# Strategic Data Architecture for AI-Driven Mid-Market Growth

**Podcast:** AI FIRST Podcast
**Published:** 2026-02-13

## Transcript

Herzlich willkommen zum AI First Podcast.
Heute zu Gast ist Christian Krug, den du vielleicht vom Un-Fuck-Your-Data-Podcast kennst.
Richtiges Data-Urgestein.
Neben dem Podcast arbeitet er noch als Global Data Architect bei Frausche Sensortechnik.
Wir sprechen heute darüber, was man in dieser Rolle eigentlich macht, welche Herausforderungen dir so begegnen und wie du sie löst.
Und natürlich interessiert mich auch besonders, was du in den letzten drei Jahren an Fuck Your Data von deinen Gästen so gelernt hast.
Christian, schön, dass du hier bist.
Danke, Felix.
Boah, das ist ja jetzt, die Erwartungshaltung ist jetzt nicht niedrig, ne?
Data-Urgestein, das sind immer so die Momente, wo ich mich so richtig, wenn Leute mich als Urgestein sagen, ich denke so, ja, ich bin keine, ja, ich bin alt.
Christian, erzähl mal, du machst jetzt den Podcast seit drei Jahren, sprichst dort hoch und runter mit allen möglichen Menschen über Daten, auch immer mehr über KI, gehört ja mittlerweile zusammen.
Sag mal, was würdest du sagen, was sind so die Sachen, die du gelernt hast in diesen Jahren von deinen Gästen und was hat sich vielleicht auch verändert im Laufe der Zeit?
Also, was ich dir sagen kann, das Thema, was sich verändert hat, ist, glaube ich, relativ offensichtlich, es ist KI-lastiger als am Anfang.
Also ich habe angefangen mit diesen ganz klassischen BI-Themen, wo ich auch herkomme, datentechnisch gesehen, also Business Intelligence.
Ich habe ganz viel strukturierte Daten gemacht, dann kamen unstrukturierte dazu und heutzutage musst du eigentlich immer AI mitdenken.
Und das ist auch so, dass was rauskommt in den ganzen Gesprächen.
Damals, als ich angefangen habe, war es halt so, dass die Leute schon gesagt haben, okay, du musst dieses, ich nenne es immer...
Traditionelle KI, also nicht generative KI, musstest du damals schon mitdenken, wo du sagst, wir machen ein Finanzreporting und dann müssen wir mitdenken, dass wir Machine Learning Algorithmen für unser Forecasting machen.
Oder wenn du andere Analysen machst, dass du sagst, wenn du Webshop oder Marketing Analytics machst, dass du eine Recommendation Engine KI-technisch mitdenkst.
Heute hat sich das natürlich geschifftet, jetzt mit generativer KI, die jetzt ...
Ist ja in der Wahrnehmung vieler Menschen außerhalb von der Data- und KI-Bubble ist AI gleich generative KI, ist gleich Jet-GPT.
Das haben sie vom Marketing her sehr, sehr gut gemacht.
Und das solltest du heutzutage so mitdenken.
Das ist so für mich die große Veränderung.
Was ich gelernt habe, das ist ein bisschen beruhigend und beunruhigend gleichzeitig.
Wir haben alle die gleichen Probleme.
Egal, ob du reinschaufst.
Also die sind ein bisschen unterschiedliche Nuancen.
Aber Großkonzerne sind an manchen Stellen etwas weiter.
Aber alle ähnliche Hürden, Mittelständler, kleine Unternehmen, wenn du da mit den Leuten redest, dann sagen die, ja, das sind die Probleme, die wir auch haben.
Das hat Gast XY ähnlich erzählt.
Also wir haben alle die gleichen Herausforderungen.
Und das heißt, wenn du dich wiedererkennst in den Problemen anderen, dann bist du schon mal so richtig abgebogen, dass du sagst, ja, okay, ich bin jetzt nicht total off.
Ja, gute Zusammenfassung.
Kann ich tatsächlich nur unterschreiben.
In deinem richtigen Job bist du ja Global Data Architect und wir sprechen da gleich mal drüber, was du eigentlich in dieser Rolle machst.
Ich habe da viele Fragen dazu.
Aber eigentlich kommst du ja von der dunklen Seite der Macht, dem Consulting-Bereich und bist jetzt auf die helle Seite gewechselt.
Zumindest ist so die, so unterteile ich das, würde ich sagen.
Wie war dieser Schritt für dich und warum hast du den getan?
Aus dem Consulting dann wirklich in eine operative Rolle, auch mit richtig Skin in the Game in der Umsetzung in einem Industrieunternehmen?
Ehrlicherweise, die Antwort hat mehrere Facetten.
Also ich sage mal, Consulting, wenn ihr irgendjemand den Einstieg machen würdet in den Data-Bereich, geht ins Consulting.
Da habt ihr eine Lernkurve, das ist...
Echt stark.
Und ihr seht viel, ihr kriegt viel Erfahrung, ihr kriegt viel mit.
Ich war dann irgendwann so ein bisschen, ich sag mal, davon müde, halt alle paar Monate oder spätestens nach einem Jahr so den Kunden oder das Projekt zu wechseln.
Das ist halt oft so, dass du da bist, um die, sorry, Drecksarbeit, Anführungszeichen, zu machen.
Also du setzt es um, du baust es auf, aber wenn diese Dinger dann wirklich...
in die Skalierung, in den Mehrwert kommen, bist du als Berater oft schon weg.
Also zumindest in deinen Job richtig gemacht.
Also es gibt auch Berater, die versuchen dann, oder Beratungsunternehmen, die versuchen dann Jahrzehnte da drin zu bleiben.
Macht das nicht, liebe Unternehmen.
Liebe Berater, arbeitet auch nicht dahin.
Und dann wollte ich so ein bisschen rein, wie du sagst, dieses Skin in the Game.
Also Ralf Ginzinger hat so einen schönen Vergleich gehabt.
Als Berater bist du immer an der Seitenlinie wie so der Trainer und denkst dir, ich könnte den Elfmeter besser schießen.
Du kannst aber maximal reinschreien und sagen, jetzt passt doch nach links rüber.
Aber wenn der Spieler nicht nach links passt, dann denkst du dir so, ich hätte es viel besser gemacht.
Und jetzt ist es halt, wenn du im Unternehmen drin bist, dann halt, ja, dann musst du jetzt zeigen, dass du es tatsächlich besser machen würdest.
Erklär mal, wie deine Rolle gestaltet ist.
Also ich kenne natürlich Data Scientist als Begriff, Data Engineer als Begriff.
dann entstehen andere Rollen wie Data, Governance, Manager und Pipapo.
Also gibt ja, ich meine, Jobtitel sowieso sind ja nochmal ein anderes Thema und immer weniger was aussagend.
Data Architect habe ich aber noch gar nicht so oft gehört.
Was zählt da alles mit rein?
Brutal ehrlich ist, wir hatten keinen besseren Namen.
