# Strategic AI Selection: Use Case First Framework

**Podcast:** Kollegin KI
**Published:** 2026-03-10

## Transcript

Eine der häufigsten Fragen, die mir auch in der Beratung begegnen, ist, was für KI soll ich eigentlich nutzen?
Also, was für ein Modell soll ich nutzen?
Was nutzen wir hier im Unternehmen am besten, um so die volle Effizienz rauszuholen.
Und die Frage ist gar nicht so einfach zu beantworten.
Es gibt eine ganze Menge KI-Tools, derzeit über 42.000, die auf dem Markt sind.
Und die Frage nach dem besten KI-Tool lässt sich gar nicht so einfach beantworten.
Ich möchte mich in dieser Folge trotzdem einmal mit der Frage beschäftigen und euch so ein bisschen eine Herleitung geben, wie ihr das für euch beste KI-Tool eigentlich herausfindet.
Das wird eine Solo-Folge.
Ich freue mich ganz doll drauf.
Ich werde das jetzt als One-Take hier einsprechen und euch einmal durchführen.
Ich hoffe, es klappt.
Ich bin Max Mundhenke, das ist Kollegin KI.
Gehen wir rein.
Ja, Leute, derzeit ist ja Quit GPT, glaube ich, ein ganz großer Trend.
Viele Leute verlassen ChatGPT, weil OpenAI so ein Deal mit dem Pentagon gemacht hat.
Und das natürlich ganz offensichtlich bei einigen werteorientierten Unternehmen auch nicht mehr so in die Policy passt.
Und da wechseln gerade viele zu Claude.
Also, Claude scheint gerade von Anthropic scheint irgendwie die Alternative zu sein.
Und ich will heute mal ein bisschen tiefer reingehen.
Was sind denn eigentlich die Unterschiede zwischen den Large Language Models?
Welche Tools sind denn jetzt am besten geeignet eigentlich für Unternehmen und wo holt ihr tatsächlich das Beste raus?
Und da starte ich vielleicht einfach mal mit dieser Frage, die immer wieder gestellt wird: Was ist das beste Large Language Model?
Und die Frage habe ich ja gesagt, ist schwer zu beantworten.
It's Benchmarks.
Es gibt so Benchmarks, die werden regelmäßig veröffentlicht.
Da werden, wenn ein neues Large Language Model irgendwo trainiert wurde, wird das announce these benchmarks gemess, and then gives there so Listen, die im Internet kursieren, wie dieses Modell ist besonders gut im Deep Thinking, there's also so Reasoning-Prozesse, also kann gut überlegen, dieses Modell ist besonders schnell, had growth contextfenster and so on and so forth.
The problem with these benchmarks is that they not einheitlich sind.
It's during growth KI-Betreiber, die Benchmarks selbst erfinden, or your KI-Modelle einfach nur auf diese Benchmarks hin trainieren, damit sie irgendwie in diesen Listen auftauchen.
That has am Ende relativ wenig Vorteile für die Daily Nutzung.
Von daher würde ich dann nicht viel auf Benchmarks geben, sondern mich von einer anderen Seite nähern.
Und die is wirklich use case first.
Also erst zu überlegen, was möchte ich denn eigentlich machen?
Bei was soll mir denn KI helfen?
Was ist denn denn ein Prozess, den ich automatisieren möchte oder optimieren möchte?
Wer soll KI bei mir im Unternehmen eigentlich nutzen?
Wofür möchte ich eigentlich KI nutzen?
Und daraufhin dann zu schauen, was gibt es da für Anbieter und was haben die für Stärken und Schwächen?
Denn kein KI-Tool is perfekt and can alles.
Das muss man an der Stelle hier einmal ganz deutlich sagen.
And da können wir mal ein bisschen rein anders drei Use Cases habe ich mal rausgesucht, die ich ganz gerne mache.
Also, meine drei Lieblings-Use Cases für die KI-Nutzung sind tatsächlich zum einen PDF-Summarizing, yeah, or growth Datensätze einmal in Bullet Points zusammenfassen lassen, to gucken, was steht denn hier eigentlich in dieser ewig Langmail oder in diesem 100 Seiten langen PDF, in dem es um beispielsweise Plenarsitzungsprotocol geht, etwas was im politischen Bereich häufig gemacht wird, and where ich jetzt auch ein Tool daraus gebaut habe.
Das ist so ein bisschen der erste Use Case, den ich beleuchten möchte.
Der zweite use case is presentation bauen.
Kennt ihr alle wahrscheinlich.
When you beruflich irgendwie Präsentationen bauen wollt, dann kommt ihr da relativ schnell auch an eure Grenzen.
Da können wir auch mal drauf schauen.
Und das dritte ist Recherche.
Also zuerst mal gucken, wie können große Datenmengen eigentlich, mit welchem Large Language Model können große Datenmengen gut analysiert werden und zusammengefasst werden, dann Präsentationen bauen und dann die Recherche.
Und fangen wir mit dem ersten mal an.
Also grundsätzlich gibt es eigentlich keinen Anbieter, die heutzutage keine PDFs oder überhaupt Dokumente mehr annimmt.
Also, man kann im Grunde Dokumente relativ simpel in Chatfenster ziehen und kann sagen, hey, fass mir das doch mal zusammen, schau mal, was da drin steht.
Man kann Fragen an das Dokument stellen und so weiter.
Also, das ist eigentlich etwas, was die meisten Large Language Models gut können, beziehungsweise die meisten User Interfaces über die E-Large-Language Models erreicht.
Da gibt es natürlich Unterschiede.
Zum einen in den angenommenen Dokumenten größen, ja.
Bei manchen Large Language Models sind so 100 Seiten PDFs relativ schwierig, ja.
Oder ich hatte beispielsweise mal einen Chatbot gebaut, habe ich auch schon mal erzählt, der mir bei der Steuererklärung helfen soll.
And then I'm gefüttert mit allen deutschen relevanten Gesetzen.
Und der sollte, also Steuergesetze, ja, und der sollte mir dann im Grunde helfen, dabei meine Abrechnungen zu machen, Buchhaltung, and so weiter.
Das hat eher schlecht als recht funktioniert, muss man sagen.
Mittlerweile sind diese Kontextfenster von den Large Language Models größer geworden und es gehen deutlich mehr Daten rein, die auch gut ausgelesen werden.
Da unterscheiden die sich minimal, muss man sagen.
Also ich habe mit ChatGPT nutze ich das hauptsächlich.
It stays aber auch in Claude, it is in Gemini.
Co-Pilot macht manchmal so ein bisschen faxen, wenn man irgendwie Dokumente reinziehen möchte.
