Latest / insights! mit Joubin Rahimi / 138 Warum die meisten KI-Projekte scheitern, bevor sie überhaupt beginnen

Transcript

138 Warum die meisten KI-Projekte scheitern, bevor sie überhaupt beginnen · insights! mit Joubin Rahimi

• 0:00
  Grandios, dass ihr wieder dabei seid zu einer neuen Folge von insights!
• 0:04
  Mein Name ist Joubin Rahimi und heute mit dabei habe ich den Matthias Bauer.
• 0:08
  Hi, Matthias. Hi, Grüß dich, Joubin.
• 0:10
  Matthias ist bei uns einer der AI-Spezialisten und ich würde
• 0:15
  sagen, auch meistens auf der Bühne und aufgrund deiner Größe und der Kompetenz
• 0:18
  auch ein Leuchtturm in dem Thema.
• 0:21
  Magst du zwei, drei Sätze zu dir sagen und dem Thema AI?
• 0:25
  Ja, super, gerne.
• 0:26
  Also zunächst zu mir Jahrgang 85, Ich bin irgendwann mal so 2007 herum ins
• 0:31
  Berufsleben eingestiegen und mache eigentlich seitdem tatsächlich
• 0:35
  nichts anderes als alles Mögliche rund Daten und KI.
• 0:39
  Damals nannten wir das noch so Data Mining, Process Mining, Data Science,
• 0:43
  aber letztlich haben sich die Methoden einfach nur weiterentwickelt
• 0:46
  über die Zeit.
• 0:48
  Und ansonsten: Verheiratet, zwei Kinder und begeisterter Pfadfinder.
• 0:54
  Na, ist doch schön.
• 0:56
  Matze ist einer der wenigen, die auch mal private Momente hier reinbringen.
• 1:02
  Ich nehme mal den Schwenk weg von den Pfadfindern, aber vielleicht kommen
• 1:05
  wir da auch noch im Gespräch zurück.
• 1:07
  Du bist ja bei ganz, ganz vielen Kunden bei uns.
• 1:10
  Matze ist ein Fellow.
• 1:12
  Also Fellows sind ja diejenigen, die C-level Trusted Advisor
• 1:15
  sind zu bestimmten Themen.
• 1:17
  Was sind so die Themen, die auf Geschäftsführerebene besprochen
• 1:21
  werden, die du so mitbekommst? Ja.
• 1:26
  Ich versuche auch …
• 1:27
  Das ist ja wie Pfadfinder.
• 1:28
  Es heißt ja, Ja, tatsächlich.
• 1:30
  Also Fahrt finden kommt ja ein Stück weit auch davon, den Lebensweg zu finden.
• 1:35
  Das kann man natürlich auch aufs Unternehmen irgendwie übertragen.
• 1:38
  Das ist eigentlich eine ganz gute Anekdote.
• 1:42
  Also was mir tatsächlich begegnet, ist …
• 1:47
  Wir sprechen hier von Insights.
• 1:48
  Das heißt, volle, klare Sicht.
• 1:51
  Und was mir sehr häufig begegnet, ist eigentlich eine sehr, sehr hohe
• 1:56
  Erwartungshaltung an die künstliche Intelligenz,
• 1:59
  weil man schnappt vielleicht auch das eine oder andere irgendwie auf.
• 2:02
  Neulich wurde ich gefragt: „Wie weit sind wir denn jetzt weg von der
• 2:07
  programmierbaren Materie?" Dann habe ich gesagt: „Davor kommt
• 2:12
  vielleicht erst noch das Beamen." Und da muss man immer ein bisschen
• 2:15
  aufpassen, weil letztlich haben wir natürlich eine Hochphase
• 2:20
  eines Hypes jetzt durchlebt gerade.
• 2:22
  Das hat begonnen im Oktober, November 2022 mit ChatGPT und ähnlichen Produkten, wie
• 2:29
  beispielsweise eben aus dem Hause OpenAI.
• 2:31
  Und man hat hier und da auch den Eindruck gehabt, dass das wirklich als die absolute
• 2:37
  eierlegende Wollmilchsau oder das Panaceum für alle Probleme irgendwie.
• 2:41
  Ja, packst du es rein und dann ist es super.
• 2:42
  Hat mich so ein bisschen erinnert, Das waren so die Jahre 2012, 2013.
• 2:49
  Damals ist ja IBM durch die Gegend gelaufen und hat mit Watson gewonnen.
