Herzlich willkommen zum AI First Podcast. Heute zu Gast sind Michael Reichel und Johannes Dornheim von der IAV. Und wir sprechen heute über den Einfluss von KI, insbesondere generativer KI im Engineering. Das haben wir in den letzten Folgen noch kaum gemacht. Aber auch da gibt es natürlich riesige Potenziale, eine große Veränderung, die in diesem Jobfeld gerade eintritt. Und nicht nur im... Software Engineering, sondern auch im Hardware Engineering und insbesondere nochmal in der Automobilindustrie, die an unterschiedlichen Fronten vor einem ganz großen Veränderungsdruck steht. Und da freue ich mich total über eure Erfahrungen und eure Reise mehr zu lernen und auch was ihr glaubt, welchen Einfluss KI eigentlich in Zukunft auf eure Branche und die Mitarbeiter in eurem Unternehmen haben wird und wie ihr damit erfolgreich umgeht. Michael, Johannes, schön, dass ihr da seid. Danke. Johannes Dornheim: Dankeschön. Michael Reichel - IAV GmbH: Danke, dass wir da sein [00:01:00] können. Felix: Ja, klasse. Und ich würde euch einfach nochmal kurz die Vorstellung überlassen. Michael, vielleicht magst du einmal anfangen, gerne auch einen Überblick geben. IHV, was macht ihr? Wie groß seid ihr? Wo seid ihr unterwegs? Wer sind eure Kunden? An was für Projekten arbeitet ihr? Und welche Rolle spielt KI darin? Michael Reichel - IAV GmbH: Mach ich super gern. Ich hoffe, ich krieg das auch in der Reihenfolge hin, wo du jetzt gefragt hast. was macht die IAV? Wir sind ein Ingenieursdienstleister, im Automotive tätig. Leute kennen uns nicht, aber viele Leute fahren mit Sachen rum, an denen wir entwickelt haben, äh, an denen wir mit dabei waren. Wir sind sechseinhalbtausend Leute, davon, äh, Fast alles Ingenieure und unser Herz liegt seit 40 Jahren für das Auto. Wir haben angefangen mit Verbrennermotoren. Mittlerweile, und so erkläre ich es immer unseren Kindern, wir als IAV eigentlich so ein komplettes Auto entwickeln, nicht bauen, entwickeln, bis auf Design. Das ist nicht ganz so unser Home-Turf, also wie es außen aussieht. Wir kümmern uns da mehr so um die inneren Werte und um all das, was in der Cloud ist. [00:02:00] Deswegen, wie du schon gesagt hast, Entwickeln, da hat man schon mit der Cloud zu tun. sehr, sehr vielen Themen zu tun. Es ist ein sehr hochkomplexes Fahrzeug oder hochkomplexes System, was am Ende auf der Straße steht. Und insofern hat KI da schon einen ganz großen Einfluss, wie das, wie wir entwickeln und wie wir arbeiten. Aber bevor ich da weiter darauf eingehe, würde ich mal für eine persönliche Vorstellung, glaube ich, mal an Johannes übergeben. Johannes Dornheim: Ja, ähm, ich bin Johannes, ich bin seit 22, äh, Teil der äh, als Teil des IAV Tech Hubs, zu dem ich gleich auch noch ein bisschen was sagen würde. vorher war ich in der, in der KI-Forschung, hab Reinforcement Learning, Algorithmen, äh, äh, Verfertigungsprozessoptimierung und, äh, In Materialwissenschaften. inzwischen im IRV TechHub, wir sind ein interdisziplinäres Team aus KI-Experten, Physikern, Maschinenbauern und unsere Kernmission ist, disruptive Technologien in IRV zu tragen. Und eben [00:03:00] eine Brücke zur zu bilden, aber eben auch Technologien frühzeitig zu entwickeln für die IRV für die IRV nutzbar zu machen. Michael Reichel - IAV GmbH: Okay. Johannes Dornheim: Und klar haben wir aktuell einen sehr starken Fokus auf generativer KI. Und da eben insbesondere, generative KI zur Unterstützung des Engineerings, äh, von Michael Reichel - IAV GmbH: Ja, Johannes Dornheim: Testen über Implementierung bis hin zum Requirements Engineering, Michael Reichel - IAV GmbH: man das schon Johannes Dornheim: äh, betrachten daneben aber eben auch andere Virtualisierungsthemen. mein spezieller Fokus, äh, die Dinge, die ich da vorantreibe, sind, generative KI-Dinge im Requirements Engineering. Felix: Hervorragend, da gehen wir später nochmal tiefer rein und, äh, trotzdem kam mir gerade beim Stichwort disruptive Technologien, ähm, hab ich nochmal an autonomes