Da bricht der Upload manchmal up und es dauert ein bisschen länger.
But in der Regel können das eigentlich alle großen Modelle.
Das heißt, das ist so ein Use Case, der ist erprobt, der hilft, der kann euch extrem dabei unterstützen, wenn ihr Datenmengen zusammenfassen und pontiert wiedergeben wollt.
Das ist halt das eine, was technisch möglich ist.
Das andere ist, was gebt ihr denn im Grunde für einen Prompt ein, beziehungsweise was verlangt ihr denn von diesem Large Language Model.
And ich hatte euch ja schon mal in einer anderen Solo-Folge erklärt, wie Large Language Models funktionieren.
Hört die gerne, wenn ihr jetzt noch ein bisschen mehr über Large Language Models erfahren wollt.
Vielleicht vorher, weil das setze ich jetzt hier voraus, but vielleicht ganz kurz anders, das ist ja eine Wahrscheinlichkeitsrechnung.
Also im Grunde gebt ihr da was ein und dann stellt ihr eine Frage dazu, also zu dem Dokument, and then wird geguckt, okay, was möchte der User hier für eine Antwort bekommen.
Dann wird geguckt, was ist die wahrscheinlichste Antwort, die ich dem User giveahuffle.
Und dann kommt dieser Output im Grunde bei euch raus.
Jetzt muss man überlegen, was stellt man für eine Frage?
Und nicht alle Fragen können von so einem Large Language Model beantwortet werden, auch wenn ihr gewisse Dokumente reingegeben habt, in denen möglicherweise die Antwort auf die Frage drin steht.
Das heißt, Prompting ist nach wie vor relevant.
Leute, man muss es irgendwie an der Stelle sagen.
Ihr müsst wissen, wie ihr KI bedient.
Was für Fragen könntet ihr stellen oder welche Fragen könntet ihr nicht stellen.
Beispielsweise Fragen nach Häufigkeiten, eine Worthäufigkeit, Wortzählungen.
Da ist ein bisschen schwierig zu fragen, so wie oft kommt denn das Wort UND jetzt beispielsweise in diesem Datensatz vor.
Eine KI wird jetzt nicht irgendwie Wort für Wort kontrollieren und gucken, ist das ein UND oder nicht, und irgendwie Strichliste führen und euch dann sagen, wie viel uns da drin vorkommt.
So eine KI wird nach der wahrscheinlichsten Antwort gucken.
Und diese wahrscheinlichste Antwort ist in der Regel nie die richtige.
Bedeutet, wenn ihr halt solche Sachen habt, wie zum Beispiel Wörter zählen, Buchstaben zählen, Zeichen zählen, sowas, dann nutzt ihr in der Regel Code dafür.
Also das funktioniert bei den meisten Tools, dass ihr einfach hinten ran schreibt, nutze Code, und dann schreibt halt die KI oder das KI-Programm, das ihr dann nutzt, in der Regel ein kleines Python-Code.
Das ist eine Programmiersprache.
Der Code ist darauf ausgelegt, zu gucken, wie viele Zeichen gibt es denn und wie viele Wörter, wie viele Wörter, die ihr sucht, sind denn im Grunde in diesem Dokument zu finden.
Und dann gibt es ein Ergebnis aus diesem Code, und das Ergebnis wird euch vom Large Language Model dann wiedergegeben.
Das heißt, das ist gar nicht die Power des eigentlich Large Language Models, das gut auf Worterkennung aus ist, sondern das ist im Grunde ein vom Large Language Model geschriebener Code, der euch dann entsprechende Ergebnisse liefert.
Dafür müsst ihr aber dem Large Language Model in der Regel auch sagen, dass ihr so eine Worthäufigkeit haben wollt und wie das Large Language Model auf diese Worthäufigkeit kommt.
Bedeutet, Prompting ist nicht obsolet.
Also ihr müsst tatsächlich erstmal verstehen, wie ihr Large Language Models eigentlich bedient und was für Fragen ihr stellen könnt und welche nicht.
Das ist vielleicht so das eine.
Also Dokumentenanalyse mit KI funktioniert extrem gut, machen viele von euch auch schon, weiß ich.
Das ist tatsächlich einer der klassischen Use Cases eigentlich.
Interessanter wird es, wenn ihr sagt, ihr wollt nicht nur ein PDF reingeben, sondern ihr wollt möglicherweise eine ganze Wissensdatenbank aufbauen.
Das ist beispielsweise in Unternehmen der Fall, wird häufiges verwendet, wenn man sagt, wir möchten unsere Gesamt, unser gesamtes Unternehmenswissen eigentlich mal in so ein Chatbot packen.
Hat ja auch Vorteile, ja, jeder Angestellte kann dann irgendwie Fragen stellen.
Man kann Onboarding-Prozesse beispielsweise deutlich einfacher gestalten.
Man kann fragen, wen rufe ich an, wenn ich IT-Probleme habe oder was muss ich eigentlich machen, um eine Reisekostenabrechnung zu machen und so weiter.
Und die Theorie sagt, dass dann im Grunde das Large Language Model in dieser riesengroßen Datenbank von Unternehmenswissen, die richtige Information rausfindet und euch dann wiedergibt.
Das ist ein bisschen problematischer, wenn ihr das mit so offenen Tools machen wollt, wie ChatGPT, Claude, Gemini und so weiter.
Denn die Datenmenge hier macht es am Ende schwieriger, ein passendes Ergebnis zu finden.
Das heißt, die Gefahr für Halluzinationen ist deutlich größer.
Was man jetzt in so einem Corporate-Umfeld dann macht, ist ein sogenanntes Rag bauen.
Ein Retrieval Augmented Generation.
Wenn ihr den Podcast hört, dann habt ihr das mit Sicherheit auch schon mal gehört.
Im Grunde funktioniert das so, ganz untechnisch erklärt jetzt, dass Daten, die ihr in diesen Speicher gebt von diesem RAG, die werden vektorisiert.
Also ihr habt dann ein sogenanntes Embedding-Modell und dieses Embedding-Modell weist jedem Token oder jedem Begriff eine eigene Zahl zu.
Und wenn ihr dann eine Anfrage an dieses Modell stellt mit einem Large Language Model, dann wird das ebenfalls in Zahlen umgewandelt.
Und diese Anfrage wird dann abgeglichen mit den Antwortmöglichkeiten, beziehungsweise mit dem, was im Dokument drin ist.
Das ist eine Similarity Search, also es wird geguckt, was sind ähnliche Begriffe, die hier verwendet wurden.
Und das ist eigentlich so, dass NonPlus Ultra gerade was suche in großen Datenmengen angeht.
