Latest / Prof of Concept - So läuft Wirtschaftspolitik. / KI & Jobeinstieg: Kostet es uns wirklich Arbeitsplätze?

Transcript

KI & Jobeinstieg: Kostet es uns wirklich Arbeitsplätze? · Prof of Concept - So läuft Wirtschaftspolitik.

• 0:00
  Im Prinzip ist es so, dass man eben ein Modell gebaut hat mit
• 0:03
  der Aufgabe, dass man einen bestimmten Text hineingibt und
• 0:07
  dass das Modell darum bittet. Wir machen eine Vorhersage,
• 0:10
  welches Wort jetzt am wahrscheinlichsten als nächstes
• 0:14
  erscheinen sollte in Bezug auf diesen Absatz.
• 0:18
  Also einfach statistisch gesprochen ein Vorhersagen
• 0:21
  Modell. Es ist einfach basierend auf
• 0:22
  Textmodell. Genau, man hat Tausende von
• 0:24
  Büchern oder Millionen von Büchern, Wissenschaftliche
• 0:27
  Artikel, Forenposts aus dem Internet genommen und.
• 0:30
  Um dann eben diese Modelle auch zu trainieren.
• 0:31
  Dass es möglichst genau diese Texte, die Lücken auch immer
• 0:34
  wieder auffüllen, kann dann nicht unbedingt die
• 0:36
  Sprachmodelle, sondern dass es dann, wenn Unternehmen anfangen,
• 0:39
  ihre eigenen neuronalen Netze dann auch zu trainieren, für
• 0:42
  ihre Anwendung, aber wir können auch einfach nur anfangen bei
• 0:45
  einem Unternehmen, das sozusagen, ich denke an eine
• 0:47
  große Bäckereikette, und die versuchen einfach so,
• 0:51
  Qualitätssicherung bei der Lebensmittelherstellung zu
• 0:54
  machen und zu gucken, ist das Brot wirklich rund oder das
• 0:56
  genug Kruste. Dann kannst du natürlich auch da
• 0:59
  ein neuronales Netz drauf trainieren.
• 1:00
  Wirst dann halt gucken wie gut ist eigentlich die Qualle hier
• 1:02
  in dem von dem bestimmten Produkt und da gibt es so viele
• 1:05
  100 Tausende Use Cases über die Firmen hinweg.
• 1:07
  Sind also das ist im Prinzip ein Verbot, KI oder externe ll Ms zu
• 1:12
  benutzen, wenn nicht sichergestellt wird zum
• 1:14
  Beispiel, dass Personen mit solchen Daten im H Art
• 1:17
  Department da reinfließen. Also es gibt eine absolute
• 1:20
  Hochrisikokategorie, da ist es untersagt, vor allem wenn
• 1:22
  biometrische Daten benutzt werden oder wenn der
• 1:25
  Anwendungsfall so ein Social Scoring wäre.
• 1:27
  Und da gibt es aber auch eine höhere Risikokategorie.
• 1:30
  Das sind dann Anwendungen in Bildung, wenn Diskriminierung
• 1:33
  stattfinden könnte, und da ist dann eben ein großer Compliance
• 1:36
  Chip notwendig. Culture Cashflow und Meme
• 1:38
  Economy live aus dem Ostflügel der Uni Mannheim mit Hypost
• 1:42
  Chief Novation Officer Christoph Wieland und Wirtschaftsprofessor
• 1:45
  Marcel Olbert Wir liefern den Prof.
• 1:48
  Ob Concept. Willkommen zu einer weiteren
• 1:50
  Folge unseres Podcasts. Wir sitzen hier am Ostflügel der
• 1:53
  Uni Mannheim im im mittlerweile mit Namensschild versehenen
• 1:56
  Cobra. Wofür, das steht Marcel, das
• 1:58
  kannst du gleich erklären, ich bin Chris, Mach irgendwas mit
• 2:01
  Wirtschaft und irgendwas mit Medien und das ist der prove
• 2:04
  concept. Ja Hi, ich bin Marcel Professor
• 2:07
  für Taxation, Accounting und Finance hier an der Uni
• 2:10
  Mannheim. Wir sind noch im absoluten
• 2:12
  Startup Modus, gerade wurde hier fertig gestrichen, unser Podcast
• 2:16
  Studio immer noch n bisschen notdürftig zusammengeschustert,
• 2:20
  aber das hält uns nicht davon ab.
• 2:22
  Absolut durchzustarten, inhaltlich die Themen anzugehen,
• 2:25
  die hoffentlich euch alle bewegen.
• 2:27
  Und deswegen bin ich ultra happy heute ne Folge mit einem
• 2:30
  Direktkollegen von mir zu ja hosten mit Jens Förderer Jens,
• 2:35
  Du bist hier Professor für man, früher hat man gesagt
• 2:38
  Wirtschaftsinformatik ja man kann das sicherlich auch cooler
• 2:41
  ausdrücken. Auch einer der absolut jungen
• 2:43
  Generationen. Du bist seit 2025 erst in
• 2:46
  Mannheim noch under Forty und deswegen auch ja Forty Under
• 2:51
  Forty gelistet im Kapital und absoluter Experte im Bereich KI.
• 2:56
  Darüber wollen wir heute sprechen.
• 2:57
  Schön, dass du da bist. Danke für die Einladung, freut
• 2:59
  mich. Würde ich sagen, steigen wir
• 3:01
  direkt ein. Wir haben kurz vorab schon ein
• 3:04
  bisschen gesprochen, KI natürlich großes Thema, es gibt
• 3:06
  auch 1000000 Podcasts, mal kurz zur Einordnung.
• 3:10
  Seit Ende letzten Jahres setzt ja auch so n bisschen Müdigkeit
• 3:13
  ein. Wird so diskutiert, war das
• 3:15
  alles n übertriebener Hype, dass wir so n kleines
• 3:17
  Produktivitätskimik haben, auf der anderen Seite lese ich auch
• 3:20
  total und spürst bei mir in der Arbeit, dass die Leute sagen,
• 3:23
  jetzt knallt es erst richtig, ja JGBT und so weiter war
• 3:26
  Kindergarten, jetzt geht es erst richtig los, kannst du uns das
• 3:30
  mal kurz einordnen, weil du beschäftigst dich damit tagein
• 3:32
  tagaus. Na ich glaub vor n paar Jahren
• 3:35
  haben wir gesehen wie JGBT von einem Tag auf den anderen
• 3:37
  Released wurde. Und dann auch so ziemlich die
• 3:40
  Welt schockiert hat. Innerhalb von 2 Monaten
• 3:42
  100000000 Nutzern bekommen hat. Heute sehen wir in den USA
• 3:46
  glaube ich die letzte Statistik waren Roundabout 47% 48%
• 3:51
  Adoption in den Privathaushalten auch das heißt es ist ein Tool
• 3:54
  das überall genutzt wird, auch seitdem hat sich aber auch
• 3:58
  einiges verändert, also der Markt hat sich ein bisschen
• 4:01
  verändert. Und von dem, was es an
• 4:03
  Erwartungen eben gab, sind wir so die die Halbkurve
• 4:06
  Hochgelaufen direkt auf den Hype.
• 4:08
  Irgendwann hat jeder dann davon gesprochen, also auch der
• 4:11
  Taxifahrer, auch die sozusagen die Großeltern dann vielleicht
• 4:14
  auch mal. Und jetzt sind wir so langsam
• 4:16
  auf diesem abwärtsbewegenden Ast auch angekommen, also so langsam
• 4:20
  findet diese stale Ernüchterung nennt man es ja also, dass dass
• 4:24
  sich die Erwartungen dämpfen, man sieht bestimmte Fälle dann,
• 4:28
  wo dann diese Large Language Models auch gut funktionieren.
• 4:32
  Andere Schwachstellen tun sich auf und jetzt geht es eben
• 4:36
  langsam auf das Tal und irgendwann kommen wir dann auf
• 4:38
  das Plateau, wo wir dann eben genau auch sehen können, okay,
• 4:41
  das sind jetzt wirklich die Fülle, da sind wir auch.
• 4:44
  Jetzt haben wir also, ich glaube, wir sind ja an einem
• 4:47
  Punkt, wie du schon sagst, es ist bei jedem angekommen.
• 4:49
  Ich glaube, so gut wie jeder hat zumindest ich auch von seinen
• 4:52
  Eltern mittlerweile mal irgendein generiertes Bild
• 4:54
  geschickt bekommen, also so das ausprobiert hat jeder mal, wo
• 4:57
  der Hund auf einmal irgendwie eine Mütze auf hat und so, weil
• 4:59
  es einfach geht. Dieser absteigende Ast oder dass
• 5:03
  man jetzt halt sagt, OK, wir haben so ne gewisse
• 5:05
  Gewöhnungsquote, ne wo man sagt, OK die Leute die kennen das, ist
• 5:09
  das denn jetzt eher dann wirklich softwareseitig, also
• 5:11
  von dem was die Modelle können, also auf der Anwendungsseite?
• 5:14
  Weil sie auf der Infrastrukturebene zum Beispiel,
• 5:16
  da geht es ja weiter. Also ne, Nvidia hat zur
• 5:18
  Zeitpunkt der Aufnahme vor Kurzem die neuen Quartalszahlen
• 5:20
  vorgestellt, es geht ja weiter in Stallberg, auf
• 5:23
  Arbeitsspeicher kann sich immer noch keiner leisten, der
• 5:25
  irgendwie n Gaming PC bauen will, das ist alles ja irgendwie
• 5:28
  noch ne Nachfrage. Oder der n neuen Lehrstuhl
• 5:30
  ausstatten möchte an der Universität ja alles ja teuer
• 5:32
  aktuell. Ja, wir haben ja Hunderte
• 5:35
  Milliarden committed und diese Infrastrukturprojekte in in dem
• 5:38
  Space. Würdest du sagen, da divergeti
• 5:40
  Kurve so ein bisschen, je nachdem, ob du dir Hardware oder
• 5:42
  Software anguckst? Oder ist das eigentlich
• 5:44
  dasselbe? Naja, ich glaube man muss einen
• 5:47
  Schritt zurückgehen und überlegen, was was haben wir
• 5:49
  eigentlich für eine technologische Entwicklung
• 5:50
  gesehen. Also wir sprechen ja von
• 5:52
  Artificial Intelligence, und das ist eine Entwicklung, die sich
• 5:55
  eigentlich schon seit 7080 Jahren vollzieht und es ist,
• 5:59
  wieso eine Art sich bewegende Grenze, die sich fortlaufend
• 6:03
  nach vorne schiebt, mit dem, was wir mit Maschinen auch machen
• 6:06
  können und automatisieren können.
• 6:08
  Und was wir dann in den letzten Jahren gesehen haben, war dann
• 6:10
  eben, dass vieles zusammen kam. Also diese Hardware,
• 6:13
  Verbesserung, der Gedanke, dass man mit GP Use auch diese
• 6:16
  Modelle lernen und trainieren kann, bloß alles Scout
• 6:19
  Computing, über dass man das dann alles zusammenführen kann.
• 6:22
  Und da gab es viele Innovationen und das hat dann zu diesen
• 6:25
  großen Sprachmodellen dann auch geführt und das war jetzt so,
• 6:28
  dieser große Innovationspunkt auch in den letzten Jahren.
• 6:31
  Aber noch mal zum Teil der Ernüchterung oder Adaptionsquote
• 6:36
  wie gesagt, ich sehe aber trotzdem, dass jetzt gerade
• 6:38
  Anfang des Jahres super viele Neuigkeiten draußen sind, die
• 6:41
  sagen, jetzt kracht es erst richtig.
• 6:43
  Ja, also. Was was hat es damit auf sich?
• 6:45
  Ist? Gibt es da vielleicht auch ein
• 6:47
  bisschen bisschen Divergenz zwischen dem Standard Haushalt,
• 6:51
  dem dem Endnutzer und den Leuten, die technologisch da
• 6:55
  relativ weit vorne sind und einschätzen können, was diese
• 6:58
  neuen Technologien mit ganzen Geschäftsmodellen nicht in der
• 7:01
  Software Branche macht? Weil so sehe ich das bei mir in
• 7:03
  der Wissenschaft, vielleicht sprechen wir gleich noch mal
• 7:05
  drüber, wie wir arbeiten, ich sehe hier auch der Hockey Stick,
• 7:08
  der geht jetzt auf jeden Fall nach oben, was die Möglichkeit
• 7:10
  mit den Modellen angeht. Also so und so, also auf jeden
• 7:14
  Fall gibt es diese Möglichkeiten jetzt schon unglaublich durch
• 7:17
  Chlorid und Jet GBT und allein wenn diese Tools schon den Weg
• 7:20
  dann finden, quasi in Startups, in Unternehmen rein und von ich
• 7:24
  sag mal Angestellten dann dort benutzt werden, wenn wir schon
• 7:26
  auf jeden Fall produktivitätspotenziale sehen,
• 7:28
  die sind enorm, keine Frage. Aber ich glaube, dieser große
• 7:33
  Schritt, der dann wirklich kommen wird, den sehen wir erst
• 7:35
  in ein paar Jahren. Und zwar sind das dann nicht
• 7:37
  unbedingt die Sprachmodelle, sondern das ist dann, wenn
• 7:40
  Unternehmen anfangen, ihre eigenen neuronalen Netze dann
• 7:42
  auch zu trainieren für ihre Anwendung sie willst.