Fahren gedacht, da entwickelt ihr ja auch mit und, ähm, deswegen ist KI ja wahrscheinlich auch nicht erst mit JetGPT. bei euch auf dem Radar erschienen, sondern wahrscheinlich schon lange ein Thema für euch. Könnt ihr da ein paar Einblicke [00:04:00] teilen, im Bereich autonom fahren, was ihr dort macht? Und mich interessiert natürlich auch, wie weit die Technologie mittlerweile schon ist, denn wie an anderen Orten der Welt, da ist das schon längst gelebte Realität und Praxis. Hier scheint es mir noch etwas zu dauern, bis wir Michael Reichel - IAV GmbH: auch in Felix: uns in ein autonomes Taxi fahren, setzen können. Michael Reichel - IAV GmbH: wenn ich weiß, so unter München gibt es schon das eine oder andere, was man da erleben kann. Ich selber hatte das Glück gehabt, dass ich diese Story mit dem automatisierten Fahren schon seit fast 20 Jahren auch mit begleiten konnte. Ich habe damals bei Audi auch den Staupilot mitgemacht. Und das Thema KI hat damals schon eine Rolle gespielt, aber eine ganz andere als heute. Also wenn wir über generative KI reden. wurde benutzt, um zum Beispiel Verkehrsschilder zu erkennen. Also man hat Umfeldwahrnehmung damit gemacht. Und es gibt ja Hersteller, die postulieren, dass es ausreicht, wenn man nur Kameras ans Auto baut und alles mit Kameras wahrnimmt. Es [00:05:00] gibt viele andere Hersteller, die sich hinsetzen und sagen Nee, das reicht nicht ganz so aus. Wir benutzen auch andere Technologien, die vielleicht. Ganz anders wird das Umfeld wahrnehmen als mit Kameras, also Stichwort Radar und und Laser-Technologien. Und dort hat dann auch schon Einzug gehalten, das Thema KI. Aber mit, nicht generative KI, sondern KI speziell drauf trainiert, bestimmte Dinge zu erkennen im Umfeld. hat darauf trainiert, bestimmte Fahrsituationen auch zu erkennen und daraus abzuleiten, was man macht. Und als ich damals, also ich war viel im Forschungsumfeld tätig und dann in Richtung Serienbegleitung, dass es dann eben auf allen Fahrsituationen immer funktioniert hat und vor allen Dingen so in Richtung Stadt. Das hat uns dann immer so ein bisschen das Genick gebrochen, weil es ja das ist, Da saß man dann da und haben das irgendwie programmiert, was, was wäre, wenn, dann passiert das und so weiter. Und da kommt man natürlich überhaupt gar nicht mehr klar. Und die, die als jetzt generative KI [00:06:00] aufkam, das hat mich schon an damals erinnert. So dieser Unterschied zwischen die ersten Sachen, mit denen man sprechen konnte, also Handy oder Smartphone. Ja, Johannes Dornheim: Good Michael Reichel - IAV GmbH: Plane eine Route nach, und dann musste man genau die Sätze da und genau das Vokabular benutzen, damit es irgendwie funktioniert hat. Und mittlerweile kann man ja einfach sagen, was man will, und das wird auch erkannt, da wird, meines Erachtens, das Thema generative KI noch eine große Rolle spielen. Daten sind auch da, zweite Frage immer, ne. Also sind genug Daten da, die eingefahren wurden. Und die Firmen, die sich in der Vergangenheit damit beschäftigt haben, ihr gesamtes Umfeld mit aufzuzeichnen und das auch abzulegen und das in Masse zu Johannes Dornheim: Theffect. Michael Reichel - IAV GmbH: jetzt natürlich Johannes Dornheim: Yes. Michael Reichel - IAV GmbH: aus diesen Daten relativ gut alle Johannes Dornheim: Okay. Michael Reichel - IAV GmbH: zu trainieren und abzuarbeiten. Ich hoffe, dass es bald auf die Straße kommt. Meine Tochter mag gerade Führerschein. Das ist ein teures Verfahren. Vielleicht braucht die zweite gar keinen Führerschein mehr, weil sie gefahren wird. Ich habe es aber noch nicht [00:07:00] gesehen. haben jetzt sowas großes, trainiertes, generatives Modell da auf der Straße in Serie anbieten, jetzt seit nachkommt. Felix: Ja, ich glaube, Waymo ist ja da vorne mit dabei und hat, glaube ich, die am weitesten fortgeschrittene Lösung aktuell am Markt. Aber kannst du noch mal sagen, was wäre deiner Meinung nach die gute Lösung? generative Komponente in diesem Bereich, weil