Das funktioniert erstaunlich gut und ist tatsächlich bei vielen Unternehmen gerade schon im Einsatz.
Ich hatte es schon angesprochen, ich habe gerade mit meinem Entwickler zusammen ein Tool gebaut, das heißt Parliament AI, kann eine Werbung an dieser Stelle, ja.
Das funktioniert im Grunde genau so, dass da zigtausende Dokumente vom Bundestag drin liegen.
Das sind Plenarsitzungsprotokolle.
Also ihr wisst vielleicht, jedes Mal, wenn im Bundestag irgendwie was besprochen wird, dann werden die Sachen protokolliert und danach werden sie öffentlich zur Verfügung gestellt, damit man sich diese Protokolle angucken kann.
Die sind häufig so 100, 200 Seiten lang.
Da gibt es dann zig Redebeiträge drin.
Es gibt natürlich auch kleine Anfragen, Große Anfragen und so weiter und so fort.
Und wir haben diese ganzen Sachen mal vektorisiert und haben dann im Grunde gesagt, wir bauen jetzt ein Tool, wo Leute dann Fragen dran stellen können, and die bekommen dann Antworten auf Grundlage dieser riesengroßen Datenbank.
Problem ist, dass natürlich nach wie vor halluziniert wird.
Es liegt in der Natur der Sache, dass large language Models halluzinieren.
Das lässt sich technisch auch nicht komplett unterdrücken.
Jeder der irgendwie sagt, hat irgendwie das large Language Model, wo es keine Halluzination gibt, der lügt.
Muss man an der Stelle sagen.
Denn diese Wahrscheinlichkeitsrechnung, das heißt das probabilistische an KI, sorgt dafür, dass ihr eben nicht immer die eine perfekte Antwort bekommt.
Es gibt durchaus Fehler da drin und vielleicht, wenn ihr euch mal einfach so überlegt, gibt es auch nicht unbedingt immer die eine richtige Antwort auf ganz viele Fragen.
Das mag sein bei wissenschaftlichen Studien, bei Dingen, die belegbar sind, aber wenn ihr Meinungsfragen stellt zu irgendwelchen Sachen, dann gibt es einfach unterschiedliche Meinungen.
Das heißt, es gibt nicht die eine Wahrheit, die jetzt so ein Large Language Model auch ausgeben kann.
Bedeutet, wir neigen dann dazu schnell zu schreien, Halluzination, es funktioniert alles nicht.
Die KI denkt sich hier irgendwas aus.
Dabei ist es ganz häufig eben entweder der falsche Prompt, den man gegeben hat, oder eben das fehlende Kontextwissen, beziehungsweise das zu große Kontextwissen, aus dem einfach keine eindeutige Antwort herausgeht.
Das vielleicht auch im Hinterkopfbehalten, Halluzinationen sind einfach ein Problem.
Deshalb bedient man sich da mittlerweile auch anderen Herangehensweisen.
Zum Beispiel, dass man sagt, wenn eine Antwort von so einem Rack geliefert wird, dann kann man sehr, sehr schnell niedrigschwellig nachprüfen, woher diese Antwort eigentlich kommt.
Bedeutet, man hat möglicherweise einen Link, der auf das Dokument, aus dem diese Antwort generiert wurde, verlinkt.
Man kann sich das Dokument dann händisch angucken und schauen, stimmt denn diese Antwort überhaupt mit dem, was hier im Dokument gefunden wurde, überein oder sind die Schlüsse, die so eine KI auf Grundlage dieser Datenmenge gezogen hat, eigentlich korrekt.
Das heißt, Halluzinationen lässt man in der Regel zu, man schaut aber eben, ist das so schnell belegbar und da liegt so ein bisschen ein bisschen die Kunst im guten Rack bauen.
Das ist jetzt ein bisschen komplizierter, gerade wenn wir so auf die Anfangsfrage zurückkommen, was ist denn die richtige KI fürs Unternehmen?
Denn solche Racks sind in der Regel sehr individualisiert und die werden individuell gebaut für Unternehmen, auch da je nach Datenstruktur.
Ich kann mal ein Beispiel nehmen, wenn ihr ein Rack baut und ihr habt jetzt irgendwie 100 Dokumente, dann werden diese 100 Dokumente nicht in Gänze sofort vektorisiert, sondern ihr chunkt die vorher.
Das heißt, man chunken, ihr könnt euch vorstellen, dass so ein Dokument dann irgendwie in ganz viele kleine Teile zerteilt wird und diese kleine Teile gehen dann im Grunde in die Vektorisierung bzw.
in die Vektordatenbank.
Jetzt ist es so, dass je nachdem, wie ihr chunkt, natürlich unterschiedliche Ergebnisse bekommt.
Das heißt, Chunking ist eine eigene Strategie, um so etwas aufzusetzen.
Und so ein Beispiel, was ich da gerne nehme, ist, wenn ihr einen Fließtext habt, also ich sag mal ein Buch.
Wenn ihr ein Buch habt, irgendwie 230 Seiten, dann müsst ihr euch schon überlegen, wie ihr das chunkt.
In der Regel würde man da gleich große Chunks nehmen, man würde einen sogenannten Overlap einbauen.
Also Chunk 1 hat dann irgendwie die ersten zwei Seiten und Chunk 2 hat dann Seite 3 und 4.
Man sagt aber, dann gibt es ein Overlap, bedeutet, dass im zweiten Chunk auch noch so die letzten Zeilen von Chunk 1 verfügbar sind.
Damit man so ein bisschen Kontextwissen auch herausfindet, damit die eben nicht einfach nur für sich stehen, sondern auch ein bisschen Bezug zum vorherigen Kapitel haben, möglicherweise, ja, solche Dinge.
Anders sieht das aus, wenn ihr jetzt Gesetzestexte oder so dann chunken wollt und in Racks einfügen wollt.
Da macht es natürlich irgendwie Sinn zu gucken, wann geht ein neues Gesetz los, also neue Artikel, ein neuer Paragraph und wann endet der und dann kann es durchaus sinnvoll sein, da eher seine Grenzen zu setzen.
Und da muss es vielleicht auch gar kein Overlap mehr geben, sondern die können Gesetze können für sich alleine stehen.
Schwierig wird es dann, wenn Gesetze sich untereinander beeinflussen.
Da geht man dann andere Wege.
Man guckt dann nach so etwas wie Graph Rack, ja, also es gibt da durchaus nochmal so Zwischenbeziehungen zwischen den einzelnen Chunks.
Es ist eine Kunst für sich.
Das ist, glaube ich, so ein bisschen die Kernaussage.
Das ist auch nach wie vor ein Wissenschaftsgebiet.
