Latest / IT Skunk Works / Wenn Digitalisierung scheitert: Teil 2 - KI, die nicht funktioniert
Transcript
- 0:12Hallo und herzlich willkommen ... ... zu einer
- 0:13neuen Folge im Podcast ... ... IT Assets Management
- 0:15& More ... ... präsentiert von IT Skunk Works.
- 0:18Man merkt es vielleicht schon am Audio ... ...
- 0:20und wer es sich anschaut auf YouTube ... ...
- 0:22wird auch sehen, ich sitze im Homeoffice. Also
- 0:25vor meinem Computer und damit hab ich natürlich
- 0:27ein paar andere Möglichkeiten und wenn ich schon
- 0:28mal die Gelegenheit habe, wieder an meinem Rechner
- 0:30zu sitzen und auch ein bisschen Zeit habe, dachte
- 0:32ich mir, heute ist der richtige Moment, um die
- 0:34zweite Folge in der Serie aufzunehmen, nämlich
- 0:37wenn Digitalisierung scheitert. Ich hab mal versucht,
- 0:40das jetzt mit einem Bild zu untermalen. Ich hab
- 0:41das noch mal genannt. Failed Innovation. Ich
- 0:43weiß nicht wirklich, ob das Bild dann eigentlich
- 0:45wirklich so richtig aussagekräftig ist. Sieht
- 0:47eigentlich alles viel zu schön aus auf dem Bild,
- 0:49was ich hier genommen habe. Aber darum geht's.
- 0:51Es geht um Failed Innovation. Sag mal, Digitalisierungsideen,
- 0:56Konzepte, die am Ende nicht so richtig raumgreifen,
- 0:58nicht richtig funktionieren. Und heute hab ich
- 1:00einen Bereich mir mal vorgenommen. Na ja, das
- 1:04ist immer ein bisschen kritisch, weil wir natürlich
- 1:06auch in dem Bereich ... ordentlich Gas geben
- 1:10wollen bei der Time -to -Eck -Group. Und zwar
- 1:12geht's um KI. Und zwar KI, die eben nicht funktioniert.
- 1:17Also, wenn wirklich dann Algorithmen entwickelt
- 1:20werden, die aber eben ... nicht wirklich das
- 1:22gewünschte Ergebnis bringen. Ja, also, wir werden
- 1:26heute natürlich wieder über Innovationen sprechen,
- 1:28eben im Zusammenhang mit KI. Aber heute geht's
- 1:32eben ganz konkret um ein paar Beispiele, die
- 1:34zwar eben auf PowerPoint -Folien gut aussehen,
- 1:36dann aber im Alltag irgendwie versagen. Viele
- 1:39der Beispiele, die ich heute bringe oder auf
- 1:41die ich Bezug nehme, die liegen jetzt schon ein
- 1:43paar Jahre zurück. Insofern hat sich natürlich
- 1:45die Welt ein bisschen weitergedreht. Aber nichtsdestotrotz
- 1:47damals, und es gibt auch heute immer noch solche
- 1:49Ansätze, wurden die natürlich als Gamechanger
- 1:52platziert. Und dann sind sie leider als lesson
- 1:55-learned irgendwo im Aktenschrank versandet,
- 1:59würde ich mal so formulieren. Also, wir gucken
- 2:02uns das heute mal an. Und das eben mit dem ganz
- 2:04konkreten Blick auf KI -Projekte. Die dann eben
- 2:08leider trotz Milliardeninvestitionen gescheitert
- 2:11sind. Vielleicht Milliarden ein bisschen hochgegriffen,
- 2:13aber hier und da hat's ordentlich ... viel Geld
- 2:16gekostet. Also, steigen wir mal ein. Ich hab
- 2:19natürlich auch wieder ein paar Videos mitgebracht,
- 2:22so kurze Ausschnitte, muss immer aufpassen, Ohrheberrecht
- 2:25etc. Das sind alles Dinge, die man sich bei YouTube
- 2:28auch anschauen kann. Ändert nix an dem Umstand,
- 2:30dass ich natürlich jetzt hier drauf verweise,
- 2:32damit man eben auch ein Bild davon bekommt, über
- 2:34was ich spreche. Und ich versuch das natürlich
- 2:37so weit wie möglich einzuordnen, damit's ja keine
- 2:39Probleme gibt in Verwendung dieser Inhalte. Also,
- 2:43stellt euch vor ... Jemand sagt zu dir, unsere
- 2:47Software erkennt Krankheiten besser als Ärzte.
