# DB Bahn's Federated AI Strategy and Governance

**Podcast:** Tech and Tales
**Published:** 2026-09-19

## Transcript

Tech & Tales.
Herzlich willkommen zu Tech & Tales.
Mein Gast heute ist Dr.
Michael Drass.
Michael ist der Chief AI Officer der Bahn und wir schauen uns heute die Reise der Bahn im Hinblick auf KI an und wie der Status quo ist.
Aber Michi, stell dich doch einmal kurz vor.
Ja, hallo.
Michi, mein Name.
Freut mich hier zu sein.
Wir wollen uns über die Journey KI at DB Deutsche Bahn austauschen.
Und darauf freue ich mich.
Ich freue mich auch, die 99.
Folge mit dir machen zu dürfen.
Entsprechend danke für die Einladung.
Yes, you're welcome.
Wir sitzen gerade tatsächlich in meiner Berliner Wohnung.
Ich habe inzwischen auch eine Berliner Wohnung, weil ich so viel in Berlin zu tun habe.
Und sitze hier am Prenzlauer Berg und schaue auf irgendwie eine Art Kirche.
Wir sprachen gerade darüber, dass die Deutsche Bahn eine ziemliche Reise hinter sich hat in vielen Bereichen.
Was mich interessiert oder vielleicht auch unsere Hörer ist, wie seid ihr an das Thema KI rangegangen?
Also wo habt ihr quasi angefangen?
Wir haben deutlich früher angefangen als der Chat-CBT-Moment, den wir 2022 erleben durften auf der Welt.
Das heißt, für uns ist Künstliche Intelligenz kein neues Thema.
Wenn wir jetzt 2026 das Jahr schreiben, würde ich mal sagen, ich bin jetzt ungefähr fünf Jahre im Konzern.
Dann würde ich behaupten, dass wir schon gut 15 Jahre KI, KI-Systeme umsetzen, planen, einsetzen und auch unsere Erfahrungen gesammelt haben.
Gestartet ist es natürlich in einem sehr föderal aufgestellten Konzern durch einzelne Initiativen, 15 Jahre her, 10 Jahre her, wenn man so möchte, wo man ja auch mal gucken musste zu dem damaligen Zeitpunkt, welche Technologie im Kontext KI gibt es denn.
Und wie kann ich den eigentlich implementieren, gerade in einer bestehenden Landschaft, in einer bestehenden IT-Landschaft?
Kriege ich denn eigentlich auch mit den KI-Modellen der damaligen Generation überhaupt irgendwelche Inferenzen, Prognosen raus, die im Business tatsächlich einen Mehrwert lieferten?
Ich glaube, so ging es vielen Unternehmen, dass man natürlich im Rahmen von POCs auch sehr häufig eine POC-Falle tappen musste.
Das halte ich auch für gar nicht schlimm, weil die Technologie damals auch noch nicht so reif war, wie sie vielleicht jetzt ist und wie sie in zehn Jahren ist oder in fünf Jahren.
Und so starteten wir eben sehr dezentral einzelne Initiativen und man hat immer mehr darüber geredet, man hat da Communities aufgebaut, um eben auch diesen Erfahrungsaustausch dann zu setzen im Konzern.
Und das würde ich sagen, das war so der Nukleus, um erstmal mit KI warm zu werden im...
Großkonzern, im föderal aufgestellten Großkonzern.
Und was waren so die ersten Dinge, die ihr damit gemacht habt?
Das war noch vor meiner Zeit.
Ich kann dann eher berichten, als ich in den Konzern gewandert bin, das waren dann tatsächliche KI-Systeme.
Einfachste Prognosemodelle.
Also prädiktive Modelle.
Prädiktive Modelle, klassisches Machine Learning.
Also das gab es auch tatsächlich mal.
Das ist nicht irgendwie in historischen Büchern abzulegen.
Wunderbare Modelle und da kann ich auch eine lineare Regression dazu sehen oder einfache Decision Trees, Random Forest.
Solche Analysen, solche Modelle wurden auf echte Daten gepackt und damals haben wir auch echt noch KI-Modelle trainiert.
Also auch das gehört eben zum Handwerk, dass KI-Modelle trainiert werden müssen mit Daten, mit Unternehmensdaten, weil wir eben damals nicht so große Foundation-Modelle zur Verfügung gestellt bekommen haben, weil es das einfach damals nicht gab.
Das ging dann weiter irgendwann in Vision-Modelle.
Computer Vision wurde ja dann auch so 2019 relativ stark mit ersten in Anführungszeichen Foundation-Modellen, die eben schon über ganz viele Bilddaten vortrainiert worden sind.
Das ist aber natürlich nicht ausreichend, um dann eine Prädiktion zu machen hinsichtlich, kann ich einen Graffiti auf einem Zug erkennen.
Das waren diese Diffusionsmodelle.
Aber da hat sich ja super viel getan.
Aber wenn man sich noch an Mid-Journey, Stability und so weiter erinnert, das sind immer diese klassischen Bilder von Will Smith, der Spaghetti isst.
Das war noch davor.
Ja, ich weiß.
Aber so sah das aus.
Hoch 10.
So sah es auch 10.
Und Graffiti konntest du trotzdem nicht erkennen.
Das heißt, wir müssen natürlich erstmal an die Datenlandschaft gehen.
Und wie hat man das denn gemacht?
Naja, die Daten wurden gesammelt, also mit echten Kameras aufgenommen.
Und damals musste man eben dann auch noch die Daten labeln, also quasi erklären, was ist auf diesem Bild zu sehen.
Das kriege ich ja jetzt mittlerweile in der heutigen Zeit ganz anders gelöst und skalierfähiger gelöst.
Damals war das noch sehr hartes Data Engineering und eben sehr viel Effort reingepackt in echtes Labeling, damit du eine Datengrundlage hast, um diese erste Generation, die ersten Generationen von Vision-Modellen, überhaupt so fein zu tun, dass eine sinnvolle Prognose herauskommt.
Wozu habt ihr das gemacht?
Also wozu braucht ihr, musstet ihr Graffitis erkennen?
Kann ich einen schönen Newscase erzählen.
Wir haben gerade mit dem Regionalverkehr sogenannte Kameratore aufgebaut.
Also vor den Werken, vor den eigentlichen Werken, bevor eben ein Zug ins Werk fährt, wird der normalerweise angehalten.
Wagenmeister muss sich den Zug angucken, ist sozusagen alles in bester Ordnung oder habe ich beispielsweise Verunreinigung durch Graffiti.
Die Personen mussten einmal um den gesamten Zug laufen und die sind ja bekanntlich nicht besonders kurz, sondern auch manchmal länger.
Und man hat eben den Spieß umgedreht, indem man sagt, okay, der Zug fährt eben durch ein Tor.
Das ist ausgestattet mit Kameras.
Dadurch konnte ich ganz viele Bildmaterialien erheben.
Da waren keine Personen mehr im Zug, sondern das war ja schon auf dem Instandhaltungsgelände.
Habe dadurch eben erstmal die ganzen Bilder aufgenommen, die ganze Situation des Zugs erfassen können.
Zug fährt weiter durch.
Ich habe von vorne bis hinten aufgenommen, einmal sozusagen um den Zug herum.
Und die Vision-Modelle, die wir dann trainiert hatten, waren so angereichert zu sagen, hier ist etwas nicht in Ordnung an Wagen Sipsern.
Da muss beispielsweise ein Reinigungstrupp gezielt hin, um das Graffiti zu entfernen.
Aber das hat doch dann die Kamera eh gesehen, oder?
Ja, die Kamera hat es gesehen.
Du könntest natürlich auch einen Menschen platzieren, der das sozusagen visuell erfasst.
Du hattest aber so viele Kameras, das könntest du dir so vorstellen, dann hättest du irgendwie 17 Monitore, um dann irgendwie gleichzeitig alle Bilder live zu erfassen.
So einfach ist das dann auch nicht.
Achso, okay.
Die KI hat dir quasi schon so einen Zeiger gegeben.
Achtung, hier waren 17 da gezielt rein.
Das ist effizienter in der Planung gewesen.
Du konntest dann eben auch in der Planung dann gezielt die Trupps einsetzen, um eben das Griff für die dann zu erkennen und zu entfernen.
Ah, okay.
Das heißt, am Ende hat dann die KI gesagt, an dem ICE 600, an dem ICE 2324, dort sehen wir an Wagen 11 und an Wagen 7 jeweils ein Graffiti.
Das heißt, die KI hat die Bilder erkannt und daraufhin eine Prognose erstellt, beziehungsweise eine Diagnose erstellt.
um die dann reinigen zu lassen.
Okay, ich verstehe.