• 2:58
  Und insbesondere der Herstellervertrieb ist dann halt auch durch die Landung
• 3:01
  gezogen und hat halt das so als Magic Blackbox verkauft.
• 3:04
  Kipp alle deine Daten rein und alle deine Probleme werden gelöst.
• 3:08
  So einfach ist es nicht, auch heute immer noch nicht, auch wenn natürlich
• 3:12
  wir ganz neue Möglichkeiten haben, aber hohe Erwartungshaltung, stelle ich fest.
• 3:18
  Aber ich stelle auf der anderen Seite auch fest, viele haben inzwischen erkannt,
• 3:22
  na ja, es ist definitiv eine Chance auf Veränderung, auf Optimierung
• 3:28
  innerhalb der eigenen Geschäftsprozesse, aber auch eine Transformation des eigenen
• 3:33
  Geschäftsmodells oder das Erschließen komplett neuer
• 3:36
  Geschäftsmodelle oder Produkte.
• 3:38
  Also wenn ein C-Level auf dich dann zukommen, dann bekommst du erst mal mit:
• 3:43
  Die Erwartungshaltung ist zu hoch, so nach dem Motto: Jetzt
• 3:47
  machen wir ein bisschen so ein Open AI vor uns und dann ist es super.
• 3:50
  Ich sage dann halt immer: Na ja gut, wenn es so einfach wäre,
• 3:53
  wäre ich jetzt nicht da.
• 3:56
  Und andere hätten schon gemacht und ihr hättet viel mehr Probleme.
• 4:00
  Wahrscheinlich auch so, oder? Genau.
• 4:04
  Was sind die typischen Fallstricke, die Unternehmen machen, die in diese Schritte
• 4:08
  reingehen, in das Thema?
• 4:11
  Also letztlich, ich sage immer so: Also erstens
• 4:16
  ChatGPT als, ich sage mal, eine KI-Anwendungsklasse für sich
• 4:21
  genommen, ist nur eine von sehr, sehr vielen unterschiedlichen Methoden, die
• 4:27
  eigentlich die künstliche Intelligenz bietet.
• 4:30
  Dinge wie klassisches Machine Learning oder vielleicht auch mal irgendwelche
• 4:34
  Regressionsrechnungen beispielsweise für eine Cash-Flow-Prognose oder so was sind
• 4:38
  nach wie vor immer noch genauso relevant wie vorher.
• 4:41
  Oder auch das Nutzbar machen von Bildinformationen, Computer Vision.
• 4:45
  Das sind alles verschiedene Gebiete, Teilgebiete der KI.
• 4:50
  Und was sie alle natürlich gemeinsam haben, ist, sie brauchen
• 4:53
  natürlich eine solide Datenbasis.
• 4:56
  Das hört man natürlich überall, was ich aber feststelle, ist, ja, nach
• 5:03
  dem Motto Das ist eine neue Methode.
• 5:05
  Da müssen wir doch jetzt die alten Probleme überwunden haben.
• 5:08
  Nein, die sind immer noch da.
• 5:10
  Ich weiß gar nicht, ob wir das vielleicht später einblenden können.
• 5:13
  Da gibt es so ein witziges Bild So ein Dilbert-Bild, oder?
• 5:16
  Ja, so in der Art.
• 5:17
  Auf der linken Seite sind da die Datentöpfe und dann kommen so
• 5:22
  aufgelistet die verschiedenen Methoden, so Data Science, irgendwie Machine
• 5:26
  Learning, AI, Gen AI, Agentic AI.
• 5:30
  Und auf der rechten Seite hast du dann so Datenscheißhaufen in Einhornformen
• 5:36
  oder in multiple Einhornformen.
• 5:38
  Und das trifft es eigentlich super gut als Illustration.
• 5:41
  Egal, welche Methode du da nutzt, du musst deine Daten irgendwie im Griff haben.
• 5:46
  Nicht nur für die KI, letztlich ja eigentlich auch für die Organisation
• 5:49
  selber, wenn man vorhat, auch mehr datengetrieben,
• 5:53
  Entscheidungen treffen zu wollen oder wirtschaften zu wollen oder
• 5:56
  Automatisierung überhaupt ermöglichen zu können.
• 5:58
  Jetzt sagst du, Daten musst du im Griff haben.
• 6:00
  Das heißt, die Daten sind nicht gut.
• 6:02
  Wenn das ein C-Level hört, dann nickt er wahrscheinlich oder sie.
• 6:08
  Aber was bedeutet das?