- 2:50Unsere KI trifft bessere Entscheidungen als dein
- 2:53Team. Unsere Algorithmen ersetzen Erfahrungen.
- 2:56Das klingt alles ja wirklich viel zu schön, um
- 2:59wahr zu sein. Wir sind jetzt schon so ein paar
- 3:01Jahre in diesem Bereich, wo natürlich irgendwie
- 3:04auf jedes Stück Software so ein bisschen KI draufgeträufelt
- 3:07wird, in der Hoffnung, dass das dadurch besser
- 3:09wird. Hier und da muss ich wirklich sagen, ist
- 3:11das mittlerweile in einem echt guten ... Die
- 3:15alte Lösung mit KI wird einfach tatsächlich besser.
- 3:18Hier und da ist es für mich immer das Gefühl
- 3:20von, da will einer unbedingt auf der Welle mitschwimmen.
- 3:25Also man muss irgendwie trotzdem mehr der Konkurrenz
- 3:27voraus sein und insofern braucht es KI. Es braucht
- 3:30ein bisschen mehr Effizienz, Wettbewerbsvorteil.
- 3:33Komm, also lass uns da irgendwas mit machen.
- 3:35Da gab es auch, wie gesagt, in den letzten Jahren
- 3:36ja ganz viele Ansätze. Jeder kann das sicherlich
- 3:39auch mal für sich so ein bisschen ausprobieren.
- 3:40Der eine oder andere hat schon Co -Pilot in Verwendung
- 3:42oder nutzt andere KI -Lösungen, sei das JetGPT,
- 3:47Gemini, Claude, Anthropic und wie sie alle heißen.
- 3:51Nehmen wir uns ein Beispiel vor, wo man sehen
- 3:54kann, dass KI dann eben doch nicht ganz so einfach
- 3:58in der Umsetzung ist. Es ist eins der bekanntesten
- 4:00Beispiele, im Sinne von es ist leider gescheitert
- 4:04in dem Zusammenhang. Und zwar war das das Thema
- 4:09IBM Watson Health. Wie gesagt, ich habe ein kleines
- 4:13Video mitgebracht, damit man das ein bisschen
- 4:15einordnen kann. Damals war das ein Beitrag von
- 4:17Bloomberg. Ich will da gar nicht alles zusammen
- 4:19einspielen. Aber hört euch mal kurz an, was da
- 4:22gesagt wird, was da erzählt wird. all the structured
- 4:42information, the data that comes from the devices
- 4:45that we carry around, the consumer devices, the
- 4:46medical devices. As we start to pull that data
- 4:49together, the amount of information that we as
- 4:52humans are going to collect through our lifetime
- 4:54is reaching the point where it's equivalent to
- 4:571 ,100 terabytes of data or about 300 million
- 5:00books about each and every one of us. This is
- 5:03an enormous amount of information and requires
- 5:05really serious horse power to be able to deal
- 5:07with and Watson is going to provide that. Gut,
- 5:11also, will gar nicht allzu weit da jetzt in dieses
- 5:13Video reingehen, kann man sich anschauen. Das
- 5:14ist übrigens, wer das eben noch nicht gesehen
- 5:17hat, das ist schon ein bisschen her, ne? Also,
- 5:21tatsächlich, das war so Mitte der 2010er, ne?
- 5:24Also, 2014, 15. Das Video hier ist eben auch
- 5:26schon zehn Jahre alt. Also ... IBM hat das damals,
- 5:31und der Ansatz, grundsätzlich finde ich das hochinteressant,
- 5:34weil es gibt wirklich, man hat's gehört, jede
- 5:36Menge Daten, die wir über uns selber sammeln.