nach meinem Wissen sind das Computervision-Modelle, die eben genau auf sämtlichen Bilddaten trainiert worden sind und dann hinter der Kamera liegen, die oder vielleicht auch anderen Sensoren oder ähnlichem, die dann neue Bilder aufnehmen und entsprechend darauf mit dem Modell und den dahinterliegenden Regeln auf den Fahrverkehr reagiert. Und das einer der Blocker ist, die Vielfalt der unterschiedlichen Optionen, also was passieren kann im Straßenverkehr, dass das komplex [00:08:00] ist abzubilden und dann die Zuverlässigkeit der Vorhersage des Modells sicherzustellen, was natürlich im Live-Straßenverkehr verheerende Folgen haben kann. Michael Reichel - IAV GmbH: Es sind ja mehrere Schritte, die da passieren. Also so eine Kamera guckt nach draußen. Nehmen wir jetzt mal nur eine Kamera, ne? Also so eine Kamera guckt nach draußen und das Erste, was erstellt wird, ist so eine computerinterne Repräsentation des Umfeldes. Statisch ist das alles okay. Da steht ein Schild und steht 30 drauf und so weiter. Dynamisch wird es dann schon spannender, weil sich ja auch andere Verkehrsteilnehmer bewegen. Und sich auch Bewegung aus sich selbst heraus verändern können. Äh, da hat man bisschen Nachteile im Gegensatz zu Leuten, die sich mit Astronomie beschäftigen. Ähm, da ist die Bewegung relativ klar und vorhersehbar. und, aus diesem Umfeldmodell... muss dann im nächsten Schritt geschlossen werden, wie könnte sich das weiterentwickeln? Und wie will ich mich innerhalb dieses Modells in der Zukunft eigentlich auch weiter fortbewegen? Und das ist schon ein kleiner Blick in die Zukunft. Und [00:09:00] dann muss sich für eine bestimmte Handlung entschieden werden. Und, äh, die muss natürlich dann irgendwann wieder reflektiert werden und, äh, äh, im Zuge dessen werden mehrere, meines Erachtens mehrere Modelle eingebaut. Anfang diese Umfeldrepräsentationen hinzubekommen. Ich glaube, Haken dran, das haben wir auch mit älteren Modellen geschafft. generativ kann ich mir das dann vorstellen, um einfach dieser unglaublichen Anzahl an Möglichkeiten gerecht zu werden und vor allen Dingen aus bekannten Szenarien auf unbekannte Szenarien auch zu schließen. Das ist ja das, was wir auch so ein bisschen live erleben. Wir haben, jetzt kann man das mit Text machen, ja, und wir können ja nicht nur Dinge fragen, die, womit Felix: Okay. Michael Reichel - IAV GmbH: dort trainiert wurde oder womit das Sprachmodell trainiert wurde, es kann ja auch Reasoning betreiben, also selber Schlussfolgerung aus Sachen, die es woanders gelesen hat. Und so würde ich jetzt vorgehen und das wäre meine Antwort. Und die klingt auch gut. Und ich glaube, dass man diesen unbekannten Szenarien einfach herwerden kann. meine Hoffnung. Felix: Okay. Ja, okay. Spannend. Hoffen [00:10:00] wir. ich meine, irgendwie müssen ja auch die Automobilkonzerne und der Staat mitspielen, sich ein Stück weit selbst zu disruptieren. Mal schauen, wie, stark der Veränderungsdruck von außen sein wird und, wie groß die interne Bereitschaft ist. Okay, das ist ein kurzer Exkurs ins autonome Fahren. Das hat mich echt mal interessiert. Aber jetzt wollen wir nochmal stärker auf eure KI-Reise in den letzten zwei bis drei Jahren eingehen. Und nehmt mich einmal mit, was war denn bei euch los? Und wir haben hier oft schon über diesen JGBT-Moment gesprochen, aber es ist einfach spannend, diesen JGBT-Moment in unterschiedlichen Momenten zu erleben. Unternehmen auch mal nachzuvollziehen und dann auch daraus abzuleiten, was das dann eigentlich passiert, weil es ein Katalysator für ganz, ganz vieles war. Was war bei euch los, als JGBT auf den Markt gekommen ist? Johannes Dornheim: Ich kann, äh, gerne anfangen, tatsächlich war relativ viel los. Äh, wir hatten, ähm, im TechHub davor ein halbes Jahr ungefähr, das Thema tatsächlich mit KI, äh, das Engineering effizienter zu [00:11:00] machen. Und haben an Dingen gearbeitet, die eben sehr auf, auf klassischer KI basiert waren, also klassisches Natural