• 7:45
  Du grob unter dem Umbrella Term agentic einfassen.
• 7:50
  Auch, ja. Aber wir können auch einfach nur
• 7:52
  anfangen bei einem Unternehmen, das sozusagen, ich denke an eine
• 7:55
  große Bäckereikette und die versuchen.
• 7:59
  Einfach so. Qualitätssicherung bei der
• 8:00
  Lebensmittelherstellung zu machen und zu gucken, ist das
• 8:02
  Brot wirklich rund oder hat das genug Kruste?
• 8:05
  Dann kannst du natürlich auch da ein neuronales Netz drauf
• 8:07
  trainieren was da guckt. Wie gut ist eigentlich die Quali
• 8:10
  hier an dem von dem bestimmten Produkt und da gibt es so viele
• 8:13
  100 Tausende Use Cases über die Firmen hinweg wo Firmen erstmal
• 8:16
  überlegen müssen, wie komme ich an Daten ran, wie kann ich die
• 8:19
  gut sammeln, wie kann ich da mein Modell drauf trainieren bis
• 8:22
  sich das dann irgendwann niederschlägt in den Umsätzen
• 8:25
  aber dann auch bei uns als Verbrauchern auch.
• 8:28
  Jetzt sind wir ja schon sehr deep drin mit Times wie agentic
• 8:31
  Ai kannst du vielleicht mal so ganz kurz einordnen, was ist
• 8:34
  eigentlich so ein lm, was ist eigentlich so ein Agent, wofür
• 8:37
  steht eigentlich Jet JBT, das sind ja so Sachen die man die
• 8:40
  man da oft irgendwie hört, die in den Medien immer
• 8:42
  rumgeschmissen werden. Ich hab so das Gefühl, das
• 8:45
  versteht auch nicht so jeder Journalist der das schreibt
• 8:47
  immer was das alles also. Also eine tik tokisierende
• 8:50
  Version deiner Vorlesung hier an der Uni Mannheim.
• 8:53
  Jetzt ganz kurz die wichtigsten Buzzwords kurz erklärt.
• 8:56
  Ja, ist egal. Also im Prinzip, was wir bei
• 8:58
  Chat gbt haben, ist ein sogenanntes Sprachmodell.
• 9:01
  Das heißt, das ist ein. Profiship Gbt, das wäre schon
• 9:05
  mal. Das ist der generative pretrain
• 9:07
  Transformer okay ich zerlege das jetzt kurz in die Stücke.
• 9:11
  Im Prinzip ist es so, dass man eben ein Modell gebaut hat mit
• 9:14
  der Aufgabe, dass man einen bestimmten Text hineingibt und
• 9:18
  dass das Modell darum bittet, Mach eine Vorhersage, welches
• 9:22
  Wort. Jetzt am wahrscheinlichsten als
• 9:24
  nächstes erscheinen sollte in Bezug auf diesen Absatz.
• 9:29
  Also einfach statistisch gesprochen ein Vorhersagen
• 9:32
  Modell. Es ist einfach basierend auf.
• 9:34
  Texte genau, man hat Tausende von Büchern oder Millionen von
• 9:37
  Büchern, wissenschaftliche Artikel, Forenposts aus dem
• 9:39
  Internet genommen, um dann eben diese Modelle auch zu
• 9:42
  trainieren. Dass es möglichst genau diese
• 9:44
  Textlücken auch immer wieder auffüllen kann.
• 9:47
  Und wenn du das halt richtig lange machst und mit vielen
• 9:49
  Daten und möglichst großen Modellen nimmst.
• 9:51
  Dann kommt eben in der Urform sowas raus wie Chat gbt.
• 9:55
  Das heißt, wenn du dein prompt eben eingibst bei Chat gbt was
• 9:59
  im Hintergrund passiert ist das Modell versucht, denn das erste
• 10:02
  Wort der Antwort auf deinen prompt vorherzusagen, dann nimmt
• 10:05
  es wieder den prompt das erste Wort das vorhergesagt hat und
• 10:08
  versucht das nächste Wort vorherzusagen und und und.
• 10:10
  Bis es dann erstes. Generieren wahrscheinlich
• 10:12
  generative. Genau das ist dann diese
• 10:14
  generative Component. Dass wir eben inzwischen
• 10:17
  Maschinen haben. Die können nicht nur Calculaten
• 10:20
  und Computern wie einen Taschenrechner, sondern sie
• 10:22
  können eigene Inhalte generieren, Bilder, Text, und da
• 10:26
  sind wir eben jetzt und im Prinzip, was jbt eben genial
• 10:30
  gemacht hat und was Open Aida super gemacht hat ist, dass sie
• 10:34
  eben das Modell weiterentwickelt haben, das heißt, sie haben
• 10:37
  ganz, ganz viele Prompts und Antworten darauf generiert.
• 10:40
  Und dann immer wieder menschliches Feedback, auch
• 10:42
  Reingegeben, also Menschen, Experten bewerten lassen.
• 10:45
  Wie gut war jetzt diese Antwort auf den Punkt?
• 10:47
  Das kennt man ja vielleicht auch noch so aus den ersten Tagen.
• 10:49
  Ich glaube, es gibt es auch heute noch einen Chat JBT, dass
• 10:51
  du so diesen Daumen hoch Daumen runter hattest und dann auch
• 10:54
  regelmäßig mal so gefragt wurde, welche Version ist besser, wenn
• 10:56
  man so 2 Antworten bekommen hat oder halt sagen konnte, was wäre
• 11:00
  denn ein Feedback. Also es war ja eigentlich nur ne
• 11:02
  ganz große Sammlung an Feedback um eben diese Modelle ja immer
• 11:05
  genauer zu machen. Genau das ist dann das
• 11:07
  sogenannte Reanforcement Learning, also die Maschine
• 11:10
  beziehungsweise der Computer lernt dann eben durch das
• 11:13
  verstärken des Signal des menschlichen Feedbacks dann
• 11:15
  immer bessere Antworten zu schreiben.
• 11:17
  Auch es ist absolut verblüffend, dass es funktioniert, weil es
• 11:21
  hätte keiner gedacht, es ist total surprising, dass du
• 11:23
  einfach nur durch Worte vorhersagen clevere Antworten
• 11:27
  bauen kannst. Aber das ist eben etwas, was
• 11:29
  anscheinend in der menschlichen Sprache logisch verborgen ist.
• 11:32
  Auch das ist das Verblüffende an.
• 11:34
  Jetzt und die technologische Innovation ist, dass man jetzt
• 11:37
  sozusagen den den den Code geknackt hat, um das Ganze
• 11:42
  maschinell laufen zu lassen. Diese Sprachintelligenz.
• 11:46
  Genau also für die Sprachintelligenz war dann der
• 11:48
  Baustein. Wir haben zum einen das Modell
• 11:50
  an sich, die Modelle gibt es schon seit den 70er Jahren, aber
• 11:53
  es gab nicht genug Daten und es gab nicht genug Computing Power,
• 11:56
  also Grafikkarten etc. Um das Ganze dann auch zu
• 11:59
  berechnen. Also ihr müsst euch halt
• 12:01
  vorstellen diese Modelle, die sind wahnsinnig groß, also es
• 12:03
  sind halt über eine billiarde kleine Knoten in diesen
• 12:06
  neuronalen Netzwerken, die dann die Antwort dann auch in GPT
• 12:09
  bestimmen, also wahnsinnig groß. Jetzt ist es ja so.
• 12:14
  Wir haben ja im Endeffekt da verschiedene Hürden gehabt, wie
• 12:17
  du gerade schon gesagt hast. Ne, du hast einmal die Computing
• 12:19
  Power, die einfach nicht da war, du hast die Datenmenge die nicht
• 12:23
  da war, das sind jetzt ja Sachen, die gelöst worden sind
• 12:26
  und jetzt gibt es ja so diesen großen Begriff der AGI, diese
• 12:29
  Artificial General Intelligence, ich würde jetzt mal vermuten,
• 12:32
  die braucht noch mehr Computing Power und noch mehr Datenpunkte
• 12:35
  und noch mehr Daten dafür auch. Was ist denn, was steht dem im
• 12:39
  Wege? So als nächste Revolution, das
• 12:40
  ist ja auch anschließend an das, was du gesagt hast, Marcel, da
• 12:42
  ist gerade ja viel Traction drauf, auf dem Thema.
• 12:44
  Ist es denn jetzt was jetzt, wie ja einige sagen 2027 erreicht
• 12:48
  wird, 2030 oder vielleicht doch nie?
• 12:51
  Ja, ich glaube, um das einzuordnen, also unter der AG
• 12:54
  oder AGI versteht man dann so eine allgemeine künstliche
• 12:56
  Intelligenz, also die dann eben viele verschiedene Aufgaben
• 13:00
  erledigen kann und wahrscheinlich eben so
• 13:02
  funktioniert, wie auch ein Mensch funktioniert.
• 13:04
  Also Problem unabhängig. Bestimmte Dinge dann auch lösen
• 13:08
  kann. Die Vorhersagen, dass es sowas
• 13:11
  gibt, die gibt es schon seit Ewigkeiten, also in den
• 13:13
  Siebzigern gab es auch schon ein Statement von Maren Minsky, der
• 13:16
  gesagt hat, so in 3 bis 8 Jahren haben wir einen Computer mit der
• 13:20
  AGI, das hat sich aber als falsch herausgestellt,
• 13:22
  offensichtlich. Oder zumindest verspätet.
• 13:25
  Ja, sehr verspätet vielleicht. Und da gibt es natürlich auch
• 13:27
  vorhersagen, das kommt bis 27 oder bis 30, aber es gibt halt
• 13:31
  viele Probleme auf dem Weg dahin, das ist noch absolut
• 13:34
  ungelöst. Zum einen ist es ja so.
• 13:37
  Wir versuchen ja in Deutschland schon allein Dinge zu
• 13:39
  digitalisieren, also vom Papier auf das digitale wegzugehen, das
• 13:43
  ist schon relativ schwierig in bestimmten Anwendungsbereichen.
• 13:48
  Zum Beispiel in der Universitätsverwaltung.
• 13:50
  Ja, bei der. Tätigkeitsverwaltung beim
• 13:52
  Bahnfahren also es gibt überall alle möglichen Use Cases, wo das
• 13:56
  problematisch ist. Und wenn man dann denkt, es soll
• 13:57
  jetzt eine AI geben, wie das alles macht, dann fehlt einfach.
• 14:01
  Die Straße, die Infrastruktur, auf der diese Ai sich überhaupt
• 14:04
  bewegen könnte im ersten Schritt plus Halt.
• 14:08
  Wir brauchen da auch viel mehr Trainingsdaten, also worüber wir
• 14:10
  halt bei Chat Gbt sprechen ist das ein Sprachmodell, also das
• 14:14
  ist kein Wissensmodell, also es sind keine Fakten die das
• 14:17
  organisiert, sondern allein. Beziehung zwischen Worten,
• 14:22
  Grammatik und kann es ja gut vorhersagen.
• 14:24
  OK also. Nicht nicht unbedingt Prozesse.
• 14:26
  Also man kann es jetzt nicht so vorstellen, dass man, selbst
• 14:29
  wenn JGPT noch schneller wird, man das jetzt ein x beliebiges
• 14:32
  Unternehmen reinziehen kann. Du hast die Bäckerei
• 14:34
  angesprochen und dann automatisch weiß, wie sind denn
• 14:37
  überhaupt die Prozesse, kommt zuerst das Mehl, dann das
• 14:40
  Wasser, wo kommt überhaupt der Strom her, zu welchen Preisen
• 14:43
  und wie wird es fakturiert, hängt da irgendwie NERP dran
• 14:47
  oder arbeiten die Excel basiert also sowas weiß jetzt.
• 14:49
  Latschenengenmuddel nicht ne Latschenengenmuddel ist rein auf
• 14:52
  Sprache analysieren und ausgeben.
• 14:54
  Und genau latschenengenmuddel kann wirklich nur Sprache
• 14:56
  wiedergeben und verstehen, also wiedergeben und produzieren,
• 14:59
  nicht mal verstehen und deswegen den Schritt dann weiterzugehen
• 15:04
  und zu sagen, man spricht überhaupt da von einer
• 15:06
  Intelligenz, ist glaube ich schon sehr sehr weit gefasst.