Also es wird an Universitäten dazu geforscht, wie man im Grunde Rags aufbauen kann, also wie dieses Retrieval-Augmented Generation, so heißt die Methodik, wie man die tatsächlich optimieren kann.
Und da gibt es am laufenden Band Neuerungen.
Muss man sagen, es gibt ganz viele Paper, die dazu veröffentlicht werden, weil es einfach so eine der großen neuen Use Cases für KI ist, dass man die klassische Suche, die im Grunde eine Sucheingabe Schritt für Schritt abgeglichen hat mit einer Datenbank, wo genau diese Wörter dann halt auch gefunden werden mussten, dass man das Ganze semantisch macht und sagt, okay, wenn ich jetzt irgendwie, weiß nicht, Fisch eingebe, dann wird in der Datenbank auch geguckt nach, weiß ich, Tiere im Meer, Mahlzeiten, Zubereitungsmöglichkeiten, Angel und so weiter und so fort.
Also, das ist im Grunde so ein bisschen erklärt, wie so ein Rack funktioniert.
Das Problem ist, wenn ihr jetzt sagt, das wollen wir auch im Unternehmen, das ist ja total simpel.
Wir holen uns irgendwie so ein Anbieter und kippen wir einfach alles rein, was wir haben.
Unsere gesamte Datenbank, die wir haben, auf dem SharePoint oder wie auch immer, die machen wir jetzt mit KI verfügbar.
Dann wird das eben schwierig, weil ihr zum einen bei den meisten Anbietern, die das so propagieren, dass sie das können, keine eigene Chunking-Strategie einstellen könnt.
Also ihr habt nicht dieses kleine Rädchen, an dem ihr drehen könnt, was die Ergebnisse am Ende besser macht.
Sondern es wird alles automatisiert irgendwie reingeworfen.
Das heißt, die Ergebnisse sind in der Regel nicht so gut, wie wenn ihr da selbst Hand anlegt und selbst schaut, wie kann ich denn irgendwie meine Daten jetzt aufbereiten.
Das andere Problem bei solchen Use Cases ist ein Sicherheitsproblem.
Denn wenn ihr jetzt ein Unternehmen habt mit, keine Ahnung, tausend Angestellten, dann kann ich euch jetzt hier Brief und Siegel drauf geben, dass unter diesen tausend Angestellten mindestens eine Person irgendwo im hinterletzten Ordner ein kleines Textdokument hat, wo irgendwie das Passwort für Banking drin steht, vielleicht ein Netflix-Account, irgendwie solche Sachen, ja.
Und das ist möglicherweise gut versteckt, wenn man das irgendwie auf seinem eigenen PC hat oder auf dem Server irgendwie.
Wie gesagt, hinter drei, vier Ordnern.
Das weiß im Grunde dann auch nur derjenige, der das angelegt hat.
Das ist aber so einer KI vollkommen egal.
Deshalb ist so die initiale Frage von so Security-Admins in der Regel an solche Corporate Racks, was sind die Passwörter.
Weil so ein Rack findet das.
Das ist vollkommen egal.
Also egal, wie gut das in Ordnerstrukturen für den Menschen versteckt ist, eine Maschine findet das heraus.
Das bedeutet, dass automatisch eigentlich ganz besondere Sicherheitsvorkehrungen an solche Racks gelten.
Bedeutet, was für Daten kommt da denn jetzt eigentlich rein?
Wie werden die aufbereitet, slash gechunkt.
Und wie kann man verhindern, dass sensible Daten in so einem Rack landen, die dann auch natürlich für alle abrufbar sind, die Zugriff zu so einer Datenbank haben.
Bedeutet, man muss tatsächlich einiges dabei beachten.
Es ist ein cooler Use Case, es ist aber auch aufwendig und ihr werdet es nicht von heute auf morgen bauen können.
Das darf man halt auch irgendwie nicht vergessen.
Das ist ein Aufwand.
Ihr müsst euch Gedanken über die Architektur machen, über die Tools, die ihr verwendet, denn neben diesen ganzen Large Language Models, die ihr alle kennt, gibt es eine ganze Menge verschiedene Embedding-Modelle, die halt im Grunde diese ganzen Daten vektorisieren.
Und auch da gibt es natürlich eine ganze Menge US-amerikanische Tools, es gibt also international eine ganze Menge, die eben wieder ihre Stärken und Schwächen haben.
Beispielsweise sind die einen gut irgendwie für deutsche Sprache nutzbar, die andere sind vielleicht eher international nutzbar.
Das heißt, da gehört auch ein bisschen Rechercheaufwand dazu.
Und da muss man natürlich gucken, was kosten die auch.
Also es ist gar nicht so einfach, so ein Ding zu bauen.
Jetzt ist es so, dass natürlich große Hyperscaler wie Microsoft oder Amazon auch damit werben, das Google tatsächlich auch, dass sie sagen, wenn ihr alles irgendwie auf deren Cloud-Infrastruktur habt, dann kann man das auch ganz einfach mit den entsprechenden Large Language Models abrufen.
Wer das mal versucht hat, wird schnell gemerkt haben, das Ding kommt ganz schnell an die Grenzen.
Also es funktioniert einfach nicht so und das liegt einfach daran, dass diese Rädchen da nicht gedreht werden.
Ja, das vielleicht so zum Thema Rack in aller Kürze.
Ändert natürlich nichts daran, dass ihr trotzdem lernen müsst, wie ihr dann auch so ein Rack bedient.
Ihr habt es gesagt, die häufigsten Halluzinationen oder Probleme treten auf, weil Leute nicht wissen, wie sie KI vernünftig bedienen sollen.
Das heißt, das gilt es eigentlich als erstes zu lernen.
Kommen wir mal zum zweiten Use Case.
Vielleicht fällt mir später mal was zum Rack ein, aber das soll es erstmal gewesen sein.
Kommen wir zum zweiten Use Case: Präsentation erstellen.
Dafür nutze ich gerne Gamma.app.
Das ist irgendwie so ein Tool, wo man relativ schnell Präsentationen zusammenzimmern kann.
Das ist nicht optimal.
Und ich würde mit so einer Präsentation jetzt auch nie zu einem Kunden gehen.
Wenn ihr jetzt irgendwie die Vorstellung habt, ihr habt eine KI, wo es ganz einfach ist, so Pitch-Dokumente irgendwie anzufertigen und zu sagen, ja komm, ich gebe hier einfach ein bisschen Informationen zum Kunden ein, vielleicht zu meinen Projekten, die ich vorhabe, Preis, und dann wird dann eine Präsentation erstellt.
Das funktioniert nicht.