• 6:10
  Wann sind die Daten nicht gut?
• 6:12
  Weil wahrscheinlich wird dieser Person gesagt: Die Daten sind super, das sagen
• 6:14
  seine Mitarbeiter, aber eigentlich sind sie nicht super.
• 6:16
  In 9 von 10 Fällen sagen alle immer, unsere Daten sind super, aber tatsächlich
• 6:20
  ist es so, wenn wir Projekte machen, beschäftigen wir uns ja mit irgendeinem
• 6:25
  Business-Case, mit irgendeinem Use-Case.
• 6:28
  Ich bringe mal vielleicht ein kleines Beispiel Hier eine kleine Anekdote rein.
• 6:32
  Gerne.
• 6:33
  Das war bei einem Hersteller für so Kunststofffasern,
• 6:38
  ganz, ganz dünne Kunststofffasern.
• 6:40
  Das ist im Prinzip das Vorprodukt, woraus später dann künstliche Membranen gewoben
• 6:44
  werden, die im Dialysesystem, die Dialysesystemen, verwendet werden.
• 6:47
  Okay.
• 6:48
  Die hatten das Problem: 40 Produktionslinien,
• 6:53
  teilweise Dreischichtbetrieb und es ist ständig vorgekommen, dass irgendwann in
• 7:00
  innerhalb einer Woche oder so dieser blöde Faden abgerissen ist.
• 7:04
  Dann läuft die Pampe da irgendwie in die Maschine rein,
• 7:07
  musst du runterfahren, sauber machen, wieder kalibrieren, bla bla bla,
• 7:10
  geht ein Haufen Geld verloren.
• 7:12
  Dann wurden wir gerufen: Ja, Wir haben jetzt drei Jahre lang mit unseren
• 7:16
  Ingenieuren versucht, da irgendwie herauszufinden, woran das liegt.
• 7:18
  Wir wissen es nicht, kann man da was mit Daten machen?
• 7:20
  Auch die Info alles super, unsere Daten sind klasse.
• 7:23
  Wir haben ein MDE, ein BDE-System, wir haben ein MES, ein ERP und alle Daten sind
• 7:29
  da irgendwie zusammen und das dürfte ja kein Problem sein.
• 7:32
  Und dann sage ich: Ja, okay, case is cool.
• 7:35
  Kann man ja wirklich auch mit Zahlen dagegen rechnen.
• 7:38
  Aber bevor ich sage: Wir machen da irgendwas, würde ich gerne
• 7:42
  mal die Daten angucken lassen.
• 7:43
  Und das ist so, das Data Understanding nennen wir das dann im Prozess.
• 7:49
  Ja, und da kam halt raus, dass die Daten halt nur so im
• 7:52
  Zehn-Sekunden-Durchschnitts-Momentum quasi aufgezeichnet wurden.
• 7:56
  Wo ich sage wenn ich herausfinden will, was ist eigentlich, welche
• 8:00
  Wirkzusammenhänge sind dann eigentlich unmittelbar in diesem Abrisszeitpunkt,
• 8:04
  sind diese Zehn-Sekunden-Durchschnittte nichts wert.
• 8:07
  Absolut nichts.
• 8:09
  Und dann kommen so: Ja, aber da kann man doch vielleicht näherungsweise was machen,
• 8:13
  und dann sind wir eher diejenigen, die dann sagen: Also wir sind Dienstleister.
• 8:19
  Wir verkaufen euch das Projekt, aber wir würden euch davon abraten.
• 8:23
  Macht keinen Sinn.
• 8:24
  Macht einfach keinen Sinn.
• 8:25
  Und investiert lieber erst in ein bisschen
• 8:29
  optimiertere Datenhaushaltung und befähigt euch, die notwendige
• 8:34
  Auflösung der Daten zu erheben.
• 8:36
  Das ist jetzt vielleicht ein bisschen plastisches Beispiel, aber
• 8:39
  das erlebe ich wirklich sehr, sehr häufig.
• 8:41
  Das musst du einfach im Griff haben.
• 8:43
  Super Beispiel.
• 8:44
  Ich glaube, da noch mal richtig tiefer reinzudippen macht Sinn, oder?
• 8:48
  Genau.
• 8:48
  Also by the way, das ist jetzt eine Methode.
• 8:53
  Also ich habe ja vorhin erzählt, seit 2007 oder so im Berufsleben unterwegs
• 8:57
  und die kommt aus den 90ern.