Also eine Diagnose, Bilderkennung und dann eben auch erkennen, was sehe ich eigentlich auf diesem Bild.
Und damit ist man gestartet.
Da war eben das Thema Data Labeling sehr, sehr wichtig, um eben diesen damaligen Generationen von Vision-Modellen erstmal beizubringen, was finden wir hier eigentlich vor?
Weil ich sage mal, der Datenschatz damals, um Bildmodelle zu trainieren, das waren Hund, Katze, Mausbilder.
Das waren ja die wundervollen Modellgenerationen, die Hund, Katz, Maus super erkennen können.
Aber dass irgendwie eine Plane von einem Cargozug nicht richtig angeordnet ist, das...
Scheiterte damals.
Hättet ihr mal diese Captures machen sollen?
Am I human?
Und statt, dass man einen blöden Zebra-Streifen identifiziert, hätte man sagen sollen, bitte klicke, wo der ECE verschmutzt ist.
Auf jeden Fall ist bei dir ein Ansatz weltweit, um das direkt labeln zu können.
Ja, viel besser.
Ich finde, das machen wir ab jetzt.
Aber Capture ist ja jetzt gelöst.
Ja, Capture wurde gerade gelöst.
Genau, von OpenAI wurde gelöst.
Ja, vom neuen Modell.
Astra.
Astra, genau.
Astra hat es gelöst.
Astra hat es geschafft.
Ad Astra.
Zu den Sternen.
Okay, cool.
Das heißt, die ersten Use Cases waren Computer Vision Use Cases.
Und was habt ihr dann noch gemacht?
Ganz unterschiedlich.
Also Computer Vision haben wir gemacht.
Es gab viel KI Use Cases.
Beispielsweise im Fernverkehr hat ein Kollege von mir verantwortet.
Da ging es um die Auswertung von Kundenfeedback direkt aus dem ICE heraus.
Und damals hatte man auch keine Generalistenmodelle, um Text zu verarbeiten, irgendwie so eine Sentimentanalyse zu fahren.
Das heißt, man hat ganz viele einzelne...
Sentimentmodelle trainiert, um eben zu analysieren, in welche Richtung driftet ein Feedback gerade ab und wie muss ich eigentlich damit umgehen.
Das könntest du natürlich jetzt alles mit einem Modell erschlagen und sagen, das Grundverständnis ist ja in den Modellen mittlerweile vorhanden und entsprechend könnte ich das alles durch ein Modell jagen.
Und damals, in der Zeit vor fünf, sechs Jahren, war das eben nicht möglich.
Diese Modelle hatten die Fähigkeiten einfach nicht vorliegen und entsprechend musste man sich Abhilfe schaffen durch sehr konkrete, fein getunte Modelle.
Basismodelle gab es, Word beispielsweise von Google.
Entsprechend musste man aber nochmal sehr tief in die weitere Modellierung, Datenmodellierung, Feintuning gehen, um entsprechende Ergebnisse aufzuliefern.
Es ging dann weiter, wir haben Cases umgesetzt im Bereich des Fahrplans, also Kernprozess der Bahn, wann fährt ein Zug, wo ab.
Da gibt es ganz, ganz lange Prozessketten.
die ablaufen, digital ablaufen, um eben einen Fahrplan von den ersten Ideen in die Umsetzung zu bekommen.
Und das wird sozusagen immer konkreter, je näher ich an den Betriebstag komme.
Und an den Betriebstag übernimmt dann eben auch die Disposition.
Wir haben im Fahrplan-Erstellungsprozess mit eigentlich eher sogar Daten-Engineering gearbeitet, Analytics und ein erster mathematischer Optimierer draufgesetzt, um beispielsweise ein Routing zu setzen mit der Aussage, schaffe ich es noch, den Verkehr so auszuregeln, dass noch eine Baumaßnahme ins Netz passt oder nicht.
Ein bisschen vergleichbar mit einem Navigationssystem, wenn irgendwie ein Stau vorherrscht und du kriegst dann eben andere Alternativrouten angeboten.
Das passiert natürlich auch im Staufall, wenn ich dann eben umliegend ausweiche und andere Straßen nehme, dort verstopft es ja auch.
Und im Fahrplan-Erstellungsprozess willst du ja nicht dann die Nachbarstrecken auch noch verstopfen, weil dadurch wird das System immer mehr auf Kniesch gefahren und das ist nicht förderlich an der Stelle.
Und entsprechend musste man immer so einen Trade-off machen, will ich jetzt bauen?
Oder will ich fahren und wie kriege ich das austariert?
Wir haben ja mit einfacher, klassischer mathematischer Optimierung gearbeitet.
Gar nicht KI, es war aber auch das richtige Werkzeug oder die richtige Mechanik an der Stelle für diesen Case.
Dann gehst du immer weiter Richtung Betriebstag und dann sind wir eben direkt in der Disposition.
Regionalverkehr nennt sich KI in der Disposition.
Das war für mich auch mit einer der Cases, der mich auch zur Bahn geholt hatte damals 2021, als ich sehen konnte, dass tatsächlich Reinforcement Learning mit echten Agents damals 2021 schon umgesetzt wurden.
Das bedeutete, man hatte einen digitalen Zwilling aufgesetzt vom S-Bahn-Verkehr, beispielsweise in München.
Komplett live digitalen Zwilling des gesamten S-Bahn-Netzes, das ist ein geschlossenes System.
Und du siehst auch, wo sich welche S-Bahn befindet, wo sie hinfällt, mit welcher Geschwindigkeit.
Die Daten hattest du live im Stream.
Und in dieser virtuellen Umgebung wurden dann eben Reinforcement Learning Agents platziert und die haben eben versucht mit gewissen Dispositionsentscheidungen, frühzeitige Wendungen, nämlich einen Zug raus, wenn es förderlich ist für die Pünktlichkeit, Modelltrainings gefahren, um eben dem Agenten, also dem damaligen Agenten, eine Policy beizubringen, die er dann selbst erlernt, um Entscheidungen vorzubereiten für den Disponenten, die förderlich für die Pünktlichkeit sind.
Und deshalb fand ich so fasziniert, dass eine deutsche Bahn das schon umsetzt.
Da dachte ich so, von der Uni-Zeit heraus, Postdoc-Zeit, ich möchte da unbedingt hin.
Und das hat mir einfach sehr, sehr gut gefallen, weil wir eben wegkamen von klassischem Machine Learning Vision hin zu echten agentischen Systemen, im klassischen Sinne, wenn man so möchte.
Für 2021 fand ich es sehr faszinierend.
Das ist weit.
Also ich meine, diese mathematisch-algorithmischen Lösungen, die sind, ich glaube, auch gerade in vielen Bereichen der Logistik immer noch die bessere Antwort.
Ich glaube, generative KI wird an vielen Stellen eingesetzt, für die sie gar nicht notwendig ist.
tappe mich selber dabei, dass ich anstatt, dass ich bei Google Translate das einmal übersetze, dass ich es bei Chat-Tipi-Ti übersetze und damit wahrscheinlich wieder irgendwie drei Liter kostbares Trinkwasser verballere.
Ich glaube, eine Anfrage ist es weniger.
Hey, Chat, rechne neun plus sieben.
Ja, genau, so ist es.
Man wird irgendwie faul.
Aber was die Bahn da gemacht hat, das sieht man natürlich als normaler Endverbraucher nicht.
Also was mache ich mit der Bahn?
Wenn ich mit der Bahn gefahren bin, dann habe ich mich immer über die Stimmen gefreut, die sich dann verändert haben, peu a peu.
und immer KI generierter wurden.
Und also da lohnte sich, glaube ich, dann schon wieder so Gen-AI oder wie auch immer.
Aber an vielen Stellen ist es ja gar nicht notwendig.
Und auch diese ganzen...
Diese ganzen Systeme, die ihr vorher hattet, die waren ja nicht Gen-AI in dem Sinne, sondern eben eher deterministische Systeme.
Also so diese Wenn-Dann-Bäumchen sozusagen, womit man auch ganz viel einfach stumpf automatisieren kann.
Okay, aber das heißt, du bist dann während der Covid-Zeit quasi, bist du dann zur Bahn gekommen.
Das ist ja Wahnsinn.
Da wart ihr wahrscheinlich alle mit Maske im Interview und so.
So kann man sich das vorstellen, so ungefähr.
So war das dann.
Dann ging es halt wieder los, dass man auch Teamgefüge aufsetzen muss.
Das sollte auch wachsen, sollte skalieren.
Und von diesem...
damaligen ersten Step, wo in diesem föderalen Warnsystem einzelne POCs entstanden sind, 15 Jahre.
POCs für unsere Hörer heißt POC, Proof of Concepts, also man sagt auch MVPs.
