleine reicht also nicht, ⁓ zu verstehen, wie ich denn das Wort Bank richtig übersetze in anderer Sprache. Der Kontext ist interessant. Und genau da greift dieses Intention-Modell rein. Ein Transformer kann Beziehungen zwischen Wörtern und Satzteilen gewichten. Das heißt, anhand des Textes sagt er, okay, ich glaube, das Wort Fluss ist total wichtig, ⁓ Bank zu verstehen. Oder das Wort Kredit ist total wichtig, ⁓ Bank zu verstehen. Oder wenn ich den Satz mache, die Bank am Fluss ist überflutet, dann ist es sehr wahrscheinlich, dass überflutet und Fluss mit den Indiz gibt, dass es sich ⁓ eine Sitzbank handelt oder eine Uferbank. Wenn ich aber sage, die Bank steht unter Wasser, dann könnte es auch ein Rohrbruch sein. Dann ist der Kontext vielleicht nicht groß genug. Trotzdem würde mir ein GPT eine Antwort geben, weil es anhand der Wahrscheinlichkeiten berechnet, was es denn am ehesten ist. Und dann wäre es vermutlich eine Sitzbank als eine Bankfiliale, je nachdem, was es halt sonst noch so hat. Yvonne Faoual: Mhm. Dr. Lucien André Reuter: Das heißt, wir haben diese Gewichtung. Wir können nicht einfach nur von links linear oder von rechts linear lesen, sondern man kann besser erfassen, wie einzelne Wörter aufeinander aufbauen, wo es Verbindungen Da bin ich ganz Zeit hier am gistikulieren. Das heißt, welche weiteren Informationen sind für die Bedeutung wichtig? Für einfach gesagt, Attention hilft dem Modell, einen Kontext zu verstehen. Nicht wie ein Mensch, wieder wichtig, aber statistisch, strukturell und sehr schnell. Yvonne Faoual: Hahahaha Dr. Lucien André Reuter: Leistungspfähig. Yvonne Faoual: Ok, dann hat der Transformer praktisch die Sprache für Maschinen viel besser handhabbar gemacht. Dr. Lucien André Reuter: Genau, das kann man sehr gut so sagen. Vorher war das Modell nicht sehr gut darin, lange Zusammenhänge sauber zu verarbeiten. Und Transformer haben ermöglicht, Sprache effizienter, paralleler und kontextsensibler zu analysieren. Das war die Grundlage vieler der großen Sprachmodellen, die wir heute kennen und nutzen. Und der wichtige Punkt für unsere Hörer und Hörerinnen ist aber nicht die Mathematik dahinter. Der wichtige Punkt ist, Moderne KI kann Sprachen nicht deshalb gut verarbeiten, weil sie Wörter auswendig gelernt hat, sondern weil sie Muster, Beziehungen und Kontext in Sprachen extrem gut modellieren kann. Das macht sie so stark bei Zusammenfassungen, Übersetzen, Texten, Dialogen, Konzepten und Analysen. Yvonne Faoual: Das klingt jetzt schon fast ein Stück weit danach, als würde das Modell Bedeutung verstehen. Tut es das? Dr. Lucien André Reuter: würde ich vorsichtig mit der Formulierung sein. Es wirkt so, da bin ich absolut bei dir. Wenn wir ein Modell haben, das eine super gute Antwort gibt, dann fühlt es sich tatsächlich so an, als hätte es verstanden, was wir meinen. Man kann ja auch emotional mit der GPT sprechen und hat das Gefühl, man wird verstanden und man kriegt Tipps, kriegt Hinweise. Aber es ist ein technisches Verständnis, kein Verstehen wie wir Menschen. Ein GPT-Modell hat kein Bewusstsein, hat keine Absicht, keine Erfahrung, es kein eigenes Weltbild, es weiß nicht, ob etwas wahr oder falsch ist, so wie wir das verstehen. Es arbeitet wirklich nur mit Mustern in der Sprache. Das ist aber nicht banal, denn die Muster sind hochkomplex. Während ein Modell auf riesige Datenmengen trainiert wurde, kann es sehr, sehr, sehr, sehr, sehr viele zusammenhängende