Latest / re:invented – Der Business Podcast für Prozesse, Cloud & Transformation / 12 #FeaturedIn: SAP AI in der Praxis, aus der DSAG Podcast Lounge

Transcript

12 #FeaturedIn: SAP AI in der Praxis, aus der DSAG Podcast Lounge · re:invented – Der Business Podcast für Prozesse, Cloud & Transformation

0:00
,560 Herzlich willkommen bei re:invented dem Scheer IDS Business Podcast. 2
0:04
,320 In dieser Folge 3
0:05
,880 hören Sie einen Gastbeitrag, 4
0:06
,200 den wir in einem externen Podcast mitgestalten durften. 5
0:10
,800 Wir freuen uns, diesen spannenden Austausch auch hier mit Ihnen zu teilen. 6
0:13
,680 Viel Spaß beim Zuhören und wir hören uns in der nächsten regulären Folge wieder. 7
0:20
,160 Hallo und herzlich willkommen 8
0:23
,080 hier auf dem DSAG Jahreskongress 2026. 9
0:28
,320 Hier bei uns am DSAG Studio. 10
0:32
,520 Ich freue mich sehr, Sie heute durch den Tag begleiten zu dürfen. 11
0:36
,200 Gemeinsam mit mir im Studio Heute sitzen Fabian Paliot, Head of Master Data 12
0:42
,480 Management and Topic Owner SAP AI 13
0:46
,440 und Yannick Sanwald Solution Design Presales, 14
0:50
,960 beide von Scheer IDS. 15
0:54
,840 Herzlich willkommen! 16
0:55
,240 Vielen Dank! Hi, danke für die Begrüßung. 17
0:58
,560 Hallo ihr beiden. 18
0:59
,560 Ich freue mich sehr, dass wir hier heute uns über das Thema: 19
1:03
,920 Auf dem Weg zum Autonomous Enterprise 20
1:07
,920 SAP AI in der Praxis unterhalten. Und 21
1:11
,840 ich möchte euch 22
1:12
,920 zuallererst eine Frage stellen, 23
1:16
,840 die ganz tief schon rein springt. 24
1:20
,760 Wer mich kennt. 25
1:20
,640 Dafür sind wir hier. 26
1:21
,480 Ja, wer mich kennt, der weiß, dass ich so ticke. 27
1:24
,840 Ich halte mich nicht lange mit Umwegen auf. 28
1:27
,840 Also überlegt mal, wenn wir heute über AI und insbesondere SAP AI 29
1:32
,960 sprechen, wo stehen wir denn eigentlich tatsächlich? 30
1:34
,480 Wo sind die Erwartungen der Realität noch voraus? 31
1:39
,520 Wie seht ihr das? 32
1:42
,920 Also Erwartung ist ein sehr gutes Stichwort eigentlich. 33
1:46
,600 Wir befinden uns ja an einem extremen AI Hype, aktuell schon seit geraumer Zeit. 34
1:50
,920 Und der ist auch immer noch ziemlich hart am Start. 35
1:53
,720 Aber der hat sich entwickelt. 36
1:56
,360 Ein Hype ist ja an sich nichts Negatives. 37
1:59
,320 Der bringt Aufmerksamkeit. 38
2:01
,880 Aber Aufmerksamkeit bringt immer auch Erwartungen mit sich. 39
2:03
,240 Und wenn die nicht erfüllt werden, 40
2:05
,080 dann werden Erwartungen ganz schnell zu Enttäuschungen. 41
2:08
,160 Und ich glaube, das ist in dem ein oder anderen Unternehmen 42
2:11
,280 wahrscheinlich in den letzten Monaten und Jahren passiert. 43
2:14
,120 Aber woran hängt das? 44
2:16
,440 Wir sind in einer Situation, 45
2:17
,360 wo sehr viele Developments, Entwicklungen von Funktionalitäten 46
2:20
,800 in einem experimentellen Status verbleiben. 47
2:22
,800 Und ich glaube, auch der neue Ansatz bei der SAP über 48
2:26
,200 Autonomous Enterprise Joule Studio 2.0 49
2:29
,080 bringt dafür große Fortschritte 50
2:32
,080 in eine absolut richtige Richtung, 51
2:35
,080 die genau das verhindern wird. 52
2:36
,520 Ich glaube, da werden wir nachher noch mal genauer darauf eingehen. 53
2:38
,400 Also wenn man jetzt sagt, was ist denn eigentlich möglich und was ist Realität? 54
2:42
,600 Möglich ist, alles jetzt technisch inzwischen umzusetzen. 55
2:46
,200 Aber wie setzt man so was richtig auf, damit auch 56
2:49
,960 eine nachhaltige Lösung entsteht? 57
2:50
,480 Ich glaube, da ist Prozessmanagement wichtiger denn je 58
2:53
,480 und schließt eine ganz wichtige Lücke. 59
2:57
,600 Ja, ich glaube, wir sind so ein bisschen im Teufelskreis. 60
2:59
,280 Die Erwartung ist entweder riesig hoch oder vom ersten Demo 61
3:03
,280 Projekt schon enttäuscht und riesig niedrig. 62
3:06
,840 Und das ist dann immer die Frage 63
3:07
,200 An welchen Punkten dieser Reise befindet man sich gerade, 64
3:10
,360 wenn man noch mal ansetzt? 65
3:11
,360 Und wie geht man dann mit der Erwartungshaltung um, die ja 66
3:14
,360 am Ende auch Teil vom Change Management in jedem Projekt ist. 67
3:17
,280 Und auch wenn wir hier über technisch getriebene AI-Projekte reden, 68
3:21
,640 ist es trotzdem wichtig, dass man das nicht als zentralen Aspekt 69
3:24
,640 aus den Augen verliert. 70
3:27
,160 Was begegnet dir denn so in euren Kunden 71
3:30
,160 Projekten aktuell ganz konkret? 72
3:33
,240 Es kommt einfach oft vor, dass irgend eine arme Seele vor uns steht, 73
3:37
,400 die sagt, wir müssen jetzt irgendwas mit AI machen. 74
3:39
,480 Okay. 75
3:40
,480 Und das ist natürlich ein Problem, weil 76
3:44
,200 du brauchst einen richtigen Ansatz, ein Verständnis 77
3:47
,240 der Prozesse deiner Kunden, um dort nachhaltige Lösungen zu entwickeln, 78
3:51
,560 und für uns, wie wir in Projekten vorgehen. 79
3:54
,560 Wir haben so eine Art Adoption Ladder, wo wir 80
3:57
,280 gucken, wo steht denn der Kunde jetzt eigentlich genau? 81
4:00
,680 Und auf der Stufe setzen wir dann an, also kennen wir die 82
4:03
,040 Systemvoraussetzungen? Kennen wir, 83
4:06
,840 also wie sind Daten? 84
4:06
,840 Stehen Daten zur Verfügung in Masse, in Qualität? 85
4:10
,080 Daten sind Key für die Entwicklung funktionierender AI Funktionalitäten. 86
4:15
,720 Was steht da zur Verfügung? 87
4:16
,040 Was sind die Gegebenheiten, mit denen wir arbeiten müssen? 88
4:19
,360 Und dann, 89
4:19
,880 was tut denn der Kunde? 90
4:20
,480 Und "irgendwas mit AI", 91
4:22
,480 also guck mal hier so meine fünf Use Cases, daraus 92
4:25
,480 direkt in der Entwicklung zu springen. 93
4:27
,760 Das ist aktuell eigentlich die Erfahrung, dass das nicht 94
4:30
,920 zielführend ist. 95
4:31
,240 Welche Philosophie verfolgt ihr dabei? 96
4:34
,520 Ja, Process first, würde ich vielleicht sagen. 97
4:36
,720 Also das ist unsere DNA eigentlich schon immer gewesen in der Scheer. 98
4:39
,520 Wir müssen verstehen, wie die Kunden arbeiten, was die tun, damit wir dann auch 99
4:44
,560 Lösungen entwickeln können, die dann, 100
4:46
,800 ich sage mal, das Keyword ist da 101
4:47
,960 immer Adoption, also sprich, die der Kunde dann langfristig 102
4:51
,720 auch einsetzt, die in die Umsetzung kommen und dann auch genutzt werden. 103
4:55
,440 Und vor dem Hintergrund ist es natürlich wichtig, 104
4:59
,840 einfach was zu entwickeln, was auch einen Benefit bringt. 105
5:01
,480 Ja, also Prozesse first and foremost, 106
5:03