Language Processing, semantische Methoden, schon Knowledge Graphen und, äh, erste Transformer-Modelle, wie eben BERT und so weiter zu der Zeit, und hatten eben, äh, Aufgabe damit, das Testen autonomer zu gestalten oder eben das Testen zu automatisieren. Und das war tatsächlich auch ein Stück weit erfolgreich, aber Chet Chibiti und eben der, der Siegeszug von Large Language Models hatte dann da einen sehr, sehr großen Impact. Also eben auch bis dahin, dass wir wirklich große Teile dessen, was wir davor gemacht haben. Und, und, ich glaube, das war eine Erfahrung, die wir geteilt haben mit der Forschung an, über den Haufen geworfen haben und eben dann sehr vieles umgestellt haben auf, Large-Language-Models. und Fetchivity hat dann eben darüber raus auch [00:12:00] dazu geführt, dass eben sehr, sehr große Teile des restlichen Unternehmens, äh, viel mehr Berührung hatten mit KI, mit, ja, der, der Mächtigkeit von KI, äh, Was dann indirekt auch eben dazu geführt hat, dass wir ganz andere Anknüpfungspunkte hatten an einzelne Abteilungen, an einzelne Stakeholder im Unternehmen, weil das Verständnis für KI dadurch sehr stark gewachsen ist auch das Verständnis dafür, was KI kann und welches Potenzial das birgt. Michael Reichel - IAV GmbH: Ja, da kann ich, da kann ich mit ansetzen. Also die Johannes hat aus dem Maschinenraum berichtet, wie das bei uns Ingenieuren los war. Es gab mehrere Momente, glaube ich. Es gab nicht so diesen einen. November 23, also das ist schon eine Weile her gefühlt jetzt, es Global Manager Konferenz von der IAV und da wurde in einer und Nebelaktion, also relativ kurzfristig, wurden allen auf ihre [00:13:00] Handys in Teams die Möglichkeit gegeben, Chat-GPT zu nutzen. Also das war zu einem Zeitpunkt, wo das jetzt nicht irgendwie nur Knopfdruck an und fertig, da musste man auch schon noch Dinge machen. Und als es dann hieß, ihr könnt jetzt alle euer Handy rausholen und ihr könnt damit anfangen, ne, und der eine oder andere hat das schon mal probiert zu Hause auf der Couch oder war irgendwie schon so ein bisschen affiner, andere nicht und dann ging das los und haben das Sachen ausprobiert und da Johannes Dornheim: Okay. Michael Reichel - IAV GmbH: das dann so plötzlich an. Also das war dann so. Da und der, denn der Rest vom Jahr 23 und bis so in den Anfang 24 war dann auch davon geprägt, hey, guck mal hier Nachbarn. Ich habe, wir haben das schon in der Firma, haben wir das schon hier und wir können das nutzen. ich habe das auch. Man hat Familie zum ersten Mal da gezeigt, ne, also was kann man damit machen Felix: Okay. Vielen Michael Reichel - IAV GmbH: man damit Hausaufgaben erledigen oder Felix: Dank Michael Reichel - IAV GmbH: Und das war so die KI für alle, also vor allen Dingen für die Leute, die jetzt nicht im Engineering direkt tätig sind und vor allen Dingen für viele Entscheidungsträger, die ja nicht direkt im Maschinenraum arbeiten, aber [00:14:00] irgendwie auch das Verständnis dafür bekommen müssen, kann das Ding, was kann das Ding nicht. Und da kommen dann natürlich Fragen hoch wie, der weiß ja überhaupt gar nichts über die IAV. Damals, äh, auch Wechselmanagement Felix: für's Michael Reichel - IAV GmbH: haben sie gefragt, wer, wer ist da eigentlich, äh, äh, an der Spitze und dann hat er falsche Antworten gegeben und gesagt, naja, Felix: Zuschauen und Michael Reichel - IAV GmbH: sein, ne, Felix: bis Michael Reichel - IAV GmbH: ja ein Trainingsdatum von irgendwie von vor zwei Jahren oder woher soll er das wissen, ne. Und das war dann so dieser, dieser Startschuss für die Reise, die wir schon öfter mal auch in diesem Podcast auch von anderen gehört haben. Um zu sagen, wir müssen Wissen von unserer Firma dort mit reinbringen und drunter legen, sodass man solche Sachen nachfragen kann und über Projekte nachfragen kann usw. Und das war dann, also das steht auch so nebeneinander, einmal die KI für alle, für den Alltags- und Office-Arbeiten und einmal die KI, über die Johannes gesprochen