• 8:59
  Standmal für CRISP-DM, Cross-Industry Standard Process for Data
• 9:06
  Mining oder inzwischen weiterentwickelt, CRISP-ML für Machine
• 9:09
  Learning und so weiter.
• 9:10
  Ja, aber es ist ein logischer Kreislauf.
• 9:12
  Du beschäftigst dich quasi mit dem Business-Problem
• 9:15
  und versuchst auch wirklich, das Businessproblem so zu benennen.
• 9:20
  Das ist ja oft ein Prozessthema, letztlich.
• 9:23
  Da müssen wir nicht im Prozess optimieren oder einen Teilprozess darüber
• 9:27
  automatisieren, um irgendwie Kosten zu optimieren et cetera.
• 9:31
  Da fragst du erst mal ganz scharf rein: Wie lässt sich das abgrenzen und was muss
• 9:35
  eigentlich erreicht sein, um wirklich ein Business-Value,
• 9:38
  eine Wertschöpfung zu erzielen?
• 9:40
  Und dann guckst du dir die Daten an und wenn da alles passt, dann sagst du: Okay,
• 9:44
  dann bauen wir Modelle oder nutzen Gen AI oder was auch immer.
• 9:48
  Und dann kommen wir eigentlich zum zweiten Schritt.
• 9:52
  Dann bauen wir wirklich Sachen.
• 9:54
  Wie gut funktionieren diese im Unternehmen?
• 9:58
  Also sind wir da gut dabei?
• 10:01
  Oder können wir das noch optimieren?
• 10:04
  Das ist ein Wunderpunkt, oder?
• 10:06
  Das ist ein Wunderpunkt, weil das ist …
• 10:08
  Wie soll ich sagen?
• 10:10
  Ich komme ja aus einer Welt, die sich immer sehr damit beschäftigt hat,
• 10:16
  Prozesse zu automatisieren, Geschäftsprozesse zu optimieren,
• 10:21
  auch neue Businessmodelle aufzubauen.
• 10:24
  Und da hast du halt häufig Situationen, dass du eigentlich in
• 10:27
  irgendeinen Bestand kommst.
• 10:28
  Es ist ja schon irgendwas da.
• 10:30
  Das heißt, du musst dich ja irgendwo so …
• 10:32
  Das heißt, viel Custom, Custom Solutions.
• 10:36
  Und wenn ich jetzt schaue, was heute so an Standard-Tools auf dem Markt so verfügbar
• 10:41
  ist und ich dann Rückmeldung bekomme: Oh, der
• 10:45
  hat schon wieder irgendwie ein falsches Ergebnis gebracht.
• 10:47
  Ich habe doch eigentlich mal einen OneDrive-Folder oder was auch immer
• 10:50
  irgendwie mit der KI verknüpft, aber irgendwie findet er das trotzdem nicht.
• 10:53
  Oder ich habe da neulich irgendwie eine Frage gehabt, wo ich genau wusste, da
• 10:57
  liegt eine E-Mail in meinem Postfach und das Tool der Wahl sagt es einfach
• 11:03
  nicht und das gibt es doch gar nicht.
• 11:06
  Also so was kommt halt irgendwie ständig vor und da muss ich halt
• 11:10
  sagen, das geht besser.
• 11:12
  Das geht wirklich auch heute schon besser.
• 11:15
  Allerdings muss ich ja sagen, es gibt halt einen Unterschied zwischen
• 11:18
  einer sehr starken Domänenorientierung oder Geschäftsprozess oder auch
• 11:23
  Geschäftsbereichorientierung versus Hersteller und Produkte, die halt
• 11:28
  möglichst eine wirklich breite Basis versuchen, abzudecken.
• 11:33
  Und das wird zwar natürlich jetzt, wenn man so in den nächsten Jahren schaut, was
• 11:37
  da so eine Pipeline auch bei den großen Herstellern steht, auch für so
• 11:40
  Standardprodukte, absehbar, dass das besser wird, aber im
• 11:44
  Moment habe ich bei vielen eher das Gefühl, dass viele feststellen: Da haben
• 11:49
  wir einen ganzen Stall vor Lizenzen gekauft.
• 11:50
  Das funktioniert irgendwie gar nicht so, wie gedacht.
• 11:53
  Das fahren wir irgendwie wieder runter und so weiter.
• 11:54
  Die kommen jetzt wieder auf uns zu und sagen: Ihr habt doch mal vor einem Jahr
• 11:58
  irgendwie erklärt, dass das auch besser geht.