,760 bei uns glaube ich einfach aus der Company Geschichte raus. 107
5:06
,560 Aber dass wir auch gleichzeitig gucken, für welche AI Use Cases 108
5:10
,480 die wir jetzt implementieren, haben wir denn überhaupt 109
5:12
,800 die Datengrundlage, 110
5:13
,840 dass wir uns Gedanken machen, wie bauen wir das auf einer Plattform auf? 111
5:16
,920 Sodass das Ganze auch wiederverwendbar in die Zukunft treibt 112
5:19
,760 und wir hier nicht einen Piloten entwickeln, 113
5:21
,240 der dann auf dem Abstellgleis landet 114
5:23
,240 und nächstes Jahr fangen wir mit einer neuen Landschaft von vorne an. 115
5:26
,200 Und am Ende auch, wo spielt hier Human in the Loop eine Rolle? 116
5:29
,600 Also sowohl im positiven Sinne vielleicht, 117
5:31
,600 wo muss ich kontrollieren? Weil die Wirtschaftsprüfer, 118
5:34
,520 ich weiß nicht ob wir heute jemanden treffen, 119
5:36
,400 finden es meistens nicht 120
5:37
,680 so witzig, wenn sie fragen: Wo kommt denn die Anlage für 20.000 € her? 121
5:40
,960 Und man sagt: Keine Ahnung, hat die KI gebucht. Aber auch 122
5:43
,520 im anderen Sinne, dass man eben sagt, wo hält uns das vielleicht auf, 123
5:47
,840 immer nach einer Bestätigung von einem Menschen zu fragen? Und 124
5:49
,240 was müssen wir, damit es Sinn macht, 125
5:51
,280 wirklich so automatisieren, dass wir da vielleicht auch mal darüber hinwegkommen. 126
5:54
,760 und diese vier Pfeiler zusammen, also Prozesse, Daten, Plattformen und Human 127
5:58
,760 in the Loop, sind dann der Ansatz, mit dem wir die Sachen vorwärts treiben. 128
6:02
,240 Du hast gerade was ganz, 129
6:04
,240 ein ganz wichtiges 130
6:05
,440 Schlagwort in den Raum gestellt, und zwar Use case. 131
6:09
,200 Das heißt, wir haben ja viele Unternehmen, 132
6:11
,280 die erste AI Ideen haben, Pilotprojekte oder auch Demos. 133
6:15
,320 Wie wird denn daraus ein konkreter Use case, 134
6:18
,800 der tatsächlich so ein messbaren Mehrwert erzeugt? 135
6:22
,000 Ich glaube, man muss erst mal mit der Sichtung anfangen. 136
6:25
,520 Also sich Gedanken machen. Nicht nur was wollen wir denn machen? 137
6:27
,320 Sondern wo wollen wir es machen? 138
6:29
,120 Also AI ist für uns auch mal so eine seltene Chance eigentlich 139
6:33
,120 auch oft mal IT getrieben zu sagen, wir haben hier eine Chance, 140
6:36
,720 um Budget freizumachen. 141
6:37
,200 Also wir haben hier eine Lösung, die, wenn wir sie implementieren, Ressourcen 142
6:41
,800 frei macht, die vielleicht Budget frei macht und uns auch mal vorwärts bringt. 143
6:44
,840 Und dann muss man sich aber überlegen, wo macht das in meinem Unternehmen Sinn? 144
6:47
,080 Also man sollte vielleicht da anfangen, wo eben Ressourcen gerade knapp sind, 145
6:51
,120 wo überlastet ist, wo ein großes Backlog in einer Abteilung 146
6:54
,720 liegt, die einfach nicht dazu kommt, 147
6:55
,200 die Sachen, 148
6:56
,480 die sie vorwärts treiben müsste, 149
6:57
,320 vorwärts zu treiben, weil sie mit anderen Dingen beschäftigt ist. 150
7:00
,200 Und wenn man weiß, wo man zu gucken hat, dann muss man sich überlegen 151
7:03
,440 Gut, was davon können wir denn mit AI machen? 152
7:05
,720 Und ich würde sagen, wenn du vielleicht 153
7:06
,160 mal kurz ein paar Teaser geben kannst, womit wir anfangen? 154
7:10
,880 Ja, also ich würde vielleicht noch so zu der Frage beginnen. 155
7:14
,480 Wir sprechen immer, als wäre das jetzt alles letztes Jahr erfunden worden. 156
7:17
,640 Wir sprechen aber eigentlich über Derivate von Ideen, 157
7:19
,280 die sind 60 Jahre alt. 158
7:21
,280 Und bei den Gegebenheiten, ich meine im SAP Umfeld entwickeln wir ja viel 159
7:25
,160 eigentlich mit Gegebenheiten in dem Framework, 160
7:27
,760 das uns der große Bruder oder die große Schwester da halt gibt. 161
7:30
,880 Und da haben wir jetzt natürlich dann viele neue Tools in der Toolbox 162
7:34
,040 drin, die wir dann auch gerne verwenden, wo es passt. 163
7:38
,800 Aber jetzt gerade als Scheer. 164
7:39
,920 Wir arbeiten, ich meine natürlich eng zusammen mit dem AWSI, 165
7:42
,000 mit dem August-Wilhelm Scheer Institut, mit dem DFKI, 166
7:45
,320 also dem Deutschen Forschungszentrum für Künstliche Intelligenz. 167
7:47
,760 Das ist jetzt nicht super neu, 168
7:50
,120 aber wir müssen natürlich auch das Verständnis haben, 169
7:53
,120 dass es für viele Unternehmen neu ist und wie wir dann da rangehen. 170
7:57
,680 Ja, im Prinzip, wenn man jetzt mal so real talk, was macht man denn mit dem Kunden? 171
8:02
,960 Da ist das in dieser besagten Ladder 172
8:04
,280 wäre der Readiness Check immer so der erste Schritt. 173
8:07
,280 Es sei denn, man hat diese Daten und Informationen schon. 174
8:10
,840 Das geht weiter mit der Identifikation. 175
8:12
,840 Wie identifizieren wir, also Use Cases. 176
8:15
,360 Im Prinzip 177
8:16
,080 haben wir so einen Fragenkatalog, 178
8:18
,280 anhand dessen man sich so ein bisschen durchhangeln kann 179
8:20
,800 und anhand dessen wir entsprechende Pattern erkennen. 180
8:22
,040 Also Muster, die dazu führen, dass man sagt, hier könnte eine AI Lösung hin. 181
8:27
,400 Und ich habe da eigentlich so ein Lieblingsbeispiel immer. 182
8:30
,640 Und das ist, jedes Unternehmen, hat diese eine Person, die immer sagt: 183
8:34
,360 ich entscheide dann nach Bauchgefühl. 184
8:37
,880 Aber das gibt es nicht, diese Leute entscheidend data driven. 185
8:40
,280 Jede Entscheidung ist data driven. Und diese Personen entscheiden 186
8:45
,360 aber auf einer Vielzahl an Erfahrungen und Daten, 187
8:48
,120 die können es gar nicht mehr artikulieren. 188
8:50
,760 Das ist dieses Bauchgefühl. 189
8:51
,320 Das kann AI auch, wenn nicht sogar besser. 190
8:54
,960 Und das ist zum Beispiel so ein Ansatz, wo man dann halt rein kann. 191
8:56
,760 Und da muss man identifizieren, wo kommen die Daten her? 192
8:59
,520 Welche Daten stehen da zur Verfügung? 193
9:01
,640 Und was ist der Benefit daraus? 194
9:03
,000 Und was wir auch am Anfang machen, ist eigentlich direkt ans Ende blicken. 195
9:07
,760 Das finde ich eine ganz wichtige Info. 196
9:09
,640 So Reverse Engineering meinst du? Ja, also teilweise. 197
9:12
,160 Wir bereiten das Monitoring bereits am Anfang vor. 198
9:15
,840 Okay. Das heißt also, dass wir KPIs definieren, anhand derer 199
9:18
,320 auch sagbar ist, wie der Benefit am Schluss eigentlich wirklich ist. 200
9:24
,120 Also wenn man etwas nicht misst, was man entwickelt hat, 201
9:28
,680 dann bleibt das auf jeden Fall, dann ist das ein Experiment. 202
9:31