hat. Wobei ja eine Sache, muss man glaube ich an der Stelle noch erwähnen, wenn wir über KI im Engineering und speziell über fürs Requirements Engineering reden. äh, Audi und [00:15:00] Daimler haben halt Zahlen veröffentlicht. Äh, und das irgendwo zwischen einer halben Million und 600.000 beschäftigen wir uns damit. Und das setzt das gleich Felix: Also das sind Anforderungen, die erfüllt werden müssen, um ein Auto produzieren zu dürfen, herstellen zu dürfen. Michael Reichel - IAV GmbH: die im Entwicklungsprozess, des, äh, äh, all dem, was im Autosum mitkommt, ja, ähm, äh, gemacht werden, das natürlich auch, äh, ist nochmal explodiert, alles jetzt, was, äh, bei dem Thema Software ist, auch bei Define Vehicle, auch ein ganz, ganz großer Treiber innerhalb unserer Branche, dass natürlich viele Features sich jetzt nicht mehr unbedingt unterscheiden, ähm, Ja, wie das Auto aussieht, ist schon noch ein Unterschied, aber welche Funktion es mitbringt, welche Funktion ist im Lebenszyklus updated und upgraded und die Software, die dann auch mitwächst und da explodieren natürlich Johannes Dornheim: Genau, Michael Reichel - IAV GmbH: Anzahl der Requirements nochmal, also ich würde mal schätzen, dass es nochmal höher ist, weil die Zahlen ein bisschen älter sind, das gibt vielleicht ein bisschen ein Gefühl dafür, warum für uns KI in Engineering so eine so eine [00:16:00] große Rolle spielen kann. Und Requirements sind viel textbasiert. hat man all das, diese, diese Macht einer generativen KI oder der der Modelle, die jetzt auch gerade am Anfang losgestartet wurden, kann man ganz gut mit einbringen. Felix: Ja, und da würde ich jetzt gerne mal rein, denn die KI für alle ist, bin ich großer Fan davon. Ich denke, jeder braucht Zugriff darauf. Wir können unsere allgemeine Alltagsproduktivität steigern. Dann gibt es manche Bereiche, in denen es da noch mehr Potenzial gibt als in anderen. Aber richtig spannend wird es ja wirklich dann, wenn wir in unsere Kernfunktion reinkommen, in unsere Wertschöpfungskette und dort ganz klare Chancen identifizieren, die das, was wir tun, schneller und oder besser machen können. Und, ja, vielleicht können wir einmal durch diesen Anwendungsfall gehen, weil ich, also mir fällt es noch sehr schwer zu, zu verstehen, ja, wie arbeitet so ein Ingenieur heute oder hat, hat vor drei Jahren bei euch gearbeitet und wie [00:17:00] kann so jemand heute mit KI ganz anders, arbeiten oder wie haben sich auch die Prozesse dahinter verändert. Und, ja, vielleicht können wir einfach genau mal in diesen Anwendungsfall einsteigen, ja, Johannes. Johannes Dornheim: also da ist eben die Sache, also diese 500 bis 600.000 Anforderungen, die sind ja nicht a priori gegeben, also die stehen nicht da und dann kann man, äh, äh, beginnen zu entwickeln, wir haben ja gerade im Automotive Umfeld, aber auch in vielen anderen Domänen, ähm, recht komplexe Entwicklungsprozesse mit, mit vielen Kontraktoren, Subkontraktoren, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, äh, ä die im Endeffekt auf Ziele einigen müssen. da spielen natürlich Anforderungen, die dann in dem Entwicklungsprozess werden, auch sehr wichtige Basis, weil sie eben genau dieses Vertragsverhältnis, dieses Entwicklungsverhältnis definieren eben auch häufig dann über mehrere Parteien hinweg definiert werden im ersten Schritt. die zweite sehr wichtige Rolle, die Anforderungen spielen, ist eben, dass wir [00:18:00] die Tests definieren, die dann hinten raus im Entwicklungsprozess gefahren werden und im Endeffekt die, den Abnahmeprozess bestimmen. Und wie Michael gesagt hat, im Endeffekt hat man in dem gesamten Prozess Anforderungserstellung bis hin zur Anforderungsabstimmung der Implementierung und dem Testen an jeder Stelle eben mit natürlichsprachlichen Assets. Teilweise ein Stück weit mehr formaler wie Programmiersprachen, Datenbanksprachen. eben an vielen Stellen, gerade wenn es um Anforderungen und Tests geht, Auch mit sehr natürlich sprachlichen Anteilen, um