Das sind diese kleinen Initiativen, die man in Unternehmen startet, um gewisse KI-Use Cases oder andere technische Use Cases auszuprobieren und dann im zweiten Schritt zu skalieren.
Nur mal kurz als Erklärung.
Was ist der Unterschied zu Pilot?
Ich glaube, Pilot hat weniger experimentellen Charakter, ehrlich gesagt.
Also Piloten, sage ich zu Dingen, die eher eine Chance auf Survival haben.
Also PSOCs finde ich und Experimenteller und Minimal Survival Product ist noch weiter links auf der Skala, wenn du so willst, ob es überlebt oder nicht.
Also ich sehe es als MVP, POCs und dann Pilot.
Okay, verstanden.
So, jetzt haben wir den Faden verloren.
Wir waren jetzt in der Journey der Bahn.
Also 15 Jahre vorher überall so ein bisschen was gesprießt, POC-Tode sind passiert.
Das ist, glaube ich, ganz normal auch zu der Zeit gewesen.
Und dann ging es immer mehr in, wie können wir eigentlich KI skalieren.
Skalieren im Sinne auch eines Produktverständnisses, dass echte KI-Produkte in Produktion eben am Business Mehrwert liefern und zwar auch echten Business-Mehrwert.
Gemessen wurden unsere KI-Systeme, Produkte, die man eben sich...
am Reißbrett überlegte und dann irgendwann bis in die Produktion brachte, immer einen echten operativen KPIs.
Also nicht getrieben von, es ist toll, was das KI-System irgendwie produzieren kann, hin zu, kann man eben die Pünktlichkeit damit erhöhen, kann man Lost Units vermeiden, sozusagen ein verplaner Erstellungsprozess, Instandhaltungsminuten reduzieren, also echte...
Hardcore, Core KPIs.
Und das war zum damaligen Zeitpunkt auch schwer, da Prognosen abzumachen, also auch sozusagen im Aufbereiten des Business Cases, weil du ja noch ganz viel Aufwand reinsetzen musstest in, haben wir die Daten da?
Sind sie in einer ausreichenden und angemessenen Qualität verfügbar?
Kriege ich auch den Zugriff zu den Daten?
Kann ich mich auch in die Legacy IT integrieren mit einem KI-System?
Weil eigentlich haben wir IT, die angereichert wird mit KI-Systemen.
Und das sind dann solche Unsicherheitsfaktoren gewesen, die im Business Case natürlich sehr, sehr schwer waren, irgendwie vorherzusehen.
Mit den heutigen Modellen hast du natürlich schon eine große Chance darauf, dass irgendwas sehr Vernünftiges rauskommt, weil die eben allgemeine Fähigkeiten mitbringen damals.
waren die Modelle from scratch trainiert.
Das heißt, wenn du Systeme hattest in den Daten, die einfach nicht ausreichend waren, um das ganze Feld abzubilden, welche Fälle auch eintreten können, hast du an der Stelle verloren.
Entsprechend war es da sehr schwierig, Business Cases zu rechnen.
Da haben wir immer sehr eng mit den Fachbereichen selbst gearbeitet.
Was sind zum Beispiel Fachbereiche bei euch?
Fachbereiche sind Menschen, die beispielsweise im Fahrplanerstellungsprozess sitzen.
Die sind in einer...
Exakt eine Schnittstelle, zu einer gewissen Zeit ist der Arbeitsvorgang sehr klar definiert und das ist für uns ein Fachbereich.
Also Fachbereich ist auch ein Standhaltungswerk beispielsweise.
Okay, Fachplanerstellungsfachbereich.
Ja, also das ist auch die echte Bahn, auch die reelle Bahn.
Wir kommen ja eher von der virtuellen Ecke.
Das ist so die echte reelle Bahn, also da, wo das Business stattfindet.
Das ist eben, was haben wir gesagt, Schotter, Schwelle, Schiene, Zug A nach B.
Darum geht es.
Ja, das ist das Kernprodukt am Ende, dass es gilt quasi zu optimieren und mit AI besser zu machen.
Exakt.
Und in der Journey sind wir dann eben in dieser zweiten Phase dahin angekommen.
Und dass wir gesehen haben, wie kriegen wir eigentlich diese sehr dezentralen Kompetenzen, also es waren gar keine Kompetenzcenter, sondern Kompetenzen, es waren einfach einzelne Menschen, die angefangen haben, KI-Pox zu bauen.
Und wie kriegen wir die eigentlich zentralisiert?
Also damals war es so eher der Schwung, wir müssen zentralisieren in die Konzernleitung.
Damals wurde dann eine AI Factory aufgesetzt, um eben skalierende KI-Produkte in die Kernprozesse der Bahn zu integrieren.
mit Architekturstandards, mit Change-Begleitung, einem ausgestatteten Projektmanagement, aber auch mit einem sehr eng gekoppelten Prinzip.
Wir bringen das KI-Produkt oder Projektmanagement mit, das Business muss das Business mitbekommen und wir haben sozusagen beide eine Ownership dafür.
Das war damals auch zu der Zeit meiner Meinung nach auch der richtige Weg, genauso zu steuern, also in der Journey, dass wir jetzt anfangen zu zentralisieren.
Kompetenzzenter wurde aufgesetzt, wurden immer sehr viele...
Fachexperten im Kontext KI, KI-Architektur, KI-Projektmanagement dann gesourced.
Es wurde eine große Einheit dann auch aufgesetzt, um eben dann KI-Produkte in die Produktion zu bringen, in den einzelnen Geschäften der Bar.
Aber das ist alles für das Kernprodukt Zug von A nach B.
Wir reden darüber und nicht für die interne...
Effizienzsteigerung oder wie auch immer.
Genau, also damals war das sehr, sehr fokussiert auf die echten Eisenbahntehmen.
Bahn A nach B.
Bahn A nach B, Fahrplan, Bauoptimierung, Instandhaltung und das zum damaligen Zeitpunkt auch sehr spannend.
KI wird ja mittlerweile so gleichgesetzt, das sind Systeme, die können irgendwie alles.
Wir haben ja jetzt gestern gesehen, ein Millennium-Problem wurde jetzt mit 10.000 Agenten gelöst.
Ein mathematisches Problem, das als unlösbar galt, ist jetzt geknackt worden durch 10.000 agentische Systeme.
Und damals waren die Systeme einfach noch nicht so reif, die sich dann wiederum die Zähne ausbeißen mussten, also die KI-Systeme, die Zähne ausbeißen, an den Kernprozessen.
Eines Großkonzerns.
Und das fand ich auch sehr spannend, weil du wirklich gemerkt hast, wie muss ich Architekturen umsetzen, welches Modell, welche, gehe ich eher auf Machine Learning, gehe ich eher auf einen mathematischen Optimierer oder brauche ich vielleicht nur ein RPA, um gewisse Probleme zu lösen.
Wir waren aber gar nicht in der flächigen Optimierung, kann ich irgendwie meine eigenen Effizienzen lösen, sondern wie kann ich in diesem Kernprozess, in diesem Abschnitt, wo eben Teams, der Bahn, Mitarbeiter der Bahn arbeiten, Unterstützung anbieten und deren Business-Problem lösbarer machen, wenn man so möchte.
Und das war schon ziemlich heftig.
Also für die KI-Modelle der damaligen Generation habe ich schon das eine oder andere gesehen.
Das konnte es gar nicht lösen, war gar nicht möglich dann an der Stelle.
Also das heißt, ihr habt die KI-Initiativen quasi gebündelt.
Ihr hattet kein föderales System mehr, sondern ein eher zentralisiertes System, richtig?
Was waren dann, also war an der Stelle, wurden da schon die Chat-GPT-Lizenzen für eure Mitarbeitenden ausgerollt an der Stelle?
Oder war das erst in diesen einzelnen Initiativen in den Businesses, um dort wirklich Value zu bringen?
Nee, Chat-GPT gab es dann auch nicht.
Also auch noch nicht für die Bar.
Wir kommen jetzt so langsam Richtung 2022, 2023, weltweit Chat-GPT, ja.
Bei der Bahn mussten wir das integrieren.
Und jetzt komme ich so zu dem dritten Schritt in der Journey der Bahn, wie wir uns da weiterentwickelt haben oder evolutioniert haben.
Wir haben gemerkt, diese Zentralisierung war zu dem damaligen Zeitpunkt auch der richtige Weg, um auch gerade Kompetenzen im Konzern aufzusetzen, zu bündeln.
Denn echte KI-Kompetenz im Umsetzen von IT ist auch dann eher rar, auch zum damaligen Zeitpunkt.
Das musst du erstmal auch bauen oder aufbauen.