,760 Und diese KPIs 203
9:34
,040 definieren wir zusammen mit einer 204
9:36
,160 Peer Group, mit der wir dann zusammen solche Lösungen 205
9:38
,200 entwickeln, direkt am Anfang der ersten Phase. 206
9:40
,040 Und dann entwickeln wir so natürlich diese ersten Quick Wins. 207
9:43
,520 Also was ist anhand von Faktoren wie Umsetzbarkeit, Kosten, Aufwand etc., 208
9:49
,160 da erzählen wir gerne am Stand noch mal mehr dazu, 209
9:52
,160 aber das ist halt so das wie wir da reinkommen 210
9:55
,200 und dann geht es in die erste Entwicklung oder in die Aktivierung von bestehenden 211
10:01
,480 von bestehenden Standardmitteln 212
10:04
,360 bei der SAP. 213
10:05
,440 Ja, ich grabe immer ganz gerne tiefer 214
10:08
,440 noch rein, du hast zwei Dinge gerade gesagt. 215
10:11
,920 Und zwar zum einen hast du gesagt ihr 216
10:17
,200 definiert KPIs 217
10:20
,920 und dass sie eine wichtige Rolle spielen, 218
10:21
,600 auf jeden Fall. 219
10:22
,520 Ich frage dich ganz konkret Was sind denn diese KPIs? 220
10:25
,920 Worüber reden wir denn konkret? 221
10:27
,480 Zeitersparnisse in verschiedenen Vorgängen wie zum Beispiel Massendaten verarbeiten, 222
10:33
,880 also jetzt kommen wir mal, 223
10:34
,000 die hängen eigentlich immer mit einem Pattern zusammen. 224
10:37
,320 Ja. Also ein Pattern könnte sein, die manuelle Verarbeitung von Massendaten. Ja. 225
10:41
,080 So, dann gibt es eigentlich immer Standard zwei KPIs. 226
10:45
,320 Die eine ist natürlich so Zeitersparnis, die hat man immer, ist ein bisschen flach. 227
10:49
,600 Eine viel interessantere KPI an der Stelle finde ich, zum Beispiel Fehlerquoten. 228
10:53
,320 Ja, also manuelle Eingaben, die dann automatisiert werden 229
10:57
,200 über ein gewisses Pattern, das dann wiederum AI driven ausgeführt wird 230
11:01
,720 und dazu führt, also Einordnung von Dokumenten oder sowas. 231
11:04
,720 Ja, also einfache Use Cases, mit denen man den Kunden oder die Kunden 232
11:08
,960 direkt ranführen kann. 233
11:09
,400 Das sind so Beispiele für solche KPIs. 234
11:12
,240 Wie gesagt, die hängen immer mit diesen Entscheidungsmustern zusammen, ob hier ein 235
11:16
,200 AI Case besteht oder nicht. 236
11:18
,760 Na ja, und was ganz spannend ist, dass man eben diese Strecke abläuft, 237
11:22
,600 dass man diesen Prozess von oben nach unten reinläuft, so sagt okay, 238
11:26
,920 ist es AI Use case ja oder nein? 239
11:28
,360 Kann man es vielleicht auch einfach, 240
11:30
,360 ist es eine Prozesslösung? Kann ja auch sein. 241
11:32
,000 Nicht alles muss AI heute sein. Absolut. Ja, genau. 242
11:35
,920 Das ist so ein bisschen der Teufelskreis, 243
11:36
,320 von dem ich am Anfang geredet habe ist das Negativbeispiel. 244
11:39
,320 Und was wir eigentlich wollen, ist, den ja umzudrehen, dass wir nicht sagen, 245
11:42
,680 wir wollen hier was mit AI machen, machen im Piloten, 246
11:44
,800 dann ist die Lösung enttäuschend und dann geben wir es auf. 247
11:46
,560 Sondern dass wir es umdrehen und sagen 248
11:48
,400 wir haben einen ersten Use Case gemacht, der ist produktiv, effizient. 249
11:51
,280 Guck mal, was wir damit gehoben haben und dann damit in die Zukunft gehen 250
11:54
,080 und das eben weitertragen, weil wir aus unserer Sicht 251
11:58
,240 und mit unseren Kunden eigentlich auch in Zeiten leben, 252
12:00
,000 wo man nicht einfach stehen bleiben kann und sagen 253
12:02
,000 Schön, dass wir jetzt einmal was gemacht haben, hören wir auf? Sondern, also 254
12:08
,640 die Ressourcen werden teilweise nicht mehr, 255
12:09
,280 die Zeit auch nicht, 256
12:10
,400 sich damit zu befassen, also dass man eben in diesen Improvement 257
12:13
,400 Cycle reinkommt, da weitere Lösungen draus zu schaffen. 258
12:17
,520 Ich stelle ganz gerne in dem Zusammenhang 259
12:19
,440 oft auch mal die Frage danach, wie man tatsächlich verhindert, 260
12:24
,640 nicht schafft, sondern verhindert, dass diese Use Cases, die man identifiziert, 261
12:28
,640 dauerhaft in diesem Demo oder Experimentierstatus bleiben? 262
12:32
,080 Wie geht ihr damit um? 263
12:35
,200 Das ist natürlich einmal ein Grund. 264
12:37
,000 Also das beginnt ja auch wieder am Anfang, 265
12:39
,960 das wir Themen identifizieren, die dem Kunden entsprechend 266
12:41
,960 einen Benefit bringen. 267
12:45
,080 Vielleicht machen wir das am besten mit einem Beispiel aus. 268
12:48
,480 Ja, hast du eins, ein konkretes? 269
12:51
,080 machen wir Schweizer Kunde Rechnung? Ja, okay. 270
12:54
,520 Oder nicht Rechnung, machen wir Kassen eigentlich so. 271
12:56
,440 Also wir haben einen Schweizer Kunden in der Gastro. 272
13:00
,200 Hunderte, Tausende, keine Ahnung, 273
13:03
,520 Kassensysteme in verschiedenen Sprachen. Schweiz ich glaube drei verschiedene Sprachen. 274
13:07
,560 Genau das ist immer ein schwieriger, Moment zu sagen. 275
13:10
,640 Genau, verschiedene Sprachen. 276
13:12
,640 Und der Kunde hatte das früher so gemacht, dass diese 277
13:17
,760 diese Daten aus den Kassen abends zusammengetragen werden, 278
13:19
,760 obwohl die mehr oder weniger manuell für den Tagesabschluss 279
13:22
,480 dann im System verbucht. 280
13:24
,800 Also hast du wieder Massendatenverarbeitung. 281
13:26
,320 Also das ist ein einfacher, ein Document AI Case, 282
13:31
,800 wie wir diese Dokumente dann halt ausliest. Aber auch daran merkt man schon, 283
13:35
,120 diese werden dann natürlich für den Tagesablauf automatisiert verbucht. 284
13:38
,080 Und da ist, natürlich jetzt könnte man fragen, wo steckt denn da AI? 285
13:41
,720 Das ist das Auslesen der Dokumente vor allem. Und das bringt halt den riesen Benefit. 286
13:46
,520 Und warum ist es nicht im 287
13:52
,320 Experimentier Status verblieben? 288
13:54
,880 Weil wir bei den Tests recht schnell anhand der gesetzten KPIs festgestellt 289
13:57
,080 haben, dass die über 90 % Zeitersparnis über 95 % Fehlerquote. 290
14:03
,400 Jede Verbuchung dauert, was haben wir gesagt ich glaube zwischen eins und sieben Minuten 291
14:07
,520 irgendwie so was, das war halt weg. Tausende Verbuchungen. Das ist viel. 292
14:11
,600 Ja, natürlich. Klar. 293
14:13
,000 Das ist richtig viel, ja. 294
14:15
,440 Und das konntest du mit recht einfachen Mitteln an der Stelle dann beheben. 295
14:18
,640 Aber auch da an der Stelle ist halt wieder ganz wichtig, 296
14:20
,280 da war das jetzt, also diese Verbuchung, oder nein eigentlich ist es so, 297
14:24
,840 also das Auslesen ist das eine, die Verbuchung das andere. 298