Das war so dieses, also ich sage immer, eigentlich bin ich Data-Mädchen für alles.
Aber das schreibt sich halt so schlecht drauf.
Das ist auch ein bisschen so der Größe von Frausche geschuldet.
Wir sind jetzt 700 Leute global.
Also das ist jetzt um mal so die Größenordnung, wir sind 700 Leute global.
Wenn du jetzt in einem Unternehmen bist, was 7000 oder 70.000 Leute global hat, dann ist ein Data Architect relativ, also deutlicher definiert, dass du sagst, okay, da bist du wirklich verantwortlich für die Datenstrukturen, die Datenflüsse zu modellieren, aufzubauen, zu gucken, welche Systeme hast du, diese Datenlandschaft.
Das ist bei mir ein Teil davon, weil jetzt auch in dem Team, wo ich bin, zusammen mit meinem Kollegen Minzen, der hauptsächlich das Thema AI dann mitmacht.
Also AI ist sein Schwerpunkt, meine sind die Daten, aber jeder von uns, wir haben einen super Overlap.
Und ja, also bei mir ist es wirklich von, bis auf Coding eigentlich alles.
Also ab und zu muss ich dann doch nochmal in den Code schauen und stelle dann wieder fest, wie schlecht mein Python ist.
Also von dem her Grüße ans Team.
Danke, dass ihr so gut seid im Coding, dass ich das nicht machen muss.
Aber halt auch wirklich dieses mit den Fachbereichen, die Anforderungen definieren, dann überhaupt mal dieses initiale Assessment machen, gucken, wie arbeiten die heute, wo sind eigentlich die ganzen Daten?
Also wir sind ein klassischer Mittelständler, dass wir relativ viele Silos haben.
Dann, dass die Schnittstellen halt noch nicht perfekt automatisiert sind an vielen Stellen und einfach das mal...
aufzuschreiben, anzugehen, dann die Lösungen zu definieren und dann ranzugehen, mit dem Team das umzusetzen.
Das ist halt, ja genau, bis zu Z-Level die Datenstrategie, zu sagen, okay, wo setzen wir, wir haben ja ein kleines Briefing, vorne geguckt, auch da, wo setzen wir den Schwerpunkt?
Digitale Produkte, datengestützte Produkte, Operational Excellence und wie bringen wir das zusammen?
Also es ist eine strategische Rolle, die dann bis runter in Projekt Hands-on geht, aber jetzt, sag ich mal, kein Coding mehr.
Warst du die erste Person, die das Thema so richtig verantwortet und aufgezogen hat?
Auf einem höheren Level ja.
Vorher war mein Kollege der Oliver da, der als erster Data Guy angeheuert wurde.
Der ist ein phänomenaler Data Scientist und der war aber sehr, sehr stark in einem digitalen Produkt drinnen.
Und dann kamen halt drumherum rechts und links Anforderungen.
Und irgendwann hat Oliver gesagt, das kann ich schon alles machen.
Aber halt nicht alles gleichzeitig und nicht alles so in der Zeit, in der ihr euch das vorstellt.
Wir brauchen da jetzt Hilfe.
Und dann bin ich reingekommen und ein paar Wochen nach mir minzen für das AI-Thema.
Und mittlerweile sind wir acht oder neun Leute im Team.
Okay.
Wir gehen gleich nochmal darauf ein, wie ihr euch da organisiert, wie ihr zusammenarbeitet und woran ihr arbeitet.
Eine Frage habe ich jetzt aber noch zu Gen AI.
Ich nehme aus dem Daten, also von Datenverantwortlichen, nehme ich...
öfter so die Tendenz war, dass eher Gen-AI nicht das Lieblingsthema ist, weil sich natürlich auch viele Entscheider jetzt auf dieses Thema stürzen und sagen, komm, wir müssen jetzt ja irgendwie Gen-AI-Projekte machen, Agenten bauen, implementieren und, und, und, und.
gleichzeitig die Datenverantwortlichen, aber wissen, ja, ja, aber das funktioniert irgendwie nicht, wenn wir nicht die Daten richtig bereitstellen oder wenn wir mit den Daten arbeiten, die wir aktuell haben.
Wir brauchen also erstmal viel mehr Ressourcen, um die Infrastruktur aufzustellen, damit wir dann Gen.ai draufsetzen können.
Budgets werden aber zumindest aus meiner Wahrnehmung dann doch oft auf Gen-AI-Projekte verteilt.
Gleichzeitig ist es ja aber irgendwie auch ein Dosenöffner dafür, dass viel mehr Sichtbarkeit und Relevanz auf Daten kommt.
Aber meiner Erfahrung oft erst im zweiten Schritt, nachdem man merkt, naja, okay, funktioniert ja alles nicht so richtig geil, wenn wir hier unsere Daten nicht sauber haben und bereitstellen können.
Was dann ja auch wieder euch total helfen kann, wie...
Wie blickst du darauf?
Jetzt habe ich lange rausgeholt.
Nein, nein, nein, aber wahnsinnig, es ist halt auch wahnsinnig viel drin und das ist super, das Thema ist halt nicht ganz einfach.
Ich hatte für mich jetzt nochmal so einen Eye-Opener-Moment, sehr, sehr kürzlich, wo wir uns dann auch nochmal so externe Unterstützung geholt haben und dann irgendwann, also auch beim Sea-Level, der vorher einen sehr hohen Fluglevel auf das Thema AI hatte, dann wirklich im Workshop, so der Sack Roschen gefallen ist, so Ja, es gibt was, wo wir schnell loslegen können, aber, und das ist immer das Entscheidende, der Fachbereich, also die Fachfunktionen müssen sich auch massiv in das Thema AI mit einarbeiten.
Ansonsten generierst du mit Gen AI ganz viel Slop.
Und das ist so dieses Entscheidende, wo ich sage, es wird mehr dieser Teamsport.
Im Reporting, klassisches BI, da ging es noch so halbwegs, dass du sagst, okay, das ist das Data Team, das ist das Business Team, die schreiben Anforderungen.
Und das Business Team weiß nie, wie du jetzt, sag ich mal, Power BI oder wie auch immer das Tool heißt, bedienen kannst.
Die arbeiten halt damit.
Und das ist bei Gen.ai allerspätestens vorbei.
Und das war für mich jetzt nochmal so dieses, das nochmal richtig, das so implizites, explizites Wissen.
Implizit hast du das immer so gewusst, gesagt.
Auch selber vorangetrieben, aber dann war mal dieser Eye-Opener, wo du sagst, ja, jetzt habe ich vielleicht auch eine externe Unterstützung, daher nochmal, Consultants können auch gut sein.
Eine externe Unterstützung, dass nochmal sagst du, ja, das ist kein Interessensvertretung von dem Data-Team, sondern es ist halt wirklich so.