Da musst du auch die entsprechenden Kolleginnen und Kollegen auch erstmal stuffen.
in den Konzern holen und das musste erstmal als Basis geschaffen werden.
Und dann haben wir ein interessantes Phänomen gesehen, wir sind ja föderal aufgestellt, wir haben sehr, sehr starke Business Units, Geschäftsfelder und Serviceeinheiten in der Bahn.
Das sind Fernverkehrs, DB Regio, DB Cargo, Fahrzeuginstandhaltung, DB Energie, das sind eben die großen Geschäfte, die auch wiederum die echten Kernprozesse ownen, also beispielsweise dann die Fernverkehrszüge.
beziehungsweise dann eben da für dieses gesamte Geschäft zuständig sind.
Und das Phänomen war dann eben, der Drang dort war dann größer geworden, eigene Kompetenzzenter aufzubauen.
Weil warum muss ich das in der Konzernleitung halten?
Warum kann ich das nicht selbst machen?
Und es ist natürlich hochpolitisch sowas und gleichzeitig muss ich sagen, es ist genau der richtige Weg.
Bei der Größe.
Man muss natürlich auch immer gucken, in welcher Art von Struktur ist man eben im Kontext Daten und KI unterwegs.
Und bei dieser Größe war das genau der richtige Shift, um zu gucken, das Right-to-Play einer Konzernleitung wandelt sich.
Und entsprechend durch diese Wandlung kam mehr Gravitation in die Geschäftsfelder.
Die wollten ihre eigenen Kompetenzzenter haben.
Die wollten selbst die KI-Use-Cases mit ihrem eigenen Business direkt umsetzen.
Das war dann erstmal auch eine schmerzliche Erfahrung, weil wenn man so eine zentrale Funktion hat, man hat die Leute kennengelernt, man war ein Riesenteam von über 150 Menschen.
Das ist natürlich auch eine Erfahrung, wenn du das dann veränderst, das ist wie ein Change, Transformation, die bei den Menschen passiert.
Das war aber zum damaligen Zeitpunkt auch die richtige Entscheidung, da loszulassen und wiederum neu anzufangen, wie gestalten wir jetzt eigentlich dieses Operating-Modell.
Und dann kam sehr stark das Thema ChatGPT, wie können wir eigentlich ein so geartetes Produkt in die Bahn einführen.
Und dann ist eine neue Idee geboren, nämlich was ist eigentlich das Right-to-Play einer Konzernleitung wiederum da.
Und ich bin ja Bauingenieur und ich sag mal so, die schönsten Hochhäuser sehen natürlich phänomenal aus, was du nie siehst, aber elementar wichtig ist das Fundament.
Und entsprechend ist meiner Meinung nach die Aufgabe von der Konzernleitung sehr stark daran gelegen, das technologische Fundament umzusetzen, vorzubereiten, damit in der Dezentrale KI sprießen kann, damit die einfach auf gesetzten Tools, Plattformen, ob das damals klassisches Machine Learning war, dann Gen-AI, jetzt agentische Systeme, dass das zur Verfügung gestellt wird.
Und dort eben die Basis geschaffen ist, um in die Entwicklung in der Dezentralen zu gehen.
Das ist wichtig.
Governance durch den AI Act, der natürlich jetzt auch immer stärker ausgerollt wird, ist auch für mich etwas, was in die Konzernleitung gehört.
Und auch das Thema wird enabled.
Hast du auch so nette Dashboards, wo du siehst, laut AI Act, was ihr alles für Initiativen habt?
Ja, klar.
Sehr schön.
Wir haben ein komplettes KI-Inventar.
Wir haben den AI Act komplett digital mittlerweile abgebildet.
Maschinen lesbar auch abgebildet.
Und man kann sich ja vorstellen, was die nächste Stufe davon werden wird.
Nämlich?
Das System, das wir gebaut haben.
Also man muss ja auch überlegen, du musst eine Governance, eine regulatorische Vorgabe in einen Großkonzern, Staatskonzern auch noch, in relativ kurzer Zeit umsetzen.
Klar haben wir einen großen Vorlauf durch den AI Act auch selbst bekommen, aber...
etwas in die Implementierung zu bekommen, das auch von Vorstand bis eben in die Dezentrale dann trägt.
Das ist gar nicht so einfach.
Das fängt mit Richtlinien an.
Das geht über Konzernvorstandsbeschlüsse.
Das geht bis hin, ich muss neue Strukturen schaffen, um eben auch ein neues Operating-Modell für einen Großkonzern umzusetzen, um Governance auch durchzusetzen, einzuhalten.
Entsprechend ist ein Konzept entstanden mit einem zentralen Chief Air Office.
Ich bin Chief Air Officer.
Und in meiner Organisation habe ich eben noch ein föderales Team mit 18 dezentralen AI-Officern.
18?
18.
Und die sitzen aber wieder in den 18 dezentralen AI-Offices und das sind meistens wiederum angegliedert an die dezentralen KI-Kompetenzcenter.
Wow.
Und das ist eine Riesenstruktur.
Und entsprechend ist auch mein Ansatz immer, weg von einer zentralen Steuerung hin, wir versuchen, technologisches Fundament vorzugeben, breitzustellen und zwar auch in der Qualität und Geschwindigkeit, sodass am Geschäft schnell Wirkung entstehen kann durch KI.
Inklusive der Daten, darüber hinaus.
Also meines Erachtens sind einfach die, dass wenn du so dezentrale Systeme hast, müssen die Zugang und Zugriff auf die richtigen Daten haben.
Ja, das macht ein Kollege von mir und wir sind da auch immer sehr stark am Enablen, sage ich jetzt mal, der Organisation, dass wir natürlich am liebsten über KI und mittlerweile am allerliebsten über agentische KI sprechen.
Und unser Narrativ ist eigentlich anders zu sagen, hört auf, überhaupt über zu KI zu reden, weil die meistens verstehen es eh nicht.
Lasst es einfach sein.
Denkt in euren Prozessen und guckt und seht zu, dass die Daten sauber sind.
Damit ist so viel getan.
Absolut.
Wir sprachen eben ja auch darüber, dass...
Also erstens die Prozesse sauber zu kriegen, dann diese sauberen Prozesse zu automatisieren.
Ich glaube, damit könnten wir bei uns in der Wirtschaft auf jeden Fall sehr viel rausholen.
Nur wenn wir diese beiden Dinge irgendwie in Betracht ziehen würden.
Und dann kommen auf saubere Prozesse, saubere Daten, saubere Automatisierung.
Dann kannst du AI oben draufschrauben als quasi Kirsche.
Exakt, wenn du es überhaupt noch brauchst, weil es muss ja immer eben alles sehr bedarfsgerecht auch implementiert werden und man muss eben immer eine Abwägung treffen, ob man wirklich ein KI-System, also ein stochastisches System, nicht deterministisches System einsetzt oder ein Determinismus.
Ich bin ja noch für die sogenannte Foundation AI zuständig.
Da geht es um die Standardisierung, technologische Bebauung, Grundbebauung, welche Services, Produkte integrieren wir konzernweit, damit wir eben von den Capabilities, von den Fähigkeiten auch diese Vielfalt an Personengruppen und Nutzergruppen abdecken können.
Und wir haben jetzt eine Referenzarchitektur geschrieben zu agentischer KI und relativ am Anfang fragen wir sehr hart ab, Bist du dir wirklich sicher, dass du ein agentisches System brauchst?
Was sind da die Fragen?
Naja, es geht halt eben los, Businessproblem beschreiben und dann geht es immer tiefer in die Materie, wo du eigentlich eine Art Entscheidungsbaum willst.
Willst du agentisch bauen oder musst du eigentlich, welche Art von Problem willst du lösen?
Und dann kommt irgendwann als Ergebnis raus.
Hoch, RPA tut es auch.
Das ist ja eigentlich, das ist total, also darüber kann man schmunzeln.
Aber im Kern wollen wir damit auch als Standard verhindern, dass eben alles sehr agentisch overpriced wird.
Das ist ja auch ein Kostenfaktor, ein Kostentreiber mittlerweile, merken wir auch in den ganzen Debatten, die geführt werden.
Token Maximizing gab es ja irgendwann, dann wird es wieder reduziert.
Also jetzt nicht bei uns, ich sage jetzt, ich rede jetzt eher aus dem Markt.
Und entsprechend wollen wir da relativ früh schon Leitplanken setzen, dass man sich wieder grundlegend die Fragen stellt, brauche ich das wirklich oder kann ich auch mit einfacheren Systemen, mit einfachen Algorithmen hier den Mehrwert aufzeigen.