14:27
,120 Wir mussten also mit dem Kunden 299
14:29
,240 natürlich auch über den Standard Prozess der Verbuchung etc. jetzt noch mal sprechen. 300
14:32
,440 Und da drücke ich jetzt nicht, um die letzten 2,50 Mark noch mal rauszukriegen, 301
14:36
,520 dann irgendeine AI Lösung rein, wenn der Standard das kann. 302
14:39
,600 So also der Benefit war 303
14:43
,680 das Auslesen der Dokumente an sich. 304
14:45
,520 Und genau und anhand der gemessenen KPI konnte man dem Kunden 305
14:49
,480 dann auch mitteilen, guck mal hier, 306
14:50
,640 du hast jetzt die und die Ersparnis 307
14:51
,680 und die haben das ja auch gespürt, die haben das ja gefühlt. 308
14:53
,760 Ich glaube, das ist der beste Indikator überhaupt. 309
14:55
,200 Und das ist halt eben auch in der Nutzung jetzt aktuell. 310
14:58
,280 Ja, du sprichst gerade was 311
14:59
,040 an, was wir natürlich in unserer Techbubble ganz oft vergessen. 312
15:03
,680 Wenn man das fühlt, 313
15:04
,400 also wenn man diesen Schmerz, wenn der nachlässt, den man halt vorher hatte, 314
15:08
,680 dann setzen wir einen Hebel. Dann können wir genau diesen Shift hinbekommen. 315
15:16
,640 Absolut. 316
15:17
,760 Also für mich ist das immer so 317
15:18
,560 viele Kunden haben ein Schmerzempfinden, aber nicht das Schmerzverständnis. 318
15:22
,520 Wo kommt er eigentlich her, dieser Schmerz? 319
15:24
,760 Und wenn man das identifiziert, und das ist ja das, was wir mit Prozess 320
15:27
,760 Verständnis meinen, dann können wir da nachhaltig Lösungen entwickeln. 321
15:30
,080 Ja, genau. 322
15:32
,080 Ja, und jetzt was ich gerade gesagt habe, das ist ein Design inklusive Lösungszeit, 323
15:36
,080 da sprechen wir von reiner Entwicklungszeit 324
15:38
,440 5 bis 8 Tage oder sowas. Dann steht das. 325
15:41
,280 Wiederhol 326
15:42
,000 das noch mal. 327
15:43
,120 Lieber nicht. Doch, doch. 328
15:46
,040 Aber das ist 329
15:47
,520 glaube ich auch wichtig zu verstehen, wo wir technisch heutzutage stehen. 330
15:50
,400 Ja klar. 331
15:51
,040 Also es sind, 332
15:52
,160 also ich ich meine, Designtime kann immer noch mal, 333
15:54
,560 wenn man jetzt bei Null anfangen mit dem Prozess Verständnis, 334
15:56
,560 und so weiter, 335
15:57
,520 aber das ist halt eben die Vorarbeit, die dann Fundament für alles weitere ist. 336
16:01
,320 Und wie gesagt, was wir hier jetzt gerade machen, also 337
16:03
,640 das ist auch nicht geschätzt. Das ist genauso passiert. 338
16:05
,280 Es war irgendwas zwischen fünf und acht Tagen. 339
16:07
,000 Der Entwickler steht unten am Stand. 340
16:09
,400 Ich müsste ihn jetzt fragen. 341
16:10
,120 Ja, ja, das ist enorm. 342
16:12
,680 Wenn man sich überlegt, wie viele Menschen und wie viel Zeit man vorher 343
16:15
,720 für sowas gebraucht hat. 344
16:19
,040 Wenn jetzt ein Unternehmen sagt, 345
16:21
,200 wir wollen AI Einsatz, we are ready! 346
16:25
,040 Jetzt sofort! 347
16:28
,960 Wie findet man denn genau heraus, 348
16:30
,760 wo man sinnvollerweise anfangen sollte? 349
16:35
,120 Es kommt auf die Kundensituation an. Sie haben ja über unsere Adoption Ladder 350
16:39
,120 schon gesprochen, 351
16:41
,800 indem man eben mit dem Kunden mal spricht. 352
16:42
,240 Gut, an welcher Stelle stehst du denn? 353
16:44
,120 Wo wird AI jetzt schon im Rahmen von deinem Unternehmen eingesetzt? 354
16:47
,800 Welche Tools hast du gerade im Einsatz? 355
16:48
,800 Welche Models hast du, welche Verträge hast du auch 356
16:51
,440 mit welchen AI Anbietern, um das eventuell später noch mal ins Spiel zu bringen. 357
16:57
,000 Und dann eben zu gucken, wo steht der Kunde? 358
16:59
,840 Wo fühlen wir uns 359
16:59
,600 wohl, mit dem einzusteigen und wo sind wir uns sicher, dass wir hier 360
17:02
,000 gerade keinen Fehler begehen? Also dass wir auch als Beratung an uns 361
17:06
,160 den Anspruch haben zu sagen okay, bei dem Kunden fühle ich mich wohl, 362
17:09
,480 direkt über einen konkreten Use Case zu sprechen, weil 363
17:11
,320 die haben schon eine Pilotimplementierung mit einem Landscape 364
17:14
,480 und sind auf dem Weg, wo ich sage schön, lass uns anfangen. 365
17:17
,680 Aber dass wir auch mal vielleicht eine unbequeme Frage stellen und zu sagen: 366
17:21
,880 Wo sind wir denn wirklich 367
17:21
,280 bei der AI Adoption, wo ist auch das Verständnis für das Tooling in deinem Team? 368
17:26
,800 Und wenn wir das wissen, dann eben an der richtigen Stelle 369
17:29
,800 auf die richtige Sprosse der Ladder quasi einzusteigen, 370
17:33
,200 eben diese Leiter richtig an der richtigen Stelle mitzunehmen. 371
17:36
,920 Ja, das heißt, es geht immer im Kern 372
17:39
,720 um den Geschäftsprozess an sich und nicht um die Toolleistung an sich. 373
17:43
,080 Also an dem Beispiel gerade merkt man es glaube ich gut, 374
17:47
,280 nur wenn wir den Geschäftsprozess kennen und darüber reden können, 375
17:50
,480 können wir auch darüber reden, 376
17:51
,040 wo fängt denn in diesem Prozess AI an und wo hört AI auf? 377
17:55
,760 Also wo gehen wir über zu einem klassischen deterministischen Prozess, 378
17:58
,680 in dem ich genau weiß, was ablaufen muss, weil zum Beispiel diese Verbuchungen klar 379
18:02
,920 definiert sind? 380
18:03
,040 Und wo fange ich damit an? 381
18:06
,400 Weil hier tatsächlich der AI Use Case anfängt, Sinn zu machen. 382
18:09
,880 Und das kennen wir nur, wenn wir über den Prozess reden. 383
18:11
,160 Und auch den Prozess kriegen wir mit AI Tools mittlerweile schneller modelliert. 384
18:15
,680 Auch da sind wir hingegangen. 385
18:16
,480 Aber so im Blinden herumzustochern und irgendwie sich zu überlegen, ja, 386
18:20
,560 das wäre cool mit AI, 387
18:21
,240 lass mal machen, hat in unserer Erfahrung nicht immer zum Erfolg geführt. 388
18:26
,120 Und das sind halt auch dann die Kunden, wo du teilweise irgendwo einsteigst 389
18:30
,360 und sagt was habt ihr denn schon gemacht? 390
18:31
,040 Und eben erzählt wird, 391
18:32
,480 ja, wir haben das mal ein bisschen ausprobiert, 392
18:33
,520 aber so richtig gebracht hat es uns eigentlich nichts. 393
18:36
,160 Also ich würde auch 394
18:37
,160 sagen, wir hatten uns da die Woche schon mal unterhalten 395
18:40
,320 und da hast du auch noch mal einen sehr guten Punkt gebracht, 396
18:43
,200 nämlich Change Management. 397
18:45
,920 Ich glaube, wir sind aktuell in der Zeit. 398
18:47
,280 Also mir fällt gar nichts ein, was ein schlechteres Change Management als 399
18:51
,000 AI im Allgemeinen hat. 400