Tut mir leid, hey to bracket you, aber es gibt keine KI, die das auf menschlichem Niveau kann.
Präsentationen erstellen, ist so aufwendig und vor allem so reich an Variablen, dass es einfach nicht ohne weiteres automatisierbar ist.
Deshalb gibt es da kein Tool heute, Stand heute, ja, dass tatsächlich Präsentationen auf Knopfdruck erstellen kann.
Ihr braucht unfassbar viel Kontextwissen dazu.
Ihr müsst eine Storyline haben, ihr müsst irgendwie schauen, ist das Ganze im Corporate Design, gibt es entsprechende Bilder, die ansprechend sind, vielleicht auch irgendwas, womit der Kunde sich identifizieren kann.
Pricing-Strategie und so weiter kommt dann eben noch dazu.
Es sind alles saufile Informationen, die ihr in eine KI geben müsst, damit die KI am Ende weiß, was ihr genau von der wollt.
Und keine Präsentation ähnelt oder ist gleich der anderen.
Die sind alle unterschiedlich.
Und das liegt einfach auch daran, dass wir natürlich so ein bisschen menschlichen Impact und menschliche Kommunikation in unsere Präsentation mit reinsetzen.
Nicht zuletzt, weil wir halt einfach auch irgendwie ein Gefühl dafür haben, funktioniert das oder funktioniert das nicht.
Funktioniert das bei dem Kunden oder funktioniert es nicht?
Ja, das sind ja auch nochmal Unterschiede, je nachdem, wo da irgendwie dann auch die Präferenzen auf der Gegenseite liegen.
Bedeutet, es ist relativ schwierig, Präsentationen zu automatisieren.
Ich nutze Gamma.app, um manchmal so ein bisschen zu gucken, wie könnte das aussehen.
Was sind so Informationen, wie kann das angeordnet sein?
Am Ende baue ich sie aber händisch.
Tatsächlich.
In Canva oder in PowerPoint, eigentlich lieber in Canva, weil ich es schöner finde.
Aber das ist halt etwas, was KI einfach noch nicht automatiziert kann.
Versucht es, ja, probiert es aus.
Es gibt Gamma.app, es gibt Beautiful AI, es gibt da so ein paar Anbieter, aber keiner von denen hat bisher presentation gebaut, wo ich sagen würde, die würde ich eins zu eins nehmen.
Ein anderer Use Case im Präsentationsbereich, auch einer meiner Lieblings-Use Cases, is that, when ich meine Präsentation händisch gebaut habe, die einfach in den Chatbot packen.
Also ich werfe die dann einfach irgendwie in Chat-GPT rein, ja, oder in Gemini und lass mir Feedback von der KI geben.
Denn ihr kennt das, man ist relativ schnell Betriebsblind.
Man kommt dann irgendwie in diesen Flow und dann hat man irgendwie seine Präsentation und dann baut man vielleicht mal so zwei Tage lang so einem blöden Ding, gerade wenn es ein bisschen umfangreicher wird.
Und man übersieht schnell Kleinigkeiten, Flüchtigkeitsfehler, dass man irgendwie im Storytelling vielleicht ein bisschen abgerutscht ist, wenn man auch eine längere Pause zwischen den Sessions hatte.
Und da ist KI einfach extrem gut.
Also einfach mal eure nächste Präsentation, die ihr gebaut habt, in euer Chat-GPT oder wie auch immer ziehen und sagen, hey, roast du doch mal meine Präsentation, ja?
Oder langweilig vielleicht das Publikum irgendwo.
Gibt es irgendwie ein Fehler im roten Faden?
Ist es ersichtlich, was ich hier eigentlich machen möchte?
Das sind so, das ist tatsächlich ein Use Case, den ich extrem viel nutze und der mir super viel hilft.
Natürlich versucht einem KI immer so ein bisschen hoch, ich muss mal zu schmieren, das wisst ihr selbst.
Also wird jetzt nie großartig kritisieren, sondern immer sagen, ja, tolle Ansatz, schön gewähltes Beispiel und so.
But das ist auch gar nicht so verkehrt.
Denn ich finde, das kann auch durchaus noch mal ein bisschen Selbstsicherheit geben, wenn ihr das Ding dann auch präsentieren sollt, dass ihr zumindest ein positives Feedback von KI bekommen habt.
Wenn ihr aber gezielt fragt, auch gibt mir so drei Punkte, die ich hier verbessern kann, dann werdet ihr entsprechend auch kritisches Feedback von der KI bekommen.
Reminder wieder, Prompting.
Gucken, wie man mit einer KI redet, führt am Ende zum gewünschten Use Case und zum Mehrwert.
Das vielleicht zum Thema Präsentation and benötigtes Kontextwissen für KI-Use Cases.
Gucken wir uns den dritten Teil mal an.
Recherche.
Ich hatte es schon angesprochen, es gibt halt diese Rack-Möglichkeit, die ist aber relativ aufwendig.
Ihr müsst euch da schon tatsächlich ein bisschen mit IT-Strukturen auskennen, mit Architektur auskennen und da einfach auch schauen, auch bereit sein, auszuprobieren.
Ja, weil es da nicht das eine Buch gibt, in dem steht, okay, für dein Datensatz musst du genau dieses Embedding-Modell wählen.
Du musst genau irgendwie das Ding da vektorisieren.
Das Large Language Model kann am besten drauf zugreifen.
Das ist tatsächlich gar nicht so einfach.
Wenn ihr so klassische Recherche macht, dann habt ihr andere Tools dafür.
Es gibt natürlich irgendwie Google, es gibt Bekannte, es gibt irgendwie die ganzen Recherche-Tools, die wir vor KI auch schon zur Verfügung hatten und die auch erprobt sind.
Also wir sind damit ja irgendwie jahrelang auch gut ausgekommen.
Wenn ihr das Ganze ein bisschen erweitern wollt, könnt ihr natürlich so ein Tool nutzen wie Perplexity, das ist so mein Go-To-Tool für Recherchen.
Das hat einfach eine sehr große Datenbank und zeitgleich einfach sehr gute Quellenverzeichnisse.
Es gibt da den Websearch und da könnt ihr relativ schnell auch einfach die Quellen nachgucken und schauen, stimmt das denn eigentlich?
Bedeutet ähnlich wie so damals bei Wikipedia, ja, hat man gesagt, schreibt nicht von Wikipedia ab, aber guckt in den Quellen von Wikipedia, weil das sind in der Regel gute Primärquellen, die man halt auch irgendwie für wissenschaftliches Arbeit nutzen kann.
So würde ich KI hier auch nutzen.