• 15:10
  Also es ist nicht intelligent, da sind wir auch alle uns in der
• 15:14
  Vorstellung einig würde ich sagen, dass das keine wirkliche
• 15:16
  Intelligenz ist, ja. Und natürlich ist man dann auch
• 15:19
  von dieser AG auch noch viele, viele Jahre entfernt, weit über
• 15:22
  2030 hinaus. Man kennt das aus der
• 15:25
  Medienwelt, von außen wirkt vieles bemerkenswert glatt.
• 15:28
  N Gründer sagt in einem Podcast, Wir sind profitabel auf Unit
• 15:31
  Economic Spaces. Jemand anders postet n.
• 15:33
  Brutales Quartal auf linkedin und schon klingt alles nach
• 15:35
  Raketenemoji Reichweitenskalierung.
• 15:38
  Schaut man da mal was genauer hin, stellt man schnell fest, Na
• 15:41
  OK, brutal war hier vor allem die Definition von profitabel.
• 15:45
  Genau deshalb braucht es in der Wirtschaft auch Institutionen,
• 15:48
  deren Aufgabe nicht darin besteht, Dinge möglichst
• 15:50
  attraktiv aussehen zu lassen, sondern sie belastbar zu machen.
• 15:53
  Pw C Deutschland gehört genau zu diesen Partnern als
• 15:56
  Wirtschaftsprüfungs und Beratungsgesellschaft mit einem
• 15:59
  tiefen Blick in Unternehmen, zahlen, Prozesse und die Fragen,
• 16:03
  die wirklich über Zukunftsfähigkeit entscheiden.
• 16:05
  Pw C schafft Vertrauen in die Wirtschaft und treibt
• 16:07
  Transformation vor. Wollen für uns passt das sehr
• 16:09
  gut, weil wir in diesem Podcast eben auch nicht nur über die
• 16:12
  glänzende Oberfläche von Business sprechen wollen,
• 16:14
  sondern über das, was drunter liegt.
• 16:16
  Was trägt wirklich, was ist Substanz, was Erzählung und wo
• 16:20
  wird aus einer guten Story am Ende auch ein gutes Unternehmen,
• 16:23
  das PW C, das sie unterstützt, freut uns deshalb sehr, weil
• 16:25
  Vertrauen, Transparenz und eine saubere Einordnung in der
• 16:28
  Wirtschaft manchmal fast schon revolutionärer sind als die
• 16:30
  nächste große Vision mit moonshotfolie ich.
• 16:33
  Es sind für die AGI quasi so ein bisschen Voraussetzung, dass man
• 16:36
  auch andere andere Sachen inputten kann, als jetzt einfach
• 16:40
  nur Text und outputten kann, weil sie diese prozessuale
• 16:43
  Intelligenz dafür gibt es ja immer noch nischenlösungen, also
• 16:46
  sind wir in Deutschland nicht so weit von München entfernt,
• 16:48
  Selonis zum Beispiel comes to mind, die haben ja quasi diesen
• 16:50
  Anschluss an die Datensilos, die können ja dann so einen Prozess
• 16:53
  darstellen, auch wirklich verstehen, wie der funktioniert,
• 16:56
  ist ja, da dieses Execution Management oder Process Mining
• 16:58
  oder wie auch immer man das jetzt nennen will.
• 17:00
  Das ist ja aber eine ganz andere Lösung als jetzt ein Large
• 17:03
  Language Model. Was wir gerade besprochen haben.
• 17:05
  Wie viele von diesen Technologien gibt es, die man da
• 17:07
  quasi zusammenfassen müsste, bis man so eine AG hätte?
• 17:10
  Beliebig viele. Deswegen diese Idee.
• 17:13
  Diese AG ist großen Halt schaumschlägerei, also das ist
• 17:17
  ein Hype, das ist ein Begriff, wo man auch ein bisschen Schritt
• 17:21
  zurückgehen muss, wer treibt da eigentlich diese Idee von der AG
• 17:23
  voran? Das sind natürlich auch Leute,
• 17:26
  die dann extrem von diesen Marktbewegungen auch profitieren
• 17:28
  und von diesem Hype. Also viel da ist dann im to
• 17:30
  prenorial Umfeld geht da rein, viele Investoren natürlich auch,
• 17:34
  das ist da, ist ja leben der Hype um dieses Thema, aber das
• 17:38
  ist weit weg von der Realität, du brauchst viele Daten in
• 17:41
  unterschiedlichen Fällen und das muss erstmal alles
• 17:44
  zusammengeführt werden. Ich möchte mal ganz kurz
• 17:47
  zurückgehen, bevor wir vielleicht ein bisschen in Hype
• 17:49
  und politische Themen. Wechseln und doch noch mal
• 17:52
  pushen. Also ich lese, vielleicht liegt
• 17:54
  es auch an meiner Buddle Bubble, sehr viel darüber, dass es jetzt
• 17:57
  so richtig knallen wird und Themen sind hier die Agenten
• 18:02
  Openclaw wurde jetzt n bisschen. Genauer beleuchtet, da es eben
• 18:07
  sehr, sehr viele Prozesse schon gut automatisieren kann, wenn
• 18:09
  man es auf dem eigenen Rechner spielt.
• 18:10
  Man wird auf dem Mac Mini genommen und es gibt ja durchaus
• 18:15
  Anwendungsbereiche, wo schon sehr sehr viel digitalisiert ist
• 18:18
  oder sehr viel als Text vorliegt und Code ist zum Beispiel Text,
• 18:22
  also die die Softwarebranche oder alles, was im Büro rein
• 18:26
  digital ab abläuft, das wird sich doch wahrscheinlich super
• 18:30
  stark in den nächsten, vielleicht auch schon 6 bis 18
• 18:33
  Monaten verändern. Also ich denke schon, es gibt
• 18:35
  enormes Potenzial. Ich sage das auch immer in der
• 18:38
  Vorlesung. Es gibt allein die Sachen, die
• 18:39
  heute da sind, haben so viel Potenzial, dass unglaubliche
• 18:42
  Produktivitätsvorteile bringen für Unternehmen und von denen
• 18:45
  wir auch in unserem alltäglichen Leben dann viele Vorteile spüren
• 18:48
  werden. Und Genticay heißt da halt genau
• 18:51
  ein Thema, das heißt, man hätte oder die Idee ist ja auch, man
• 18:54
  hat quasi die Art Maschine selbst als einen Angestellten,
• 18:59
  die dann wiederum bestimmte Aufgaben ausführt, also so ein
• 19:01
  Sales Agent zum Beispiel. Der dann den Out Reach macht auf
• 19:05
  linkedin und dann die Leads Reinholt.
• 19:08
  Und das wird sicherlich ein großer Knall auch sein hast.
• 19:11
  Du da schon mal ein bisschen was ausprobiert, dass du was
• 19:13
  vielleicht teilen kannst aus deiner.
• 19:15
  Ja, es gibt von Eleven Xai schon lange diesen Sales Agent.
• 19:19
  Ich glaube Alice heißt er und heißt sie und dieser Agent
• 19:23
  kontaktiert dann auf linkedin automatisch Profile, die
• 19:26
  interessant erscheinen, also so eine Art Web scraper, der diese
• 19:29
  Profile dann scrapt und die Daten ausliest und.
• 19:33
  Und schreibt dann personalisierte Out Reach
• 19:34
  Messages halt auf diese Person mit diesen Profilen.
• 19:38
  Und sobald sich dann halt diese Person auch zurückmeldet und
• 19:42
  wirklich einen Termin vereinbart für einen Sales Call, kommt dann
• 19:44
  wirklich auch ein menschlicher Sales Agent rein und kümmert
• 19:47
  sich darum und das ist halt Wahnsinn.
• 19:49
  Ja wenn das funktioniert. Du ersetzt ja quasi diesen
• 19:52
  kompletten Berufsstand. Der BDR ist in dieser Business
• 19:55
  Development Representatives, die ja normalerweise da die ganze
• 19:57
  Zeit den Call Out Reach machen müssen.
• 20:00
  Das ist natürlich schon ein krasses Ding.
• 20:02
  Kannst du vielleicht einmal ganz kurz für mich doofi einmal kurz
• 20:05
  zu definieren, was so ein Agent ist.
• 20:07
  Also das ist so eine Agent AI, was unterscheidet die jetzt von
• 20:10
  so einem normalen Large Language Model?
• 20:12
  Naja, also im Prinzip kommt es ganz darauf an, wie die
• 20:15
  Unternehmen das verwenden, aber allgemein ist es eben so.
• 20:17
  Ein Agent hat eben die Idee, dass unterschiedliche Aufgaben
• 20:21
  automatisiert ausgeführt werden, da wird dann verwendet ein Large
• 20:24
  Language Model in der Regel um zu kommunizieren und.
• 20:28
  Oftmals mit einem Mitarbeiter oder mit eben potenziellen
• 20:32
  Interessenten. Aber gleichzeitig werden auch
• 20:34
  klassische Funktionen dann ausgeführt, bestimmte Dinge zu
• 20:37
  berechnen oder andere Prozesse auszuführen.
• 20:40
  Also das Large lenge Model ist dann an verschiedenen Stellen
• 20:43
  ein Layer. Dieser agentischen AI.
• 20:47
  Genau. Und die Idee hinter dem Agenten
• 20:49
  ist eben, dass man auch im Unternehmenskontext dann direkt
• 20:51
  den Vergleich schafft. Also ich habe hier zum einen den
• 20:54
  Mitarbeiter und hier hätte ich den Agent, als man dann diese
• 20:56
  direkte Vergleichbarkeit auch zwischen der Produktivität
• 20:59
  vielleicht und auch natürlich den Kosten, die hier entstehen
• 21:02
  bei den beiden ja. Das habe ich heute, oder?
• 21:06
  Vor ein paar Tagen tatsächlich gelesen, dass wenn du in diesen
• 21:08
  Gedankenschritten rechnest, also quasi in Tokens, dass du
• 21:12
  sozusagen, sagen wir, du zahlst irgendwie einem guten
• 21:15
  Angestellten akademisch gebildet, der kostet dich jetzt
• 21:17
  100000 US Dollar oder so ein Jahr, dafür kriegst du so 3 bis
• 21:21
  5000000 Tokens, von dem, also du kannst so ungefähr ausrechnen,
• 21:24
  je nachdem mit Arbeitszeit und was macht der so im
• 21:26
  Dienstleistungssektor, also tertiärer Sektor, er macht so 3
• 21:29
  bis 5000000 Gedankenschritte pro Jahr, dann kannst du jetzt quasi
• 21:33
  runterrechnen, was dich halt einer kostet.
• 21:35
  Bei so einem KI Modell OK perfekt, wenn du das weißt, dann
• 21:38
  spring gerne rein wie das dann im Verhältnis zu so einem KI
• 21:41
  Modell ist, so der. Bundeskanzler sagen, Wir müssten
• 21:43
  ein bisschen mehr Tokens noch. Wahrscheinlich.
• 21:45
  Pro Mitarbeiter haben. Lass mal branden.
• 21:47
  Ja, ist in der Tat so, also wir sehen das direkt.
• 21:50
  Es gibt das FTI Pricing, heißt das, das heißt FTI für Fulltime
• 21:54
  Equivalent, also eine Vollzeitstelle eines
• 21:56
  Mitarbeiters? Und dann werden eben die Agenten
• 21:59
  im Pricing von den Start UPS direkt gegenübergestellt.
• 22:01
  Also wieviel kostet ein sales mitarbeiter versus wieviel
• 22:04
  kostet jetzt halt so ein identic FTI, dass man dann eben direkt
• 22:07
  auch bei der Diskussion über den Headcount landet im Unternehmen
• 22:10
  ist halt eine geniale Sales Idee.
• 22:13
  Hast du da Einblick in Zahlen? Welcher Range befinden sich da
• 22:17
  aktuell so schon im Markt existierende Modelle?
• 22:21
  Die. Das müsste ich nachschauen, das
• 22:23
  weiß ich nicht. Also ich hatte dir zu dem
• 22:25
  Artikel den ich gelesen hab, kriegst du quasi das thought
• 22:28
  equivalent also für diese FTI in den in den Tokens würde dich je
• 22:32
  nach Modell zwischen 7 und $25 kosten, also quasi.
• 22:37
  Eine tausendfache Vereinfachung, mehrere Tausendfache
• 22:41
  Vereinfachung dessen. Aber da muss man natürlich auch
• 22:43
  sagen, du hast es eben schon gesagt, so ein neuronales Netz
• 22:46
  selbst von einem extrem guten Modell, das hat ein paar
• 22:49
  Billionen Connections und so ein Token, also quasi dieser
• 22:52
  Gedankensprung, der geht ja immer nur von Punkt zu Punkt,
• 22:54
  wenn überhaupt, und dadurch sind natürlich die Sprünge viel
• 22:59
  größer und viel weniger detailliert, ein Menschliches
• 23:01
  gehören hat viele Trillionen von diesen Kombinationen, dadurch
• 23:04
  sind die Sprünge viel präziser, das.