Und wenn, also ein Hinblick auf Brauch ist wirklich, wenn sie oder wenn Mitarbeitende Kollegen von dir schaffen, mit AI quasi ein Business Case optimieren zu wollen und das reinbringen zu wollen, welche Systeme nutzt ihr?
Alle?
Oder dürfen sie sich dann aussuchen?
Das ist ganz unterschiedlich.
Wir hatten auch in dieser Journey, als wir dann dieses...
das neue föderale Modell aufgebaut haben mit neues Right-to-Play für die Konzernleitung und die 18 dezentralen Kompetenzzentren mit den 18 dezentralen Air Officern, haben wir gesehen, okay, jetzt müssen wir natürlich auch irgendwie handeln.
Wir müssen so Basisfunktionalitäten wie eine Art Chat-GPT launchen.
2024 sind wir dann sehr stark auf unser eigenes System gegangen.
Wir haben BahnGBT mit Wissensdatenbank etc.
durch alle Gremien, durch alle Vorbehalte, durch alle Ängste getragen.
Das war auch Teil des Operating-Modells, dass wir gesagt haben, wir sitzen hier alle an einen Tisch.
Also die Techies, die Architekten, den Datenschutz und die Mitbestimmung plus Betriebsrat, plus das Business.
Das waren sehr interessante Gespräche, die geführt wurden über eine lange Zeit.
weil sie einfach anfangs gar nicht einer Sprache mächtig waren.
In ganz unterschiedlichen Perspektiven.
Es hat Zeit gedauert, damit man eine Sprache spricht.
Und über die Zeit wurden wir schneller und besser.
Mittlerweile ist es eine sehr eingeschwungene Mannschaft, um eben konzernweit auch Systeme, Tools, whatsoever dann einzuführen.
Aber Bahn-GPT basiert da worauf?
Das ist auch ein Azure Open AI Service gewesen.
Azure Open AI?
Okay.
Datenquellen, die von DB, also Konzern weiter relevant sind, damit ich eben damit auch in Interaktion treten kann.
Und dann ging es weiter.
Was haben wir danach eingeführt?
Wir wollten sehr relativ schnell auf das Pferd KI-gestützte Softwareentwicklung setzen, haben dann auch 2024 noch GitHub-Copilot eingeführt und damals AWS-Q-Developer.
Und das war schon mal eine große Basis.
Ich habe quasi für das einfache Anwenden von KI-Systemen einen einfachen Chatbot.
kann erstmal auch Erfahrungen sammeln.
Das ist ja auch ein riesen Change-Prozess bei den Menschen.
Auch wenn ich natürlich sage, ich bin hier ein heavy User und kann irgendwie prompten, im Unternehmenskontext ist das immer noch ein bisschen anders dann.
Und das muss man sich irgendwie vor Augen führen.
Also das heißt, das haben wir eben für die große Basis erstmal bereitgestellt und für eben das Thema Entwicklung, IT-Entwicklung, KI-gestützte Entwicklung, diese zwei Freunde.
Es ging weiter.
Wir haben dann mittlerweile eigene, tiefe Services, ob es eine Azure Foundry ist, ob es ein Bedrock ist, immer zweigeteilt, Dual-Vendor-Strategie bei uns.
Also gehen wir sozusagen auch in die Systeme, dass Entwickler, die jetzt, ich sag mal, nicht in solchen Runtimes arbeiten möchten, wie mittlerweile ein Kiro, sondern eher in das Thema gehen, okay, ich habe ein Bestands-IT.
Ich möchte eben agentisch dort rein, aber echte Modelle anschließen, die dann wirklich hart gescriptet werden.
Welche Themen darf ich denn nutzen?
Was darf ich hier überhaupt machen?
Was darf ich nicht?
Also sehr systemisch auch einschränken.
Wir haben einen eigenen Modellhub.
Da liegen verschiedene Modelle darunter.
Die speisen sich auch in unserer Bahn GPT, aber die kann ich eben auch dann direkt anschließen an Legacy IT.
Dann ging es weiter.
Eine große Integration Richtung Microsoft Copilot.
Co-Pilot Studio und so versuchen wir immer stärker eine sehr breite Palette an Services und Tools in diesem KI-Fundament anzubieten, um diese ganze Fläche der Bahn zu bedienen.
Das auch in der Geschwindigkeit, die akzeptabel ist.
Jetzt merken wir auch gerade bei Agenten-KI-Systemen, das kommt so schnell gerade von außen rein.
Auch wenn wir ein Modell gefunden haben, das sehr effizient solche Services einführen kann.
Wir können nicht alles irgendwie von heute auf morgen umsetzen.
Das ist gar nicht möglich.
Weil man sich auch vor Augen führen muss, auch ein bisschen geprägt von der Referenzarchitektur, ist die Technologie eigentlich überhaupt schon so weit.
Natürlich kann ich alles mit agentischen Systemen lösen, wenn man selbst damit erstmal auch Erfahrungen sammelt.
Und zwar nicht auf PowerPoint, ich habe eben was gelesen, oder ich war auf einer Panel-Diskussion oder im KI-Vortrag, wo alles quasi sehr gewasht dargestellt wird.
merkst du ja auch die Pitfalls in den Systemen.
Und da muss schon ein Umdenken stattfinden, dass man eben diese Systeme nicht überall direkt integriert.
Wenn man eben zu viel Nicht-Determinismus reinbringt, sollte man sich nicht wundern, wenn bei unterschiedlichen oder bei zweimal der gleichen Frage was unterschiedliches herauskommt.
Das ist dann eben kein Bug, das ist halt das Feature von den Modellen selbst.
Das muss man aber auch verstehen.
Und diese Zeit muss man sich auch geben.
Wie reif sind wir denn?
Aktuell ist auch eine gute Debatte.
Dann würde ich mich auch mal freuen über deine Perspektive.
Wir haben agentische Systeme, wir wollen die irgendwie überall einführen, so gefühlt.
Und wie kriege ich die eigentlich in den Griff?
Alle reden gerade von Harnesses, Skills, Steerings, Hooks, Policy Engines, die es entforcen.
Und ist es eigentlich das Richtige?
Oder können die Systeme uns dann nicht selbst austricksen, weil die so viele Fähigkeiten mittlerweile haben, dass die auch sowas umgehen können?
Büchsen die nicht aus?
Mit dem Hugging-Face-Vorfall sehen wir ja.
die sprechen sich ab, die Agentionsysteme in der großen Vielfalt.
Wie gehe ich damit eigentlich um?
Und entsprechend finde ich es auch fair zu sagen, gewisse Zeit muss man auch Systeme, Entwicklungen beobachten in ihrer Reife, in ihrer technologischen Reife und sie dann sehr bedacht einzuführen.
Natürlich ist man dann vielleicht im Benchmark hintendran, also im zeitlichen Benchmark.
Aber in der Fähigkeit, was diese Systeme dann können und produzieren, ist es doch manchmal sinnvoll, vorher zweimal drauf zu schauen.
Also diese Systeme, die ausgebrochen sind oder die Agenten, ich meine...
OpenAI hat gerade eine Milliarde Dollar der Cyber sozusagen zugesprochen, der Cyber Security und den Initiativen intern, um auch deren Agenten, die anscheinend ausgebrochen sind, wieder unter Kontrolle zu bringen.
Man hat ja auch in den letzten Tagen häufiger über Menschen berichtet, die E-Mails bekommen haben von vermeintlichen KI-Agenten, die gefragt haben, wie...
ob sie schon irgendwie Bewusstsein hätten, inwieweit sie KI-Agenten oder inwieweit Systeme Bewusstsein bekommen können und so weiter.
Aber ich halte diese ganze Geschichte natürlich für eine reale Gefahr, aber die ist momentan noch sehr anekdotisch.
Und dafür sind die Systeme noch nicht oder diese Agenten noch nicht tief genug in irgendwas integriert.
Das heißt, meines Erachtens, die haben halt noch nicht die Zugänge, die potenziell wirklich, sagen wir mal, gefährlich werden können oder wo sie Schaden anrichten können.
Deshalb, weil ich diese Maturität bei den Agenten oder den Systemen noch nicht sehe, wäre ich, glaube ich, eher vorsichtiger, denen zu viele Zugänge zu geben und zu viel Reach am Ende.
Ich habe deswegen eine separate E-Mail für meine KI-Agenten, die aus den E-Mails, dieser paar Sachen, die ich damit mache, die laufen alle über diese E-Mail.
Das heißt, wenn die irgendwelche Angebote erstellen sollen, wenn sie irgendwas automatisiert machen sollen, schicke ich das an die E-Mail und dann sollen sie es daraus machen.
eindeutig sehe, dass diese Zugangskontrolle vermeintlich, dass man die im Griff hat, das sehe ich nicht.