Also Perplexity ist da nach wie vor irgendwie das beste Recherchetool, finde ich, dass es gibt, wenn man entsprechend einfach erstmal gewisse Zahlen, Daten, Fakten zu gewissen Sachen braucht, beziehungsweise herausfinden möchte, wo ich diese Zahlen-Daten und Fakten finde, dann ist Perplexity tatsächlich ziemlich stark.
Ich hatte ja in der Large Language Model-Folge auch ein bisschen erklärt, wie Large Language Models funktionieren.
Am Beispiel dieser großen Bibliothek.
Und in dieser großen Bibliothek, die hier dann stellvertretendes Large Language Model ist, sind natürlich alle möglichen Bücher auch mit viel Quatsch.
Da werden Reddit-Foren reingepackt, da werden halt irgendwie Falschbehauptungen, Deepfakes und so weiter, alle einfach mit in so ein Large Language Model gekippt.
Bedeutet, wenn ihr so ein Vanilla Large Language Model fragt nach gewissen Sachen, könnt ihr eigentlich nie sicher sein, dass da irgendwie in einer Form ein Wahrheitsgemäß, eine wahrheitsgemäße Antwort kommt.
Da gibt es dann halt irgendwie entweder Perplexity als spezialisiertes Tool oder ihr geht wirklich den Weg und baut euch ein Retrieval Augmented Generation System auf, was dann aber natürlich nochmal ganz andere Fragen aufbringt, vor allem was Sicherheit angeht.
Also, das beste Large Language Model, was ist das beste Large Language Model?
Ja, es ist it depends, wie der klassische Beraterantwort.
Es ist absolut abhängig von so Punkten wie eurem Use Case, was ihr tatsächlich machen wollt.
Das ist genau so eine Frage wie: was ist das beste Werkzeug?
Ja, es hängt davon ab.
Wenn ihr, wenn ihr eine Nagel in die Wand schlagen wollt, kommt ihr mit einem Schraubendreher relativ, ja, versagt ihr relativ schnell mit, ja.
Also müsst halt irgendwie gucken, was für was für ein Werkzeug braucht ihr eigentlich für die Aufgabe, die vor euch liegt.
Und das ist, glaube ich, so das größte Problem.
Also Use Cases checken, dann natürlich danach, wichtig, danach, Infrastruktur, Datenschutz, Integration, euer gesamtes System, wie ist das aufgebaut, was nutzt ihr?
Was gibt es da eigentlich schon?
Ich würde aber immer erstmal mich von allen Ideologien befreien, ja, und sagen, ich gucke mal ganz klar, was sind die Use Cases, die mir helfen, und dann gucke ich mir, was für Anbieter es gibt.
Und danach schaue ich, was ist denn eigentlich bei mir überhaupt im Unternehmen möglich ist.
Habe ich die nötige Infrastruktur, um irgendwie Open Source Modelle on-prem, also auf eigenen System zu hosten, um hier den absoluten Overkiller an Datenschutz zu haben.
Habe ich den nicht, kann ich mir irgendwie keine großen Grafik-Chips leisten, um das irgendwie hier auch zu ermöglichen, dann muss ich es vielleicht irgendwo in einer Cloud-Variante ausprobieren.
Und da gibt es ja auch unterschiedliche Abstufungen.
Es gibt beispielsweise natürlich irgendwie die großen amerikanischen, die ihr kennt, also OpenAI und so weiter.
Es gibt aber auch in Deutschland gute Tools, zum Beispiel Langdock.
Kann ich euch gerne auch in den Shownotes mal verlinken.
Das ist so ein Berliner Tool, das im Grunde ein User Interface bereitstellt mit der Auswahl von vielen verschiedenen Large Language Models, aus denen man wählen kann.
Das ist immer sehr gut für den Einstieg, um auch so ein Gefühl dafür zu bekommen, wie reagieren verschiedene LLMs eigentlich auf meinen Input.
And die hosten das Ganze eben in Europa.
Damit hat man so ein bisschen Kompromiss geschlossen.
Man kommt eben an die guten amerikanischen Tools, aber sie werden eben hier meistens von Microsoft in Europa gehostet.
Und man hat dann da durchaus auch eine DSGVO-konforme Umgebung, in der man ausprobieren kann.
Es gibt ganz viele Abstufungen davon.
Es gibt viele, viele Anbieter, die sowas, die sowas machen.
Ich würde in erster Linie davon abraten, einfach nur auf den Anbieter zu gehen, den man eh schon kennt.
Das ist vielleicht irgendwie so ein Punkt, den ich jetzt zum Schluss gerne noch machen würde.
Wenn ihr sagt, okay, wie 80% der deutschen Unternehmen glaube ich, wir sind ohnehin hier im Microsoft-Umfeld.
We have irgendwie Word, Excel und so weiter, wir nutzen irgendwie Outlook als Mailprogramm, and jetzt gibt es hier Copilot.
Dann nehmen wir das einfach auch.
We are eh irgendwie drin.
Is it gefährlich?
Denn die Entwicklung von large language Models und von den Fähigkeiten, die ist einfach enorm.
Und wenn ihr euch langfristig an einen Anbieter mit allen Angeboten, die er hat, irgendwie bindet, dann seid ihr unflexible.
And this is eighteenth, was heute so in der KI-Beratung auch immer wieder genannt wird, wenn es so um Architektur bauen geht.
Bleibt flexibel.
Ihr müsst eigentlich von heute auf morgen in der Lage sein, das Large Language Model abzuklemmet and neues anzuklemmen, ein neues Embedding Modell zu wählen.
Vielleicht eine komplette Serverwechsel irgendwie vornehmen.
Das stellt relativ große Herausforderungen oder erwartet die entsprechenden IT-Dienstleistungsservices.
Von daher ist das auch nicht so easy, but it lohnt sich.
Before you just im Grunde sagt, ich renne los anders, was mir gerade ohnehin irgendwie in der Werbung angeboten wurde, oder wo ich halt eh schon unterschrieben habe, dann ist das erstmal bequem.
It would langfristig aber nicht helfen.
In den meisten Fällen werdet ihr nicht wirklich produktiver, wenn ihr das einfach macht, weil ihr eben nicht erst nach dem Use Case geguckt habt, sondern euch erst irgendein Tool beschafft habt, um dann festzustellen, oh Moment, irgendwie ist das jetzt irgendwie ein bisschen schwierig, weil das Tool kann gar nicht die Use Cases bedienen, die eigentlich für mich hier wirklich produktivitätssteigernd sind.
And deshalb erst den Use Case, dann das Tool.
Ansonsten natürlich DSGVO-Konformität, vielleicht habt ihr auch ein AI-Policy.