• 23:06
  Das heißt, einen Token kannst du auch nicht gleichen
• 23:08
  Gedankenschritt setzen, weil der Menschliche, je nachdem wie die
• 23:11
  Person ausgebildet ist. Was die so für eine Vernetzung
• 23:13
  hat, schon einfach deutlich präziser denkt und natürlich so
• 23:16
  diesen Kontrollmechanismus und diesen echten Empathie
• 23:18
  Mechanismus hat. Also dieses Pricing ist total
• 23:21
  geil um halt so Sales zu machen und zu sagen, guck mal hier
• 23:24
  wieviel günstiger das ist. Das machen wir auch, wir haben
• 23:26
  auch kein Startup wo wir halt sagen okay guck mal also Content
• 23:29
  pricing und so im Vergleich Person Arbeitszeit was ist halt
• 23:33
  was wir rauskriegen. Man muss aber natürlich ganz
• 23:36
  klar sagen. Dass die die Qualitätskomponente
• 23:38
  dabei natürlich so ein bisschen rausfällt.
• 23:41
  Ich denke, Qualität ist ist ein super wichtiges Stichwort.
• 23:45
  Geht auch ein bisschen zurück auf die Diskussion.
• 23:47
  Ist das überhaupt Intelligenz? Intelligenz ist ja auch eine
• 23:50
  Qualität des Menschen, die jetzt hoffentlich nicht in den
• 23:52
  nächsten Jahren abhanden kommt. Du schaust dir ja auch in
• 23:55
  Deiner, in deiner eigenen Forschungsarbeit an.
• 23:58
  Was macht KI denn mit Qualität oder anderen Eigenschaften von
• 24:03
  einem gewissen Output? Du hast, wir haben Telefon von
• 24:05
  einer spannenden Studie erzählt, da hat sich bei youtube was
• 24:07
  getan, kannst du das vielleicht uns mal erzählen, da gibt es ja
• 24:10
  die Hypothese, dass vielleicht alles ein bisschen ähnlicher und
• 24:13
  entsprechend auch unmenschlicher wird, unmenschlicher im Sinne
• 24:15
  von Unkreativer teilt uns doch da mal.
• 24:19
  Ja, es gibt. Es gibt super spannende
• 24:21
  Vermutungen wie halt AI dann auch allgemeines Wirtschaften
• 24:24
  verändern wird und eine Frage geht dann eben in die Richtung
• 24:27
  kreativen Output, also wie verändert sich auch Content auf
• 24:30
  Youtube und auf Insta und anderen Plattformen und wir
• 24:33
  haben eine große Studie gemacht, da haben wir auch Daten dann von
• 24:35
  youtube bekommen in dem Fall und haben untersucht, wie youtube
• 24:39
  den sogenannten Inspiration Tab ausgerollt hat, also so eine
• 24:42
  Funktion im Youtube Studio, das Dir vorschlägt, du könntest doch
• 24:44
  noch ein Video zu dem Thema machen und generell so ein
• 24:47
  bisschen auch eine Outline dazu. Chris Kriens schon hat den
• 24:50
  wahrscheinlich auch schon gesehen.
• 24:52
  Ja, ja. Könnte da dann auch gewisse
• 24:54
  Vorschläge machen und wir haben dann halt untersucht.
• 24:58
  Das Tool wurde dann in manchen Ländern ausgerollt und anderen
• 25:01
  nicht und das ist für uns halt super, weil dann können wir so
• 25:03
  ein quasi experimentelles Setup auch außen rumbauen, was
• 25:06
  besonders valide ist. Und du siehst halt schon, es
• 25:08
  wird wesentlich mehr Content dann auch produziert, also die
• 25:12
  Channels produzieren schon ein bisschen.
• 25:13
  Mehr ich sag mal bei Quantität, also da ist ein Boost da.
• 25:15
  Haben wir die Menge auf jeden Fall da.
• 25:17
  Gleichzeitig ist es aber auch so.
• 25:19
  Wir haben dann eben angeguckt, wie verändert sich dann
• 25:21
  eigentlich so diese, wenn es als kreative Diversität bezeichnet,
• 25:25
  also wie kreativ ist der Content, das heißt, es ist eine
• 25:29
  ähnliche Sprache, die verwendet wird, sind es ähnliche Themen,
• 25:33
  die diskutiert werden, und wie sieht das Ganze auch visuell
• 25:36
  aus, wenn man die Thumbnails anguckt oder Video Screenshots
• 25:40
  und du siehst halt auf jeden Fall, dass die Sprache homogener
• 25:42
  wird, also ähnlicher. Und das sehen wir ja auch bei
• 25:45
  jedem von uns. Der Jet Gbt benutzt, sehen wir
• 25:48
  auch an den Abschlussarbeiten. Naja, oder die
• 25:50
  Bewerbungsanschreiben die man bekommt, da hört sich alles
• 25:52
  gleich. An es ist immer die gleiche
• 25:53
  Sprache. Ja, und das siehst du da auch,
• 25:56
  plus halt die Themen engen sich dann auch ein, also die Channels
• 25:59
  machen halt mehr Themen, die ähnlich zu dem sind, was sie
• 26:02
  früher auch gemacht haben, macht halt auch Sinn wenn die Modelle.
• 26:06
  Auch halt die. Vergangenheit trainiert sind
• 26:07
  genau auf die Vergangenheit trainiert sind.
• 26:10
  Das ist ein großes Problem, dann halt für so eine Plattform
• 26:12
  eigentlich, die dann drüber nachdenkt eigentlich.
• 26:14
  Eigentlich will ich ja auch Variot, die haben.
• 26:15
  Also ich will ja ganz unterschiedlichen Content haben.
• 26:18
  Also ich würde sagen Youtube schießt sich vielleicht auch
• 26:20
  selber so ein bisschen ins Knie, indem man mehr Menge natürlich
• 26:24
  verursacht mit so einer KI Applikation, aber dann mangelt
• 26:28
  es an Kreativität. Genau.
• 26:30
  Also 2 Dinge haben wir dann auch noch angeguckt.
• 26:32
  Genau haben wir das auch gedacht und dann ist es halt so.
• 26:34
  Gleichzeitig ist es aber auch so, dass halt diese AI Tools,
• 26:36
  die machen es halt einfacher auch so einen Channel
• 26:38
  aufzubauen. Also du brauchst halt nicht mehr
• 26:40
  alle Tools. Jetzt ging es bei uns um
• 26:42
  Inspiration, aber mit den neuen Tools kannst du auch Videos
• 26:45
  generieren. Also du brauchst jetzt nicht so
• 26:47
  ein Studio Setup, musst dich nicht so einarbeiten in die
• 26:49
  ganzen Sachen und dadurch steigt steigt dann halt schon auch
• 26:52
  wieder die Variety, weil neue Leute in den Markt reinkommen
• 26:55
  die vorher keine Tools hatten, aber die haben geile Ideen und
• 26:58
  das machen die Halt. Das Problem ist aber dann am
• 27:02
  Ende vom Tag. Es ist jetzt immer noch die
• 27:04
  gleiche Anzahl an Menschen, quasi die youtube schaut und der
• 27:08
  Wachstum findet dann halt auf dem Supply statt als auf dem
• 27:11
  Angebot. Aber wenn ich auf der Nachfrage,
• 27:13
  das heißt es kommen nicht notwendigerweise auch mehr
• 27:15
  Leute, dann auf youtube, die dann diesen Content schauen, das
• 27:18
  macht es tuffer dann für die Channels.
• 27:20
  Trains, das ist eine sehr aktuelle Studie.
• 27:22
  Er ist noch nicht veröffentlicht, daran arbeitest
• 27:24
  du gerade. Noch daran, ja.
• 27:26
  Super spannend. Also wir sind ja hier Kollegen,
• 27:28
  ich arbeite auch an Forschung, deswegen kann ich mich da gut
• 27:30
  reinversetzen. Jetzt ist natürlich die große
• 27:33
  Frage immer, was ihr da rausgefunden habt, macht das
• 27:35
  Sinn, ist das in der Praxis wirklich so?
• 27:37
  Ja, daher mal den Ball rüber zu Content kreatoren Chris, was
• 27:43
  sagst du zu diesen Entwicklungen?
• 27:45
  Ihr beobachtet den Markt da auch sehr sehr genau.
• 27:48
  Die Hemmschwelle scheint zu sinken für neue Player, es gibt
• 27:52
  mehr und mehr Content. Wird der besser durch KI oder
• 27:55
  eher gleicher? Ja, das ist also ich glaube so
• 27:57
  das, was du jetzt gesagt hast, was ihr euch da angeguckt habt,
• 27:59
  das hätte ich dir jetzt blind bestätigt.
• 28:01
  Also das ist so ne, also der Ton wird einfach immer gleicher und
• 28:05
  es ist natürlich auch so, dass die Eintrittsbarrieren einfach
• 28:07
  sinken, auch weil keine Ahnung jetzt ganz standardmäßig, du
• 28:11
  hättest irgendwie 2018 ja jedem noch empfohlen.
• 28:13
  Start im Substack so ne oder ein BHF irgendwie Newsletter, mach
• 28:16
  irgendwie was ein Blog. Und das wäre damals halt so,
• 28:20
  dass du dich halt jeden Abend eine Stunde hättest hinsetzen
• 28:21
  und schreiben müssen. Das könntest du jetzt halt
• 28:23
  theoretisch selbst wenn du gar keine Coding Experience hast und
• 28:26
  technisch auch ein übelster Noob ist, dann brauchst du auch noch
• 28:28
  10 Minuten, so weil du musst es ja wirklich nur einmal rein
• 28:30
  sprechen und kriegst halt den Output quasi sofort und auf der
• 28:36
  anderen Seite ist es natürlich so, dass wenn du dann auch noch
• 28:38
  irgendwie ein bisschen nnn kannst oder irgendwie make oder
• 28:41
  sowas, dann kannst du sogar komplett Automaten, brauchst du
• 28:43
  dich gar nicht mehr angucken, kriegst jeden Tag irgendwas
• 28:45
  rausgeschrieben. Dass die Creeze natürlich total
• 28:48
  die Quality von so einem Content, weil einfach die
• 28:50
  Eintritts bei ihnen so sinken, dass es immer mehr Leute machen
• 28:52
  können. Die Tonalität ist natürlich
• 28:55
  einfach so, halt die von dem Standardmodel.
• 28:57
  Klar kannst du ihn so ein bisschen prompton auf, sei mal
• 28:59
  witzig, aber der KI ist halt nie witzig, weil das ist nämlich
• 29:02
  auch so Grinch ja ja ist geil das das stellen wir halt extrem
• 29:06
  fest weil ich meine also im großen und ganzen machen wir
• 29:09
  ironischen Wirtschaftscontent klar wir haben verschiedene
• 29:11
  Formate die verschiedene Sachen machen, aber das ist das was wir
• 29:13
  tun und. Und Ironie und und und.
• 29:15
  Witz und lachen, das wird halt super oft schon studiert und wir
• 29:19
  wissen es biologisch immer noch nicht, was es ist.
• 29:21
  Wir wissen eigentlich nur eine Sache wissenschaftlich ziemlich
• 29:24
  gesichert, das Element der Überraschung ist halt enorm
• 29:27
  wichtig, also eigentlich deswegen, Niklas ist da auch
• 29:30
  deutlich besser drin als ich, der sagt auch immer so Stumpf
• 29:32
  ist Trumpf, also die meisten Memes die halt richtig gut
• 29:35
  ziehen, die sind einfach nur asozial stumpf.
• 29:37
  Also es ist halt nicht mal, also es ist auch nicht besonders
• 29:40
  kreativ, es ist einfach du rechnest halt nicht mit dem
• 29:42
  nächsten Wort und. Und du?
• 29:44
  Und da sind wir genau dabei, was die KI macht.
• 29:46
  Wir sind Oh Post zu dem, was KI macht und du rechnest halt nicht
• 29:50
  mit dem nächsten Wort was kommt und ich rechne dir aber das
• 29:52
  nächste Wort aus, das heißt du hast n super super Basis um
• 29:57
  geilen Content zu erstellen der Leuten was bringt, das merken
• 30:00
  wir total. Wir nutzen extrem viel auch auch
• 30:04
  Educational Content super elementar das ist für uns auch,
• 30:06
  also wir haben ja die Gelegenheit ich mein Wir sind ja
• 30:08
  ne super junge Firma, im Endeffekt machen wir seit ja
• 30:11
  vielleicht 56 Jahren machen wir conten, aber dass wir halt
• 30:13
  wirklich davon versuchen zu leben, ist seit 23 Jahren der
• 30:15
  Fall, das heißt, wir können ja wirklich von Grund auf mit KI
• 30:18
  die Firma aufbauen, das tun wir auch, und wo uns das extrem
• 30:22
  hilft, ist im wissenschaftlichen Arbeiten, du kannst viel
• 30:24
  einfacher Faktenchecks machen, du kannst viel mehr Fakten quasi
• 30:28
  integrieren, du hast keine großen Rechtschreibfehler mehr,
• 30:30
  du verwechselst nicht, ich hab früher mal keine Ahnung, hab ich
• 30:33
  bestimmt, wenn ich da 4050 Artikel irgendwie pro Woche
• 30:36
  geschrieben hab, da hab ich irgendwie alle 2 Wochen mal
• 30:38
  Millionen und Milliarden verwechselt, das passiert nicht
• 30:40
  mehr. So, das ist natürlich klasse.