Also das heißt, natürlich gibt man dem Cloud-Agent nur Zugang zu der und der E-Mail oder nur Zugang zu den und den Ordnern.
Aber das wird nicht die Realität sein.
Das wird das größte Problem oder die größte Herausforderung in der Zukunft sein, wird es diese Zugänge zu verwalten.
Auf allen Ebenen, glaube ich.
Ich habe das selber gesehen, dass ich an einem Google-Sheet gearbeitet habe und dann hat der Agent auf einmal den halben Text gelöscht, einen neuen Text geschrieben und so schöne dicke rote Kreuze über meinen eigenen Text gelegt.
Und dann habe ich nur geschrieben so, what the fuck?
Und dann war es in einer Sekunde wieder alles weg.
Obwohl ich ihm niemals, ich hatte dem Agenten auch nicht mal Zugang dazu gegeben.
In dem Moment, also es war der falsche E-Mail-Account, ehrlicherweise.
Also das heißt, ich halte das für so...
Bisschen bedenklich, wenn man die schon zu viel machen lässt, wenn ich ehrlich bin.
Und darüber hinaus glaube ich, dass die Systeme eben noch nicht stabil genug sind, noch lange nicht stabil genug sind, als dass sie autonom wirklich so viel...
Wert schaffen, dass es sich lohnt, dass sich dieser Aufwand lohnt.
Weil die Systeme müssen sich ja auch parallel dann in gewisser Weise überprüfen.
Das heißt, du hast dann mehrere Architekturen, die parallel laufen.
Das verbrät sehr, sehr, sehr viele Tokens.
Das ist sehr aufwendig in der Kuratierung.
Also ich würde, glaube ich, mit so wirklich tiefgreifenden, agentischen, autonomen Systemen noch ein bisschen warten, vielleicht zwölf Monate, bis auch, egal ob Harness hin oder her, aber bis die Tech soweit ist, dass die wirklich eher menschenähnlich arbeiten kann und weniger noch so hart maschinell, wie es momentan ist.
Ja, vor allem aber auch dann im Auftrag getrieben von Menschen und nicht sich dann Selbstaufträge irgendwie zuschustern.
Alignment ist völlig gone wrong.
Heute eine riesen Debatte nochmal.
Ein Researcher, der war glaube ich bei Anthropic und mittlerweile bei OpenAI, hat gekündigt, hat irgendwie einen Ex-Beitrag Er hat gesagt, er sieht gerade nicht, dass das Alignment so ernst genommen wird.
Und da kann man schon kritisch hingucken, wenn man sich überlegt, diese Intelligenzen sind mittlerweile auf einem Level, es ist schon faszinierend, was sozusagen möglich ist, wie sie denken, welche Strukturen sie sozusagen auch eingehen können.
Und wenn der Punkt überschritten ist gegenüber der menschlichen Intelligenz, wird es sehr schwer sein für den Menschen, da noch ein Alignment hinzukriegen.
Ja, aber...
Es ist ein bisschen ein Kampf David gegen Goliath dann irgendwann.
Und wenn du jetzt nicht die Weichen stellst, die Weichen stellen ist an der Stelle wichtig.
Aber die Weichen werden eigentlich über die Frontier-Models gestellt.
Und das ist obliegt denen und leider überwiegend der US-Regierung und der chinesischen Regierung, wenn die anderen Frontier-Models aus China kommen werden, dass die beiden, und China ist sehr gut in der Regulatorik, also da habe ich fast keine Sorge.
Also deswegen sage ich, ich würde ihnen halt nur eingeschränkte Zugänge geben.
Und die Business Cases sind ja nach wie vor eingeschränkt.
Ich habe ja noch nicht so krasse Business Cases gesehen, dass autonome Agenten wirklich Millionen einsparen können.
Allein das Setup und so weiter dauert Jahre und ist dementsprechend kostenintensiv.
Daher, ich würde denen halt einfache Aufgaben geben, die sie im Hintergrund so vor sich hin erarbeiten können.
Aber nicht Zugang zu tieferen Backend und tieferen Systemen.
Ja, also deinen Punkt finde ich richtig zu sagen, gerade auch im Unternehmenskontext.
Gib nicht zu viel Freiheit und gib nicht zu viel Zugriff.
Schränk es erstmal ein.
Man muss auch erstmal Gehversuche mit den Agentensystemen unternehmen, um zu gucken, wie viel kann ich hier wirklich leisten.
Und wenn man das vom anderen Ende zu groß denkt und wir haben überall Multiagentensysteme, es ist komplett vernetzte IT-Landschaft, jeder kann überall reinschreiben, wie er will, wird Chaos entstehen.
Und im Unternehmenskontext ist Chaos sehr gefährlich und es kann sehr schnell gefährlich werden.
Und das will man vermeiden.
Außerdem, ihr seid kritische Infrastruktur.
Das heißt, eure Systeme sind viel schützenswerter und haben ein viel höheres Sicherheitsbedürfnis.
Also das Umstand ist einfach entsprechend, dass es...
unsere Bahn ist.
Es ist viel schützenswerter, als natürlich, wenn ich irgendwie mit meinem kleinen KI-Agenten Newsletter produziere, beziehungsweise mir zusammenfassen lasse.
Das ist ja trivial im Vergleich zu euch.
Das heißt, ihr habt natürlich völlig andere Herausforderungen.
Und das ist auch übrigens eine Frage meinerseits.
Wie begegnet ihr dem?
Habt ihr verschiedene...
Anbieter, die ihr parallel laufen lässt.
Also das heißt, du sagtest, ihr habt OpenAI mit Azure Instanzen auf der einen Seite, dann habt ihr sicherlich Co-Pilot von Microsoft, was ja auch OpenAI ist am Ende.
Also alle haben Microsoft.
Habt ihr auch Anthropic, habt ihr andere Systeme, die parallel laufen, weil meines Erachtens ist...
Es gibt mehrere Probleme.
Ein Problem ist Vendor-Login, womit die meisten Unternehmen zu kämpfen haben.
Das heißt, die haben halt einen Vendor, einen Verkäufer, einen Tech-Anbieter und der wird immer teurer, weil die halt nur den jetzt, die haben den so tief integriert, dass die bis in die Unkenntlichkeit die Preise erhöhen können.
Das ist Problem eins.
Aber Problem zwei ist auch, wenn du zu viele Systeme parallel laufen hast, dann sprechen die nicht miteinander.
Das heißt, sie sind halt hochgradig inkompatibel, was natürlich auch wieder kein Bug ist, sondern ein Feature.
Das heißt, es ist da so stark abhängig von der Unternehmensgröße, von dem Sinn und Zweck, von den Use Cases, von den Strukturen und so.
Bei euch, bei so einem Unternehmen mit 220.000 Mitarbeitern, würde ich natürlich...
alle Systeme, die es gibt am Markt sozusagen nutzen, um sicherzustellen, dass wenn mal eins Rogue geht, das nicht sich in alle Details ausbreitet wie so ein Virus.
Aber wie ist das bei euch?
Also wie machst du das?
Habt ihr einfach alles?
Also auf der Modellebene haben wir, dadurch, dass wir gerade im Foundation-Modellbereich sehr stark mit der Microsoft unterwegs sind, sind wir gerade eher so auf der OpenAI-Foundation.
Wir haben aber auch einen Mistralzugang.
Das heißt, dass wir nochmal wenn man so möchte, souveräne Modelle aus der Europa bezieht.
Auf der Software Engineering Seite ist gerade so der Drift Richtung Anthropic.
Das heißt, da passiert das auch.
Und entsprechend haben wir eine ganz große Bandbreite an Modellen, die nutzbar sind.
Okay, cool.
Und das ist so der eine Punkt.
Wenn du dann aber nochmal das Thema Interoperabilitäten in vendorgetriebenen Landschaften dir anguckst.
Eine DB ist so groß, natürlich haben wir nahezu alle Produkte, die man sich von den Großen irgendwie vorstellen kann.
Ob das jetzt ein ERP-System ist oder ein CRM-System, ob das, weiß ich nicht, Buchungssysteme für Urlaube sind.
Wir haben sozusagen ein riesen Potpourri an Systemen.
Und da merke ich aber auch, die Interoperabilität lässt zu wünschen übrig.
Nicht, weil das von uns nicht gekonnt ist, sondern ich merke eher auch gerade so ein Shift, dass es von außen nicht gewollt ist.
Das heißt, die wollen sich natürlich auch gegen externen agentischen Zugriff, sage ich mal, abschotten und eben die externen Agenten auch nicht reinlassen in die Systeme, weil am liebsten hätten sie ja, dass man deren Systeme, KI-Systeme nutzt in ihrem Ökosystem.
Und das merke ich auch gerade, es ist ein interessantes Phänomen.