18:53
,720 Wir haben irgendwie so eine der größten technischen Errungenschaften, 401
18:55
,760 die wir jetzt endlich mal richtig nutzen. 402
18:57
,760 Und alles was wir im Moment schaffen, ist, dass alle Angst davor haben. 403
19:01
,160 Das ist eine ganz strange Situation. 404
19:03
,360 Ja. Und das ist, 405
19:05
,800 da müssen wir natürlich auch irgendwie weg, die Leute im Unternehmen 406
19:07
,520 dann entsprechend abholen, was zu dieser Adoption 407
19:09
,520 ja dann auch noch mal führt. 408
19:11
,600 Ich meine, und ein zweiter Punkt ist vielleicht 409
19:15
,200 jetzt bin ich natürlich irgendwie seit über 20 Jahren Entwickler und ich spreche 410
19:18
,680 die ganze Zeit über Entwicklungen, und da haben wir das und das gemacht. 411
19:20
,520 Was wir natürlich nicht vergessen dürfen, ist die ganze Palette an Standard 412
19:23
,560 Funktionalitäten, die out-of-the-Box von der SAP zur Verfügung steht. 413
19:26
,240 Und das geht natürlich 414
19:28
,920 noch schneller 415
19:28
,800 für den Kunden ein Benefit zu erreichen, wenn wir 416
19:30
,400 aus dem Prozess Verständnis herausziehen, 417
19:32
,200 okay, guck mal, hier gibt es aber diese Standardfunktionalität. 418
19:36
,200 Wenn jetzt ein Kunde, also Teil des Readiness Checks zum Beispiel, 419
19:39
,400 ist ja auch, dass wir gucken, hast du vielleicht einfach auch schon AI Units im 420
19:44
,360 Budget oder hast du die auch wirklich schon gekauft und weißt gar nicht, 421
19:47
,320 was du damit machen sollst? 422
19:48
,400 Viele Kunden kommen ja auch immer hier, 423
19:49
,240 ich habe diese, ich sage immer Candy Crush Diamanten, 424
19:52
,800 so was mache ich denn jetzt damit? 425
19:53
,200 Und es ist natürlich auch, 426
19:56
,000 wir können ja zum Beispiel Joule 427
19:59
,640 for S4 428
20:00
,000 in der Basisvariante jederzeit beim Kunden aktivieren. 429
20:04
,000 Daraus haben wir die Möglichkeit, Ich meine, das hat jetzt nicht 430
20:06
,640 den Funktionsumfang wie eine Premium Variante, ist klar. 431
20:08
,640 Aber daraus haben wir die Möglichkeit, dem Kunden besser beizubringen, 432
20:12
,760 wo die Deltas liegen 433
20:13
,600 zu den eigentlichen Premium Lösungen und dort natürlich 434
20:17
,640 auch auf solche Lösungen dann kommen. 435
20:20
,160 Ich schaue immer mal 436
20:21
,640 so ein bisschen 437
20:21
,200 von der Businessseite drauf, 438
20:23
,760 wie man so einen übertragbaren Entscheidungsrahmen schafft 439
20:25
,560 und dazu braucht man dieses Framework. Und der besteht aus meiner Sicht, 440
20:30
,160 so wie ihr jetzt gerade rangeht, also im Kern aus diesen Prozessen. 441
20:33
,560 Und dann hat man auf der einen Seite 442
20:34
,760 natürlich die bestehende SAP System Landschaft, 443
20:36
,240 die dann da ist, auf der einen Seite. Auf der anderen Seite 444
20:39
,800 haben wir Datenqualität, also das, war es halt auch und das muss man im Prinzip 445
20:42
,960 zusammenführen. 446
20:48
,640 Nehmen 447
20:48
,640 wir jetzt mal an, der richtige Use Case ist gefunden. 448
20:51
,400 Was passiert dann konkret? 449
20:53
,760 Und wie wird denn aus dieser Idee 450
20:56
,800 so eine produktive AI Lösung 451
21:01
,760 Soll ich anfangen? Gern. 452
21:03
,760 Also ein ganz wichtiger Punkt ist natürlich immer Architektur, 453
21:08
,480 also die Entwicklung von AI Lösungen 454
21:10
,960 sind immer hohe Architektur Anforderungen. 455
21:12
,200 Wir sprechen im Bereich BTP, welche Services benötige ich? 456
21:16
,040 Was halt auch immer ein wichtiger Punkt ist, 457
21:18
,040 bevor wir da mal anfangen, der Kunde muss ja verstehen, was kostet denn das jetzt? 458
21:21
,000 Und da meine ich nicht unsere Aufwände. 459
21:23
,880 Da kann ich recht schnell sagen x-Tage so, aber was kostet das denn lizenztechnisch? 460
21:26
,040 Also welche Services müssen aktiviert werden, welche Währung tickt wo runter? 461
21:32
,440 Und das sind so, das ist der nächste logische Schritt, 462
21:36
,280 sage ich mal auf dieser Ladder, dass man das Ganze mal beziffert und 463
21:40
,560 dann wie gesagt in das Architekturdesign geht. 464
21:43
,200 Und daraus resultierend starten wir halt mit, ja wie gesagt BTP Services. 465
21:49
,800 Ist das jetzt eine Lösung, die wir komplett eigen entwickeln? 466
21:52
,440 Dann halt AI Core. 467
21:55
,800 Was ist das Frontend? 468
21:56
,440 Ist das ein Cap über SAP Fiori Elements? 469
22:00
,800 Jetzt will ich die Leute da draußen nicht verlieren. 470
22:03
,520 Dann gehen wir natürlich ins technische Detail. 471
22:06
,520 Ja, man darf das nicht unterschätzen. 472
22:09
,880 Es ist nicht nur externe, sondern es sind vor allem auch die internen Ressourcen, 473
22:12
,400 die es stemmen, mit Umsätzen gemeinsam, die ins Rollen bringen müssen. 474
22:16
,320 Und das wird tatsächlich in diesen Projekten ganz oft unterschätzt, 475
22:19
,400 weil man denkt, Schnipp, und das geht jetzt ganz schnell, plötzlich. 476
22:22
,200 Aber auch das mitzunehmen, das eigene Prozessverständnis 477
22:26
,760 im Unternehmen ist natürlich entscheidend dafür, den Prozess zu verstehen. 478
22:29
,280 Also wir können da nicht von außen drauf gucken und sagen 479
22:32
,880 Schön, dass ihr den Prozess aufgemalt habt, 480
22:33
,240 wir haben es jetzt verstanden. 481
22:35
,040 Sondern dass man auch 482
22:36
,280 wirklich auf die End User aufgeht und sagt okay, erklär mir mal, der Prozess 483
22:39
,360 hier sieht so aus, 484
22:40
,640 schön, funktioniert der in der Realität so? 485
22:42
,160 Wo sind die Abweichungen? 486
22:44
,880 Und dass man auch wirklich versteht, was ist hier die Ausgangslage? 487
22:46
,400 Weil nur dann 488
22:47
,440 kann ich damit am Ende eine fachliche Anforderung 489
22:49
,680 beschreiben, aus der dann eine technische Anforderung wird, 490
22:51
,160 mit der wir den Use Case umsetzen. 491
22:54
,640 Ja, und dann habe ich 492
22:55
,120 auch schon mal kurz im Nebensatz erwähnt so eine Peer Gruppe. 493
22:59
,560 Ich finde das immer super hilfreich, wenn wir abhängig von der Größe des Kunden 494
23:03
,880 oder wie groß das Projekt auch aufgezogen ist, 495
23:05
,240 mindestens eine Person hat, 496
23:07
,520 die auch nachher so ein bisschen Botschafter für das Thema allgemein 497
23:09
,520 in diesem Unternehmen ist, finde ich einen wichtigen. 498
23:11
,360 Change Management 499
23:12
,200 Schritt, aber auch einfach für das, ich meine man will ja auch den Kunden trainieren. 500
23:16
,360 So, jetzt weißt du was 501