Und das ist, dann klappt es und das ist halt ganz, ganz wichtige Grundlage, um diese Gen-AI-Projekte in die Unternehmung zu bringen, weil du eben dann wirklich hingehen kannst und sagen kannst, okay, wenn wir diese Fertigungstiefe haben wollen, wenn wir diese Qualität haben wollen, dann muss der Fachbereich lernen, mit Gen.ai umzugehen und zwar mehr als, wie schreibe ich einen halbwegs generischen fünf Zeilen Zero-Shot-Prompt, sondern dann musst du da tiefer rein.
Und dann brauchst du eben Leute, die in ihrem fachlichen Gut sind und dann brauchst du aber auch eine Data-Abteilung und das ist etwas, wo ich auch immer dafür kämpfe, den Leuten am Anfang viel Freiheiten zu geben bei Gen.ai.
Und dann muss man das ausprobieren, dann muss man einfach irgendwie ein POC oder darf man gerne auch mal irgendeine Softwarelösung vom Markt nehmen.
Wir haben jetzt mit, an der Stelle kurze unbezahlte Werbung, wir haben jetzt mit Claude da sehr gute Erfahrungen gemacht, dass du da schon viel Struktur drinnen hast.
Okay, jetzt lass uns das mal da bauen und dann seht ihr ja, ob es einen Wert bringt und dann heben wir es rüber.
Aber anfangen, wenn die Daten perfekt sind, hey Leute, dann seid ihr lost, sorry, bis ihr die Daten hingezogen habt.
Dann ist es vorbei.
Und was halt ganz entscheidend ist, wir haben schon immer Schatten-IT, aber Schatten-AI ist so viel zugänglicher als Schatten-IT.
Und das ist das große, wenn ihr da als Datenbereich oder IT, je nachdem wo das Thema aufgehängt ist, den Leuten nicht einfach schnelle Möglichkeiten gebt, dann haben die es in ihrem privaten OpenAI, Gemini.
was auch immer die Nutzen-Account drin und dann ist es raus, dann seid ihr raus aus dem Spiel.
Ihr seid ja jetzt ein klassisches Industrieunternehmen, 700 Menschen weltweit, also wahrscheinlich so Paradebeispiel von so einem Mittelständler, nehme ich jetzt mal an.
Wie groß ist denn jetzt mal so der Reality-Check wirklich der Anteil der Gen-AI-Projekte im Vergleich zu klassischen KI-Projekten oder vielleicht auch einfach Datenprojekten und Produkten?
die ihr umsetzt.
In unserem Team oder insgesamt in der Organisation?
Insgesamt.
Wir haben zwei große Gen-AI-Projekte laufen.
Und wir haben mehr, also gerade, das ist halt auch nochmal das, wir haben natürlich auch, wenn du das Gesamtbudget betrachtest, wir haben natürlich auch noch eine Produktentwicklung, die Hardware-Produkte entwickelt, die auch weiterhin, wir sind in einem Bereich, wir sind Eisenbahn-Zulieferer.
Und eine Eisenbahn fährt halt nicht auf dem Jet-GPT.
Blöd gesagt, also es wird weiterhin, Hardware wird unser Kerngeschäft bleiben.
Wir haben natürlich auch Projekte, an denen wir arbeiten, wo wir klassische KI, also das ist das, wo der Oliver, mein Kollege, der Data Scientist angefangen hat, eben Predictive Maintenance Lösungen.
Dann auch die Produkte, die wir haben im Feld, unsere Sensoren mit den Daten mehr zu machen.
Dann natürlich auch mit klassischer KI irgendwann Gen-AI, dass wir Kunden vernünftige Chatbots anbieten.
Das haben wir natürlich alles in der Pipeline.
Aber im Vergleich, es ist nicht unser Hauptfeld, eine Gen-AI-Company zu werden.
Klar, wir nutzen Gen-AI für unsere internen Prozesse.
Wir haben auch Gen-AI-Projekte, um unsere Customer Experience besser zu machen.
Klassische AI, um unsere Produkte besser zu machen.
Aber im Kern bleiben wir eine Company, AI, also die Hardware für Eisenbahn herstellt.
Und das wird immer klar, werden diese Produkte digitaler.
Wenn du anschaust, als die Firma gegründet wurde, war es nur Hardware, jetzt ist es halt auch schon Software dabei.
Und das ist dann der nächste Schritt.
Jetzt seid ihr acht, neun Menschen in dem Team.
Das sind ja die Ressourcen in der Regel immer knapp verteilt.
Und ihr habt dieses Spannungsfeld aus interner Optimierung von Prozessen.
Und auf der anderen Seite weitere digitale Produkte zu entwickeln, Software mit zu unterstützen, die dann auch mitverkauft werden können.
Wie seid ihr da organisiert und wie sind also die Ressourcen verteilt?
Wie managt ihr auch dieses Spannungsfeld, was da entsteht?
Ja, da kommen wir wieder.
Data.
Wir gucken, also wie sind wir organisiert?
Das sind Minzen und nicht die Hauptkontaktpunkte sind zu den Fachabteilungen.
Dann haben wir den Data Scientist, Plattform Engineer, drei Data Engineers und AI Engineer.
Ja, wir machen ganz klassisch datengestützt.
Wir gucken uns halt den Aufwand und den möglichen Ertrag an und priorisieren es dann durch.
Das geht nicht anders.
Also wir könnten, wie du sagst, Ressourcen sind nie unendlich.
Aber wir müssen einfach gucken, was ist der Return on Invest, was ist der Benefit, den wir als Company haben und das dann beziffern.
Und ja, da ist manchmal natürlich so ein bisschen, Unsicherheiten sind immer drin, du kannst eigentlich nie beziffern, was bringt der Use Case jetzt genau oder in den seltensten Fällen kannst du es genau beziffern.
Aber du musst halt grob so den Ballpark treffen und sagen, okay, das bringt es uns, das ist strategisch oder das bringt direkt Kohle oder das spart direkt Kohle und dann einfach priorisieren.
Sorry, das bleibt niemandem erspart.
Also wenn ihr irgendeine Company findet, die Infinite Fundings hat und jedes Projekt gleichzeitig machen kann und hochstuft, wow, herzlichen Glückwunsch.
Ich habe es noch nicht gesehen und ich war auch in Großkonzernen schon.
Wie stark hat sich der Anteil zwischen den internen Prozessen und jetzt hin zu mehr und mehr digitalen Produkten verschoben in den letzten Jahren?
Du bist jetzt seit zwei Jahren, glaube ich, da.
Wir haben, lustigerweise sitzen wir eben im Innovations Department.
Das heißt, wir haben viel in den Produkten.
Also wir haben nicht mehr den klassischen Operational Excellence, also Operational Excellence wird viel von der IT auch gemacht in den operativen Systemen.
Und lustigerweise haben wir, spannenderweise haben wir mit den digitalen Produkten angefangen und es wird jetzt mehr Operational Excellence.
Also das ist genau der andere, mit dem viele haben.
Weil wir eben ...
Innovations-Bereich, also das Daten, das Data- und AI-Team hängt im Innovations-Bereich und nicht im klassischen IT.