Abbildungen auch. Deshalb würde ich sagen... GPTs verstehen nicht wie ein Mensch, aber es kann Sprache so verarbeiten, dass es in vielen Situationen wie Verständnis wirkt. Und genau diese Unterscheidung ist super wichtig. Denn wenn ich glaube, die K.E. versteht mich wirklich, vertraue ich ihr vielleicht auch zu sehr. Wenn ich sie aber nur als dumme Autokomplete-Funktionen sehe, dann unterschätze ich sie, überschätze ich sie nicht. Die Wahrheit liegt nämlich so ein bisschen dazwischen. Yvonne Faoual: Dann lass uns genau da weitermachen. Wie funktioniert ein GPT-Modell grundsätzlich mal? Dr. Lucien André Reuter: Ja, vielleicht noch einen ganz kleinen Einschub, das habe ich nämlich vorher nicht erwähnt gehabt, obwohl du danach gefragt hastest, wofür steht GPT eigentlich? Generative Pre-trained Transformer Modell. Also vielleicht ist da auch nochmal der Hinweis darauf, wie die Umwandlung von Transformer Modelle auf ChatGPT gekommen ist. Nur mal so als kleiner Fun Fact, damit man mit GPT was anfangen kann. Zu deiner Frage, wie funktioniert das? Vereinfacht gesagt ist das ein großes Sprachmodell, das gelernt hat auf Basis eines Kontextes Wahrscheinlichkeiten zu berechnen und zu entscheiden, was das nächste Textelement sein könnte. Hier spricht man ganz häufig von Tokens. Das können Wörter sein, Worteile oder Zeichen, Bestandteile. Wenn ich also sagen würde oder schreiben würde, der Himmel ist heute, dann wird das Modell berechnen und es würde irgendwas rauskommen wie Blau, Grau, Bewölk, Klar. Mit einer jeweiligen unterschiedlichen Wahrscheinlichkeit. Vereinfach gesagt. Bei Großmodellen ist das auf einem sehr großen, sehr hohen Niveau. Und das macht es nicht nur für ganz einfache Sätze wie der Himmel ist blau, sondern auch für komplexe Zusammenhänge, Fachtexte, Dialoge, Argumentationen, Code, Konzepte und und und und weiter. Alles was wir erwähnt hatten jetzt in der Vergangenheit. Man kann sich das daher wieder vereinfacht vorgestellt, dass man ein Modell hat. das Training hinter sich hatte mit sehr vielen Sprachmustern. Es hat gelernt, wie ein Mensch erklären würde, wie sie argumentieren, wie ein Text aufgebaut sind, wie man eine Frage beantwortet, was eine Fachsprache ist, wie das funktioniert, wie Geschichte funktioniert, wie Code aussieht und wie Zusammenfassung strukturiert sein soll. Alles mathematisch auf Vektoren basierend. Wenn wir also eine Frage stellen, nutzt das Modell den Kontext unserer Eingabe. ⁓ eine passende Antwort zu erzeugen. Yvonne Faoual: Das heißt es sucht nicht einfach irgendwo eine Antwort raus. Dr. Lucien André Reuter: Genau. Es ist nicht einfach nur ein Duden, der irgendwo nachschlägt, sondern... Ja, es ist mehr als nur ein Google, das schönere Sätze herausbringt. Das wäre viel zu leicht und viel zu vereinfacht gesagt. Eine Suchmaschine sucht nach bestehender Information, zeigt eine Quelle und eine Webseite an. Ein Sprachmodell erzeugt eine Antwort. Es formuliert Texte auf Basis der gelernten Muster und des Kontextes. Es interpretiert in gewisser Weise die ganzen Informationen, die es finden kann. Und das ist der Grund, warum es uns so flexibel erscheint. Aber es ist auch genau der Grund, warum es so viele Fehler macht. Denn das Modell fragt nicht automatisch, ist das wahr? Es fragt technisch vereinfacht eher, was ist im gegebenen Kontext eine wahrscheinlich passende Fortsetzung? Und wenn das irgendwie plausibel klingt, aber falsch ist, kann das Modell es trotzdem