23:17
,440 gibt es in dem Umfeld, was der Bauchladen von der SAP 502
23:20
,360 und was sind die Mittel, um eigene Lösungen zu entwickeln? 503
23:23
,280 Das sind so diese Peergruppen, die dann mitzunehmen. 504
23:26
,600 Und ich glaube, 505
23:27
,360 wenn jemand aus den eigenen Reihen und nicht immer nur so die Berater, 506
23:31
,920 die dann kommen und wieder gehen, 507
23:32
,680 da steht und für das Thema brennt, ist das super hilfreich. 508
23:35
,440 Ja, also 509
23:36
,120 dieser Schmerz, 510
23:37
,000 von dem wir gesprochen haben, wenn der aufhört 511
23:39
,920 und dass jemand in sein Unternehmen rein trägt 512
23:40
,400 und halt auch tagsüber davon erzählt, was die neue Lösung jetzt schafft. 513
23:44
,760 Wenn das damit überein kommt, dass wir auch Budget freigemacht haben 514
23:47
,680 und dass das am Ende eine wirkliche Zeitersparnis 515
23:49
,440 ist, ist das das Bild, wo wir hinkommen wollen. Ja, 516
23:54
,880 ich würde gerne 517
23:54
,200 mit euch noch mal ein bisschen konkreter in so ein Case einsteigen. 518
24:00
,160 Könnt ihr euch mal im Kopf überlegen, 519
24:02
,160 an welchen Case ihr eingehen wollt? 520
24:06
,800 Könnt ihr anhand eines konkreten Cases einfach noch mal aufzeigen, mit dem, 521
24:09
,840 was wir jetzt gerade als Rahmen gesetzt haben, außenrum. 522
24:12
,400 Wie dieser Weg in der Praxis tatsächlich aussieht, 523
24:15
,760 von der ursprünglichen Herausforderung bis zur produktiven Anwendung. 524
24:19
,520 Also was war die Ausgangssituation ganz konkret geschärft 525
24:22
,640 und welches Problem sollte gelöst werden? 526
24:24
,640 Und so sind wir mit den und den Ressourcen dahin gekommen. 527
24:27
,120 Das kann man im Prinzip anhand des Use 528
24:31
,120 Cases von eben machen, also viele Kassen etc. 529
24:34
,160 Wir sprechen mit dem Kunden, gucken uns an, 530
24:37
,280 welche Pattern könnten potenziell erfüllt werden? 531
24:39
,560 Da wird man natürlich, hier kommen ganz viele Massendaten ungeordnet 532
24:42
,600 jeden Abend irgendwo an und werden manuell verarbeitet. 533
24:45
,760 So, und man muss ja 534
24:47
,360 die Kunden dazu bringen, dass die so was erzählen. 535
24:50
,720 Und dann, 536
24:51
,000 dann gehst du da rein. 537
24:53
,600 Also da haben wir ja gesagt, okay, also hier könnte ein Design fachlich so und so 538
24:58
,440 aussehen, also automatisieren. Technisch, da geht es schon in die Architektur. 539
25:03
,640 Wer von euch begleitet uns? 540
25:04
,800 Okay, du bist jetzt unsere Peer Gruppe, also irgendwelche Leute aus den jeweiligen Systemen. 541
25:10
,920 Dann war ja auch eine große Aufgabe. 542
25:11
,320 In welchem System finden die Verbuchungen statt? 543
25:14
,560 Also SAP Ariba, Warenverbuchungen etc. 544
25:17
,080 Und das ist ja ganz wichtig, wie verteilen wir das denn überhaupt? 545
25:21
,440 Und also was auch noch mal Teil der Lösung war. 546
25:24
,360 So und wenn das fachliche und technische Design passiert 547
25:28
,600 ist, wie man das halt eben kennt mit FTS und TDS. 548
25:30
,240 Also wenn ich jetzt mal Calm anspreche, zum Beispiel 549
25:34
,960 dann haben wir das Ganze auch 550
25:35
,560 entsprechend halt beziffert und dann ging das so in die Umsetzung, 551
25:38
,200 die wie gesagt 5 bis 8 Tage dann dauert und dann geht das in den Test. 552
25:44
,200 Und mit den anfänglich definierten KPIs, was immer im Rahmen 553
25:49
,520 der Mustererkennung wie gesagt dann stattfindet, 554
25:52
,360 konnte man recht schnell sagen, guck mal hier, da habt ihr die und die x-Prozent. 555
25:56
,840 Wir haben auch ein paar Slides dazu, 556
25:57
,280 ich glaub irgendwie 90 % / 95 % weniger Fehler etc., 557
26:01
,440 Also das ist aber gemessen. 558
26:02
,840 Also das haben wir nicht einfach mal, 559
26:03
,800 lass mal eine lustige Zahl auf eine Slide schreiben. 560
26:05
,800 So, das sind die 561
26:06
,800 Testergebnisse da raus und da ist der Kunde natürlich zufrieden. Ja. 562
26:13
,160 Und dass man, vielleicht noch kurz bei den KPIs halt auch darauf eingeht, 563
26:16
,000 wie viel Zeitersparnis haben wir wirklich, dass man sich das auch mal überlegt, 564
26:19
,200 dass man es durchspielt, dass man ein Pilotprojekt zeigt und den Mitarbeiter, 565
26:22
,880 der es sonst macht, wirklich mal durchführt und sagt, hier würde das jetzt aussehen. 566
26:26
,240 Dass man diese belastbare KPI hat und sich 567
26:28
,760 eben auch über die Kosten Gedanken macht. 568
26:29
,480 Also das kostet am Ende AI Tokens. 569
26:31
,800 Also man sollte sich früh genug schon 570
26:32
,080 mal Gedanken machen, was geben wir hierfür aus? 571
26:35
,600 In dem Case war es ein einstelliger Cent Bereich pro Dokument. 572
26:38
,680 Also das war dann relativ 573
26:39
,720 einfach zu argumentieren, bei der Arbeitszeit, die man sonst gebraucht hat, 574
26:42
,160 so eine Rechnung einzutippen. 575
26:44
,160 Aber dass man sich eben auch 576
26:45
,080 früh genug Gedanken macht, welchen Benefit heben wir denn hier am Ende? 577
26:48
,840 Ja, und wenn wir über diesen ganzen Zeithorizont so von der ersten Idee, 578
26:53
,360 dann 579
26:54
,360 die Kernphase plus bis es dann wirklich am Laufen war. 580
26:57
,960 Also von was für einem Zeitraum sprechen wir da? 581
26:59
,960 Ein halbes Jahr? Ein Jahr? 582
27:00
,840 Ne anderthalb Monate vielleicht höchstens. 583
27:03
,320 Und das auch eher, weil es meistens eine Ressourcenfrage ist 584
27:06
,080 und weil nicht alle Mitarbeiter nächste Woche Zeit haben. 585
27:09
,720 Also wenn man jetzt komplett ongeboardet 586
27:10
,280 ist alle hätten Zeit und wir leben in einer idealen Welt 587
27:13
,120 mit leeren Kalendern könnte man das bestimmt 588
27:15
,640 auch in zwei bis drei Wochen durchziehen. 589
27:16
,640 Aber es gibt halt noch so ein lästiges Ding namens Daily Business 590
27:19
,240 und das spukt einem da meistens ein bisschen dazwischen. 591
27:22
,600 Ist aber ein wichtiger Punkt, gerade was die Peer Gruppen angeht. 592
27:25
,480 Also man muss auch 593
27:26
,120 da Ressource freischaufeln bei den Menschen, die tatsächlich 594
27:29
,480 mitmachen, auf der anderen Seite. 595
27:30
,080 Weil es ist ja auch kein Selbstläufer. 596
27:32
,880 Also ihr kommt ja nicht einfach rein und dann erledigt ihr das quasi und 597
27:35
,560 und dann geht ihr wieder und dann läuft alles. 598
27:37
,880 Nein, das sind ja ganz viele. 599
27:38
,960 Also wie viele müssen dann auf der anderen Seite jetzt 600
27:40