zu tun. Und klar ist das eben ein sehr aufwendiger Prozess, also man spricht häufig davon, auch bei typischen Projekten. Die Definition und das requirement Engineering und das Testing, im Endeffekt anderthalbfachs Aufwand verursacht wie die eigentliche Implementierung. Felix: Okay. Johannes Dornheim: Und deswegen ist das eben ein sehr, sehr guter Match [00:19:00] Durchbrüchen in generativer KI, Sprachmodellen, wo wir eben sehr kleinteilig an welchen Stellen hat man da welchen Hebel, welche Aufwände haben Ingenieure über diesen gesamten Und wo können wir das Leben durch generative KI einfacher machen? Und das ist dann eben vorne, ne, begonnen, wenn man jetzt... über äh, Engineering sprechen, Anforderungsmanagement sprechen. beginnt das Ganze mit der Ableitung von Anforderungen aus, beispielsweise Gesetzestexten, Regularien, irgendwelchen Besprechungsnotizen, die ich, äh, mit meinem Auftraggeber, zum Beispiel, erstellt Felix: Okay. Johannes Dornheim: und geht dann... Endeffekt über eine Qualitätsverbesserungs, Pipeline hin dazu, dass ich dann daraus auch Testspezifikationen erstellen kann. Ich habe eingangs schon gesagt, im TechHub hatten wir im Endeffekt angefangen, hinten in diesem ganzen Prozess, Felix: Okay. Johannes Dornheim: äh, KI Dinge zu entwickeln, [00:20:00] um generative KI einzusetzen. Sind aber sehr schnell zu dem Punkt gekommen, dass eben häufig... Die Anforderungen, die in realen Projekten vorliegen, gar nicht gut genug sind, um wirklich hinten raus Hebel zu haben und viel automatisieren zu können. Und da ist es eben in der Praxis so, dass viele dann von dem Domänen wissen, Projektwissen des einzelnen Ingenieurs abhängt, wie die Tests definiert sind. Und das war dann eine der ausschlaggebenden Motivationen Felix: Okay. Johannes Dornheim: wir uns eben, dem Beginn des ganzen Prozesses, also dem Requirements Engineering, dann sehr stark gewidmet haben. Michael Reichel - IAV GmbH: Du hast gefragt, Felix: Okay. Michael Reichel - IAV GmbH: wie sieht so ein Alltag anders aus? Stell dir vor, du bist in einem Projekt, in dem viele Leute arbeiten, aber das machen wir ja auch für einen Kunden, für ein OEM, also jemand, der Fahrzeuge am Ende des Tages unter seiner Marke auf die Straße bringt. bist in einem größeren Projekt und kriegst schon eine Liste von Anforderungen. Und wenn wir hier von Listen von [00:21:00] Anforderungen sprechen, dann reden wir wirklich von Zehntausenden Anforderungen. aber nicht genug, sondern dann gibt's das schöne sogenannte mit geltende Unterlagen. Äh, in dem der, äh, OEM zusammen geschrieben hat aus seiner jahrzehntelangen Erfahrung, was denn alles auch noch mit berücksichtigt werden muss, damit man das nicht falsch macht. Dann gibt's noch Gesetze. Äh, ich war letzte Woche auf einer Konferenz, und da hat einer offen gesagt, also wir Wir glauben auch nicht, dass ihr das alles lest. Das klappt auch keiner am Ende. Also das ist einfach nicht möglich. Und der erste Schritt wäre schon mal, das alles in eine Form zu gießen, in der man nachher das beim Testing auch berücksichtigen kann. Und diese Form heißt nun mal Anforderungen. Und deswegen heißt es Requirements. Und deswegen muss man die Unterlagen im ersten Schritt anfangen in Requirements umzuarbeiten. Und als wir, als Johannes und sein Team das released haben, wo man sagt, hier hast du eine PDF, Felix: Vielleicht nochmal ganz kurz vorher, wie hat man das jetzt in der Vor-Gen-AI-Welt gemacht? Michael Reichel - IAV GmbH: also in der Vorgene [00:22:00] AI-Welt gab es natürlich auch alles. und, äh, der, der Schmerz begann mit der Angebotsstellung. Also, wir wurden gefragt, äh, dieses zu machen und müssen natürlich auch eine Summe drunter schreiben und, äh, für die Beauftragung, äh, äh, ein entsprechendes Angebot vorlegen. Und da hat man sich einfach mit dem Domainwissen und Leuten, die das schon sehr lange machen, die diese Unterlagen schon kennengelernt haben, äh, und das irgendwie implizit im Hören mitschleppen, Im Gesetz