überzeugend formulieren. Und das nennen wir dann Bias oder Halluzinationen. Dazu gibt es einen Fall in Amerika, der relativ bekannt war. dass ein Jurist sehr viel sich da in Texte von der KI hat generieren lassen. Und in der Prüfung des Gerichtes kamen dann raus, ganzen Verweise auf die Gesetzestexte und die Fälle und die Querverweise, waren fiktiv, die gab es nicht. Diese Fälle, auf die referenziert worden sind, die waren gar nicht vorhanden. Aber es klang so überzeugend, dass der Jurist da nicht einfach drüber geguckt hatte, der Anwalt, und es einfach übernommen hatte. Und das ist die große Gefahr, wo wir immer sagen, Der Mensch ist verantwortlich für das, was er mit dem Werkzeug macht. Yvonne Faoual: Das heißt, GVT klingt halt super gut, ja, und super richtig, auch wenn es komplett falsch liegt. Dr. Lucien André Reuter: Ja, und das ist wie gesagt eine super große Gefahr. Es ist sprachlich sehr stark, es kann sehr souverän formulieren, es kann Unsicherheiten kletten, es kann Lücken füllen, es kann Antworten erzeugen, die wirklich überzeugend klingen. Aber überzeugt ist nicht automatisch richtig. Man kennt das mit Dissolutionen mit Kleinkindern. Die können super überzeugt sein, dass sie heute Abend keine Ahnung eine Fledermaus bekommen, haben aber irgendwas komplett falsch verstanden und komplett fehlinterpretiert. Und das finde ich manchmal eine ganz gute Analogie, die man so bisschen bringen kann. Wenn ich mit meinem Kleinen spreche, habe ich manchmal das Gefühl, ich spreche mit Chetchu Pt. und es fantasiert gerade wieder. Ich habe manchmal wirklich das Bild im Kopf, wie das in der kleinen Bürne rattert und dann irgendwas komplett überzeugt erzählt, was halt gar nicht stimmt. Und ja, warum ist das wichtig oder extrem wichtig? Für Unternehmen ist das super wichtig. Yvonne Faoual: Hahaha Dr. Lucien André Reuter: Denn je professioneller eine Antwort klingt, desto eher sind Menschen geneigt, ihr zu vertrauen. Das ist ganz typisches Prinzip. Deshalb sage ich gerne, GPT´s sind kein Wahrheitsautomaten. Es ist ein Sprach- und Strukturmodell. Es kann unterstützen beim Denken, Recherchen vorbereiten, Texte strukturieren, Hypothesen liefern, Perspektive eröffnen. Aber es darf uns niemals die Verantwortung für Wahrheit, Entscheidung oder Wirkung abnehmen. Die muss beim Mensch bleiben. Yvonne Faoual: Lass uns doch mal ein Stück weit auf das Thema Training und Daten eingehen. Du hast gerade gesagt, dass solche Modelle trainiert werden. Was passiert bei diesem Training? Dr. Lucien André Reuter: Ja, das ist ein ganz wichtiger Aspekt. Es geht hier jetzt nicht ⁓ eine Fitness-Podio. Das heißt, wir packen den Computer nicht auf dem Laufband und lassen den laufen, sondern es geht eine Riesenmenge an Daten, Textdaten zumeist und daraus werden Muster generiert. Also es lernt zum Beispiel, welche Wörter häufig zusammen auftreten, welche Satzstrukturen typisch sind, wie Fragen und Antworten aufgebaut sind, wie eine Argumentationskette funktioniert. Welche Begriffe in welchem Kontext stehen? Wie Fachgebiete sprachlich strukturiert sind. Das Modell speichert aber nicht einfach Texte wie in einer Bibliothek ab. Es baut eine interne mathematische Repräsentation auf. Muster, Gewichtung, Beziehungen. Danach erst gibt es häufig weitere Schritte wie Feintuning, menschliches Feedback, damit die Antworten hilfreicher, sicherer und besser an menschliche Erwartungen angepasst werden. Wenn wir da das Beispiel zum