- 5:38Jeder hat irgendwie so ein Wearable mittlerweile
- 5:40an der Hand oder am Arm, der eine oder andere
- 5:43hat's am Finger. Ähm ... Und dann haben wir gegebenenfalls
- 5:47auch zu Hause, ohne Witz, ich hab ja ein paar
- 5:49Kilo abgenommen über die letzten Jahre, ich hab
- 5:51so was wie eine smarte Waage von Y -Things und
- 5:53dann noch Blutdruckmesser. Also wir erzeugen
- 5:56Daten ohne Ende. Und natürlich gibt's die jetzt
- 5:58nicht nur aus dem privaten Kontext, wie wir das
- 6:01jetzt als einzelne Person gerne machen wollen,
- 6:03um so bisschen unsere Gesundheit zu tracken.
- 6:06Also da gibt's natürlich auch medizinische Daten,
- 6:08die von unseren Ärzten, von irgendwelchen Kliniken
- 6:10aufgenommen werden. Also, die Botschaft war die
- 6:13... IBM, Watson, in dem Sinne Watson Health,
- 6:19das ist so das medizinische Superhirn oder soll
- 6:21das medizinische Superhirn werden. Ja, und die
- 6:23KI liest Millionen von Studien, sie analysiert
- 6:26Patientendaten, sie erkennt Muster. Und eben
- 6:30all das, was sonst irgendwie Menschen übersehen,
- 6:32wird von dieser KI irgendwie erkannt. Und damit
- 6:34sollten so Sachen dann erreicht werden wie verbesserte
- 6:37Krebsdiagnosen, Vorschläge für Therapien. Der
- 6:41ganze Klinikbetrieb sollte revolutioniert werden,
- 6:44damit man eben auch sicherstellt, dass die richtigen
- 6:45Maßnahmen, die richtigen Behandlungen in der
- 6:48richtigen Reihenfolge vorgenommen werden, die
- 6:50richtige Medikamension eingestellt wird et cetera
- 6:52und so weiter. Ich meine, die Medien haben das
- 6:54gefeiert. Wie gesagt, man sieht ja auch hier,
- 6:56das ist so ein Beitrag von Bloomberg, die haben
- 6:58das aufgegriffen. Die Investoren haben gejubelt,
- 7:02die Krankenhäuser sind eingestiegen. Und dann
- 7:04kam der Alltag. Und Ärzte haben dann tatsächlich
- 7:08berichtet, die Empfehlungen, die da rausgekommen
- 7:10sind, waren hier und da falsch, unvollständig,
- 7:14teilweise sogar gefährlich. Warum kann man sich
- 7:16jetzt die Frage stellen? Zum damaligen Zeitpunkt
- 7:20könnte man noch sagen, und da haben sicherlich
- 7:23ein paar brillante Geister jetzt auch noch mal
- 7:25drüber nachgedacht, aber ... Zu dem Zeitpunkt
- 7:28muss man sagen, Watson wurde mit theoretischen
- 7:31Daten trainiert. Es gab eigentlich keine realen
- 7:34Patientendaten zum damaligen Zeitpunkt, die man
- 7:36aufgenommen hat. So saubere Standards oder so
- 7:41wurden auch nicht in das Modell mit aufgenommen.
- 7:45Und, na ja, der Zugriff auf Informationen war
- 7:48auch nicht in jedem Fall immer vollständig. So,
- 7:52Konsequenz war ... Viele Vorschläge, die Watson
- 7:54dann gebracht hat, mussten eben manuell korrigiert
- 7:57werden. Und eigentlich wurde es eher so zu einer
- 7:59Art Assistenzsystem für die Nacharbeit, aber
- 8:02eben nicht zu der versprochenen Revolution. Übrigens,
- 8:07Ende 2022 hat IBM diesen Geschäftsbereich verkauft.
- 8:13Still, ohne große Presse. Ein Milliardenprojekt,
- 8:16kann man wirklich sagen. Gescheitert. Nicht an
- 8:19der Rechenleistung. Sorry, nehme ich genau. Es
- 8:22ist gescheitert an der Realität. Und warum ist
- 8:25das jetzt eigentlich kein Einzelfall? Warum ist
- 8:29Watson eigentlich gescheitert? Na ja, also ...