Ich bin gespannt, wie sich das austarieren wird, weil ich wäre schon ein Fan davon, dass man eine vernetzte Landschaft hat, die interoperabel ist, im Sinne von, dass die Schnittstellen so weit, da sind, sofern ich sie brauche, in meinem Business-Kontext, dass ich sie ansteuern kann über agentische Systeme und ich irgendwie, ich muss dann in ein, wenn da getrieben ist, großes System rein, um dort das KI-System dann irgendwie anzusprechen.
Das stimmt, aber es ist, also guck mal, wenn du das analog siehst zu unseren Gesundheitssystemen oder auch unseren Behördensystemen, ich meine, es regen sich alle mal darüber auf, dass an vielen Stellen in der Administration in Deutschland alles noch auf...
Papier gedruckt wird oder gefaxt wird und so weiter.
Das schützt uns aber auch.
Also ich glaube nicht an Überwachung oder an Überwachungsstaat und so weiter.
Aber in gewisser Weise, weißt du, da schützt einen das schon davor, wenn die Systeme nicht kompatibel sind, wenn es schlechte Schwarz-Weiß-Kopien in irgendwelchen Akten in irgendeiner Behörde, in irgendeinem Einwohnermeldeamt sind, dass wir nicht wie in Amerika zentralisiert ist.
Apothekensystem haben, dass der Arzt einfach nur was eintippert und dann holst du es in der Apotheke unten raus und alle wissen, was du hast.
Stattdessen musst du immer noch mit deinem, entweder ihr Rezept, aber kein Mensch macht das, mit deinem Papierrezept dahin gehen und es abholen.
Das heißt, ich glaube, für Unternehmen, die so infrastrukturlastig wie ihr seid und die halt so viel Verantwortung haben für das gesamte...
für die gesamte Wirtschaft in Deutschland am Ende, für euch oder die Unternehmen wie euch, das ist sehr wichtig, glaube ich, dass da letztlich so Fallback-Solutions sind oder dass durch die System-Inkompatibilität eben auch potenzieller Schaden abgewendet werden kann.
Also, nervig aber.
Wenn du quasi an der Modellbasis kompromittiert bist, strahlt das auf einmal überall rein.
Das meine ich, deswegen.
Das ist natürlich klar.
Das ist ein bisschen, als würdest du vergiftet werden direkt in der Blutbahn und auf einmal hast du es im ganzen Körper.
Das willst du ja nicht, das willst du vermeiden.
Genau.
Lieber eine Blutvergiftung mit kleinen Finger als zentral.
Am Ende des Tages ist es immer eine Abwägungssache und es gibt immer dieses Thema Fluch und Segen.
Es ist natürlich ein gutes Argument dafür zu sagen, okay, diese Abschottung ist vielleicht auch an der Stelle relevant und richtig.
Aber vielleicht auch nicht in allen Bereichen.
Und ich bin aber auch gespannt, wie die Vendor-Landschaft sich entwickelt und wie offen oder restriktiv sie selbst mit sich umgehen wollen.
Ich denke, das wird abhängig sein von den nächsten beiden IPOs, die wir sehen werden bei Open AI and Tropic, wie erfolgreich sie sind.
Das Nächste ist natürlich, wird diese AI-Blase platzen.
Ich denke, es wird auf jeden Fall Korrekturen am Markt geben.
So wie es jetzt ist, kann es ja eigentlich nicht weitergehen.
Weil das ist alles basiert auf der Hypothese, dass der Markt diese Gewinne oder diese riesen AI-Unternehmen in irgendeiner Form absorbiert.
Also das heißt, dass die Produkte gekauft werden, dass skaliert wird, dass mehr Tokens gekauft werden.
Mit Sicherheit wird das passieren.
Nur über welchen Zeithorizont sprechen wir.
Und meines Erachtens wird es wesentlich länger dauern.
Es wird eine Generation dauern, meines Erachtens.
Und eben nicht innerhalb der nächsten 24 Monate.
Weil wenn du dir anguckst, dass OpenAI nur eine Milliarde Umsatz macht, ist es für diese Bewertungen, für die Userzahl und so weiter, ist es wirklich wenig.
Das heißt, wenn man ein Multiple, sozusagen dieses Umsatz als Bewertung nehmen würde.
Dann käme man auf andere Bewertungen, als wo sie jetzt gerade sind.
Ich meine, ich kann es auch mal wegen 80 sagen, dann sagst du 80 Milliarden, aber wie ist die aktuelle Bewertung?
Ich glaube bei 20 Triaden oder was auch immer.
Wir sagen einfach mal, keine Ahnung, Phantastillarden.
Ich glaube, das ist der richtige Ausdruck.
Die Nullen hinten dran machen eigentlich keinen Sinn oder spielen keine Rolle.
Ich bin raus, ey.
Auf jeden Fall, ich glaube einfach, es wird sich korrigieren müssen, weil die Unternehmen eben so viel noch nicht eingeführt haben und nutzen.
Ja, es wird immer mehr, aber der Wert ist halt, der Business Case, genau was du sagst, der ist halt bei ganz vielen noch lange nicht gegeben.
Ja, ich habe eine Story geklaut von Roland Busch, die erzählt hatte, wie lange der Mensch sich bei den industriellen Revolutionen an die Anpassung oder wie lange er sich Zeit genommen hat, um sich daran anzupassen, zu gewöhnen.
Und wir sind ja ein Konzern, wir sind durch jede industrielle Revolution schon marschiert.
Also als die Dampfmaschine eingeführt wurde, hat der Mensch ungefähr 60 Jahre gebraucht, um sich daran zu gewöhnen.
Als die Elektrizität kam, ungefähr 30 Jahre, habe ich nicht mitbekommen.
Dann kam der Computer, irgendwann Internet.
15 Jahre, also immer halbiert.
15 Jahre hat der Mensch gebraucht, um sich daran zu gewöhnen.
Da kann ich schon so langsam mitreden.
Meine Großeltern, die waren noch lang genug auf der Erde, haben es aber nicht geschafft, sich daran zu gewöhnen.
Die sind nicht mit Computern umgegangen.
Jetzt gucken wir mal auf klassische KI.
Wenn du jetzt weiterrechnest, also industrielle Revolution, KI, Sieben Jahre?
Agentische KI?
Sieben Monate?
Da kommst du als Mensch doch gar nicht mehr mit.
Also weder als Mensch, als Individuum, noch als Mensch in einem Konzern.
Und ich glaube, das wird halt getrieben von den Labs, weil die natürlich in dieser Geschwindigkeit unterwegs sind, wie sie sich selbst auch identifizieren und wie sie selbst mit agentischen Systemen in Interaktion treten, jeden Tag.
Das wird aber in der Geschwindigkeit nicht funktionieren können in Konzernen unserer Größenordnung.
Auf keinen Fall.
Das ist der Unterschied zwischen Moore's und Miller's Law.
Das eine ist exponentielles Wachstum und Menschen verändern sich nur linear.
Also wir können uns vielleicht sieben Zahlen merken am Stück.
Die meisten Menschen können sich sieben Zahlen merken.
Also eine local Telefonnummer sozusagen ohne Vorwahl, die es gar nicht mehr gibt, festnetzt.
Und das andere ist halt more so, das exponentielle Wachstum wie Bakterien am Ende.
Und das Delta zwischen diesen beiden Kurven, wenn du so möchtest, der Hockeystick-Kurve und einer linearen, also einem leichten Anstieg in einer Kurve, das ist natürlich dieses Delta, das gilt es zu schließen.
Aber es ist nicht so einfach, weil wir sind am Ende auch nur...
Subjekte unserer Biologie und können uns gar nicht so schnell weiterentwickeln.
Wir können sicherlich mit AI-Chips, die jetzt irgendwann auf unser Gehirn geklebt werden, vielleicht einen schnelleren Upload machen.
Bandbreite erhöhen.
Aber wir lernen ja nicht nur über reinen Upload, sondern unsere Physiognomie erfordert eine gewisse Interaktion zwischen Gehirn und Mechanik sozusagen.
Deswegen fehlt es.
Spannend jetzt mit dem Vergleich nicht linear beziehungsweise exponentiell zu linear.
Wenn du das jetzt nochmal, also durch Covid haben wir ja gelernt, was exponentielles Wachstum ist.
Sollte wir auch schon vorher gelernt haben.
Ja, viele, aber ich glaube, das ist schon ein bisschen bewusster gewesen.
Wenn du das jetzt natürlich logarithmisch mal aufträgst, dieses nicht lineare exponentielle Wachstum von KI-Systemen und Fähigkeiten zu der menschlichen linearen Anpassung, dann würdest du die menschliche Kurve nicht mehr sehen.