Beispiel von den Hunden und Katzen nehmen, es gibt verschiedene Arten des Learnings, es gibt Betreutes und Nichtbetreutes lernen und noch viele weitere. Beim Betreuten lernen steht ein Mensch neben dran und sagt immer, das ist ein Hund, das ist eine Katze, das ist Hund, das eine Katze, Katze, Katze, Hund, Hund, Katze. Und es gibt das Nichtbetreute, wo die Maschine allein gelassen wird, wo es vielleicht, wenn überhaupt, im Nachgang Korrekturen gibt. Also da gibt es aber auch wieder ganz viele Untergruppen, ist jetzt wirklich vereinfacht gesagt. Yvonne Faoual: Okay, ja. Dr. Lucien André Reuter: Das heißt, diese Modelle lernen nicht wie ein Mensch durch Erfahrung, sondern durch statistische Muster in Daten. Daraus entstehen dann Fähigkeiten, die manchmal richtig erstaunlich wirken. Yvonne Faoual: Okay, und warum wirken diese Systeme dann manchmal so unfassbar intelligent? Dr. Lucien André Reuter: Weil Sprachen sehr viel von unserem Denken abbildet. dass die Menschheit eine Sprache entwickelt hat, uns ja geholfen, überhaupt und so weiter zu entwickeln. Und wir rechnen der Sprache automatisch immer sehr viel zu. Das heißt, jemand, sehr gehoben, sehr eloquent spricht, der wirkt immer auch gebildeter als jemand, der sehr blum spricht, obwohl das gar nichts über die Intelligenz zu tun hat. Weil wir ja auch wissen, es gibt einen Unterschied zwischen gebildet und intelligent. Ähnlich kann man das auch betrachten. Das heißt, wenn ein Modell, Sprache sehr gut beherrscht, wirkt es schnell intelligent. Wenn wir Menschen diese Sprache als Intelligenz abbilden, wie wir es auch im richtigen Leben mit anderen Menschen tun, dann haben wir immer den Punkt, dass diese Zusammenhänge gut klingen, sauber formuliert sind und wir sagen dann automatisch, ja diese Person, versteht das, die versteht mich, die... Die versteht die Situation, die ist fit. Gerade bei Kindern, wenn du mit kleinen Kindern sprichst, sagt man auch irgendwann, ⁓ ja, der ist sehr hell im Kopf, da merkt man, dass er versteht, worüber ich spreche. das kann halt diese Menschlichkeit hervorrufen, suggerieren. Und deswegen muss man von eher einer scheinbaren Intelligenz eigentlich ausgehen. Die GPTs sind scheinbar Intelligenz. Sie ist nicht wertlos, im Gegenteil. Sie ist extrem nützlich, super krasses Tool. Aber es ist halt anders als eine menschliche Intelligenz. Deswegen würde ich sagen, ein GPT simuliert nicht einfach Wissen. Es verarbeitet sprachlich verdichtete Muster von Wissen. Aber es trägt keine Verantwortung von diesem Wissen über dieses Wissen. Yvonne Faoual: Dann lass uns doch mal über die praktischen Seiten sprechen. Worin sind GPD-Modelle besonders stark? Dr. Lucien André Reuter: Mhm, guter Punkt. Überall gibt es Stärken und Schwächen. Besonders stark sind dort, Sprache, Struktur und Muster eine Rolle spielen. Zum Beispiel beim Zusammenfassen. Es kann lange Dokumente nehmen und sagen, fasse mir die wichtigsten Punkte zusammen oder stell mir daraus ein Management Summary oder welche offenen Fragen ergeben sich daraus, was sind To-Do's daraus. Dann zum Beispiel beim Strukturieren. Ich kann lose Gedanken eingeben und sage, bring mir das in eine klare Kliederung, mach daraus eine Agenda, entwickel daraus ein Konzept oder ordnet diese Argumente. Beim Formulieren, ich meine das machen sehr, sehr viele, die KI's benutzen, die benutzen es primär als Ideenhelfer, Formulierungshilfe. Ich kann