- 8:32Das große Problem, immer wenn's um KI geht, und
- 8:34das betrifft dann eben, das ist jetzt natürlich
- 8:36die Entwicklung einer komplexen KI -Lösung. Aber
- 8:40wer auch mal die anderen Podcast -Folgen sich
- 8:43so anhören möchte von meinem Kanal, da hab ich
- 8:45schon mal das eine oder andere auch mit meinem
- 8:47geschätzten Kollegen Matthias Bauermatze von
- 8:48der Time -to -Act -Group oder ihm von der Advantage
- 8:51aufgenommen. Und dann kommen wir natürlich zu
- 8:53solchen Dingen wie zum Beispiel, na ja, ein großes
- 8:55Problem ist eben eine schlechte Datenbasis, ne?
- 8:58KI lernt nur aus dem, was man ihr gibt. Dann
- 9:02gibt's das Problem garbage in, garbage out. Unvollständige
- 9:06Daten, widersprüchliche Formate, manuelle Einträge.
- 9:09Na ja, keine KI, kein Algorithmus dieser Welt
- 9:13kann dieses Problem einfach mal so lösen. Nächstes
- 9:18Problem ist wiederum, das schließt sich an das
- 9:20Thema gute Qualität von Daten an. ist die Frage
- 9:22nach Data Governance. Wer verantwortet die Daten?
- 9:25Wer pflegt sie? Wer validiert sie? Wer entscheidet
- 9:28eigentlich, ob Daten gut sind? Dass man das auch
- 9:30der KI so beibringt. Und in vielen Unternehmen
- 9:33ist die Antwort auf diese Frage ... niemand.
- 9:37So, nächstes Ding. Das ist sozusagen ... Die
- 9:42Praxis besiegt den Plan oder die Realität besiegt
- 9:50das Labor, wenn man so will. Viele KI -Modelle
- 9:53funktionieren supergut in irgendwelchen Demos
- 9:56oder Pilotprojekten in Testumgebungen. Aber versagen
- 10:00dann im Einzelnen im operativen Chaos. Weil es
- 10:02vielleicht auch in der Planung des Ansatzes nicht
- 10:06jede Eventualität gegeben hat. Und eigentlich,
- 10:09wenn wir mal ganz ehrlich sind, Wenn wir auf
- 10:11ein bestimmtes Problem schauen, was immer wiederkehrend
- 10:13uns begegnet, dann wird man sagen, klar, das
- 10:15ist genau das. Da ist auch nicht unbedingt da,
- 10:17wo die KI uns hilft. Die wollen wir dann für
- 10:20die Fälle, wo wir sonst nicht auf eine coole
- 10:21Idee kommen. Aber eigentlich wird sie trainiert
- 10:25auf der Basis von diesen Daten, die ja sonst
- 10:27immer für uns auch diesen Effekt mit sich bringen.
- 10:30Wo ist also der Mehrwert von KI? Wir wollen ihn
- 10:33gerne genau in diesen Sonderfällen, aber auf
- 10:36diese Sonderfälle ist dieses System gar nicht
- 10:37trainiert. Da muss man auch sagen, wenn man selber
- 10:41so eine Lösung kauft, egal welchen Hersteller
- 10:44ich jetzt nehm, ob das eine SAP, eine Microsoft,
- 10:48egal wen, da kann ich ganz viele andere nehmen.
- 10:51Natürlich ist da ganz oft Marketing. Und manchmal
- 10:55ist Marketing eben mehr als Substanz. Oder, ich
- 11:00sag mal mal so ... Das, was versprochen wird,
- 11:04ist nicht unbedingt das, was man dann kriegt.
- 11:06Also ... Auch Watson wurde verkauft wie ein Wunderwerk.
- 11:09Diese tollen Videos, die wir hier sehen, schwierig.
- 11:13Es wurde eben nicht verkauft wie ein Werkzeug.
- 11:15Und dann erzeug ich auch so eine Erwartungshaltung.
- 11:18Es hilft mir genau in den Bereichen, wo ich sonst
- 11:21immer irgendwie so lost bin. Und genau da hat
- 11:24es leider dann eben nicht den gewünschten Mehrwert
- 11:26gebracht. Und dann ist Enttäuschung einfach vorprogrammiert.