und gesagt, wir haben so eine... Wir haben andere Projekte gemacht. Das Projekt wird ungefähr so lange dauern. Wir werden ungefähr so und so viel Aufwand dafür brauchen. Wir gucken an ganz bestimmte Stellen, ob sich die geändert haben. Da wissen wir, dass das dann dort wehtun kann oder eben nicht wehtun kann. Und dann hat uns das Projekt sowieso noch überrascht, was dann nachher unterwegs noch mit dabei war. und, dieses Wissen und wie dieses System aussieht, entsteht ja auch während des Projektes. Also, du hast vorhin so schön gesagt, man setzt sich ja nicht erst und macht die halbe Million Requirements, und dann entwickelt man, und dann macht man das fertig. Sondern das ist ja ein sehr organischer [00:23:00] Prozess, in dem sehr viele Leute in vielen Firmen Zusammenarbeiten, was dann auch passiert, was es früher ist, auch immer noch, aber man kann mit KI vielleicht ein bisschen besser her werden, dass sich Leute natürlich gedacht haben, wir müssen Dinge ändern. und schreiben das mit rein und kriegen vielleicht gar nicht mit, dass das, was sie dort als Anforderung formulieren aus ihrer Brille, Use Case und der Frosch Perspektive vollkommen richtig ist, aber zu 10 anderen Requirements, die dort mitstehen, konträr läuft oder doppelt sind oder oder wie auch immer, ja, und, um, das Das ist auch was, wo uns dann KI helfen kann. Also ein, ein kontinuierlicher Prozess, in dem unter sehr hohem Zeitdruck Leute, die nicht gerne Requirements schreiben. Also es gibt wenig Leute, die ich in meinem Leben kennengelernt habe, die wirklich gute Requirements schreiben können. Es klingt so einfach, aber ist es nicht, weil es gibt einen sehr formalen Sprache dazu, damit man auch weiß, was heißt müssen, was heißt dürfen, was heißt können, ja. Was jetzt mit logischen [00:24:00] Verundung, also heißt und jetzt wirklich, dass beides erfüllt sein muss oder das. Beides dem, zu der Aussage davor gehört oder, ja, was sind die Worte, die da drin vorkommen? So und dann also jemand zu erkennen, der das wirklich mit Herz an ist eins und der das dann auch noch gerne macht. Ich glaube, das ist unglaublich dünn gesät. Und da kann man den Leuten, das war auch so ein Ansatzpunkt, äh Mittel geben, um das plötzlich qualitativ aufzuwirken. Felix Schlenther: Kurz in eigener Sache. Wenn dir der AI First Podcast gefällt und du mehr spannende Inhalte und hochkarätige Gäste hören möchtest, dann freue ich mich über deine Unterstützung. Mit einer Fünf-Sterne-Bewertung und einem Abo für den Podcast hilfst du uns sichtbarer zu werden und AI First weiterzuentwickeln. Für dich und die gesamte Community. Ich danke dir. Felix: Jetzt ist es ja meistens nicht so, dass wir dann die KI-Zauberkiste haben, wo wir dann eure tausende Seiten Requirements, [00:25:00] Gesetze, reinwerfen und dann purzelt hinten ein perfekter Requirements-Katalog raus, sondern ja doch dann etwas komplizierter. komplexer in der Umsetzung, auch wenn das alles so schön wäre, wenn es so einfach funktionieren würde. Wie sieht denn jetzt euer technisches Setup aus, was ihr aufgebaut habt, um die Kolleginnen genau in diesen Prozessen zu unterstützen und ihnen die KI-Fähigkeiten so einfach wie möglich zugänglich zu machen? Johannes Dornheim: im Endeffekt, was wir machen, ist, wir, wir entwickeln Assistenten. Das sind im Moment, punktuelle Assistenten, eben die beispielsweise Requirements, äh, Qualitätsüberprüfen, äh, schauen, was Michael eben meinte, sind die Dinge konsistent zueinander, gibt's, in deinen tausenden Anforderungen, äh, Anforderungen, die sich widersprechen, und folgen die einzelnen Anforderungstexten den formalen Kriterien, die es gibt. Folgen die Satzbauschablonen, sind die atomar definiert oder kann ich die weiter unterbrechen in Subanforderungen? aber [00:26:00] eben beispielsweise auch helfen Anforderungen aus PDF-Dateien abzuleiten. Und da verfolgen wir im Endeffekt den Ansatz einmal des Assistenz. Also wir haben keine KI, die, die autonom magic Dinge macht. Ich, ich kipp