,160 in einem konkreten Beispiel, wie viel haben denn mitgemacht 601
27:43
,640 tatsächlich? Also das waren ein, zwei Mitarbeitende. 602
27:45
,960 Also da ist jetzt, da habe ich jetzt nicht so das Rezept mit einer Zahl, 603
27:50
,000 da sind manchmal High Performer, die machen das, was sonst irgendwo 604
27:53
,120 zehn Leute braucht. 605
27:55
,320 Ja schwierig zu sagen also, aber 606
27:57
,320 man muss mit uns sprechen, natürlich so, aber das ist ja auch unsere Aufgabe 607
28:00
,840 als Beratungshaus, den Kunden entsprechend zu steuern. 608
28:02
,880 Und das hängt von der Komplexität ab. 609
28:06
,800 Ja, also wir können kein Ende User fokussiertes Produkt am Ende rausbekommen, 610
28:09
,760 ohne vorher mit dem End User gesprochen zu haben. 611
28:11
,720 Das ist wichtig ja. Das sollte man schon immer im Auge behalten. 612
28:14
,080 Das ist richtig. 613
28:16
,080 Ich hätte dich anfangen lassen sollen. 614
28:19
,680 Wenn ihr so das letzte Jahr überblickt. 615
28:21
,120 Also ich weiß nicht, wie es euch geht. 616
28:23
,440 Ich lerne jeden Tag irgendwas Neues dazu. 617
28:25
,400 Gibt es irgendwas, was ihr mit dem heutigen Wissen 618
28:27
,440 tatsächlich anders machen würdet als vor einem Jahr noch? 619
28:31
,960 Ich würde vielleicht sagen, diese Erwartungshaltung: 620
28:33
,480 Machen wir mal irgendwas mit AI 621
28:35
,640 und es kommt am Ende was raus, was uns was bringt, 622
28:37
,360 ein bisschen zu bremsen und rauszunehmen. Und auch einfach zu sagen ja, 623
28:41
,600 wir haben hinterher schnelle Implementationszeiten 624
28:43
,440 und wir kommen schnell zu einem Ergebnis. 625
28:45
,960 Aber damit 626
28:45
,200 das Ergebnis am Ende 627
28:47
,600 was bringt, müssen wir uns vorher schon 628
28:48
,040 mal Gedanken darüber gemacht haben, was wir hier überhaupt machen. 629
28:51
,200 Ja, absolut. 630
28:53
,920 Change Management wär so bei mir die Kunden abholen. 631
28:57
,320 Wo wollen wir da hin? 632
28:58
,720 Ich finde das technische Doing. 633
28:59
,240 Das ist nicht so wild. Das 634
29:02
,720 sollte ich vielleicht nicht so sagen. 635
29:04
,440 Aber ich finde, man darf es schon mal sagen. 636
29:06
,160 Es ist nicht so wild, heißt ja auch, wir machen einen guten Job. 637
29:09
,360 Kann sein. Ja. 638
29:10
,360 Also ich meine, es hängt natürlich auch von der Komplexität der Lösung ab, 639
29:13
,920 aber so ein Learning aus den Dingen ist auf jeden Fall Change Management: 640
29:16
,680 Jetzt passiert das, 641
29:17
,760 Das kommt jetzt auf euch zu und so werdet ihr das lösen können. 642
29:20
,800 Und da könnt ihr messen, was hier bei rauskommt. Und den Kunden 643
29:24
,720 auch noch mal wirklich an die Hand legen, 644
29:26
,400 die SAP bringt gerade eine ganze Menge 645
29:28
,600 neue Lösungen raus, die das Ganze auch unterstützen. 646
29:30
,480 Ja, also über Autonomous Enterprise Joules Studio 2.0 habe ich riesige Hoffnung drin, 647
29:35
,480 dass uns das, das Ganze noch mal einfacher machen wird, gerade jetzt 648
29:38
,000 auch in der Agent Entwicklung, um diese auch nachhaltig 649
29:42
,760 in die bestehende Prozessplattform einzuhängen. Ja. 650
29:45
,960 Du hast gerade 651
29:46
,960 Autonomous Enterprise noch mal genannt. 652
29:50
,240 Welche Prozesse können denn aus deiner Sicht heute 653
29:53
,400 sinnvoll tatsächlich durch AI unterstützt werden? 654
29:56
,760 Oder kommen alle, komplett, komplett autonome Steuerung? 655
29:59
,080 Es gibt mit Sicherheit noch mal Themen, wo ich jetzt mal zu meinem Sales Kollegen gucke. 656
30:03
,720 Technisch sind mir keine Einschränkungen bewusst 657
30:06
,680 jetzt. Ja, wenn man es alles selber entwickelt. 658
30:09
,520 Ich glaube tatsächlich, 659
30:10
,280 der Widerstand im Moment ist, dass die Standardlösungen von der SAP 660
30:14
,200 eben noch nicht full circle das abdecken, was auf der SAP Sapphire versprochen wurde. 661
30:18
,080 Was auch glaube ich, vielen klar ist, weil 662
30:20
,120 so lange ist die Ankündigung noch nicht her 663
30:22
,920 und da muss noch Arbeit reingesteckt werden. 664
30:24
,320 Ich glaube, wenn man sich gut Gedanken macht 665
30:27
,320 und da Custom Sachen machen will, kann man das tun. 666
30:30
,280 Ich würde nur auch die Frage nach der Sinnhaftigkeit stellen, 667
30:33
,480 wenn ich von heute auf morgen irgendwie in einem bestimmten Bereich 668
30:37
,480 70 % meiner Sacharbeit weg automatisiert hätte, wenn das denn möglich wäre, 669
30:42
,520 sind die ja nicht auf einmal verpufft und sind nicht mehr in meinem Büro. 670
30:45
,720 Also, 671
30:45
,120 dass man sich auch wirklich die Frage stellt, 672
30:47
,720 wo macht es denn gerade Sinn, dass wir AI einführen? 673
30:49
,480 Wo haben wir denn 674
30:50
,800 die Leute, die immer sagen Ich habe keine Kapazitäten, 675
30:52
,480 ich habe keine Ressourcen und die, die Zeit gerade wirklich freigeschaufelt brauchen 676
30:56
,240 und vielleicht da mal anzufangen und nicht einfach jetzt ganz zu sagen 677
31:00
,240 Autonomes Enterprise here, we come 678
31:03
,720 no matter the cost. 679
31:04
,160 Das ist aber auch genau der Punkt. 680
31:06
,240 Also genau so nicht reinzugehen und zu sagen, diese drei oder 30, 681
31:10
,280 die brauchst du dann nicht mehr, so funktioniert das auch nicht. 682
31:13
,280 Also wir sprechen eigentlich immer von dem AI Enhanced Human. 683
31:17
,600 Du hast halt irgendein Skillset und um den 684
31:21
,320 bestimmten Grad wird das bestehende Skillset erhöht. 685
31:25
,160 Und wenn jetzt, da verschiedene Themen automatisiert werden, 686
31:29
,440 heißt es 687
31:29
,760 nicht, dass irgendwo eine Stelle wegfällt, sondern die kann 688
31:31
,680 sich um andere Themen kümmern oder anders um diese Themen kümmern 689
31:35
,840 und deshalb eine andere Masse davon bearbeiten. 690
31:37
,720 So ne. 691
31:38
,160 Du hast halt nicht mehr den Rechenschieber, 692
31:40
,880 da hast du jetzt einen Taschenrechner, dem kannst du vertrauen, der macht das. 693
31:44
,120 Und das ist einfach ein neues Werkzeug. 694
31:49
,960 Ich glaube, man muss sich konkret die Frage stellen 695
31:50
,760 Welche Voraussetzungen muss ich denn überhaupt schaffen, 696
31:54
,120 dass ich da diesen Weg gehen kann. 697
31:57
,800 Und diese Frage, das ist ja die vorgelagerte Frage, 698
31:59
,840 die stellen sich ja viele nicht, die sagen 699
32:01
,840 Jetzt geht's los und dann wird es nichts. 700
32:05
,720 Und wenn man die sich überall stellen muss, 701
32:07
,520 ist es ja auch eine kompliziertere Rechnung. 702