- 11:30Und wie gesagt, Watson ist nur einer der prominentesten
- 11:33Fälle in dem Zusammenhang. Aber schauen wir mal
- 11:36kurz auf ein paar andere Fälle. Von einem hab
- 11:38ich dann auch noch mal so ein Beispiel mitgebracht,
- 11:39wobei das ist jetzt eher bezogen auf ein Unternehmen,
- 11:42was auf so eine Lösung gesetzt hat und dann mit
- 11:45einer kleinen Herausforderung zu kämpfen hatte,
- 11:47komm ich gleich dazu. Also, was gibt's noch an
- 11:49weiteren Beispielen, wo das ganz oft auch so
- 11:51eine Herausforderung ist? Predictive Maintenance,
- 11:54ne? Also, viele Industrieunternehmen schauen
- 11:58momentan nach Lösungen, die dazu beitragen soll,
- 12:01so wie Ausfälle von Maschinen. Systemen, Werkzeugen
- 12:07sozusagen vorausschauen oder voraussagen sollen.
- 12:10Aber die Realität, gerade bei diesem Anwendungsfall,
- 12:13ist, dass meistens zu wenig historische Daten
- 12:15da sind. Und es gibt halt tausend und eine Variante,
- 12:19warum so eine Maschine irgendwie mal kurz den
- 12:21Geist aufgibt. Dann sind vielleicht auch die
- 12:24verarbeiteten Sensorwerte nicht wirklich immer
- 12:27so aussagekräftig, weil, was weiß ich, die Temperatur,
- 12:30die angezeigt wird, ist vielleicht zu hoch im
- 12:32Verhältnis zu dem, wie sie wirklich ist. Daraus
- 12:34können sich andere oder falsche Rückschlüsse
- 12:36ergeben. Da gibt's natürlich heute auch sicherlich
- 12:39bessere Technologie, um eben auch solche Fehlerquellen
- 12:42auszuschließen. Lange Rede, kurzer Sinn, aber
- 12:44wenn ich halt mit solchen Problemen zu kämpfen
- 12:46habe, dann ist ein Risiko, was sich daraus ergibt.
- 12:50im Kontext von predictive maintenance, dass es
- 12:53halt Fehlararme gibt. Also das Gerät ist kurz
- 12:55davor kaputt zu gehen. Und es ist gar nicht wirklich
- 12:59kurz davor kaputt zu gehen. Das ist einfach eben
- 13:01ein falscher Wert, der jetzt irgendwie aufgenommen
- 13:03und dann entsprechend mit dem Regelmodell abgeglichen
- 13:06wurde und damit kommt der Alarm. Ich mein, zum
- 13:09Glück muss ich sagen, der Drucker, der neben
- 13:11meinem Computer steht, der funktioniert insofern
- 13:12halbwegs gut, weil er relativ verlässlich mir
- 13:15anzeigt, wann der Toner leer ist. Aber da könnt
- 13:17ihr euch auch schon mal überlegen, weil ich weiß
- 13:18nicht, ob da jetzt wahrscheinlich keine KI drin
- 13:20steckt, aber wie oft sagt das System, der Toner
- 13:22ist leer und du kannst gefühlt noch 100 Seiten
- 13:24drucken? Also, das ist jetzt vielleicht nicht
- 13:26wirklich ein richtig passendes Beispiel, aber
- 13:28es geht eben auf dieses Thema, was sagen eigentlich
- 13:31diese Sensorwerte, und anhand von welchen, ich
- 13:34sag jetzt mal, Schwellwerten sind die ... ähm,
- 13:38kalibriert, et cetera. So. Anderes Beispiel oder
- 13:42ein anderes Problem ist eben dann, wenn ich zwar
- 13:45Daten habe, aber die jetzt eben, ähm, irgendwelche,
- 13:48ich sag's mal, verkrusteten Strukturen beinhalten.