Texte, E-Mails, Präsentationen, Live-Fähigkeiten, Stellenanzeigen, Gesprächsnotizen, Workoff, Beschreibungen, Webseiten, alles mir formulieren lassen. Wo kann es hilfreich sein? Hilfreich sein beim Perspektivenwechsel? Ich kann zum Beispiel fragen, wie würde ein Kunde darauf reagieren, wir würden eine Führungskraft da sehen, welche Einwände könnten ein Betriebsrat haben, welche Risiken übersieht man. Das Ganze wieder gesagt, wenn der Kontext stimmt. Wenn ich meine Kunden als Persona angelegt habe und sage, das sind meine typischen Kunden, die sind so und so gedacht, so so aufgebaut, reagieren so und so, dann kann mir das helfen. Wenn ich einfach nur wahllos das reinpaste in GPT ohne Kontext, kriege ich auch nur irgendwas wieder raus. Wo kann es viel helfen? Beim Lernen. Er ist ein super Sparing Partner. Ich kann sagen, erkläre mir das mal einmal für Dummies, für Anfänger, für Experten. Erkläre mir das mal aus dem Blick von Y oder Z. Mach mir mal eine Tabelle daraus oder versuche das in einem Gespräch abzubilden. wir wissen ja, dass wir verschiedene Lerntypen haben, Menschen. Und genau da ist es wertvoll, weil das den ja mein Buch, meinen Lehrplan auf einmal übersetzen kann auf eine für mich besser aufnehmbare Art der Informationsübermittlung. Also Da ist es wirklich enorm wertvoll. Die Kernstärke ist daher nicht die KI denkt für mich. Die Kernstärke ist definitiv. Sie hilft mir Gedanken sichtbarer, sortierbarer und bearbeitbarer zu machen. Yvonne Faoual: Verstehe, also es ist damit ein Spareings-Partner und weniger ein Entscheider. mit Blick auf die Uhr würde ich jetzt einfach sagen, springen wir doch vielleicht direkt zu den Schwächen, damit wir die noch mit abgedeckt haben, die Schwächen und die Grenzen. Wo müssen Unternehmen besonders vorsichtig sein? Dr. Lucien André Reuter: Ja. Ich würde sagen, es gibt mehrere Punkte. Neben dem, was wir den anderen Staffeln gesagt haben, ist ein Punkt die Halluzination. Wir wissen, das Modell kann Dinge erfinden, falsch kombinieren, aber weil es halt gerade so stark klingt, merkt man es nicht. Der zweite Punkt ist empfehlen des echten Verständnis. Das Modell weiß nicht, was es sagt im menschlichen Sinne. Es kann nicht beurteilen, welche Wirken eine Aussage in einer konkreten Organisation hat. Da gibt es auch wieder ein gutes Beispiel, wo man der GPT fragt, Ich möchte in die Waschanlage fahren, ich bin 500 Meter von der Waschanlage entfernt, soll ich laufen oder mit dem Auto fahren? Und es sagt, 500 Meter, da kannst du laufen. Da merkt man einfach, es versteht nicht alles. Es versteht den Kontext, hat auch ein Trainingsmuster drin, aber kriegt es halt nicht richtig hin, wie wir als Mensch sagen, wenn es total einfach Aufgabe. Wenn du das Auto waschen willst, musst du es halt auch mitnehmen. Dritter Punkt, Bias und Verzehrungen. Wenn Trainings bestimmte Muster enthalten, können Modelle diese Muster übernehmen oder verstärken. Das bedeutet, wenn das Modell drauf trainiert ist, dass statistisch gesehen, ich weiß nicht, ob die Statistik stimmt, behaupte jetzt einfach mal, 60 % aller Firmenbesitzer, Geschäftsführer Männer sind. Weiß männlich, Ü50. Dann würde es auch, wenn wir es im HR Bereich nutzen, immer solche Profiler bevorzugen als neuen Geschäftsführer, als andere. weil es einfach darauf trainiert worden ist. Vierter Punkt, Datenschutz und Vertraulichkeit. Nicht jede Information, bitte, bitte, bitte, gehört in ein externes KI-System. Man muss ganz klare Regeln definieren, welche Daten genutzt