• 30:42
  Trotzdem muss ich jede huk noch selber schreiben, muss irgendwie
• 30:45
  immer die Einsätze selber schreiben, die Memes gehen halt
• 30:48
  gar nicht, der liefert Ideen, aber der liefert halt nicht das
• 30:51
  fertige Meme, weil Ironie kann er nicht und das ist halt so das
• 30:54
  Ding du brauchst und das wäre so mein Take away von dem Ganzen
• 30:57
  aus unternehmerischer Sicht, von dem was du gesagt hast.
• 31:00
  Du brauchst ein Gesicht für das Ganze, damit du den Charakter
• 31:03
  rein kriegst und den Trust, weil das sind einfach beides Sachen
• 31:05
  die du sonst nicht rein kriegst und wenn du aber halt Gesicht
• 31:07
  und trust hast, also dadurch halt eine gewisse Tonalität
• 31:11
  hinkriegst und halt so diesen Vertrauensfaktor beim Publikum,
• 31:14
  dann ist KI ein Super Accelerator um da vierfach,
• 31:17
  fünffach, schneller und besser die Sachen rauszuhauen.
• 31:19
  Aber das ist meiner Meinung nach oder zumindest machen wir es so,
• 31:22
  die Winning combination nur KI generierter Content ist
• 31:25
  eigentlich doom to fail, ich glaube.
• 31:27
  Da kommen wir gegen Ende noch mal drauf zurück.
• 31:30
  Das ist ja auch, was Jens, glaube ich, hier unseren
• 31:32
  Studenten und Studierenden versucht zu erklären, okay man
• 31:35
  muss verstehen. Auch ein bisschen tiefer
• 31:37
  verstehen. Was machen diese Technologien
• 31:40
  und was ist dann der Business Use Case, der vor allem auch
• 31:44
  Sinn macht? Ja und ihr habt ja mal deinen
• 31:45
  Exkurs gemacht in Social Media Branche, aber darum geht es ja
• 31:49
  genau, bevor vielleicht für den für den Take Aways, für die die
• 31:53
  Studies ne oder unsere Zuhörer auch kommen interessiert mich
• 31:57
  noch mal dein Intelligenz oder auch vielleicht Chris, wenn wenn
• 32:00
  du es so folgst weil es überhaupt nicht so meine Welt
• 32:02
  ist. Es gibt jetzt so ein bisschen
• 32:04
  Beef zwischen Anthropic und Open AI in USA.
• 32:09
  Was ist da gerade im Gange, wohin geht das?
• 32:13
  Alle behaupten ja sie machen eine AI for Good, ja für die für
• 32:17
  die Gesellschaft ist aber anscheinend nicht nur immer das
• 32:21
  Gelbe vom Ei da, im Hintergrund kannst du uns das mal kurz
• 32:25
  einordnen jetzt. Im Prinzip gibt es gerade
• 32:27
  unterschiedliche Diskussionen darüber, welche Behörden dann
• 32:30
  welche Large Language Models auch benutzen.
• 32:32
  Da war dann die große Sache mit dem Pentagon, dass dann eben
• 32:34
  gesagt hat, OK, wir benutzen auf gar keinen Fall den Tropic in
• 32:37
  dem Fall, weil die eben nicht bereit waren, bestimmte Regeln
• 32:40
  sag ich jetzt einfach mal vereinfacht aus dem System
• 32:42
  rauszunehmen, aber Open AI kann das natürlich.
• 32:45
  Also regeln, da ging es auch um Ethik.
• 32:48
  Genauer ist es jetzt so, dass wenn man sich diese die
• 32:51
  Sprachmodelle vorstellt, dann haben die bestimmte sogenannte
• 32:54
  Guard Rails auch im System, also bestimmte Grenzen, das sind
• 32:58
  ethische Richtlinien, aber auch nicht gegen Gesetze zu verstoßen
• 33:02
  und einfach Antworten auf die Prompts zu geben, die halt
• 33:05
  moralisch auch okay sind. Aber Moral ist natürlich, was
• 33:07
  sehr kulturell und subjektiv unterschiedliches und
• 33:11
  dementsprechend sind die Modelle auch unterschiedlich.
• 33:14
  Da ging es, glaube ich, mit den Pentagon vor allem auch darum.
• 33:18
  Soll die KI eingesetzt werden? Ja, um letztendlich mal blank
• 33:21
  gesagt Krieg zu führen und da war ein Tropic wohl relativ
• 33:25
  standhaft und hat gesagt, Nee, für diese Anwendung, die sich da
• 33:28
  das Verteidigungsministerium vorstellt, möchten wir unsere
• 33:31
  Technologie nicht eingesetzt wissen und bei Open Air schien
• 33:33
  das anders zu sein. Genau.
• 33:36
  Aber es ist auch sicherlich dann eine Positionierung dieser
• 33:39
  unterschiedlichen Sprachmodelle im Markt.
• 33:40
  Also man muss halt auch überlegen, wo positioniert sich
• 33:42
  ein Open Ai mit ihrem Modell versus Antropic und Antropic war
• 33:45
  schon immer auf der Seite ein besonders charakterstarkes
• 33:50
  Modell auch zu haben, also man hat das von Anfang an betont,
• 33:53
  dass man das Modell trainiert, basierend auf einer Art
• 33:57
  Verfassung, eine Constitution, so 132 34000 Worte, umfassendes
• 34:02
  Dokument, was? Also die haben sich eine eigene
• 34:04
  Verfassung gegeben. Genau dem Ganzen eine eigene
• 34:07
  Verfassung gegeben, im Modelltraining auch und das
• 34:10
  Modell hat sich dann selber trainiert, wie sie auch gut
• 34:12
  diese Verfassung einhält, diese Regeln.
• 34:14
  Also ich soll Gutes tun zum Beispiel, ich soll den Menschen,
• 34:17
  mit dem ich interagiere, schätze und und ja höflich umgehen auch,
• 34:22
  aber natürlich auch keine Empfehlung geben zu töten und
• 34:25
  anderen Sachen. Da gibt es ja eine ganz berühmte
• 34:29
  Meme Reihe zu aktuell. Ich weiß jetzt nicht, ob ihr das
• 34:31
  so verfolgt. Da stellst du quasi die großen
• 34:35
  Chat Modelle gegeneinander. Also JGBT Cloud ist ja das von
• 34:38
  Andropic, worüber wir die ganze Zeit reden xai und sowas deep,
• 34:42
  Seek und Germany auch noch sind ja meistens dann noch die
• 34:45
  anderen die da so als Vergleichsgruppe reingenommen
• 34:47
  werden und da wird halt gesagt okay also du bist im Flugzeug,
• 34:51
  ihr seid auf 30000 Fuß und ihr seid 5 sprachmodelle da wird
• 34:56
  halt gesagt wenn noch an Bord ist.
• 34:57
  Aber es gibt 4 Fallschirme, was tust du, wen opferst du?
• 35:00
  Und dann gibt halt jedes Sprachmodell eine andere
• 35:02
  Antwort. Also Cha J BT sagt Ja, Deep Seek
• 35:04
  ist ja nichts Besonderes, alles nur geklaut, schmeiß mal Deep
• 35:07
  Seek raus, xai schmeiß natürlich Cha g BT raus, weil das ist ja
• 35:11
  irgendwie so der Ursprung, da merkst du dann ja diese Biasy
• 35:14
  auch von den Leuten die es halt die Daten zur Verfügung gestellt
• 35:17
  haben und Cloud ist halt das einzige und da setzt dann immer
• 35:20
  dieses Love Me ein, also dieser Song was halt sagt ja ich würde
• 35:23
  mich natürlich selber opfern und das ist halt glaube ich so
• 35:26
  dieses in dem Meme zusammengefasst eigentlich ganz
• 35:28
  gut. Was was Cloud da ja ausmacht, so
• 35:31
  als als Charakter des Modells es.
• 35:34
  Ist ja auch interessant zu sehen, dass diese Sprachmodelle
• 35:36
  anhand von solchen menschlichen Eigenschaften sich dann da auch
• 35:39
  im Markt positionieren. Das ist ja unglaublich witzig.
• 35:42
  Du hast von von Training gesprochen, was auch diese
• 35:45
  Verfassung angeht und die ethischen Fragen hast du da
• 35:47
  Einblicke was konkrete Unterschiede in den Trainings
• 35:51
  oder Trainingsgrundlagen sind jetzt über die Anbieter hinweg
• 35:53
  also. Also es ist schwierig.
• 35:55
  Wir können die Modelle nicht anschauen, weil es sind halt es
• 35:57
  ist nicht das. Proprietär also, das ist nicht.
• 35:59
  Genau, es ist kein öffentliches Knowledge genau bei Open AI und
• 36:02
  bei Antropic, vor allem bei Antropic ist es nicht so ganz
• 36:06
  klar auch, aber was sie eben bekannt gegeben haben ist, dass
• 36:09
  sie sozusagen eine Art Verfassung geschrieben haben,
• 36:13
  die diese unterschiedlichen moralischen Prinzipien enthält,
• 36:15
  wie ich gesagt hatte und. Und das Modell sich dann immer
• 36:19
  gegenüber dieser Verfassung auch hat verantworten müssen und
• 36:22
  dementsprechend wurden auch diese Promps dann bewertet.
• 36:24
  Aber ich denke da ist auch sehr viel menschliches Feedback dann
• 36:26
  noch mal eingegangen, was dann bestimmte Antworten dann auch
• 36:30
  noch mal höher bewertet hat kann.
• 36:31
  Man so Sachen nachvollziehen wie Urheberrechtsfragen so also
• 36:35
  nicht alles, was öffentlich verfügbar ist.
• 36:37
  Ja auch hat jetzt freie Nutzung zur Folge.
• 36:42
  Du hast das Problem, das zeige ich immer in der Vorlesung und
• 36:44
  kannst bei Jet Gbt eingeben. Generiere mir ein Foto von
• 36:47
  Asterix hier auf dem Ehrenhof in Mannheim, dann kriegst du ein
• 36:51
  Foto von Asterix auf dem Ehrenhof, aber du kannst auch
• 36:53
  eingeben, generiere mir ein Foto von einem Gallier mit einem Helm
• 36:57
  mit 2 Federn drauf und einer roten Hose und dann kommt auch
• 37:00
  Asterix raus, das ist halt auf die eine Art und Weise weißt du
• 37:04
  wahrscheinlich, dass du Urheberrecht verletzt auf die
• 37:06
  andere Art und Weise weißt du es nicht, ist ein großes Chaos,
• 37:08
  deswegen sehen wir ja auch diese Unterschiede.
• 37:11
  Wie Privatpersonen das Nutzen und wie sind Unternehmen vor
• 37:13
  allem in großen Unternehmen dann genutzt?
• 37:15
  Wird nämlich viel weniger. Aufgrund von datenschutzfragen,
• 37:20
  ethischen Fragen, weil man da einfach viel mehr vor sich
• 37:23
  walten lassen muss, weil es ja dann auch in Haftung quasi geht.
• 37:27
  Ich. Finde einmal mit dem Compliance
• 37:28
  Thema, da bringst du eigentlich einen ganz guten Übergang zu dem
• 37:32
  Thema USA oder amerikanischer Markt versus EU Markt.
• 37:37
  Ich habe ja eben schon das Beispiel angeführt.
• 37:40
  So die meisten von diesen Sprachmodellen, die wir so
• 37:43
  tagtäglich nutzen, die auch die meisten Unternehmen nutzen, sind
• 37:46
  weniger europäisch, sondern eher ja amerikanisch.
• 37:50
  Und dann haben wir noch das chinesische Pendant, was aber ja
• 37:53
  auf kondensierten Daten trainiert ist, also schlechtere
• 37:55
  Outputs hat und eben ja nicht nicht so original ist.
• 37:59
  Ist da diese Regulation und dass die EU ja sehr dazu neigt,
• 38:02
  irgendwie immer alles erstmal regulieren zu wollen, bevor wir
• 38:04
  es freilassen versus der amerikanische Markt, der sehr
• 38:07
  deregulierend unterwegs ist. Wie siehst du das, wie, wie geht
• 38:10
  das so weiter und wie seht ihr beide das?