• 12:00
  Und tatsächlich ist das auch so.
• 12:03
  Treppenwitz.
• 12:03
  Wir haben vor ChatGPT, ich glaube, sogar vor Corona war das,
• 12:10
  ein Projekt gehabt, wo wir anhand von Produktdaten, die die Produktstammdaten
• 12:16
  von neuen Produkten errechnet haben, dann Ersatzprodukte und auch
• 12:21
  Empfehlungsprodukte und ergänzende Produkte auch berechnet haben.
• 12:26
  Super. Das Projekt kam nie zum Einsatz.
• 12:30
  Alle haben gezweifelt, dass es geht.
• 12:32
  Es war ein Forschungsprojekt, hat funktioniert und dann hieß es: Wir
• 12:36
  bekommen es gar nicht in den Vertrieb rein.
• 12:39
  Da dachte ich: Krass, die verbrennen einfach mal so eine halbe Million.
• 12:44
  Jetzt wissen die, dass es geht.
• 12:45
  Aber machen sie es nicht.
• 12:47
  Wenn du da noch eine ähnliche Story hören willst, bringe ich gerne auch noch eine
• 12:50
  rein, ist ein Dienstleister für die Abrechnung
• 12:56
  von privatärztlichen Dienstleistungen.
• 13:01
  Wir kamen da irgendwie rein, langer Sales-Cycle gehabt.
• 13:05
  Da hieß es: Ja, wir wollen das jetzt mal ausprobieren.
• 13:08
  Und dann haben wir gesagt: Ja, wir probieren das mal mit einem
• 13:12
  Teilschritt aus.
• 13:13
  Ich glaube, da ging es irgendwie um die automatisierte Extraktion von
• 13:18
  Daten aus Durchgangsarztberichten. Egal.
• 13:23
  Die haben uns entsprechend Daten gegeben.
• 13:26
  Wir haben einen kleinen POC aufgebaut. Mega erfolgreich.
• 13:32
  Erkennungsquote, ich glaube, bei 97, 98%.
• 13:35
  Ist alles über 80, ist ja schon gut.
• 13:37
  Aber damit waren wir tatsächlich besser als die ENI, die natürliche Intelligenz,
• 13:42
  die eine höhere Fehlerquote hatte im Prozess.
• 13:44
  Das ging aber nicht. Genau, genau.
• 13:47
  Und wir haben das alles vorgestellt, war ein großer Konferenzraum und ist ja
• 13:53
  super, aber wir müssen Ihnen sagen, wir machen das Projekt nicht.
• 13:57
  Macht die schlechter, mach die schlechter, die kann ich.
• 13:59
  wieso nicht?
• 14:02
  Ja, irgendeiner hätte ausgerechnet, weil über 50% der Durchgangsarztberichte
• 14:10
  kommen noch per Papier rein.
• 14:12
  Und sie haben ausgerechnet, es sei von den Prozesskosten her teurer,
• 14:19
  wenn irgendjemand die Büroklammer abmacht oder diese Nadel da irgendwie rausmacht
• 14:26
  und das in den Scanner legt, als wenn es einer manuell abtippt.
• 14:30
  Das ist aber auch echt eine Einwandbehandlung und ein Vorwand.
• 14:33
  Da denke ich: Moment mal.
• 14:35
  Das war der gleiche Kunde, der irgendwie drei, vier Monaten früher noch gesagt hat:
• 14:40
  Wir müssen was verändern, weil wir finden immer weniger Leute, die
• 14:43
  Lust auf so einen Job haben.
• 14:45
  Und wenn wir da nichts daran ändern und mehr Automatisierung reinbringen, dann
• 14:48
  gibt es uns in zehn Jahren nicht mehr.
• 14:49
  Das ist völlig strange eigentlich.
• 14:51
  Jetzt wollen wir gar nicht auf den Kunden herumreiten.
• 14:52
  Nein, nein, nein.
• 14:53
  Aber das sind ja ganz natürliche Herausforderungen gerade, die wir haben.
• 14:57
  Ich glaube, das ist aus Angst heraus auch.
• 14:59
  Kann gut sein.
• 15:00
  Dass man sagt: Okay, ich kann den Vertrieb nicht verändern, will den
• 15:03
  gerade nicht verändern.
• 15:04
  Deswegen, wir fragen das auch immer nach: Was passiert, wenn es erfolgreich ist?
• 15:08
  Wie wird es implementiert?