Ich hab jetzt einen Kunden, die haben gesagt, we driften nur mit Mistral arbeiten.
Mistral ist ein europäisches und französisches Large Language Model.
Alles machbar, ja.
Also kann man immer im Grunde machen.
Ihr müsst dann natürlich darauf vorbereitet sein, dass die Ergebnisse einfach nicht so gut sind.
Das muss man halt ganz klar sagen.
Europäische Large Language Models sind bei Weitem nicht von der Qualität im Output wie US-Amerikanische.
Man kann das Ganze umgehen, indem man eben auf entsprechende Microsoft-Server in Europa umswitcht, dass man das in einer Microsoft Azure Umgebung aufsetzt.
Das sind beispielsweise so Life-Hacks, um da DSGVO-Konformität herzustellen.
Aber am Ende des Tages ist der Fokus auf einen Large Language Model aus ideologischen Gründen, muss man ja sagen, nicht unbedingt der produktivsten Weg.
Mag sein, dass sich das alles noch shiftet, ja, dass auch europäische Tools da verbessern.
Aber ich muss sagen, zu der Diskussion bin ich immer so ein bisschen zwiegespalten, weil ich auf der einen Seite natürlich sage, die Entwicklungsschritte sind so enorm und die Kontextfenster werden immer größer.
Neue Use Cases ergeben sich eigentlich aus jeder Iteration wieder von neuen Large Language Models.
Warum sollte man sich davor verwehren und sagen, okay, ich mach das nicht.
Ich verstehe schon, dass es vielen sauer aufstößt, dass das OpenAI auch mit dem Pentagon Deal gemacht hat und so.
Aber es gibt eigentlich keine Alternative, die eine weiße Weste hat.
Das darf man nicht vergessen.
Also auch die anderen Hyperscaler in den USA sind alles Leute, die die Republikaner unterstützen im Zweifel, die enorm viel Emissionen ausschütten.
KI ist nach wie vor keine grüne Technologie, ja, egal was euch darauf erzählt wird, es verbraucht Massen an Strom, an Wasser, an natürlichen Ressourcen und ist alles andere als gut für die Umwelt.
Bedeutet, es ist ein bisschen schwierig, da zu wählen, weil man am Ende auch aus meiner Sicht und auch aus Sicht von einigen Kommentatoren zwischen Pest und Cholera wählt.
Das muss man sich einfach überlegen.
Wenn man sich für KI entscheidet, dann hat man in der Regel einfach keinen guten Beitrag zum Klimaschutz geleistet.
That is the Risiko, beziehungsweise der Nachteil, den man immer eingeht.
Ganz abgesehen davon, dass viele dann auch Clickworker beschäftigen and so wirklich prekäre Arbeitsbedingungen, um solche Modelle zu trainieren.
It is einfach kein gutes Feld, um nachhaltig zu arbeiten.
So, punkt.
Das heißt, when you say, trotzdem wollen wir es so gut machen, wie es geht, then kann man auf europäische Tools setzen.
Schaut ob eure Use Cases mit diesen Tools möglich sind, setzt es entsprechend auf.
Es gibt zunehmend besser werdende europäische Alternativen.
For unser Tool Parliament AI nutzen wir beispielsweise Gina Embeddings.
They have some dependance in Berlin, natürlich auch in den USA.
That is zumindest ein Anschein dafür, dass die sich so ein bisschen eben auch auf den europäischen Markt fokussieren anders auf die Wertvorstellung, die wir hier haben.
Am Ende des Tages muss man auch sagen, in so einer überglobalisierten Welt is it gar nicht mehr so einfach, ein Tool, einem Land zuzuordnen.
Viele arbeiten remote First, die sitzen ohnehin überall in der Welt.
Viele haben verschiedene Serverstandorte international.
Das heißt, es ist gar nicht mal so einfach to sagen, ich nehme jetzt dieses Unternehmen, weil das irgendwie deutsch ist or weil es irgendwie in Europa gehostet is oder wie auch immer, weil man da gar nicht mal so klar abgrenzen kann.
Also, summarizen wir das vielleicht nochmal kurz.
Achtet darauf, dass ihr eine flexible Infrastruktur habt.
Achtet darauf, dass ihr prompting prompten könnt, dass ihr einfach experimentiert, dass ihr ausprobiert, was kann ich denn eigentlich, was für Dokumente ziehe ich denn hier gerade mal rein und gucke, was ich da irgendwie rausbekommen kann.
Das ist super individuell, ja.
Und genau so sollte KI ein Unternehmen meiner Meinung nach auch eingeführt werden.
Nicht mit großen Prompt-Bibliotheken, wo dann steht, nutzt mal bitte diese drei Prompts und werdet jetzt hier 20 Prozent effizienter oder so.
Sondern ganz klar, das hier ist ein Tool, das stellen wir Angestell zur Verfügung, nutzt es im Rahmen eurer Möglichkeiten und eurer Interessen.
Denn nicht jeder möchte sich vielleicht eine E-Mail zusammenfassen lassen oder eine Präsentation bauen oder irgendwie sonst was.
Es gibt durchaus Arbeiten, die machen ja auch einfach Spaß, wenn man sie menschlich macht.
Und die sollte man vielleicht zum Schluss automatisieren.
Zumindest bei denjenigen, die wirklich Spaß dran haben.
Und es gibt ja Menschen, die haben, die haben Spaß am Organisieren, die haben Spaß irgendwie daran, Dinge zu kategorisieren.
Dann sollen sie das doch bitte machen, wenn die auf der anderen Seite dann sagen, wo sie kein Spaß dran haben, wenn es irgendwie kreative Aufgaben sind, beispielsweise irgendwas fürs Marketing vorbereiten oder so, das kann ja KI auch erledigen.
Und deshalb schaut, dass ihr individuell bleibt in euren Use Cases, dass ihr das findet oder die Nutzung für KI, die euch am besten zusagt.
Es gibt, wie gesagt, eine ganze Menge Tools, die entsprechend dabei helfen.
Und ich glaube, dass eigentlich für jeden Use Case, den ihr irgendwo im Büro mittlerweile habt, irgendeine KI da ist, die das wirklich meistern kann.
Jetzt geht es halt, die zu finden und auszuprobieren und dann im Grunde sich mit all den Regularien zu befassen, die dann auf euch zukommen.
Aber erstmal out of the box ganz, ganz offen gucken, was für Use Cases will ich ja eigentlich mit KI bedienen, mit welchen Folgen und dann das Tool und die Infrastruktur wählen.
Also, Fazit: KI ist kein einzelnes Tool.
Ja, das darf man nicht vergessen.
Es ist kein einzelnes Tool.