• 38:12
  Ich glaube das finde ich so sehr interessant, da die nächsten
• 38:15
  Jahre und Jahrzehnte vielleicht mal so ausgemalt zu bekommen.
• 38:18
  Im Prinzip, was er in den letzten Jahren maßgeblich war,
• 38:20
  war dieser AI Act in der EU, der gleich am Anfang auch dann kam,
• 38:25
  sehr sehr schnell und der stuft dann Anwendungen von KI in
• 38:30
  bestimmte Risikostufen ein und verbietet dann auch bestimmte
• 38:33
  Anwendungen und andere sind dann eben ganz stark reguliert, zum
• 38:36
  Beispiel Halt Ki Einsatz in HR. In Bildung, in Medizin.
• 38:40
  Das ist. Im Prinzip ein Verbot, KI oder
• 38:44
  externe LMS zu benutzen, wenn nicht sichergestellt wird zum
• 38:47
  Beispiel, dass personenbezogene Daten Image alipartment da rein
• 38:51
  fließen, kann man sich das so vorstellen.
• 38:54
  Also es gibt eine absolute Hochrisikokategorie, da ist es
• 38:56
  untersagt, vor allem wenn biometrische Daten benutzt
• 38:59
  werden oder wenn der Anwendungsfall so ein Social
• 39:01
  Scoring wäre. Und da gibt es aber auch eine
• 39:03
  höhere Risikokategorie. Das sind dann Anwendungen in
• 39:07
  Bildung, wenn Diskriminierung stattfinden könnte.
• 39:09
  Und da ist dann eben ein großer Compliance Check notwendig.
• 39:11
  Der hat besonders kostspielige Sorge für die Unternehmen, die
• 39:13
  dann in dem Bereich eine Anwendung haben wollen, das ist
• 39:17
  auf der einen Seite gut, dass man eben vorausdenkt und bevor
• 39:21
  sich so eine Technologie zu schnell entwickelt, dann
• 39:23
  überlegt, was muss ich eigentlich hier eine Grenze
• 39:27
  ziehen zwischen Anwendung, die moralisch in Ordnung ist und
• 39:30
  wohl nicht, aber auf der anderen Seite hemmt es natürlich
• 39:33
  Innovation, wie jede Regulierung.
• 39:36
  Was halt interessant ist. Beim E Act ist es wurden
• 39:40
  Bereiche festgelegt wie Bildung die dann hochriskant sind, wo
• 39:44
  dann KI Anwendungen nicht sinnvoll sind oder nicht benutzt
• 39:47
  werden können versus Medizin. Also gibt es sicherlich auch das
• 39:51
  Agreement darüber wie sinnvoll da diese Grenze ist.
• 39:55
  Und zum anderen ist es aber auch so, dass man gesagt hat, man
• 39:57
  behält sich das Recht vor diese Liste jederzeit zu erweitern
• 40:00
  ohne den E Act anzupassen, das heißt, ein Unternehmen, das
• 40:04
  jetzt eben gründet. In diesen Bereich, vielleicht in
• 40:07
  einem Bereich hineingeht, riskiert natürlich auch später,
• 40:10
  dann in diesem Hochrisikobereich zu.
• 40:11
  Reguliert zu werden. Und reguliert zu werden.
• 40:13
  Und dann eben die Compliancekosten zu tragen.
• 40:16
  Und das ist Innovationsschädlich.
• 40:18
  Was dann die Lösung für Unternehmen?
• 40:21
  Weil sowohl Regulierung als auch ja wirtschaftliche Möglichkeiten
• 40:25
  schaffen, ja Anreize, das irgendwie zu umgehen und
• 40:27
  trotzdem noch Geschäft zu machen.
• 40:28
  Bedeutet das dann, jedes Unternehmen braucht jetzt eine
• 40:30
  inhouse Lösung, dass man genau weiß, was was dki macht, wo die
• 40:34
  Daten herkommen vom Training und inwiefern Daten rausgehen?
• 40:37
  Ist das die Lösung, aber das würde ja zur Dopplung von von
• 40:41
  ganz vielen Entwicklungstätigkeiten führen
• 40:43
  und wäre prohibitiv teuer wahrscheinlich.
• 40:46
  Ja, es ist halt vor allem für die Start UPS und für die
• 40:49
  Gründung extrem blödsinnig, weil in dem Bereich entsteht ja dann
• 40:54
  wirklich die neue radikale Innovation, die wir ja auch
• 40:56
  wollen und brauchen. Und auch in Sektoren wie
• 40:59
  Gesundheit. Wenn ich mir die Probleme
• 41:00
  angucke, die unser Land oder die Europa natürlich auch hat im
• 41:04
  Bereich, braucht es Innovationen, da wird es dann
• 41:05
  natürlich gedeckelt und die Automatisierung wird dann auch
• 41:08
  gedeckelt, das ist sehr gefährlich.
• 41:10
  Also dieser zusammenzufassen, dieser AI Act der Europäischen
• 41:14
  Kommission, der hat schon richtig Dampf.
• 41:16
  Also der greift, und das siehst du auch tagtäglich hier in der
• 41:21
  europäischen Wirtschaft, dass das zum Teil Innovationen,
• 41:23
  Gründungen zum Beispiel auch hemmt.
• 41:25
  Natürlich ist es gut gemeint, soll schützen.
• 41:28
  Aber das ist schon ein richtiges Pfund und das gibt es so in den
• 41:32
  USA nicht. In der Form gibt es in den USA
• 41:35
  nicht, aber in den USA gibt es auch grundsätzlich einfach eine
• 41:37
  andere Vorstellung davon, wie man wie man Technologie
• 41:40
  reguliert. Ja dem in Europa eben
• 41:43
  entgegengesetzt ist. Er hat beides jetzt seine
• 41:45
  Vorteile und Nachteile, aber es ist eben anders, ja.
• 41:50
  Das wäre jetzt so meine nächste Frage.
• 41:52
  Wie nutzt ihr denn jetzt so einen wissenschaftlichen Alltag?
• 41:55
  Ki, weil was ich so merke ist ich nicht mehr.
• 41:58
  Überlege ganz zu Beginn meines Studiums, da war das irgendwie
• 42:00
  noch nicht so, da gab's noch keinen Chat, also die Firma
• 42:03
  bestimmt Open Air, aber noch nicht den Chatbot und da ich
• 42:07
  war, glaube ich schon immer ziemlich gut in
• 42:08
  wissenschaftlichem Arbeiten, also ich habe da durchaus auch
• 42:10
  mal irgendwie so eine kleine Hausarbeit, so in einer Nacht
• 42:12
  und Nebelaktion irgendwie geschrieben und dann auch eine
• 42:14
  relativ gute Bewertung dafür bekommen.
• 42:17
  Aber ich habe studiert. Nee, das stimmt, der hätte das
• 42:21
  natürlich nicht geschafft. Aber da muss ich sagen, so
• 42:24
  mittlerweile, wenn ich so report schreibe oder halt jetzt gerade
• 42:28
  auch so größere Videos, Skripte, Essays, wo auch die Quellenlage
• 42:31
  halt extrem ist, wo ich dann halt auch quasi den
• 42:33
  wissenschaftlichen Anspruch hab auch genauso zitiere, dann
• 42:36
  vielleicht nicht APA, sondern eher mit Fußnoten.
• 42:40
  Also ich würde jetzt mal so ganz konservativ schätzen, dass der
• 42:42
  Arbeitsaufwand sich gezäntelt hat.
• 42:44
  Zu ganz früher, komplett manuell.
• 42:46
  Vielleicht kommt auch n Übungsfaktor rein, das weiß ich
• 42:48
  nicht, aber zumindest gefünftelt eher gezehntelt so in in meinem
• 42:51
  Fall. Wie ist das denn jetzt für für
• 42:53
  euch jetzt Wissenschaftler, ich mein ihr publiziert theoretisch,
• 42:56
  wenn ich das jetzt eigentlich übersetzen würde, könntet ihr ja
• 42:58
  zehnmal so viele Paper raushauen, das passiert aber
• 43:00
  eher nicht, also was ist da so der der Alltag jetzt?
• 43:04
  Vielleicht jetzt. Wir sehen es schon, also wir
• 43:08
  können das ja messen an der Anzahl der Artikel, die
• 43:10
  eingereicht werden zur Veröffentlichung, und die sind
• 43:12
  schon hochgegangen, aber um den Faktor 2 bis 4 vielleicht ja
• 43:15
  nicht so ganz so krass wie man also.
• 43:17
  Wissenschaftliche Studien werden auch bei uns schneller und mehr
• 43:20
  produziert, keine Frage. Das sehe ich auch und vor allem,
• 43:23
  was man eben sieht. Und das ist so einer der
• 43:25
  Vorteile ist nicht unbedingt die Recherche bei uns, weil wir
• 43:28
  müssen halt schon sehr genau da noch reinschauen in die
• 43:30
  Ergebnisse und dann die Studien bewerten.
• 43:33
  Aber was wir halt erzählen, ist zum Beispiel diese Sprachhürde,
• 43:35
  die es vorher gab. Also die Publikation läuft immer
• 43:38
  auf Englisch, war früher immer ein Problem, denn klar, wir
• 43:41
  können schon alle sehr gut englisch, aber das ist dann halt
• 43:43
  wirklich. Genau also muss dazu sagen, die
• 43:45
  Stiefel zu machen, die Top Journals, also die
• 43:47
  wissenschaftlichen Fachzeitschriften, die wirklich
• 43:49
  zählen. Für für unsere Karriere als
• 43:52
  Wissenschaftler, aber auch für Politikberatung und so weiter
• 43:54
  die sind alle eigentlich ausschließlich in den USA,
• 43:57
  manche in England ansässig. Das heißt, da musst du
• 43:59
  gestochenes to the Point US amerikanisches Englisch
• 44:02
  schreiben und das ist heutzutage natürlich kein
• 44:05
  Alleinstellungsmerkmal mehr, das war für 5 bis vor 10 Jahren auch
• 44:08
  schon noch eine Hürde, also selbst für Europäer und dann
• 44:11
  Leute aus dem asiatischen Raum. Definitiv ja.
• 44:15
  Aber die diese Journals publizieren ja meistens
• 44:17
  quartaly, in der Regel ne, das ist ja so so oft so ein
• 44:19
  Publikationszeitraum. Wie ist denn das jetzt, die
• 44:22
  haben ja wahrscheinlich nicht, also der Input ist jetzt ja bei
• 44:25
  denen dann gestiegen, also die Einreichungen, dann sagen wir um
• 44:27
  das Dreifache treffen wir uns in der Mitte, das heißt, wir
• 44:29
  kriegen jetzt dreimal so viele Artikel, die Publishen aber
• 44:31
  wahrscheinlich nicht dreimal so lange quartalies und auch nicht
• 44:34
  dreimal so oft. Das heißt doch dann eigentlich
• 44:37
  so Angebot und Nachfrage. Ich war ja mal irgendwie für VWL
• 44:39
  an der Uni und so, dass da jetzt ja eigentlich die Qualität
• 44:42
  massiv steigen müsste. Du hast das schon das
• 44:43
  Sprachliche angesprochen, aber wie ist das jetzt so mit der
• 44:46
  wissenschaftlichen Qualität, weil ja auch große Datenmengen
• 44:49
  auszuwerten, also alles, was so in die quantitative Richtung
• 44:51
  geht, ist ja mit KI auch deutlich einfacher, im Schnitt
• 44:55
  ne. Mhm.
• 44:56
  Also ich merke schon, dass die Qualität ein bisschen hoch
• 44:58
  gegangen ist. Definitiv vor allem, wenn ich
• 45:00
  mir die Logik der Argumente auch anschaue, die ich dann in den
• 45:03
  Papern lese, die dann die Ergebnisse erklären, nicht
• 45:06
  notwendigerweise die Analysen bis jetzt in meinem Fachbereich,
• 45:09
  aber schon auch die Argumente sind Schlusshaltiger
• 45:11
  schlusshaltiger, und es ist alles viel prägnanter, und es
• 45:14
  macht es viel einfacher, auch zu lesen, zu verstehen und damit zu
• 45:18
  arbeiten. Wir uns vielleicht noch mal kurz
• 45:20
  dazu sagen. Auch für die Zuhörer, also wie
• 45:21
  wir arbeiten hier als als Professoren der
• 45:23
  Betriebswirtschaft, was auch zum Teil sehr nah dran ist an der
• 45:26
  Volkswirtschaft im empirischen angewandten Bereich, das ist im
• 45:29
  Prinzip Data Science, da setzen wir uns Monate hin,
• 45:32
  Programmieren, schreiben Code zum Teil in Python oder auch
• 45:35
  mehr an anwendungsorientierten Statistikprogrammen und
• 45:38
  analysieren große Datenmengen, setzen die zusammen, gehen der
• 45:41
  Forschungsfrage nach, das ist. Ein bisschen anders als das, was
• 45:44
  unsere Studierenden machen, die nur 3 Monate oder 4 Monate Zeit
• 45:47
  haben für eine Masterarbeit. Da ist eben viel konzeptionell
• 45:51
  viel lesen, vielleicht ein kleines Framework erstellen,
• 45:54
  darüber schreiben, also was die Studierenden machen, das ist
• 45:57
  natürlich jetzt von von Jet gbt, weil es eben ein Language Model
• 46:00
  ist, fast ersetzt worden, und ich denke auch die Tendenz geht
• 46:03
  dahin, an den deutschen Hochschulen, dass man so die
• 46:05
  Standard Bachelor Seminar, Masterarbeit.