werden dürfen und welche nicht. Und wie es genutzt wird und von welchem Unternehmen das Modell kommt und wie es dahingelangt, über welche Kanäle. Fünfter Punkt Scheinsicherheit und das ist so ein bisschen der gefährlichste Punkt, finde ich, mit dem ganzen. Eine KI gibt mir eine ganz klare Antwort und dann habe ich das Gefühl, das wird schon stimmen. Aber gerade bei strategischen, rechtlichen, ethischen oder personellen Fragen darf man sich wirklich nicht darauf verlassen. Immer bitte mitdenken, hinterfragen überlegen. Man muss es als einen schlauen Praktikanten sich vorstellen, der einfach irgendwas behauptet. würde auch keiner dann sagen, okay, der Praktikant hat gesagt, das ist rechtlich sicher, der hat ja Frischjüberer studiert und übernimmt es eins zu eins, sondern man würde das halt immer nochmal hinterfragen. Der sechste Punkt, fehlende Kontextkenntnis, die KI kennt nichtautomatisch die Kultur, Geschichte, Machtstrukturen, Ängste, Konflikte und so weiter und so weiter und so weiter. Diese ganzen unausgesprochenen Regeln, die uns zwischenmenschlich bewegen, die das Unternehmen bewegen. Aber genau diese Dinge sind halt oftmals wirklich entscheidend. Yvonne Faoual: Okay, kann man aber wirklich tatsächlich sagen, die Schwächen sind technisch, definitiv, aber sie sorgen auch dafür, dass es dann zu organisatorischen und menschlichen Schwächen kommt. Dr. Lucien André Reuter: Ja, zentraler Punkt. Viele denken bei den ganzen Risiken an Technik, Datenschutz, falsche Antworten, IT-Sicherheit. Das ist alles richtig, alles wichtig. Aber viele Probleme entstehen dann auf einer anderen Ebene, nämlich das, was wir auch in der letzten Staffel hatten, dass Menschen heimlich KI nutzen, weil es keine Regeln gibt, also Shutton-IT. Führungskräfte erwarten auf einmal plötzlich eine deutlich höhere Geschwindigkeit, ohne über Qualität zu sprechen. Teams wissen nicht, ob KI-Nutzung erlaubt oder unerwünscht ist. Arbeitsergebnisse werden nicht mehr transparent erstellt. Einige fühlen sich abgehängt, übertreiben den Einsatz. Auch ein gutes Beispiel gerade bei Microsoft. Da gab es Wettkämpfe, wo die meisten Tokens verbrennt. Mittlerweile rollen sie zurück, weil sie merken, viele Tokens haben nicht gute Qualität. Das heißt, Entscheidungen wirken objektiver, weil man denkt, ja, viele Token, aber in Wirklichkeit sind es das gar nicht. Das heißt, KI verändert nicht nur Tools, die KI verändert ... Yvonne Faoual: Hahahaha Dr. Lucien André Reuter: uns Menschen und unsere Zusammenarbeit. Deswegen brauchen wir nicht nur diese Technikkompetenz, sondern auch diese Führungskompetenz, Kommunikationskompetenz und Leitbelang. Darum geht es hier bei Digitistence, Human Assight of AI. ⁓ den Anfang nochmal aufzurollen, deswegen machen wir heute diese leichte Technikfolge oder etwas schwere Technikfolge für die meisten. Für mich ist es bisschen leichter. Aber genau darum geht es, dass halt das große Ganze angeguckt werden muss und man so ein Basic Verständnis erreichen muss. Yvonne Faoual: Genau, und darum geht es ja auch bei uns tatsächlich in Staffel 3, dass wir gesagt haben, wir schauen uns relativ viele Use Cases an, wir wollen ganz ganz viele Gast-Sprecher da haben, aber was genau macht denn aus deiner Sicht einen guten KI Use Case aus? Dr. Lucien André Reuter: Ja, vielleicht ganz wichtig zu Beginn, guter KI-Use-Case beginnt nicht mit einem Tool. Also ich fange nicht an und sage, ich habe JetJPT, wie kann ich das sinnvoll