Deswegen hat es bei uns genau andersrum angefangen und Oliver war ja auch der Erste, der in dem digitalen Produkt, in dem Frausche Insights Diagnostics gearbeitet hat und von dem her haben wir einen starken Produkthintergrund und arbeiten uns jetzt in die Operational Excellence Themen mit ein.
Kannst du mal so einen Einblick, so ein Beispiel geben, was ist so ein Daten-KI-Produkt?
bei euch, wo ihr Sensoren eben für Eisenbahnen herstellt, entwickelt?
Also das ist ja auch, das kann ich erzählen, das ist ja öffentlich, also aus der Entwicklung, bitte seht es mir nach, dass ich da nicht drüber reden darf.
Aber wir haben ja ein Frauscher Insights Diagnostics, das ist ein digitales Produkt, wo die Diagnose der Sensoren, also die Sensoren hängen am Gleis und wenn ein Zug drüber fährt, zählen die, dass da ein Zug drüber fährt.
Und dieser Sensor hat natürlich einen Zustand, wie jedes technische Gerät kann der ausfallen.
Und da hast du Diagnosemeldungen, die anzeigen, da ist irgendwas komisch und ähnliches.
Und das ist eben das unseren Kunden zur Verfügung zu stellen, diese Informationen.
Dann auch angereichert mit KI, diese Warnungen deuten an, dass der Sensor demnächst aus welchen Gründen auch immer ein Problem bekommen könnte.
Wartet den bitte mal proaktiv.
Oder schaut da bitte mal drauf in einem Standardwartungsintervall.
Das sorgt einfach dafür, dass das Eisenbahnnetz besser befahren werden kann.
Das Interesse unserer Kunden ist, dass sie möglichst hassle-free und möglichst oft mit einem Zug über das Gleis fahren können.
Ja, der zahlt ja ganz konkret auf die Wertschöpfung.
Genau.
Wenn der Sensor eine höhere Uptime hat und das Gleis besser verfügbar ist.
Man muss dir halt vorstellen, diese Sensoren, die hängen bei plus 50, 60 Grad in der Wüste, die sind aber auch mal ein halbes Jahr unter Wasser in Gegenden mit Monsoon und sowas.
Also die Dinger machen was mit.
So, jetzt muss ich auf jeden Fall vom Data Architect wissen, wie sieht denn 2026 eine moderne Systemlandschaft im Datenbereich aus?
Ich war zehn Jahre lang Berater.
Ich darf sagen, it depends.
Aber dann auch das gerne.
Wovon hängt es ab?
Und was sind so deine Fragen, die du dir stellen würdest?
Weil man muss ja auch sagen, dass ganz, ganz viele ...
Unternehmen, gerade auch im Mittelstand, die sind ja noch ganz, ganz am Anfang von diesem Weg.
Da gibt es ja oft noch niemanden, der für Daten verantwortlich sind.
Daten wurden irgendwie so mitgemacht, die gibt es halt irgendwie irgendwo, fliegen irgendwo rum, werden oft noch gar nicht richtig genutzt.
Du kennst das alles.
Also jetzt wäre die Frage, wenn du jetzt woanders hinkommen würdest, wo ihr vielleicht noch nicht so aufgestellt seid wie ihr, welche Fragen würdest du dir dann stellen und was sind so ein paar Best Practices, die du auch in den...
deiner Laufbahn gelernt hast.
Also, was du irgendwo brauchst, ist so ein, glaube ich, da kommst du dann nicht mehr drum rum, ist so ein unified, also so ein halbwegs einheitliches Datenmodell.
Dass du einen Ort hast, wo deine zentralen Daten zusammenlaufen und irgendwie logisch miteinander sinnvoll verknüpfbar sind.
Und wie das dann oben und unten weg, sorry, das englische Wort branched.
dass es dann da ist, wo ich sage, Leute, da wird es sehr individuell.
Es kann auch sein, dass eine Fachfunktion beispielsweise Cloud nutzt und die andere kommt einfach für ihren Anwendungsfall mit Gemini und Notebook LM viel besser klar.
Das müsst ihr akzeptieren, dass ihr dann nicht alle Leute auf ein Tool prügeln könnt.
Das ist eine unbequeme Wahrheit, die tut manchmal weh, gerade dem Data-Bereich und auch der IT, weil du möchtest ja möglichst Sachen vereinheitlichen, um Synergien zu nutzen.
dieses Branching oben und unten musst du irgendwie akzeptieren.
Also gerade wenn du jetzt im Mittelstand bist, der dann teilweise...
Kannst du das nochmal erklären, was du mit Branching meinst?
Also du brauchst irgendwo in der Mitte so ein einheitliches Modell, wo du sagst, okay, das ist unsere Kundendatenbank und alle Kunden von allen unseren Tochtergesellschaften oder Landesgesellschaften oder sowas sind da irgendwie einheitlich drinnen und ich kann sagen, dass diese Kunden diese Ansprechpartnerinnen und Ansprechpartner haben, dass die...
dass wir diese Produkte verkaufen und dass das irgendwo sinnvoll verknüpfbar ist, weil ansonsten wirst du immer in diesen Silos bleiben, dass du sagst, okay, das ist Sales, die gehen bis zum Angebot und wenn das Angebot unterschrieben ist, dann ist Sales raus.
Jetzt musst du aber irgendwie es schaffen, die Rechnung, die der Kunde vielleicht zu spät gezahlt hat, auf das Angebot von deinem Sales zu mappen, wenn du durchgehende Prozesse willst und das musst du irgendwo vereinheitlichen.
Du musst aber akzeptieren, dass beispielsweise dein Marketing lieber mit HubSpot arbeitet, als mit dem CRM, was Sales verwendet.
Das tut weh und das nervt.
Das wirst du aber in einer gewissen Organisation akzeptieren müssen.
Oder dass, ich sage jetzt einfach mal, Marketing ihre Texte jetzt mit Klot schreibt, du aber dann irgendwo im Finance jemanden hast, der sagt so, nee, wir sind super, wir haben jetzt SAP und nehmen SAP Joule, um unsere Finance-Prozesse mit KI anzureichern.
Das ist etwas.
Das wirst du leider akzeptieren müssen.
Auch wenn es nach unten geht, dass du sagst, okay, schön, wir haben jetzt drei CRMs, weil wir fusioniert sind mit einer anderen Gesellschaft und die haben wir nie auf das CRM umgezogen oder du hast drei ERP-Systeme.
Das ist eine Wahrheit, die musst du leider akzeptieren.
Und klar kann man mal so ein schönes, großes Projekt machen und sagen, okay, wir machen jetzt die große SAP oder Enterprise Central von Microsoft, Einführung und vereinheitlichen alles auf ein Quellsystem.
Geil, aber bis du das geschafft hast, sind die anderen weitergelaufen.