32:09
,480 Also wenn ich jetzt sage, wir haben hier ein Use Case, 703
32:11
,560 aber für den muss ich erst mal eine Datengrundlage schaffen 704
32:13
,000 und erst mal meine Stammdaten bereinigen, dass der überhaupt richtig arbeiten kann, 705
32:17
,560 dann kann man das natürlich machen. 706
32:18
,600 Aber dann würde ich mal die Frage stellen Ist das wirklich 707
32:20
,960 das Pilotprojekt, mit dem wir anfangen wollen? 708
32:22
,920 Oder nehmen wir vielleicht was anderes, wo wir das gegeben haben, um 709
32:25
,040 dann eben auch im Unternehmen zu beweisen Guck mal! 710
32:28
,120 Wir haben das hier geschafft. 711
32:29
,400 Auch die Investition, jetzt 712
32:30
,120 die Daten zu bereinigen, um das nächste zu machen, wird sich lohnen. 713
32:34
,040 Aber damit sollte man vielleicht nicht starten. 714
32:36
,120 Ja, dann würde ich hier noch mal reinhören. 715
32:38
,880 Was sollten Unternehmen denn konkret jetzt tun? 716
32:43
,440 Anstatt so 717
32:44
,520 auf die nächste Generation von AI Technologien zu warten, 718
32:47
,440 wenn Sie jetzt anfangen wollen, was müssen Sie jetzt konkret tun? 719
32:50
,920 Na ja, die nächste Generation von AI wird die gleichen Voraussetzungen haben. 720
32:53
,080 Auch dann gilt wenn Prozesse, Daten und Organisationen nicht darauf vorbereitet 721
32:58
,600 sind, brennt mir die Konkurrenz, die jetzt schon zwei AI Projekte gemacht hat, 722
33:01
,360 vielleicht davon, weil sie einfach schneller im Implementationsrahmen ist. 723
33:05
,400 Also ich glaube gerade die organisationellen Sachen, 724
33:08
,680 die man in AI Projekten jetzt lernt, wie setzt sich die auf, wie nehme ich 725
33:11
,400 meine Mannschaft mit, was brauche ich dazu? 726
33:13
,880 Die wird man ja nicht verlernt haben, 727
33:14
,840 nur weil eine neue Generation von KI rauskommt. 728
33:17
,040 Und dass man sich jetzt auch an diesen Veränderungsprozess gewöhnt. 729
33:21
,240 Also gefühlt in meiner Welt lebe ich nicht mehr 730
33:24
,680 in Zeiten, wo ich mir einmal im Jahr 731
33:25
,680 die Neuerungen angucke und dann ändere ich meinen Arbeitsprozess, 732
33:28
,320 sondern ich entdecke ständig irgendwas Neues und passen meinen Arbeitsprozess daran an. 733
33:32
,360 Und daran muss sich auch, 734
33:33
,280 glaube ich, ein Unternehmen und eine Organisation 735
33:35
,040 und vielleicht auch eine Abteilung erstmal gewöhnen. 736
33:38
,040 Na ja, und Fabian hat was ganz wahres vorhin gesagt auch zwischendrin. 737
33:42
,960 Es geht um Architektur. 738
33:43
,400 Und Architektur braucht ein Fundament, eine Basis, sonst bricht das oben drin 739
33:47
,880 halt auch weg. 740
33:47
,640 Das heißt, wir müssen erstmal aufräumen. 741
33:49
,000 Absolut, absolut. 742
33:52
,000 Und für mich wäre das ganz klar Daten. 743
33:55
,120 Wie sind die Daten? 744
33:56
,880 Wie ist die Verfügbarkeit, wie ist die Bereitstellung und Qualität? 745
33:59
,840 Und das ist absolut Key für das Training von absolut allem. 746
34:04
,680 Also es ist irre. Wir landen immer wieder da. Ich habe vor, 747
34:08
,160 vor 25 Jahren 748
34:10
,160 haben wir uns schon über Datenqualität unterhalten. 749
34:13
,360 Es hat sich nichts verändert. 750
34:14
,840 Nur weil ein anderes Thema dazukommt, 751
34:15
,120 heißt es ja nicht, dass der alte Pfeiler wegfällt. 752
34:18
,120 Der steht da immer noch, höher als bisher. 753
34:21
,280 Ja, ja. 754
34:24
,440 Ja spannend, spannend. 755
34:26
,600 Das heißt wir müssen eigentlich das tun, was wir schon immer machen musste. 756
34:30
,360 Leider schon. 757
34:32
,680 Wir können hier nicht den Zahn ziehen 758
34:35
,320 und sagen es ist Zeit aufzuhören mit Datenqualität. 759
34:38
,760 Das wird nicht passieren, so schnell. Vielleicht 760
34:40
,960 wird ein verschiedener oder sich ändernder need, 761
34:42
,920 oder vielleicht wird dieser need jetzt bewusster 762
34:45
,280 durch diesen Marktdruck oder Hype erzeugten Marktdruck, 763
34:49
,440 wie auch immer. Ja auch noch die Tools damit umzugehen, wie du gesagt hast. 764
34:52
,680 Nur weil man jetzt ein AI Use Case einführt, heißt das ja 765
34:54
,200 nicht, dass jemand wegfällt, sondern dass er eben effizienter arbeiten kann. 766
34:57
,960 Und das gilt auch für die Stammdaten. 767
34:58
,520 Wir können natürlich AI unterstützt auch Stammdatenbereinigung 768
35:01
,040 ganz anders machen, als wir es vor vielen Jahren noch konnten. 769
35:04
,200 Das muss man auch klar sagen. 770
35:05
,160 Also ich würde sagen, der Pfeiler fällt nicht weg. 771
35:07
,120 Aber ihn zu stützen wird vielleicht ein bisschen einfacher. Ja spannend. 772
35:11
,880 So zum Abschluss die Frage Ist das genau der Rat, 773
35:13
,520 den ihr jedem mitgeben würdet, der jetzt mit solchen Projekten startet? 774
35:19
,920 Das und unbedingt vielleicht noch bei uns vorbeizukommen, 775
35:21
,600 weil wir noch eine 776
35:22
,600 ganze Menge weitere Use Cases haben, die wir gerne mal vorstellen. 777
35:26
,800 Aber grundsätzlich ja genau. 778
35:28
,600 Also das ist der Rat: Kümmert euch. 779
35:30
,600 Guckt euch eure 780
35:32
,680 Systemlandschaft an, die Datenlandschaft, ist das ganze skalierbar? 781
35:37
,000 Und wenn euch da schon was auffällt oder wenn ihr denkt, ihr braucht Hilfe dabei. 782
35:43
,520 Da gibt es ganz viele Unternehmen am Markt, die können euch dabei helfen. 783
35:47
,080 Ja, ich würde auch sagen nicht blind loslaufen, sich mal Gedanken machen, 784
35:51
,840 auch sich selber mal die eigene Architektur 785
35:52
,440 vor Augen führen und sich selber fragen was bedeutet das überhaupt für mich? 786
35:56
,920 Und dann von dem Standpunkt aus weiterlaufen. 787
35:58
,200 Ich danke euch, dass ihr euch die Zeit genommen habt. 788
36:01
,280 Ich finde es spannend, wohin wir laufen und ich finde es tatsächlich 789
36:06
,960 gleichzeitig sehr spannend, dass wir immer wieder 790
36:08
,880 bei den alten Themen landen, um die wir uns eh schon kümmern mussten. 791
36:13
,480 Und in dem Sinne wünsche ich euch viele gute Impulse, 792
36:16
,480 die ihr für euch mitnehmen könnt. 793
36:19
,200 Und wir schauen mal, wo wir in einem Jahr stehen, oder? 794
36:23
,560 Auf jeden Fall. Gerne sehen wir uns dann. 795
36:26
,400 Das war re:invented, der Business Podcast von Scheer IDS. 796
36:31
,520 Mehr Impulse, Best Practices und Hintergründe finden Sie auf scheer-ids.de 797
36:37
,120 De Wenn Sie wollen, hören wir uns in der nächsten Folge wieder. 798
36:40
,840 Bis dahin machen Sie's gut.