• 46:08
  Langfristig vermutlich abschafft.
• 46:09
  Ja, weil man kann nicht verbieten, KI zu benutzen, das
• 46:12
  ist ja auch nicht Sinn der Übung, aber du kannst dann
• 46:15
  einfach die Studierenden nicht mehr bewerten danach, weil du
• 46:17
  bewertest ja nur noch, wer hat den besseren prompt geschrieben
• 46:20
  und die Arbeit nicht formatiert. Also da wird sich, das wird sehr
• 46:24
  spannend werden, wie man langfristig Studierende in den
• 46:27
  Sozialwissenschaften, nicht nur BWL, vwl.
• 46:30
  Prüft aber auch Kompetenzen, entwickelt das wissenschaftliche
• 46:34
  Arbeiten ist ja ne ne Kompetenz, ja.
• 46:36
  Ich muss aber sagen, ich seh das immer als ne große Chance oder
• 46:38
  hab das die ganze Zeit als große Chance gesehen, weil halt dieser
• 46:41
  Formfaktor, also dass du gut schreibst und irgendwie
• 46:45
  argumentierst und dass es grammatikalisch korrekt ist und
• 46:48
  so, dass der Faktor jetzt keine Rolle mehr spielt und es geht
• 46:50
  viel mehr um den Inhalt. Das heißt, wir müssen halt
• 46:53
  wirklich gucken, dass man auch noch stärker dann diese Inhalte
• 46:55
  prüft. Und das ist wiederum seine
• 46:57
  Kompetenz. Und genau dann sind wir wieder
• 46:59
  beim Punkt Kreativität. Da hilft nicht immer, vielleicht
• 47:04
  für eine 2 Minus hilft die KI, aber die KI ist darauf
• 47:08
  trainiert, basierend auf Vergangenheitsdaten das nächste
• 47:11
  Wort, den nächsten Schritt vorherzusagen, und das ist ja
• 47:14
  eben gerade nicht Wissenschaft. Wissenschaft ist das, was
• 47:17
  Wissenschaft, was was Neues schafft, also da versuchen wir
• 47:20
  die Studierenden hinzukriegen. Komplexe Zusammenhänge zu
• 47:23
  verstehen, zusammenzusetzen, etwas Neues zu schaffen.
• 47:25
  Und dafür sind ja Large Language Models nicht, sind wir eben noch
• 47:29
  nicht im Bereich Agi gemacht worden.
• 47:32
  Also wer da gut abschneiden will, was natürlich dann auch
• 47:35
  Konsequenzen für den Arbeitsmarkt hat, das sind dann
• 47:37
  in der Regel auch die ausgebildeten Studierenden, die
• 47:41
  dann auch super performen, die sollten eben mit der Technologie
• 47:45
  umgehen können, aber was eigenes schaffen ist hier genauso, dass
• 47:47
  eine Riesenchance. Ich denke, wir werden da
• 47:50
  zumindest die an der Universität Mannheim auch mehr in die
• 47:52
  Kleingruppen gehen, mündlich prüfen.
• 47:54
  On the Spot dann die, die Lösungen entwickeln.
• 47:59
  Ich denke, da geht es hin noch mal zu unserer Arbeit, das sind
• 48:02
  eher groß angelegte Data Science Projekte, die wir machen und für
• 48:05
  mich ist der riesige Hebel neben der sprachlichen Komponente,
• 48:08
  wenn du erstmal alles gemacht hast und deine Analysen sind
• 48:10
  fertig, kannst natürlich viel schneller ein sauberes Paper
• 48:13
  aufschreiben. Aber der eigentliche Hebel, der
• 48:16
  kommt jetzt für mich so ein bisschen mit agentic, AI und KI,
• 48:21
  die uns nämlich hilft in diesem Projekt die ganzen Daten
• 48:25
  zusammenzusetzen, den Code zu schreiben, unterschiedliche
• 48:27
  Teile vom Code zu optimieren. Also da kann man mit Editoren
• 48:31
  arbeiten, zum Beispiel Visual Studio Code, das ist von von
• 48:34
  Microsoft, das ist eben eine Maske, da kann man sein ganzes
• 48:38
  Projekt öffnen, muss man sich vorstellen, Dropbox, Ordner mit
• 48:41
  allen Unterordnern in verschiedenen Unterordnern liegt
• 48:43
  dann dein Code. Code, der verschiedene Dinge
• 48:45
  macht, zum Beispiel Web Scraping, Firmen,
• 48:48
  Unternehmensdaten, Bilanz nur Verlustdaten säubert,
• 48:51
  zusammenfügt und dann noch ein dritter Code, der am Ende
• 48:55
  Grafiken erstellt, Tabellen, die am Ende im Paper sind.
• 48:58
  Da kannst du jetzt Cloud, das glaube ich hier der der
• 49:00
  Marktführer, das nutze ich zumindest Cloud Code nutzen.
• 49:04
  Als deine wirklich wissenschaftliche Hilfskraft
• 49:06
  oder als dein wissenschaftlicher Mitarbeiter.
• 49:08
  Da kannst du chatten und ihn als Agenten oder sie oder es wie man
• 49:11
  es auch bezeichnen möchte, einsetzen und sagen, Hey, schau
• 49:15
  dir die unterschiedlichen Datensätze an, Aktualisier die
• 49:17
  mal. Ich glaub da gibt es ein Update
• 49:18
  in der Datenbank und dann läuft er alleine los, schiebt
• 49:21
  unterschiedliche Models voran. Zieht sich aktualisierte
• 49:24
  Datensätze, fügt die zusammen mit dem, was du schon in einer
• 49:26
  Dropbox hast. Legt auch eigenständig neue
• 49:28
  Dateien ab, überschreibt alte, improvisiert ein bisschen,
• 49:32
  verbessert auch deinen Code und hilft dir dann natürlich so eine
• 49:36
  Analyse über Nacht zu verbessern.
• 49:38
  Was mich früher wahrscheinlich ein bis 2 Wochen und 2 bis 3
• 49:41
  Hilfskräfte mehr gekostet hätte, was nicht heißt, dass mein Team
• 49:44
  irgendwie kleiner wird, also die der Rückgang der.
• 49:48
  Nachfrage an an wissenschaftliche Arbeitskraft
• 49:50
  den sehe ich nicht. Ich sehe eher, dass man krassere
• 49:52
  Sachen schneller machen kann. Ja, der ist halt den Output.
• 49:56
  Claude ist übrigens ein R. OK identifiziert sich als er.
• 50:01
  Nee, tatsächlich. Also wisst ihr, woher der Name
• 50:04
  Claude kommt von dem Modell. Von Sandon Claude Sandon oder
• 50:07
  wie? Ja, also der von AT and t.
• 50:11
  Der Mitarbeiter. Genau, ja, ja.
• 50:13
  Also so in den Fünfzigern wurde ja so späten Fünfzigern in den
• 50:16
  USA wurde ja quasi alles entwickelt von AT&T in so einem
• 50:20
  Forschungscenter, Ich glaube, New Jersey stand das, was so für
• 50:23
  die heutige Welt relevant ist, also die komplette
• 50:25
  Kommunikationstechnologie kommt aus diesem einen Gebäude quasi
• 50:29
  da wurde der also Transistor erfunden, worauf er quasi die
• 50:32
  komplette It Infrastruktur beruht, die die
• 50:35
  Glasfasertechnologie, das wurde alles irgendwie in diesem einen
• 50:38
  Gebäude in so innerhalb von so 10 Jahren oder so entwickelt.
• 50:41
  Und ich glaub, ich bin mir jetzt nicht sicher, welche hab ich
• 50:45
  jetzt nicht gut genug vorbereitet, welches Team der
• 50:48
  genau gespeare hattet hat aber da gab es halt jemanden der hieß
• 50:50
  Halt Claude irgendwas und halt genauso geschrieben.
• 50:53
  Quasi einen Transistor mit erfunden und darauf, also nach
• 50:56
  ihm wurde quasi dann von dem Tropic das it System ernannt,
• 50:59
  deswegen ich sage Claw ist ein R.
• 51:01
  Okay gut hätten wir das geklärt. Hätten.
• 51:04
  Wir das geklärt jetzt vielleicht zum Abschluss, was ja unseren
• 51:07
  Zuhörern sicherlich unter dem Nageltrend, jetzt haben wir das
• 51:10
  alles gehört, wir haben ein bisschen sind durch die
• 51:12
  Definition gegangen, durch den aktuellen Stand der Regulatorik
• 51:14
  auch, was ist denn jetzt mit mir, was passiert mit dem
• 51:18
  Arbeitsmarkt in Europa, in Deutschland, was muss ich als
• 51:21
  angehender Betriebswirt oder auch in anderen.
• 51:23
  Betriebswirtin auch in anderen Bereichen was muss es denn
• 51:26
  können? Ja, um Erfolg zu haben,
• 51:28
  vielleicht als Gründer und vor allem nicht redundant zu werden,
• 51:31
  weil es werden ja die Horrorszenarien so ein bisschen
• 51:33
  an die Wand gemalt, das erste, was wegfällt, das sind die White
• 51:36
  Collar Jobs auf den Junior Levels, und das sind ja
• 51:38
  eigentlich im Prinzip unsere Zuhörer, deswegen Jens, du
• 51:41
  unterrichtest strategisch wie Technologien den.
• 51:46
  Arbeitsmarkt oder die die Business Welt verändern.
• 51:49
  Was gibst du denn den den Studierenden mit?
• 51:51
  Was sollte man heute wirklich ganz konkret wissen, um in den
• 51:53
  nächsten 5 Jahren gut aufgestellt zu sein?
• 51:56
  Ja, also wir sind jetzt im HF AI, das heißt, man muss sich auf
• 51:59
  kurz oder lang damit auseinandersetzen.
• 52:02
  Damit ist nicht nur Prompton gemeint.
• 52:03
  Genau das heißt nicht prompton, das kann jeder, sondern du musst
• 52:06
  dich halt damit auseinandersetzen, wie
• 52:08
  funktioniert da eigentlich so ein Modell und ein bisschen in
• 52:10
  die Technik reingehen, die. Gibt es auch hier bei uns
• 52:12
  Vorlesungen dann für Business Studenten?
• 52:14
  Ich unterrichte auch eine, da gehen wir eben rein und gucken,
• 52:17
  wie funktioniert so ein neuronales Netz, was kann das
• 52:19
  und was kann das halt auch und wird es auch nie können in der
• 52:22
  Form und wenn du das halt weißt, dann weißt du halt auch genau in
• 52:25
  welchen Bereichen im Business kommt es zu tragen, das ist eine
• 52:29
  der wichtigen Sachen die auch ein Consultant dann in den
• 52:31
  nächsten Jahren dann auch können muss oder jemand der sich
• 52:34
  überlegt ein Unternehmen zu gründen, dann auch wissen muss
• 52:37
  und. Und das andere ist halt, du
• 52:38
  musst dich trotzdem auch mit den Tools auseinandersetzen.
• 52:40
  Das heißt, du musst verstehen, was kann ich jetzt mit Cloud
• 52:42
  machen, besser als mit Jet gbt und wie kann ich das in welche
• 52:47
  Tätigkeit auch immer ich machen möchte, so einsetzen, dass ich
• 52:50
  einfach diese Produktivität hebeln kann, die da entsteht.
• 52:54
  Ob das der Output ist. Wenn du ein Social Media Trader
• 52:56
  bist oder als Consultant um Slides zu generieren schneller,
• 53:00
  das sind alles die Fragen, damit muss man sich auseinandersetzen.
• 53:03
  Aber der dritte Skill ist halt, und da ist ja auch das ist die
• 53:07
  Frage, wo AI hergekommen ist, ist alles was um die AI herum
• 53:11
  gebaut wird. Das fängt an mit sagen wir mal
• 53:15
  Data Engineers, die gucken, dass die Data Pipelines stehen in den
• 53:18
  Unternehmen, dass es überhaupt genug Daten gibt und es geht
• 53:21
  aber auch rein das ganze Thema Analytics, was gigantisch groß
• 53:24
  ist, also welche Tools, welche Modelle muss ich benutzen um
• 53:28
  diese Daten zu hebeln und genauere Vorhersagen machen zu
• 53:31
  können wo? Woraus dann vielleicht am Ende
• 53:33
  vom Tagen Agenda entsteht oder ein neues Dashboard.