Deswegen brauchst du diese Mittelschicht, wo du sagst, okay, jetzt schaffen wir so eine gewisse Datenwahrheit und daraus füttern wir die KI-Systeme, daraus füttern wir die Reporting-Systeme.
Also diese zentrale Schnittstelle brauchst du irgendwo.
Und du musst aber diese Heterogenität dann gerade mit KI, wo die Tools noch nicht so reif sind.
Ich meine, keine Ahnung, Power BI gibt es seit wie vielen Jahren?
oder auch SAP Analytics Cloud gibt es seit über zehn Jahren, die Dinger sind reif.
Das hast du in KI noch nicht und du musst dieses Experimentieren zulassen.
Also das ist die unbequeme Wahrheit, die du dich als Data-Mensch jetzt stellen musst, dass du das auch erlaubst.
Aber immer sagst du, hey Leute, eure Ergebnisse, die kommen wieder zurück.
Alles, was ihr da schreibt, alle Angebote, die Sales jetzt mit KI generiert, die kommen wieder zurück, die analysieren wir.
Und dadurch verbessern wir unsere Systeme.
Aber das brauchst du unbedingt, diese zentrale Schaltschnelle, diesen Knotenpunkt.
Und das nennt sich dann, ist das ein Data Warehouse?
Data Lake?
Data Lake House?
Ja, nenn es, wie du willst.
Am Ende des Tages ist es so was.
Ich nenne es jetzt mittlerweile, bei uns heißt es intern Data Hive.
Aber technisch gesehen ist es ein Lake House.
Aber ob das dann ein klassisches Data Warehouse, ein Data Lake oder Lakehouse ist, nenn es wie du es magst und technisch kriegt man es immer irgendwie gelöst, aber du musst irgendwo so eine gewisse Vereinheitlichung reinbringen.
Ansonsten knallt dir das um die Ohren.
Also ansonsten kriegst du halt niemals diese übergreifend.
Ansonsten bleibst du immer in den Silos und dann bleibst du immer da drin, dass deine Wertschöpfung ist, dieses eine Silo zu optimieren, aber du kriegst nie dieses Ende zu Ende hin.
Weil wenn du jetzt, ich gehe jetzt mal in ein Beispiel rein, so eine...
Customer 360-Grad-Betrachtung gehst und dein Sales sagt, hey, das ist mein Top-Kunde, weil dem verkaufe ich die meisten Angebote.
Dann sagt deine Produktion, ja, aber der ruft von deinem Kontingent nur 75% ab und dann kommt Fein und der zahlt immer ein Vierteljahr zu spät seine Rechnungen.
Dann ist der Kunde in der Gesamtbetrachtung für das Gesamtunternehmen eigentlich gar nicht so geil.
Aber das siehst du nicht, wenn du die Daten nicht vereinheitlichst und nicht sagen, weil Sales sagt, geil, bester Kunde.
Oder halt, wenn Produktion sagt, hey, ja, das ist mein Top-Kunde, dem verschiffen wir das meiste Material, der die wenigsten Rückfragen und sonst was.
Und Sales sagt, ja, aber dem muss ich halt jedes Mal 30% Rabatt geben.
Diese Silos musst du aufbrechen.
Wie geht ihr da, also super spannender Case, da würde ich jetzt gerne nochmal reingehen, aber ich glaube, das ist ja sehr, sehr universell anwendbar.
Wie geht ihr genau bei so einem Case dann als Data-Team mit den Fachbereichen vor?
Weil da sind ja super viele Stakeholder dann drin.
Du hast diese heterogenen Systeme.
Du hast wahrscheinlich eine ganz unterschiedliche Reife auch der Daten überall.
Jeder hat eine andere Meinung, wahrscheinlich auch im Raum, wie da was zu interpretieren ist.
Und dann seid ihr dazwischen.
Wie macht ihr das?
Um dann da hinzukommen, was du gerade beschrieben hast.
Ganz viel reden.
ganz viel reden und wirklich blöd gesagt, musst beides machen.
Du musst Top-Down und Bottom-Up machen, weil die Leute, die dann wirklich mit den Systemen arbeiten, dir mal erklären, wo tut es denn weh, was nervt.
Also wo ist eine Schnittstelle drin, die nervt, die Zeit und Nerven kostet, wo du dann sagst, okay, die kann ich jetzt mal mit, und dann oft kommt es eben, und das ist, was du eingangs mal gesagt hast, kann ein AI da so ein Enabler sein?
Oft sagen die Leute, hey, kann ich da nicht ein AI-Tool nutzen, das und das zu machen?
Dann schaust du dir das an und sagst so, ja, kannst du nutzen?
Es geht aber auch viel einfacher.
Es ist schon eine viel niederschwelligere Lösung, bringt dich schon weiter, ist schon gut, aber du musst einfach ganz viel Kommunikation.
Also ganz viel mit den Leuten reden, die Leute ernst nehmen und dir halt auch anwenden.
Es ist immer dieses ...
Ja, das ist historisch gewachsen, da ist super schnell dieses Blaming, ja, der Fachbereich macht das nicht, die liefern das nicht und dann schaust du mal rein und fragst, ja, warum?
Was tut denn weh?
Was nervt denn?
Und dann, also, es ist unbequem, klar, das ist Zeit und dann halt sagen, okay, und dann ist die Hausaufgabe vom Data-Bereich einfach zu sagen, okay, das wollen wir optimieren, das und das ist dann der Mehrwert, wenn wir das haben und dann brauchst du natürlich auch noch C-Level, die sagen so, jo, geil, was machen.
Kommunikation.
Nicht nur im Data-AI-Umfeld wichtig, auch in anderen Lebensbereichen.
Hilft oftmals, Konflikte zu vermeiden und Lösungen zu finden.
Wie schaffst du es, wenn du jetzt auf so einem Kunden, so einer Kundenvorhersage arbeitest?
Was ist irgendwie jetzt der?
Was wäre denn so ein Szenario auf einem Kunden?
Also was wäre jetzt, also irgendwie Kunden zu klassifizieren zum Beispiel oder eine Next Best Action für einen Kunden vorzuschlagen?
Solche Sachen?
Wir sind halt im B2B, da ist es so ein bisschen schwieriger.
Wir sind im B2B und wir sind im Eisenbahnbereich.
Also im B2C ist es immer einfacher zu sagen, hey, du hast eine, Felix, du hast eine Regenhose gekauft, magst du vielleicht auch eine Regenjacke haben?
Oder hey, du bist seit zehn Jahren Dauerkarte im Stehbereich im Fußballstadion, willst du nicht mehr upgraden jetzt, wo du so Geschäftsführer bist Richtung VIP-Lounge.
Das ist ein bisschen schwieriger und bei uns ist an der Stelle immer noch viel wirklich Custom.
Also wir haben einen sehr, sehr guten Sales, der sehr, sehr nah bei den Kunden ist.
Also da ist bei uns immer noch ganz viel Relation-Management.
Ja, also glaube ich sofort, aber ihr unterstützt es ja trotzdem mit so einem Customer 360 Ansatz.