- 13:52und damit irgendwie so einen Bias verstärken,
- 13:54wie man sich in der Vergangenheit entschieden
- 13:56hat oder wie man bestimmte Dinge angegangen ist,
- 13:59dann kann's natürlich zu Problemen kommen. Dafür
- 14:01hab ich ein weiteres Beispiel mitgebracht. Schauen
- 14:03wir uns das mal an. Das war ein Beitrag von Reuters
- 14:06über ein Unternehmen, wo wahrscheinlich jeder
- 14:08von uns auch ein Kundenkonto hat. Their new online
- 14:16recruiting tool did not like women. The glitch,
- 14:20sources told Reuters, stemmed from the fact that
- 14:23Amazon's computer models were trained by observing
- 14:25patterns and resumes of job candidates over a
- 14:2810 -year period, largely from men, in effect
- 14:32teaching themselves that male candidates were
- 14:35preferable. Reuters correspondent Jeffrey Dastin.
- 14:38The technology thought, oh, Amazon doesn't like
- 14:41any resume that has the word women's in it. Amazon.
- 15:06Gut, machen wir auch an der Stelle Schluss. Also,
- 15:09das ist natürlich auch eben durch die Presse
- 15:11gegangen, ist jetzt auch wiederum schon ein paar
- 15:13Jahre her. So, wenn ich mir das anschaue, der
- 15:16Beitrag ist jetzt auch sieben Jahre alt. Auch
- 15:19das Unternehmen hat natürlich daraus gelernt
- 15:20und mittlerweile mit Sicherheit eine viel bessere
- 15:22Lösung am Start, um eben eins zu erreichen, nämlich
- 15:26auch geeignete Kandidaten zu finden für die entsprechenden
- 15:29offenen Jobs, die es bei Amazon entsprechend
- 15:32gibt. Aber das ist heute übrigens ein sehr ...
- 15:35Gebräuchliches Verfahren, zumindest in so eine
- 15:37Art Vorauswahl zu gehen, das machen eben nicht
- 15:39unbedingt mehr die Personalabteilung selber,
- 15:41sondern die Nutzen dafür solche Systeme. Aber
- 15:44Problem ist halt, wenn ich das aufsetze auf alten
- 15:47Erfahrungswerten, alte Trainingsdaten mit alten
- 15:49Strukturen, dann verstärke ich gegebenenfalls
- 15:52über diese Logik von solchen KI -Systemen genau
- 15:55diesen Bias, dann kommst du zu Diskriminierung
- 15:57und dann hab ich mehr Risiko als Nutzen. So,
- 16:00ähm ... Gehen wir mal weiter, und ich plännt
- 16:03ein anderes Bild ein, damit das lustiger wird.
- 16:05Ähm, gibt's natürlich auch Ansätze im Kontext,
- 16:09zum Beispiel von Sales Forecasting. Wir sind
- 16:11gerade dabei, in dem einen Unternehmen, wo ich
- 16:14der CDIO interimsweise sein darf, auch über die
- 16:17Einführung von Cloud for Customers, C4C, Second
- 16:20Edition von SAP nachzudenken. Und da gibt's mittlerweile
- 16:22auch so AI -Komponenten, ne? Wir haben uns die
- 16:26jetzt noch nicht genau angeschaut, aber das ist
- 16:27heute auch ein ganz ... Ich sag's mal, spannender
- 16:31Bereich, nämlich Sales Forecasting Tools. Ich
- 16:34mein, wir wollen alle wissen, wie viel Geld wir
- 16:36hoffentlich in den nächsten Wochen und Monaten
- 16:38verdienen. Da gibt's normalerweise so Betrachtungen
- 16:40mit Sales Funnels und Sales Stages und weiß der
- 16:43Geier was, wo man eben vielleicht auch aus der
- 16:45Erfahrung heraus sagen kann, es gibt so was wie
- 16:47Abschmelzquoten, aus zehn Leads wird eine Opportunity
- 16:50und aus zehn Opportunities wird ein Projekt.
- 16:52Und die Guten, die machen da einfach das mit
- 16:54einer höheren Prozentzahl und sind einfach auch
- 16:56besonders erfolgreich. Gut, es nimmt nicht unbedingt
- 16:58die Notwen... aus der Diskussion, dass man gute
- 17:03Vertriebsmitarbeiterinnen und Mitarbeiter haben
- 17:05muss, die immer noch beim Kunden Gehör finden,
- 17:08die die Dinge richtig platzieren. Aber lange
- 17:10Rede, kurze Sinn. Auch dafür gibt's heute KI
- 17:13-Tools. Und die versuchen dann, so was zu machen
- 17:16wie Umsatzprognose. Und dann gucken sie alle
- 17:18drauf und sind alle verliebt in die Zahlen, die
- 17:21da so nach oben gehen, und was passiert dann,
- 17:24dann entscheidet sich einfach mal ... Präsident
- 17:27Donald J. Trump dazu, jetzt mal den Iran anzugreifen.