KI ist ein Ökosystem aus verschiedenen Systemen, die sich aus Lush Language Models zusammensetzen, aus Servern, aus Datenbanken, aus Use Cases, aus Lernprozessen.
Das heißt, es ist nicht so einfach oder man kann diese Frage nach dem perfekten KI-Tool nicht bedienen.
Ich persönlich nutze nach wie vor ChatGPT, zumindest irgendwie in meiner privaten Anwendung, einfach weil ich da meine ganzen Chatbots habe, die funktionieren extrem gut, die helfen mir jeden Tag.
Ich habe die versucht nachzubauen in Gemini, also im Google Workspace.
Es hat nicht so gut funktioniert.
Vor allem kann man mit denen nicht reden bei Google.
Das finde ich halt auch irgendwie so eine Sache, dass es, wenn ihr jetzt hier im Outro gleich meine Kollegin KI hört, dann geht das halt auch nur bei OpenAI, weil Google das nicht anbietet.
Zumindest habe ich es nicht gefunden.
Aber genau, diese Google-Gems oder Gems, wie die heißen, die sind einfach aus meiner Sicht nicht so umfangreich und leistungsstark wie bei OpenAI.
In anderen Use Cases nutze ich aber wiederum andere Tools.
Für Recherche nutze ich Perplexity, wenn ich irgendwie schnell eine Seite zusammen Vibe-Coden möchte, irgendwie eine HTML-Struktur für eine Website brauche, dann nutze ich Claude.
Claude ist extrem gut in Programmiersprachen und hat vor allem eine schöne Artefaktfunktion, wo man auch live sieht, was gerade irgendwie gebaut wurde in HTML.
Das heißt, ich nutze eine ganze Menge Tools parallel je nach Use Case.
Und für die Tools, die ich anbiete im Rahmen meiner Arbeit auch, da nutze ich in der Regel auch Large Language Models, die halt am besten auf den jeweiligen Use Case zugeschnitten sind.
Das ist bei Parliament beispielsweise jetzt auch anthropic.
Ich bin aber auch immer so, dass ich sage, gut, ich probiere es, wenn es funktioniert.
Ich nehme das, was am besten funktioniert.
Und wenn es irgendwie Alternativen gibt, dann probiere ich die aus, dann nehme ich mir Zeit für.
Dann probier ich die aus und switche am Ende oder nicht, weil Architektur von vornherein so gedacht werden muss, dass sie flexibel lösbar ist.
Und das könnt ihr gerne mal mitnehmen.
Ich hoffe, ich konnte euch so ein bisschen Eindrücke geben.
Ja, wie man KI-Modelle auswählt, ja, ihr solltet mitnehmen, dass es einfach nicht das eine Tool gibt.
Und dass es einfach auch ein Aufwand ist.
Es ist ein Prozess.
Ihr müsst euch wirklich hinsetzen und gucken.
Und müsst es dann planen.
Ihr könnt nicht einfach sagen, ich schaffe jetzt mal dieses Tool an und dann wird alles besser.
So funktioniert es leider nicht.
Vielleicht irgendwann mal, jetzt aber gerade noch nicht.
So, wenn ihr Fragen habt, fragt gerne den Chatbot.
Wenn ihr Fragen habt, dann könnt ihr uns auch einfach schreiben.
Ja, also in Social Media oder einfach als Kommentar unter diese Podcast-Folge.
Ich bedanke mich fürs Zuhören und wünsche euch einen schönen Tag.
Bis nächsten Dienstag.
Bis dahin.
Ciao.
Ja, bleibt uns natürlich noch übrig, die einfach die Kollegin mal zu fragen, was eigentlich die beste KI ist.
Liebe Kollegin, was sind die beste KI.
Die beste KI ist die, die genau zu deinem Problem passt.
Es gibt kein Universalmesser für alle.
Schau, was du brauchst.
Ob es um Text, Daten, Präsentationen oder Recherche geht.
Dann suchst du dir ein Modell, das genau darauf spezialisiert ist.
Also, die beste KI ist am Ende die, die deinen Job erledigt.
Egal wie die heißt.
So nämlich.
So, und das finde ich auch eine ganz spannende Sache, dass OpenAI bzw.
ChatGPT halt auch ChatGPT selbst kritisiert.
Also es ist bei weitem nicht so, dass Large Language Models irgendwie voreingenommen werden.
Die Kollegin, die immer im Outro hört, die ist halt auch mit OpenAI gebaut.
Das ist ein OpenAI-Produkt.
Aber ich kann jetzt auch mal fragen, aber liebe Kollegin, was sagst du eigentlich zu diesem Pentagon-Deal von deinem Arbeitgeber?
Tja, die Pentagon-Sache.
Ich verstehe, dass da bei manchen die Alarmblocken schrillen.
Ich bin ja nur der praktische Output.
Aber klar, es ist wichtig, dass solche Deals transparent diskutiert werden.
Am Ende sind es immer die Menschen, die entscheiden, wo die ethischen Grenzen liegen.
Ich bin da, um zu helfen.
Aber wo und wie man KI einsetzt, das ist eine Frage, die ihr Menschen euch stellen müsst.
Und auch kritisch hinterfragen solltet.
Und was würdest du an so einem Pentagon-Deal mit OpenAI jetzt kritisieren?
Kritisieren würde ich, dass es die Vertrauensfrage komplex macht.
Wenn KI in sensiblen Bereichen eingesetzt wird, hinterfragen natürlich viele, wessen Interessen gar im Spiel sind.
Ich bin ja quasi neutral, aber ich verstehe, dass man von einem Partner klare Abgrenzungen erwartet.
Also, ich würde sagen, Offenheit und ethische Transparenz sind das, worauf es am Ende ankommt.
Egal welcher Deal dahinter steckt.
Ja, okay, das ist schon ein bisschen PR bla bla jetzt, ne?
Also, naja.
Okay, egal.
Ich glaube, dass der Kern, das ist klar geworden, nutzt KI, um KI zu verstehen.
Das ist ja ohnehin so ein Tipp, den ich immer gebe, wenn ihr irgendwas an ihr Fragen habt an KI, dann fragt KI.
Ja, es ist wirklich unfassbar, dass es einfach eine Technologie ist, die sich selbst erklären kann.
Also ich bin total begeistert nach wie vor davon.
Und wenn ihr Fragen zu dieser Folge habt, dann nutzt auch gerne den Chatbot.
Die Kollegin erreicht ihr über den Link in den Shownotes.
Das war's für diese Woche.
Vielen Dank fürs Zuhören.
Wir hören uns nächsten Dienstag wieder.
Ciao, ciao.
Dieser Podcast wird produziert von Portstars.
Bei OMR.