Bei dem bauen wir gerade noch auf, also der ist noch sehr früh.
Okay, dann anderer Case, kannst du auch was aussuchen.
Eine Herausforderung, die ich kenne, ist, dass wenn du ein KI-Modell hast, was Vorhersagen macht, was vorher jemand anderes gemacht hat, der das seit 100 Jahren gemacht hat.
Wie schaffst du es, Vertrauen in die KI-Lösung oder Prediction zu bekommen, die von der Maschine kommt?
Beispiel, letztens mit jemandem gesprochen, Profi, also Erste Bundesliga-Fußballverein, Stadionauslastung.
Da gab es jemanden, der macht das seit dutzenden Jahren.
der weiß alles und der hat eine Intuition dafür und seine inneren mentalen Datenpunkte, wie der die Auslastung des Stadions vorhersagen und daraus dann die Planung ableiten kann.
Jetzt wurde ein KI-Modell dem entgegengesetzt und es war total herausfordernd, diesen Menschen davon zu überzeugen, auf diese Prediction zu hören, die aber viel, viel mehr Datenpunkte auswerten kann.
Wie macht ihr das?
Du musst zwei, also du musst ein paar Sachen machen.
Zum einen musst du mal gucken, was ist schlimmer?
Also wenn du eine Prediction hast, dann kann die entweder, sagen wir mal so, der Markus Täter, ein Freund von mir, der bei der Deutschen Bahn ist, da hat man es auch so schön gesagt, bei deren Predictive Maintenance, was ist schlimmer, wenn ein Ausfall vorhergesagt wird, der nicht ausfällt?
Oder wenn ein Ausfall nicht vorhergesagt wird, der eintritt.
Und das musst du dir bei deiner Prediction anschauen, weil alle Leute dann sofort sagen würden, ja, ein Ausfall, der nicht vorhergesagt wird und eintritt, ist schlimmer.
Intuitiv würden die meisten Leute aus dem Bauch raus das sagen.
Ja, ich auch.
Kann aber komplett falsch sein, weil das ist der Normalfall.
Der Normalfall ist, dass du diese Ausfälle eben eventuell nicht, also wenn der Normalfall ist, dass diese Ausfälle unerwartet eintreten, dann sind die Leute genervt, wenn die rausfahren.
Marco hat das an der Schiene gemacht, hat gesagt, die sagen, okay, an der Schiene wird irgendwas brechen, höchstwahrscheinlich.
Der fährt da raus mit seinem Team, der stellt sein Team ab, der besorgt das Material, der fährt raus und das Ding ist perfectly fine.
Der kommt...
bist genervt zurück und sagt dir, Felix, was ist denn dein Scheißmodell hier gemacht?
Das Ding war super in Ordnung.
Ich habe jetzt, keine Ahnung, 100.000 Euro für Material und drei Arbeitstage, also mit den drei Leuten, also zwei Leute und ich, die rausgefahren sind, verschwendet wegen deinem blöden Modell.
Wenn das Ding ausgefallen wäre, wäre das normal gewesen und er hätte ein Emergency rausgemacht.
Und das ist so das Erste, zu gucken, was ist schlimmer?
Sind deine False Positives oder deine False Negatives?
Fachlich, ne?
Was ist schlimmer?
Und dann mit den Leuten hinzugehen und zu sagen, okay, wir optimieren deine Schmerzpunkte.
Wann kriegt der Typ, der die Stadionvorhersage gemacht hat, Ärger?
Also wann steht dem sein Chef mit dem hochroten Kopf im Büro und schreit, das sind 500 Leute vor der Tür oder keine Ahnung, oder sagt, die halbe Haupttribüne ist leer?
Warum haben wir denn die Tickets nicht reduziert oder was auch immer?
Guck dir an, was passiert.
Du musst da in dieses Verständnis ein Stück mit rein und den Leuten dann immer am Anfang nicht sofort umstellen auf, hey, das Modell, das ist wieder Kommunikation, das Modell ersetzt dich jetzt, sondern immer zu sagen, hey, bisher hattest du die und die Daten und hast es auf dem und dem Basis gemacht.
Jetzt steht schon dabei, diese Auslastung würde das System sagen.
Was sagt denn dein Bauchgefühl?
Was hättest du denn vorhergesagt?
Und dann einfach mal mittracken und dann wird er auch sehen.
Irgendwann schielt er vielleicht drüber und sagt so, boah, ich hätte auf 85% getippt, das Ding sagt 87%, ja, war ich gut.
Und dann sagt er aber, das Ding sagt 50% und er sagt so, hab ich was übersehen oder hat das Modell was übersehen?
Ich habe so einen Freund von mir, der Thomas, der hat auch so schön gesagt so, ja, dann hast du vielleicht einen Parameter übersehen oder das Modell hat einen Parameter nicht eingepflegt, der relevant ist, wo du weißt, ja klar.
es ist gleichzeitig noch, bleiben wir beim Fußball, weil es ein bisschen vorhersehbarer ist, es ist Derby, das weiß das Modell, jetzt ist es aber so, dass gleichzeitig ein Festival ist oder irgendwas anderes.
Dann sagst du, okay, dann hast du, das ist ein Effekt, den das Modell vielleicht nicht kannte.
Oder es ist ein Feiertag, die Leute sind reisebereit oder es ist was auch immer.
Irgendeinen Faktor hast du in deinem Modell übersehen und dann sagt die Person, freut sich, ja cool, ich war besser als das Modell.
Aber dein Modell wird dadurch besser und das musst du dann halt einpflegen.
Und so kommst du dann, dass du dem nicht sagst, hey, das macht jetzt deine Arbeit, sondern hey, schau mal, wir geben dir so einen Vorschlagswert, gerade bei der Stadionauslastung, das Modell hat das und das errechnet, was sagst denn du dazu?
Kommt das hin oder ist das Gürze?
Am Anfang würde er natürlich ab und zu sagen, es ist Mopper, Mopper, es sind Deutsche, die meckern gerne.
Aber irgendwann würde er vielleicht selber sagen, okay, steht da 87%, komm, wird schon passen.
Das sind ja auch alle.
Viele Menschen sind auch ein bisschen faul und freuen sich, wenn da ein bisschen Arbeit vorgemacht ist.
Ja gut, aber da sind wir wieder bei der Erweiterung von Menschen in vielen, vielen Fällen noch und nicht durch den 1 zu 1 Ersatz.
Ja, und das ist halt auch diese Erweiterung und auch dieses nach wie vor dieses Guck, was wehtut.
Guck, was.
Und du musst am Anfang das Modell vielleicht auch darauf optimieren.
Das ist der Unterschied zwischen technische Optimierung und die inhaltliche Optimierung.
Also du sagst, es gibt auch Fälle, wo einer gesagt hat, da haben die Data Scientists sich eingesperrt und haben ein Modell, was super komplex aufgesetzt, was 97% Genauigkeit hat, aber halt keine Ahnung, 50.000 kostet zum Rechnen.