nutzen? Für mich beginnt ein guter Use-Case mit einem echten Problem. Und Probleme grenzen sich durch Fragen ein. Wie zum Beispiel, wo entsteht heute Aufwand? Wo entstehen Fehler? Wo fehlt Transparenz? Wo wird Wissen nicht genutzt? Wo ... verlieren Menschen Zeit. Wie wiederholen sich bestimmte Aufgaben? Wo brauchen Menschen besser Entscheidungsgrundlagen? Oder wo gibt es vielleicht viele unstrukturierte Informationen, die ich nutzen könnte? Und dann kann man überprüfen, kann KI hier helfen? Oder doch lieber RPA? Ein guter Use-Case ist außerdem klar begrenzt. Also Projektthematiken, Projekte sind daher gut, wenn sie zeitlichen Ablaufdatum haben, also irgendwann beendet sind. Also nicht, wir führen KI im Unternehmen ein. Das ist nämlich nicht absehbar und beendet. Das ist eine Weiterentwicklung, das ist eine Strategie, aber definitiv kein Use-Case. Sondern ein guter Use-Case könnte zum Beispiel sein, wir möchten Kundenanfragen vorsortieren. Wir möchten interne Wissensdokumente besser nutzbar machen. Vielleicht auch barrierefreier nutzbar machen. Wir möchten Meeting-Protokolle automatisch strukturieren. Zeitersparnis. Wir möchten aus technischen Dokumentationen schneller Antworten ableiten. Also vielleicht ein Chatbot, der die ganzen technischen Dokumentationen sammelt und versteht. Und ich dem fragen kann System XY, Fehler Z, was bedeutet das? Anstatt es halt selbst rauslesen zu müssen. Yvonne Faoual: Mhm. Dr. Lucien André Reuter: Schlurinsinhalte schneller individualisieren. Das auch schon wieder so ein Wort, ich total liebe. Und natürlich Führungskräfte unterstützen bei der Kommunikation und im Wandel. Das sind ganz konkrete Anwendungsfälle. Yvonne Faoual: Und warum KIU-Scases manchmal scheitern, wie man oder was es bedeutet, dass praktisch die oder was die praktische Bedeutung von Nutzung und JetJPT im Kontext ist, sowie viele, viele weitere Fragen, das heißt, dass uns KI zwingt, präziser zu werden, KI-Agenten zu nutzen, was der Unterschied ist, warum Assistenz, Automatisierung, Autonomie erklären, werden wir alles in den Staffel 3 mit unseren Gästen auseinandernehmen und besprechen und auch, warum KI leistungsfähiger wird. Und zum Abschluss, Lucien? würde ich ganz gerne noch von dir wissen, was glaubst du, wenn wir so nach vorne schauen, wohin entwickelt sich das Ganze aus deiner Sicht? Dr. Lucien André Reuter: Das ist natürlich die Frage nach der Kristallkugel und das ist eine gute Frage. Wir wissen es nicht. Ich weiß es auch nicht. Meine Vermutung wäre, dass KI noch stärker in den Alltag mit reinkommt, dass es omnipräsent wird, dass es sich eine Zeit lang noch langsam weiterentwickeln wird mit kleineren Verbesserungen und wir dann irgendwann nochmal einen ganz riesen Peak haben und nochmal einen Riesensprung vielleicht zur der künstlichen allgemeinen Intelligenz kommen. Das könnte ich mir vorstellen. Yvonne Faoual: Hahaha Also... Dr. Lucien André Reuter: Aber es ist nicht greifbar, was für einem Zeitrahmen sich das entwickeln wird. Was de facto sein wird, ist, dass Unternehmen sich damit auseinandersetzen müssen, ob sie wollen oder nicht. Es ist eine Thematik des, natürlich des Fear of Missing Out bei manchen Unternehmen. Es ist aber auch eine Thematik von Anforderungen von Mitarbeitern, wenn Mitarbeiter mittlerweile lernen. dass sie bestimmte Aufgaben nicht mehr machen müssen, mehr Blumen von Excel ins CRM-System zu übertragen und die wechseln die Firma und dort ist keine