- 17:31Und peng! Ich mein, ganz ehrlich, solche politischen
- 17:35Einflüsse, solche Krisen, genauso wie Corona
- 17:38oder was auch immer, die stecken natürlich in
- 17:40diesen Modellen überhaupt nicht drin. Und damit
- 17:42verlieren die faktisch eben ihre Prognosegenauigkeit.
- 17:45Das ist auch eigentlich solche ... fast schon
- 17:47eben klar unvorhersehbare Ereignisse, die sind
- 17:51schwierig, in irgendeiner Form auch in so ein
- 17:53Modell einzubringen. Na, ich arbeite ja selber
- 17:55gerade an so einem Simulator. Und ich hab dann
- 17:58eben auf den Hamburger IT -Strategietagen mit
- 18:00einem geschätzten Kollegen gesprochen, aber jemanden,
- 18:04mit dem ich schon seit Jahren auch hier und da
- 18:07das ein oder andere Projekt machen durfte. Und
- 18:09er hat gesagt, wenn du so was simulierst, dann
- 18:11musst du auch irgendwie so eine Meta ... Diskussionen
- 18:14damit reinnehmen. So Metaereignisse wie Chipkrise.
- 18:18Haben wir übrigens jetzt mal aufgenommen. Man
- 18:19kann dann eintragen, was da gerade noch als aktuelles
- 18:23Problem mit in die Betrachtung von bestimmten
- 18:26alternativen Maßnahmen, die dann umgesetzt werden
- 18:29sollten im nächsten Jahr, um dann die eigenen
- 18:31Runcosts zu reduzieren. Haben wir sogar mit aufgenommen.
- 18:34Aber ich sag noch mal, das dahinterliegende grundsätzliche
- 18:36Modell kennt diese Zusammenhänge im Falle eines
- 18:39Falles. Nur weil jetzt bei uns eben jetzt ...
- 18:42im Hintergrund irgendwas mit Gemini oder mit
- 18:44JetGPT läuft, dass es das irgendwie einordnen
- 18:46kann, aber die speziell jetzt für irgendwelche
- 18:50Sales -Lösungen wie Salesforce oder meinetwegen
- 18:52auch SAP Cloud for Customers entwickelt wurden.
- 18:55Muss man immer sagen, auch die Modelle wären
- 18:57ein bisschen besser, aber mein Gott, wer hätte
- 18:59jetzt voraussagen können? dass wir gerade jetzt
- 19:02wiederum eben so einen Anstieg vom Ölpreis haben
- 19:06und damit eben auch Konsequenzen, was Energiepreise
- 19:08betrifft, etc., pp. Und schon werden wir der
- 19:11Unternehmen vorsichtiger und dann wird eben nicht
- 19:13mehr aus jeder zehnten Opportunity ein Projekt,
- 19:16sondern vielleicht nur aus jeder zwanzigsten.
- 19:18Oder die Kostensensibilität der Kunden ist eine
- 19:20andere und damit ist, ich sag mal, der Deckungsbeitrag,
- 19:22den ich mit einem Projekt oder mit dem Verkauf
- 19:24eines Produktes realisiere, plötzlich geringer.
- 19:27Also, sagen wir's mal so. Werden wir mal kurz
- 19:30zusammenfassen. KI scheitert selten an der Mathematik
- 19:34an sich. Sie scheiten an Organisation, an Prozessen,
- 19:38an Verantwortung, aber auch an Kultur. Oder anders,
- 19:41KI verstärkt halt das, was schon da ist. Und
- 19:44schlechte Daten? Schlechte KI. Chaotische Prozesse,
- 19:48chaotische Ergebnisse. Ähm ... Wenn man es jetzt
- 19:52mal so ein bisschen auf die Praxis überträgt,
- 19:54was bedeutet das für euch, für dich jetzt ganz
- 19:57konkret, eben auch in der Rolle eines CIO -CDOs?