Und dann sagt der Fachbereich, alles über 50% ist geil und du hast eins, was für 1.000 Euro 80% macht.
Dann ärgern sich deine Data Scientists, weil sie nicht so einen geilen Scheiß bauen können.
Aber der Fachbereich ist schon happy.
Aber nehmen wir nochmal das Beispiel von dem Ausfall.
Wenn du sagst, ich habe alle Ausfälle abgefangen, wir haben keinen ungeplanten Ausfall mehr, aber dein Team ist halt die ganze Zeit unterwegs und wartet teilweise auch unnötige Sachen.
Auch doof für alle.
Dieses Businessverständnis muss rein.
Deswegen ist es ja wieder dieses Teamwork.
Was ist eigentlich das Problem, was wir lösen wollen?
Was ist eigentlich die Frage, die wir hier beantwortet haben wollen?
Und was tut weh?
Und was tut euch weh?
Tut es dir mehr weh, wenn das Stadion halbvoll ist?
Oder tut es dir mehr weh, wenn das Stadion super voll ist oder Leute nicht reinkommen oder Leute keine Tickets mehr kriegen, weil du vorher gedumpt hast, also vorher zu Dumpingpleisen rausgeschleudert hast, aber du weißt, dass der Hardcore-Fanclub auch sonst was immer kurzfristig bucht.
Das ist so dieses, was passiert, wenn dein Modell in die eine oder andere Richtung falsch ausschlägt.
Kurz in eigener Sache.
Wenn dir der AI-First-Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung.
Mit einer 5-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns, sichtbarer zu werden und AI-First weiterzuentwickeln.
Für dich und die gesamte Community.
Ich danke dir.
Nehmen wir nochmal ein bisschen die globalere Perspektive ein.
Wenn ihr eure Datenstrategie entwickelt habt und umsetzt, Woran misst du, ob das erfolgreich ist oder nicht?
Was sind KPIs, die du nachhältst?
Als Data-Team müsst ihr das ja machen.
Ja, also wir haben tatsächlich einfach diese Business, also wir definieren mit den Fachbereichen die KPIs, an denen wir den Erfolg dieses Use Cases messen.
Also wir haben immer eine gewisse Overhead-Kosten.
Also im Datenbereich hast du gewisse Overhead-Kosten für eine Plattform, die du brauchst, um was vorzuhalten.
Das hast du aber überall.
Und die musst du einmal akzeptieren und sagen, hey, das sind die Grundkosten, die wir dafür haben.
Und dann geht es wirklich am Anfang in eine Bestandsaufnahme.
Die musst du irgendwo machen.
So jetzt, ich sage mal, unser Marketing würdest du machen.
Zum Beispiel, wie viele Materialien kriegen wir raus?
Wie viele White Paper kriegen wir raus?
Wie viele Webinare halten wir?
Dann in der Produktion, wie viele Sensoren oder wie viele Stücke Hardware schaffen wir es derzeit zu produzieren?
Wie viel schaffen wir es in Zukunft zu produzieren?
Und diese Dinger musst du am Anfang mal erfassen.
Du musst irgendwie einen groben Status Quo hinkriegen.
Und je nach Datenreife ist es besser oder schlechter.
Und manchmal schwerer, manchmal leichter.
Aber diese Gedanken musst du ja machen und dann tracken, okay, wo will ich hin?
Und sagen so, ich will ganz blöd einfach mal mehr Content Gen AI.
Ich will mehr Content produzieren und ich will besseren Content produzieren.
Es ist Contentmenge leicht zu messen, Contentqualität schwieriger.
Brauchst du wieder Proxys, sind es Impressionen, sind es Likes, was auch immer.
Aber diesen Erfolg, wir messen es in den Use Cases.
Das kann auch, gerade Gen AI ist ein Riesenthema Produktivitätssteigerung.
Da hilft es halt, wenn die Leute schon Stunden auf gewisse Projekte tracken und du dann sagen kannst, okay, hey, das haben sie jetzt in...
jetzt schaffen sie mehr Projekte, jetzt brauchen sie weniger Zeit für das individuelle Projekt, jetzt schaffen sie mehr Projekte, du hast einen höheren Output.
Das ist Use Case spezifisch.
Es geht nicht anders.
Das ist das Grundproblem, außer du bist eine AI oder eine Data Company, die Daten verkauft oder KI-Produkte verkauft, dann musst du die Fachbereiche als Leverage nehmen.
Du bist dann ein Enabler und das musst du akzeptieren und wenn du kein interner Dienstleister sein willst, musst du in eine AI oder Data Company gehen und dann kannst du halt keine Ahnung, wie Nielsen Panels verkaufen, ist okay.
Aber ansonsten musst du es akzeptieren, dass du eine Support Function bist, das ist so.
Christian, super, vielen Dank, das waren echt tolle Insights, so Hands-on, was dich als Data Architect so den ganzen Tag umtreibt, was ihr macht, umsetzt.
Die Zeit rennt wie im Fluge, aber ich habe noch zwei Fragen, die ich dir stellen will.
Und zwar erstens, Wir sind ja im AI-First-Podcast, deswegen muss ich dir noch entlocken.
Wie nutzt du denn eigentlich KI in deiner Arbeit?
Bei Frauscher oder jetzt im Podcast?
Beides.
Wir wollen alles wissen.
Also tatsächlich bei mir einiges an Gen-AI.
Gerade im Podcast für das Umformulieren, für das Rewording über mehrere Kanäle, um digitale Duplikate zu vermeiden.
Da nutze ich einiges an Gen-AI.
Im Podcast auch viel in der Bildbearbeitung.
So diese unsichtbaren Helferchen wie Hintergrund entfernen oder generatives Erweitern, wenn irgendjemand dir wieder fürs Cover ein abgeschnittenes Bild schickt.
Genau.
Und ansonsten da also selber im Alltag wirklich einiges an Gen.ai, um auch Textgenerierung zu verbessern.
Und bei Frauscher?
Ja, also auch da.
Auch da Gen.ai zum Beispiel auch diese, wenn ich Drafts habe für irgendein Proposal oder sowas.
Wir haben freigegebene Gen-AI-Tools, wo du dann sagen kannst, okay, jetzt formuliere mir das nochmal runter, weil jetzt habe ich es in groben Draft-Notes zusammengestellt.
Das kann aber kein Mensch außer mir lesen.
Strukturier das mal oder dann auch Research-Technik.
Die Deep-Search ist in einigen Tools jetzt mittlerweile ja echt ganz gut geworden.
Oder du sagst, okay, ich brauche jetzt nochmal ein paar Beispiele, ich brauche ein paar Ideen, Best Practices, zieh mir das.
Hast du mal mit diesen AI Data Analysts oder Data Analyst Agents gearbeitet?
Was hältst du davon?
Data Analyst Agents.