KI, die da unterstützt, dann wird es Klitsch geben, wird eine Anforderung von den Mitarbeitern kommen, ich möchte das aber so nutzen, ich bin das gewohnt zu machen. Wenn wir jetzt gerade an der Hochschule KI einführen in der Lehre, dann werden die Leute auch nach der Hochschule diese KI anwenden wollen, weil sie die Vorteile verstehen. Auf der anderen Seite hoffe ich, dass wir mit unserem Podcast, auch mit unseren Workshops, mit unseren Gesprächen, mit unseren Gästen unsere Aufklärungsarbeit leisten, unseren Beitrag dazu bringen, dass man das Ganze ja im Großen und Ganzen betrachten muss, die Vorteile sehen muss, die Nachteile sehen muss und am Ende zu einem Punkt kommen wird, wo man sagen kann, das ist mega cool, das ist eine tolle Erfindung. Es ist aber am Ende nur ein Werkzeug und wir müssen lernen. es zu verstehen und in unserem Alltag mit einbauen. Yvonne Faoual: Wenn du jetzt noch zusammengefasst einen Satz für unsere Führungskräfte und Unternehmen mitgeben möchtest oder Unternehmer, welcher wäre das? Unser Lieblingsabschlusspart, dieser eine Satz, so alles zusammenführt. Einen Satz gerne auch mit drei Stichpunkten von dir. Dr. Lucien André Reuter: Der eine Satz. Okay, ich probiere es mal. GPTs, KI's sind keine denkenden Wesen, sondern ein mächtiges Werkzeug, ein Sprach- und Strukturwerkzeug. Es setzt auf keinen Fall unsere Verantwortung, aber es verändert, wie wir denken, arbeiten und entscheiden. Das, glaube ich, ein guter Satz zum Schluss, weil es so bisschen alles eingreift, was wir in den ersten zwei Staffeln und jetzt auch in Staffel 3 behandeln werden. Yvonne Faoual: Mhm. Dr. Lucien André Reuter: Habt es einfach im Hinterkopf. Es ist eine Maschine und es bleibt eine Maschine in der Zukunft. Yvonne Faoual: Das war ein sehr guter Einstieg in Staffel 3. Wir haben heute gesehen, KI ist kein Zauber, aber auch kein normales Software-Tool. Es ist eine Technologie, die Sprache, Wissen, Prozesse und Entscheidungen verändert. Wir haben über Digitalisierung, RPA, Machine Learning, Transformer, GPT gesprochen. Wir haben verstanden, warum Intention so wichtig ist. Wir haben gehört, wie Sprachmodelle grundsätzlich funktionieren. Und wir haben auch über Grenzen, Risiken und Verantwortung gesprochen. Und genau darauf bauen wir jetzt in den nächsten Folgen auf. wollen wir uns jetzt stärker in die Praxis gehen, das hatten wir am Anfang schon gesagt. wollen mit Gästen sprechen, echte Use Cases anschauen, was funktioniert, was hat nicht funktioniert und eben auch herausfinden, wo schafft KI wirklich echten Nutzen, wo braucht es ganz klare Leitplanken, wie gelingt es, Technologie so einzusetzen, dass sie Menschen und Organisationen stärkt. Und wenn euch diese Folge gefallen hat, abonniert gerne den Postcast, teilt ihn mit Menschen für die KI gerade super Relevantes, schreibt uns, welche Fragen oder Use Cases auch besonders interessieren, worauf ihr richtig Bock habt und genau, das war dann heute wieder Digital Dissens, die human side of AI. Lieber Lucien, vielen herzlichen Dank und bis zur nächsten Folge. Dr. Lucien André Reuter: Ich danke dir auch, Yvonne. Und ich hoffe, wir kriegen auch noch ein paar Fails mit. Also dass uns ein paar Gäste wirklich ins kalte Wasser hüpfen und sagen, sie haben was probiert und es ist grandios gescheitert, weil ich finde, aus Fehlern lernt man mitunter am meisten. Also, bis dahin. Ciao! Yvonne Faoual: Ja, absolut. Bis dahin zur nächsten Folge. Tschüss tschüss!