- 20:01Ich möchte bloß mal so aufgreifen. Also ein Anbieter
- 20:03kommt und sagt, unsere AI -Plattform, die optimiert
- 20:06alles. Und du bekommst Demos, Sites, Benchmarks,
- 20:11alles super. Du startest ein Pilotprojekt, erste
- 20:13Ergebnisse, Daumen hoch. Dann Rollout und plötzlich
- 20:17... Daten fehlen, Schnittstellen wackeln, die
- 20:20Nutzer misstrauen, die Ergebnisse schwanken so
- 20:22ein bisschen hin und her. Das Projekt stagniert.
- 20:25Klingt vielleicht ein bisschen vertraut. Ihr
- 20:27habt vielleicht auch schon solche Erfahrungen
- 20:28gemacht. Übrigens bei der Time -to -Act -Group.
- 20:30wollen wir genau so was vermeiden. Also insofern,
- 20:33wer gerne auf die Insights kommen möchte, da
- 20:35gibt's bald ein Event im April. Seid dabei, geht
- 20:38auf unsere Webseite, könnt euch gerne anmelden.
- 20:40Da werden wir uns auch solchen Fragen kritisch
- 20:42stellen. Und diese Fragen, die man dort eben
- 20:46hoffentlich dann auch mit uns gemeinsam diskutieren
- 20:48kann, die ihr uns gerne stellen könnt, werden
- 20:50unter anderem folgende. Also, bevor man eine
- 20:53KI einführt, Frage Nummer eins, woher kommen
- 20:56die Daten? Frage Nummer zwei. Wer verantwortet
- 20:59die Qualität der Daten? Frage Nummer drei. Wie
- 21:02werden Fehler korrigiert? Frage Nummer vier.
- 21:06Wie erklären wir die Ergebnisse? Lassen die sich
- 21:08überhaupt herleiten. Frage Nummer fünf. Was passiert
- 21:11eigentlich ohne KI? Wenn du auf diese Fragen
- 21:15oder wenn ihr auf diese Fragen keine Antwort
- 21:17habt, dann hat man eigentlich nicht wirklich
- 21:19ein KI -Projekt. Dann hat man ein Experiment.
- 21:23Also, fassen wir noch mal zusammen. die so als
- 21:26CIO Gedächtnisminute. KI ist kein Tool, KI ist
- 21:31ein Organisationsprojekt. Wenn eure, wenn deine
- 21:34Daten schlecht sind, macht die KI sie nur schneller
- 21:37schlecht. Wenn deine Prozesse chaotisch sind,
- 21:40macht KI sie nur schneller chaotisch. Automatisiert
- 21:44natürlich. Das ist ja vielleicht dann für den
- 21:46einen oder anderen schon ein Gewinn. Gut, also
- 21:49so viel heute zu dieser Folge im Sinne von wenn
- 21:52Digitalisierung scheidet oder failed innovation.
- 21:54Und übrigens dann in der nächsten Folge werden
- 21:58wir uns mit dem Thema Benutzerschnittstelle UX,
- 22:01User Experience, so ein bisschen auseinandersetzen
- 22:03und mal drauf schauen, wenn eben sowas nicht
- 22:07gut ist, wie das eben auch ein großes Projekt
- 22:09killen kann. Und da freue ich mich schon darauf,
- 22:11wenn ihr kommt und dann natürlich hier wieder
- 22:14einschaltet. Und ja, bis dahin wünsche ich euch
- 22:17auf jeden Fall eine schöne Zeit. Ich gehe mal
- 22:19davon aus, dass die nächste Folge ... ... muss
- 22:21ich mal schauen, vielleicht noch vor Ostern ...
- 22:23... gepublished wird. Also bleibt gespannt. Schaut
- 22:26auf meinen Kanal. Hit Subscribe. Kommentiert
- 22:29das gerne auch, was ich hier erzähle. Und Telefriend
- 22:33wäre natürlich alles super. Und dann freue ich
- 22:35mich, wenn ihr das nächste Mal wieder einschaltet.
- 22:36Ich wünsche euch bis dahin alles Gute. Ciao.