Ja, es gibt zum Beispiel von Google, in Google Collab gibt es mittlerweile einen von Gemini angetriebenen Agent, der auch recht große Datenmengen verarbeiten kann.
Und der nutzt so ein Jupyter Notebook, so ein, wie sagt man denn?
virtuelles Jupyter Notebook und rödelt dann da wirklich hunderte an Rechenoperationen durch und visualisiert ihr das am Ende und verarbeitet die Insights.
Für mich als Laie sieht das recht spektakulär aus, aber ich bin ja ein Laie, dann sieht das halt immer irgendwie ganz beeindruckend aus.
Genauso, wenn ich jetzt in ChatGPT oder anderen Tools, die haben ja auch diesen Code Interpreter mit eingebaut, um über Python-Code-Tabellen und sowas auswerten zu können.
Mich interessiert aber, wie jemand, der da Profi ist, da drauf blickt und das bewertet.
Game of Stakes.
Was hängt dran?
Was hängt an der Entscheidung?
Wie zuverlässig muss es sein?
Wenn die Code ausführt, der ist zumindest deterministisch.
Das heißt, da kommt immer das Gleiche raus.
Das ist vielleicht für so einen groben Insight cool.
Wir haben selber, Databricks hat den sogenannten Genie Space.
Das ist ein bisschen ein Level.
Ich sage jetzt mal ein Level rudimentärer, wo du sagst, du stellst eine fertig aufbereitete, qualitätsgesicherte Tabelle zur Verfügung und dann kann jemand, der kein Sequel kann, Fragen stellen.
Zum Beispiel, welches, sagst du mal, hast du die ganzen Verkäufe der letzten Jahre und sagst, was ist das am häufigsten verkaufte Produkt?
Oder was ist das umsatzstärkste Produkt?
Oder was sind meine fünf umsatzstärksten Produkte?
Und dann schreibt er dir halt dieses Sequel Query.
Und bringt die Daten daraus und bringt dir ein schönes Ergebnis, eventuell auch mit einer Grafik.
Okay.
Ich, bei Jen, also das ist jetzt wieder das blöde Antwort, it depends.
Wie viel Jupiter, wie viel Sequel kannst du selber?
Also kannst du es troubleshooten?
Im Zweifelsfall kann Jenny Idea natürlich, wir hatten es auch schon, wir haben einen Kollegen, der gut in Sequel ist, im Fachbereich.
Und der hat dann die erste Sequel-Query mit diesem Ding geschrieben.
Man hat sich seine Dinge raus und dann hat er den SQL-Code angeschrieben und meinte, ah, okay, dann könnte ich ja jetzt das hier noch einmal kurz tweaken, weil der Code macht das, was ich will.
Ich will nur noch eine kleine Verbesserung.
Dann muss ich nicht neu prompten, sondern ich optimiere den SQL-Code.
Das ist ein Fachbereichsmensch.
Also wenn du den Output im Jupyter-Notebook noch verstehst, go for it.
Wenn du den Output des Jupyter-Notebooks nicht beurteilen kannst, dann sei da bitte, bitte vorsichtig.
Weil das Ding kann dir da auch Quatsch machen und dann sagst du, okay, hey, dann hast du in deinem Prompt irgendwas ein bisschen falsch gemacht.
Das Ding rödelt dir die falsche Jupiter, macht einen Fehler im Jupiter oder im SQL Select und du optimierst auf das falsche Produkt.
Also deswegen sage ich so ein bisschen vorsichtig sein.
Die Grafiken, ja, die sind brauchbar, aber es gibt immer noch welche, die schmeißen dir dann Pie-Charts raus und dann kriegst du halt als Data-Mensch einen Wutanfall.
Mistig.
Nein, also ich glaube auch, dass da noch einiges passieren wird.
Und wenn wir mal dahin kommen, dass du dann den Prompt, wenn du da einen guten Prompt hast, das ist auch wieder das, wo ich sage, so out of the box, weiß ich nicht.
Aber wenn du dann sagst, ich habe einen erweiterten Prompt, der sagt so, hey, verwende diese und jene Arten für, verwende Balkendiagramme für inhaltlichen Aufriss, verwende Säulendiagramme für einen zeitlichen Aufriss, verwende auf Constraints rein, verwende auf keinen Fall.
Tortendiagramme, wenn du mehr als zwei Parameter hast.
Wenn du das machst und dann noch, das klappt ja schon ganz gut, dann einen Styleguide mit reinzubauen und sagen, okay, verwende Hauptfarbe das und so weiter.
Das musst du aber noch machen.
Also, wenn du es privat nutzen willst für dich und sagen willst, hey, okay, keine Ahnung, das ist jetzt die, ich war mit meinen Kumpels oder meinen Mädels auf einer Berghütte-Tour, mach mir bitte die Abrechnung, teils auf nach dem und dem, okay, cool.
Wenn du es halt in Corporate sagst und lässt jeden Monat den Sales Report drauf laufen oder was, dann solltest du dir halt mal die Prompts ordentlich schreiben und sagen, so das ist der Style Guide, so soll das aussehen und so weiter.
Also dann musst du halt noch ein bisschen so jemanden wie ein Felix buchen und dir ein bisschen Jenny Eier erklären lassen.
Der schreibt dann die Prompts.
Wir sind jetzt schon ein bisschen drin in 2026, aber es ist immer noch früh und ich glaube ...
Wir können auch ein bisschen orakeln.
Du darfst jetzt noch einmal orakeln.
2026 KI, ja.
Was sind deine Prognosen?
Was erwartet uns?
Was wünschst du dir vielleicht auch?
Was ich mir wünschen würde, ist ein bisschen mehr Realismus an vielen Stellen.
Also meine realistischere Erwartungshaltung.
Was kann das Zeug?
Es kann verdammt viel, aber es ist immer noch keine Magie.
Das wäre so mein Wunsch.
Was ich glaube, dass wir sehen, und das haben wir jetzt mit den letzten Wochen, Monate mit Grog und OpenAI und sowas schon gesehen, ich glaube, wir werden nochmal einen Shift in der Spezialisierung der Companies sehen.
Also das heißt sowas wie OpenAI, die haben ja jetzt diesen Erotic Mode reingeführt, Grog ist ja jetzt dafür bekannt, Twitter zu einer Fake-Porn-Seite umfunktioniert zu haben.
Ich glaube, dass wir da bei der Gen.AI noch eine Diversifizierung sehen in Richtung, was wird...
B2C, also was wird Endkunden-KI und was wird Corporate-KI.
Also das auch, wenn du anschaust, für mich ist da Claude eine der Führenden für Enterprise, die halt sehr viel Wert auf Zuverlässigkeit und so weiter und Sicherheit legen, was du einfach in einem Enterprise brauchst.
Und da glaube ich, werden wir noch einen Divide sehen, was dahin geht.
Guter Take, habe ich jetzt schon öfter gehört und glaube, macht auf jeden Fall Sinn.
Vielen Dank, Christian, für die Insights.
Hat Spaß gemacht.
Danke dir.