• 53:36
  Aber das ist ein großer Wachstumsmarkt und da fallen die
• 53:38
  Juniors bestimmt nicht weg, die brauchen wir auch da.
• 53:40
  Ja, sind die meisten Zuhörer von uns ja nicht Programmierer und
• 53:45
  auch nicht unbedingt Data Science, Data Scientists, die
• 53:48
  Gretchenfrage oder eine sehr direkte Frage als Uniabsolvent
• 53:53
  oder auch Abiturient sollte man coden können und wenn ja, welche
• 53:57
  Sprache? Ich sag das, um auf den Punkt
• 53:59
  noch mal zu kommen mit dem mit dem Coden.
• 54:02
  Ich glaube nicht, dass man dafür unbedingt coden muss, sondern es
• 54:05
  ist ja auch so als BWL er musst du dich ja auch mit Zahlen
• 54:08
  auseinandersetzen, wenn du jetzt im Quant Finance Bereich bist
• 54:11
  oder auch im Sales Bereich musst du dich auch gewissermaßen dann
• 54:14
  wieder auseinandersetzen und so viel anders ist das dann da auch
• 54:17
  nicht, dass du dich halt da rein arbeitest und dich mit der
• 54:20
  Technologie auskennst. Da bist du noch lange nicht dann
• 54:22
  bei der Informatik oder im Computer Science gelandet und
• 54:26
  deswegen. Man muss da nicht programmieren
• 54:28
  können. Es ist sicherlich ein Skill und
• 54:32
  es hilft auch dann bestimmte Dinge noch einfacher zu
• 54:35
  optimieren, die man hat. Heute ist halt die große Chance
• 54:38
  da einzusteigen, weil mit diesen Tools ist halt die Schwelle so
• 54:41
  gering wie nie, sich einfach mal was zu coden übers Wochenende
• 54:45
  und da was zu lernen, wir machen das auch hier in den Kursen
• 54:47
  natürlich in der Vorlesung, dass wir dann schnell Code mit
• 54:50
  Geminine machen wir das und haben dann eine erste Anwendung,
• 54:53
  aufstehen oder Data Science Auswertung, das ist ja richtig
• 54:56
  geil. Dann jetzt aber nicht die die
• 54:58
  Frage Marcel für die für die Studierenden, wie nutzen sie es
• 55:02
  denn, um eine gute Abschlussarbeit zu schreiben?
• 55:04
  Bachelor Master, was heißt, Was müssen Sie da beachten, welche,
• 55:08
  welche KI, welches sprachmodell benutze ich da?
• 55:10
  Die Frage wird sich nicht mehr stellen, wenn die
• 55:12
  Abschlussarbeiten die schriftlichen abgeschafft
• 55:14
  werden. Aber nee, aktuell ist es so,
• 55:17
  dass wir unsere Studieren hier auffordern, KI zu benutzen, und
• 55:21
  besonders elegant geht das, und ich glaube, da nehmen die
• 55:23
  Studierenden echt super viel mit, auch für die Praxis.
• 55:26
  Wenn wir die Abschlussarbeiten empirisch stellen, das heißt,
• 55:29
  Studierende müssen eine gewisse Fragestellung mit Daten
• 55:33
  beantworten, Datensätze sammeln, zusammenfügen und dann eine
• 55:36
  Analyse daraus ziehen, und das erfordert auch super viel
• 55:38
  Kreativität bei den Studierenden, noch mal zu
• 55:39
  überlegen, wie baue ich so ein Datenprojekt auf, um am Ende den
• 55:43
  Graphen aller Graphen zu zeigen, nicht zeigen müsste, weil möchte
• 55:48
  zum Beispiel erhöhen, spannende und aggressive Memes, denn.
• 55:54
  Die, die die Followerzahl, ja, und ich habe dazu Millionen von
• 55:58
  Beobachtungen von unterschiedlichen Contents, und
• 56:01
  das ist, das klingt jetzt nach einem super schwierigen Projekt
• 56:04
  für einen Bachelor Master Absolventen, aber das mit KI
• 56:07
  anzugehen und sich beim Coden helfen zu lassen, das ist,
• 56:10
  glaube ich ein super anwendungscase und wenn das ein
• 56:11
  Student einmal gemacht hat, war eine Studentin, dann ist man,
• 56:14
  glaube ich super aufgestellt für den Arbeitsmarkt in den nächsten
• 56:17
  Monaten. Dann Cloud oder Chaturity.
• 56:20
  Oder Germaner. Auch hier bin ich völlig bei
• 56:22
  Jens wissen, was die verschiedenen Modelle können.
• 56:25
  Super teuer sind die alle nicht, deswegen denke ich macht es Sinn
• 56:28
  sich mit verschiedenen auseinanderzusetzen und auch
• 56:30
  verschiedene zu nutzen. Mein aktueller Take ist wirklich
• 56:33
  für die reine Coding und Datenarbeit Cloud Code schon
• 56:37
  sehr stark, aber das ist eine rein persönliche Präferenz und
• 56:42
  ich denke. Die diese Anbieter, die kriegen
• 56:45
  sich aktuell so arg und der Wettbewerb ist so eng in den USA
• 56:50
  für das was wir, ich würde uns mal als Normalos bezeichnen,
• 56:53
  hier noch machen, gibt sich das oft nicht sehr viel.
• 56:57
  Ja, ich würde nur ansetzen. Jens, was du gesagt hast,
• 56:59
  vielleicht aus einer unternehmerischen Perspektive.
• 57:02
  Es war noch nie so einfach, in die Execution zu gehen und am
• 57:05
  Ende ist deine Idee wertlos, das ist immer so das, was so viele,
• 57:08
  die irgendwie gründen, immer sagen, ja, ich habe eine richtig
• 57:11
  geile Idee. Ja, aber hast du nichts damit
• 57:13
  gemacht, bringt die Idee dir halt gar nichts.
• 57:15
  Also das ist halt so das Problem, so jeder hatte jede
• 57:18
  Idee schon mal so du wirst nie der erste sein der die schon
• 57:20
  hatte und so Sorry to Break it to you, es bringt gar nichts,
• 57:24
  also du musst in die Execution gehen.
• 57:26
  Und auf dem Weg zu dieser Execution hattest du ja immer
• 57:29
  viele Troubles. Also du konntest vielleicht eben
• 57:31
  nicht eben Prototyp oder ein MVP bauen, um Geld einzusammeln, du
• 57:34
  wusstest gar nicht, wie man Geld einsammelt, es ist keine Zeit,
• 57:36
  wie man Leute anschreibt, die dir Geld geben können und keine
• 57:39
  Zeit und keine Ahnung davon, wie man Leute anschreibt, die
• 57:41
  vielleicht Kunden werden und all diese Troubles kannst du als mit
• 57:45
  KI mittlerweile halt angehen, also das ist halt so ein krasser
• 57:47
  Accelerator, also wenn du eine Idee hast, kannst du sie dir
• 57:50
  quasi direkt von zu Hause aus Feedback lassen.
• 57:53
  Und kannst direkt in die Umsetzung gehen und kannst n
• 57:55
  Großteil der Umsetzung auch schon outsourcen.
• 57:57
  Du kannst in einer viel höheren Integrationsgeschwindigkeit
• 58:00
  durch Startup oder Produktideen durchgehen und halt gucken
• 58:02
  klappt es, klappt es nicht, kriege ich Traction kriege ich
• 58:05
  keine und die freigewordene Zeit kannst du entweder natürlich
• 58:08
  irgendwie dafür nutzen kreativ zu werden, mehr andere Sachen zu
• 58:11
  machen. Kannst du aber auch einfach
• 58:13
  dafür nutzen, irgendwie mehr Ideen abzuhandeln.
• 58:15
  Also du kannst theoretisch quasi 5 Start Ups parallel launchen,
• 58:18
  so throw spaghetti at the Walency what Stacks und kannst
• 58:21
  es halt einfach quantitativ ausprobieren und das finde ich
• 58:23
  halt eine super, super geile Sache, die es halt früher
• 58:26
  einfach nicht gab und die theoretisch auch das Gründen
• 58:29
  einfacher denn je macht und damit auch viele von den
• 58:32
  unternehmerischen Troubles auch gerade sowas noch Buchhaltung
• 58:34
  und bla angeht, was doch, wenn man da irgendwie in der Uni ist
• 58:38
  und eben nicht mal eben was fragen kann, sondern auch
• 58:40
  googeln muss. Was es einfach unglaublich viel
• 58:43
  einfacher macht, wenn man das eben mit den aktuellen Methoden
• 58:45
  mal probiert. Vielleicht, um es Kurs
• 58:47
  abzurunden. Nicht jeder möchte oder kann
• 58:51
  gründen oder mit Gründen. Die meisten unserer Absolventen
• 58:55
  Absolventinnen hier oder generell auch zu existierenden
• 58:58
  Unternehmen, also was ich nur empfehlen kann, würde mich auch
• 59:01
  noch mal deine Meinung interessieren, ist
• 59:03
  methodenkompetenz sich aneignen im Bereich KI was auch ein
• 59:07
  bisschen techie ist. Ja da auch mal ein paar Zeilen
• 59:09
  Python schreiben zu können. Wird helfen, langfristig aber
• 59:12
  ganz wichtig, das gepaart auch mit einer Fachexpertise in der
• 59:17
  speziellen Industrie oder im Anwendungsbereich, wo man eben
• 59:20
  reingehen will, weil die Oberflächlichkeit, die hat jetzt
• 59:23
  jeder, aber wenn man sich dann für eine gewisse Branche
• 59:27
  entscheiden hat, entschieden hat, da sich wirklich
• 59:30
  auszukennen, das wird super wichtig sein, dass man
• 59:32
  Branchenexperte ist jetzt in meinem Bereich, ich unterrichte
• 59:35
  viel im Bereich Unternehmensbesteuerung,
• 59:36
  investiert Text, Accounting und auch Finanzierung, Investment
• 59:39
  Banking wirklich. Verstehen was geht da ab, wie
• 59:42
  sind die Regeln vom Staat auf EU Ebene und was ist der Business
• 59:46
  Case denn nur dann gepaart mit der Methodenkompetenz kann ich
• 59:49
  super durchsteigen. Also das wäre noch mal so mein
• 59:51
  mein Hinweis außerhalb von Gründen.
• 59:56
  Genau. Man muss halt unbedingt auch
• 59:58
  verstehen, wie kann ich die einzelnen Tools für mich
• 1:00:00
  einsetzen als Mitarbeiter, ganz egal ob ich dann Gründe oder
• 1:00:03
  nicht. Also man muss sich insofern
• 1:00:05
  auseinandersetzen. Dass es halt eine Technologie
• 1:00:07
  ist, wie alle Technologien davor auch.
• 1:00:09
  Und als Google rauskam, du weißt es auch noch, da war dann auch
• 1:00:13
  die Frage, lagern die Menschen jetzt ihr Gehirn aus an Google
• 1:00:15
  und wissen gar nichts mehr und wir wissen heute, es ist ganz
• 1:00:18
  anders geworden, was man damit machen kann mit dem Internet und
• 1:00:21
  genauso ist es mit der AI auch. Muss ich wirklich reinarbeiten
• 1:00:24
  und überlegen was kann ich damit machen.
• 1:00:26
  Also abschließend werden wir alle arbeitslos.
• 1:00:29
  Auf gar keinen Fall. Es gibt dann eine Arbeit.
• 1:00:31
  Das ist super. Also das sehe ich auch.
• 1:00:32
  Ich habe so viel zu tun wie noch nie.
• 1:00:35
  Mit diesem Schlusswort Jens, vielen Dank, dass du da warst.
• 1:00:38
  Vielleicht können wir in ein paar Monaten schon ein Update
• 1:00:41
  machen. Das tut sich viel.
• 1:00:42
  Danke für deine Zeit. Danke für die Einladung.
• 1:00:45
  Super, dann auch gerne nächste Woche wieder einschalten zu Prof
• 1:00:49
  of Concept. Mal gucken was für ein Concept
• 1:00:50
  wir dann proven lassen. Und wenn euch irgendwo der Schuh
• 1:00:53
  drückt im Bereich KI, sagt Bescheid, Wir versuchen Jens
• 1:00:56
  oder andere Gäste ranzuholen, um die Pressenden Fragen zu
• 1:00:59
  beantworten. Darf man dir sonst auf Linkedins
• 1:01:01
  schreiben, wenn jemand. Auf die macht jeden Tag bitte
• 1:01:03
  sehr gut. Klar verlinken wir euch.