• 15:11
  Wie machst du das? Wie macht ihr das im Team?
• 15:12
  Ja, tatsächlich, wir legen immer mehr Wert auch drauf, dass wir sagen, es ist nicht
• 15:17
  nur das Stückchen Technologie, sondern letztlich auch eine
• 15:24
  Änderung im Mindset, eine Veränderung in der Organisation.
• 15:26
  Teilweise werden sich Prozesse auch ändern, teilweise werden sich
• 15:30
  Jobrollen ändern.
• 15:31
  Das ist so.
• 15:32
  Das muss man einfach auch klar benennen.
• 15:36
  Das nennt sich ja alles heute Change Management, alles, was ich da herumdreht,
• 15:41
  und ich glaube, das ist ein sehr, sehr wesentlicher Faktor.
• 15:45
  Also gerade diese Angst.
• 15:46
  Ich habe es in letzter Zeit, ich weiß auch nicht, wieso, aber in den letzten paar
• 15:49
  Monaten habe ich sehr viel mit Personalräten und Datenschützern zu tun,
• 15:54
  weil da gibt es auch die wildesten Vorstellungen.
• 15:58
  Also der Datenschützer kommen dann und sagen, die hören nur KI,
• 16:02
  rotes Tuch direkt.
• 16:04
  Wo du denkst: Eigentlich ist jetzt die Anforderung an den Datenschutz,
• 16:10
  ob du jetzt Software mit KI drin hast oder Software ohne KI.
• 16:15
  Genau das Gleiche. Ist nicht anders.
• 16:17
  Aber trotzdem ist da irgendwie so ein …
• 16:21
  Das schwingt irgendwie was mit.
• 16:23
  Und natürlich bei Personalräten, Betriebsräten und so weiter,
• 16:26
  da geht es natürlich gleich immer die Situation der Arbeitnehmer, die ich total
• 16:30
  verstehen kann, aber letztlich ist es doch auch eine Chance.
• 16:34
  Total.
• 16:35
  Also es ist doch auch eine Chance, zu sagen, man transformiert die Organisation
• 16:41
  mithilfe der Technologie letztlich, um sich auch am Markt behaupten zu können.
• 16:46
  Es ist ja nicht nur eine Frage der Arbeitnehmer: innen zufriedenheit,
• 16:51
  sondern es geht auch irgendwie auch darum, dass man das Unternehmen mit in diese
• 16:56
  Ära nimmt, um letztlich auch am Markt, auch über Jahrzehnte hinweg und im
• 17:00
  Wettbewerb, sich behaupten zu können.
• 17:01
  Ja, verrückter Gedanke.
• 17:03
  Da bleibt die Firma länger.
• 17:04
  Haben alle was davon. Ja, genau.
• 17:06
  Und ich glaube, das ist halt wichtig, dass insbesondere dieses mentale Drumherum
• 17:12
  auf C-Level-Ebene halt auch adressiert wird und nicht einfach
• 17:15
  nur durchregiert wird.
• 17:17
  Man muss die Leute auch ein Stück weit mitnehmen.
• 17:19
  Und ich glaube, das ist ein super, super Stichpunkt.
• 17:23
  Change ist wichtig, die Prozesse sind wichtig, die Menschen
• 17:26
  mitzunehmen, ist total wichtig.
• 17:27
  Es geht nicht die Technik.
• 17:29
  Also es hat super Potenzial. Ja, genau.
• 17:31
  Und wenn ihr Unleash your potential, also euer Potenzial entdecken wollt,
• 17:38
  schreibt uns an.
• 17:39
  Matze, sein Team, die Fellows dazu, haben ganz viel gesehen und können euch in den
• 17:45
  Situationen helfen oder auch mal sagen: Macht mal nicht so was,
• 17:48
  sondern macht was anderes. Genau.
• 17:48
  Matze, danke für die Einblicke, ist immer wieder erhält.
• 17:53
  Und wie machen Pfadfinder, wenn es losgeht?
• 17:56
  Gibt es da ein Zeichen?
• 17:59
  Nicht wirklich, okay. Nicht?
• 18:01
  allzeit bereit, ist natürlich eher der Abschiedsgruß oder „Gut
• 18:08
  Fahrt" sagt man auch da. gut Fahrt, sagen wir.
• 18:09
  gut Fahrt. Genau.
• 18:10
  Schön, dass ihr zu geschaut und zugehört habt.
• 18:13
  Danke, Matze. Ja, gerne.