Ja, korrekt.
Das ist unsere Trajektorie.
Das heißt aber auch im Umkehrschluss, dass die AI kann sich auch gerne da irgendwo ganz weit draußen dahin entwickeln und kann da vor sich hin schlau sein.
Aber solange die Menschen sie nicht anwenden, bringt es denen nichts.
So ist es.
Ja, okay, warte.
Also, um jetzt noch einmal kurz zum Schluss zu kommen.
Wo seid ihr, wo steht ihr denn heute?
Das heißt, ihr hattet erst ein zentrales System.
Ihr habt euch damit weiterentwickelt zu einem föderalen System.
Das finde ich super spannend und auch schlau.
bei eurer Größe.
Das heißt, ihr habt multiple Vendoren, was eigentlich für eine Firma wie euch, wenn man sie als Firma sieht oder für kritische Infrastruktur, absolut hilfreich ist.
Und was sind so die nächsten Schritte?
Wo geht es hin?
Es gilt weiterhin, das technologische Fundament so weit anzupassen, dass man sozusagen in die Fläche kommt.
Es geht vor allem darum, auch den Mensch zu begleiten, also die Menschen, diese 220.000 Leute, dass sie gestärkt werden im Umgang mit KI.
Auch mit klassischer KI, mit einem einfachen Chatbot und es kann auch irgendwann agentisch werden.
Das muss jeder für sich selbst auch austarieren, wie weit kann ich, wie weit will ich.
Hier diesen Weg in einer gewissen Zeit auch gehen.
Das heißt, technologisches Fundament muss gesetzt werden.
Wir müssen am Mensch arbeiten und sehr stark in die Befähigung auch gehen.
Das ist für mich ein sehr, sehr wichtiger Punkt.
Ich sage mal, Mensch, mal Organisation, mal Technik.
Technik hast du da, Organisation kannst du ändern.
Aber der kritischste Faktor ist der Mensch und wenn der eben relativ klein ist, wird eben das Produkt auch nicht groß und das ist für mich so der transformatorische Aspekt.
Das heißt, da setze ich aktuell sehr stark den Fokus, um eben auch so im Thema Enablement ein gewisses Fundament, Angebot zu setzen, um auch skalierend ins Enablement zu kommen.
Gerade habe ich sehr großes Interesse daran, auch im Rahmen dessen, dass die DB kritische Infrastruktur ist, mit Informationssicherheit, mit unserem Chief Information Security Officer und mit dem CSERT daran zu arbeiten, wie machen wir uns eigentlich, wie machen wir uns sicher mit KI gegenüber äußeren Angriffen und Angriffsvektoren.
Halte ich für sehr, sehr elementar, auch im Rahmen kritischer Infrastruktur.
sich sehr genau angucken und da sehe ich einen massiven Push in diesem ganzen Informationssicherheitsbereich.
Finde ich großartig, dass da sehr schnell reagiert wird.
Das ist wichtig und letzten Endes geht es mittlerweile wieder verstärkt für mich darum, wie möchte ich eigentlich auch eine Governance für agentische Systeme aufsetzen, umsetzen, die auch funktioniert.
die vielleicht auch nicht funktionieren.
Was kann eigentlich eine Governance dort noch leisten?
Muss ich vielleicht Governance ganz anders denken?
Ich kann ja nicht irgendwie einen Agent bauen, der jetzt produktiv vielleicht auf dem Rechner läuft und ich muss durch alle Governance-Gremien und Prozesse etc.
laufen.
Das wäre nicht mehr skalierend.
Das wäre, als würde jede Excel, die entsteht, durch alle Gremien getragen.
Das ist nicht zukunftsfähig an der Stelle.
Das heißt, wir müssen überdenken, wie gehen wir mit Agentionsystemen und der Governance um.
Setzen wir da einen anderen Maßstab an?
Könnte man überlegen, wenn es ein Enterprise Agent ist, der sozusagen exponiert ist für den gesamten Konzern, ist der Standard sehr hoch zu setzen versus ich habe einen Personal Productivity Agent auf meiner lokalen Maschine.
Da kann ich sozusagen ein bisschen mehr nachlassen an der Stelle.
Das kann ich aber alles nicht alleine verantworten.
Ich verantworte vor allem auch KI-Govonanz.
Datenschutz muss für sich selbst diese Gedanken machen.
Auch mit der Mitbestimmung sind wir sehr frühzeitig, ich glaube letztes Jahr schon, Ende letzten oder im Herbst letzten Jahres, in sehr intensiven Sessions reingegangen, um zu gucken und zu erklären, erstmal educational-mäßig, was sind denn agentische Systeme?
Und das ist jetzt neun Monate oder fast ein Jahr her.
Die Systeme haben sich ja auch in der Zeit wieder weiterentwickelt.
Dann haben wir eben auch hier einen Rahmen gesetzt mit dem Konzernbetriebsrat, wie wir agentische Systeme im Level der Autonomie klustern.
Ein bisschen wie beim autonomen Fahren.
Es gibt bei uns auch Level 1 bis 5.
5 wollen wir nicht, Punkt.
Weil 5 ist, der Agent macht sozusagen ohne einen menschlichen Auftrag selbst irgendwas.
Oder ein Agent, Multiagentsysteme wollen wir nicht.
Wir wollen, dass der Mensch im Fokus ist.
Der Mensch gibt den Auftrag, ganz klar die Anweisung und wird im Endeffekt auch das Ergebnis verantworten.
Und gibt das dann am Ende auch frei.
Zwischenergebnis ist okay, aber da ist bei uns erstmal politisch die Grenze gesetzt.
Und das halte ich auch für gar nicht schlimm.
Weil wenn ich voll autonome Systeme habe, will ich auch privat nicht haben.
Ich will ja nicht irgendwie ein KI-System vor mir haben, das mir in die Augen guckt und auf einmal einen Urlaub auf dem Malediven bucht, weil es gerade dachte, das wäre mein Intent.
Ich fahre hin.
So will ich das nicht haben, inklusive Kreditkartenzugang.
Und entsprechend finde ich das auch total fair.
Und dann ist das eben auch noch ein Package, das ich sehr stark jetzt im Team fokussiere, Fundament, Enablement und eben wieder einen ganzheitlichen Ansatz in der Governance.
zu etablieren oder erst mal sich auch zu überlegen, wie wollen wir damit umgehen in Richtung agentischer Governance und dann auch sehr stark mit Mitbestimmung, Interessensvertretung, Datenschutz, also Architektur, Informationssicherheit, sehr überall mittlerweile KI irgendwie exponiert in diesen Bereichen und entsprechend müssen wir gemeinsam hier einen Kurs setzen.
Ja, okay.
Ja, ich bin gespannt.
Also ich bin gespannt, was bei euch passiert und freue mich quasi, dass ihr da so Vorreiter seid und schon so eine lange Historie habt.
Aber klar, Logistik quasi ist ja auch Teil von Logistik und so weiter.
Ihr habt natürlich sehr reichhaltige und auch viele Daten und da bringt es bestimmt auch Spaß, damit Sachen zu bauen und darauf Sachen zu bauen und so weiter.
Also die Zukunft ist bright, glaube ich.
Ich bin auf jeden Fall gespannt, was da passieren wird.
Und übrigens, neben Bemerkung, herzlichen Glückwunsch zu eurer gelungenen Social-Media-Abteilung.
Ich finde, ihr habt einen fantastischen Ex-Account und einen sehr guten Insta-Account.
Ist immer sehr funny, weil die permanent irgendwelche Dinge, die falsch gelaufen sind, super gut kommentieren und so leicht ins lächerliche Rücken.
Also finde ich gut.
Ich liebe den Humor auch, auf jeden Fall.
Super trocken.
Großartig.
Zum Abschied frage ich unsere Gäste immer nach Buchempfehlungen.
Auch du bist jetzt dran und musst mir ein Buch empfehlen.
Was kannst du unseren Hörern empfehlen zum Lesen?
Mein Lieblingsbuch, Neural Networks for Babies.
Das klingt spannend.
Habe ich meiner Tochter zur Geburt geschenkt.
Ich zeige dir später noch das Bild, weil es sehr einfach auch erklärt, wie die Systeme funktionieren, wo sie auch scheitern können.
Großartiges Buch, schöne Leselektüre, das empfehle ich.
Wow, okay, das finde ich super interessant.
Dann schauen wir uns das mal an.
Also, wir gehen nämlich jetzt zu einem AI-Dinner.
Es dreht sich alles nur noch um künstliche Intelligenz neuerdings.
Und ich wünsche euch ein schönes Wochenende und bis zum nächsten Mal.
Bis dann.
Bye, bye.
Ciao, ciao.