PDFs rein und hab dann ein perfektes Anforderungsdokument, das rauskommt. Sondern. Ende hat der Mensch immer noch die Hoheit und, damit das möglich ist, aber trotzdem effizient gut möglich ist, braucht man natürlich eine sehr gute UI, eine gute UX, um, und da ist eben unser Schwerpunkt, wir entwickeln Web-Assistenten, indem man dann eben direkt im Browser als Ingenieur Kollaboration mit der KI, wobei man als Ingenieur gar nicht unbedingt direkt sieht, wo die KI, äh, genau macht, Aber in Kollaboration mit der KI eben durch die eigenen Anforderungen gehen kann und eben Qualität verbessern kann. Das hat jetzt eben mehrere Anteile. Einmal will ich natürlich Ingenieur auch definieren, [00:27:00] was sind meine eigenen Qualitätskriterien? Also Dinge wie Satzbauschemata und die genauen Regeln sind projektabhängig, Hat aber eben vor allem auch den Anteil, dass ich dann am Ende Vorschläge bekomme. Die ich dann eben absegnen will bzw. je nachdem nochmal korrigieren will und dann am Ende vielleicht auch eine KI haben will, die sich adaptiert an meine Entscheidungen und, aus meinen Entscheidungen lernt. Und unter Ansatz ist da eben wirklich sehr, äh, ein sehr klares User Interface im Endeffekt vor die Sprachmodelle zu packen und im Endeffekt die Komplexität der KI Pipelines und der genauen Prompts und der Abfolge der Prompts und der Entscheidungen, die wir auch ohne LLMs treffen, die, die Komplexität, quasi ein Stück weit Michael Reichel - IAV GmbH: Okay. Johannes Dornheim: dem Nutzer zu verbergen [00:28:00] ihm eben so best practices, zugänglich zu machen und, und eben ne, ne Lösung, die auf Anhieb sehr, sehr gut funktioniert, ohne dass ich mich im Detail mit, mit, äh, beschäftigen muss und, und mit Agenten-Systemen beispielsweise Felix: Hmm. Johannes Dornheim: muss als Nutzer. gute Ergebnisse liefert häufig eben auch bessere Ergebnisse äh, als wenn ich die Dinge jetzt eben einfach einem chatbasierten Ansatz, äh, bearbeite. Felix: Ja, wenn es dann nicht gut funktioniert, ist es ja oft, auch hat man auch oft nicht so viele Versuche, bevor dann das Vertrauen vielleicht auch weg ist. Und also gerade Generative KI-Lösungen müssen sehr schnell sehr gute Ergebnisse liefern, um so eine gewisse Frustration und dann auch die Nutzungsraten schnell hochzubekommen. Wie sehen die denn bei euch aus? Also wie viel Prozent der Ingenieure arbeiten jetzt heute damit, die im Requirements Engineering tätig sind und was erzielen die damit für Ergebnisse? Johannes Dornheim: Wir haben konkret in IAV [00:29:00] aktive Nutzer, über 500 aktive Nutzer inzwischen. sehr großer Anteil ist derjenigen, die in ihrem Entwicklungsalltag mit Anforderungen zu tun Jetzt ist natürlich, die Sache, wir können den Nutzer nicht direkt über die Schulter schauen. wir sehen nicht direkt den, den Effizienzgewinn, den, den einzelner Nutzer hat. wir haben zwei Anhaltspunkte. Das eine ist, äh, wir haben eben gesagt, wir, wir brauchen saubere Datengrundlage, um bewerten zu können. bringt das am Ende? Da haben wir mit einem Partner, Consulting for Drive, AB-Tests gemacht, also repräsentative Tasks. Einmal eine Gruppe von Requirements-Engineers gegeben, die ohne den ohne Devpanion, auf sehr klassische Art die Aufgaben erledigt haben. Und dann eine zweite von Requirements-Ingenieuren gegeben, die eben Devpanion. Also den, den requirements checker an der Hand hatten und war ein [00:30:00] wesentliches Ergebnis, die Effizienzgewinn ist, ist abhängig von der Anzahl der Anforderungen. Also, ob ich mich jetzt mit mit der technischen Lösung beschäftige und mich da einarbeite. Den Hebel habe ich eben, wenn ich hunderte, tausende Anforderungen habe. Noch nicht unbedingt, wenn ich zwei, drei Anforderungen korrigieren will. Das kann ich auch Felix: Okay. Johannes Dornheim: ganz gut machen. Und das sehe ich auch, wenn es Inkonsistenzen gibt, wenn einzelne Anforderungen im Konflikt miteinander sind. Durchschnittlich haben wir da jetzt gemessen, aktuell sind wir bei 25 bis 50 Prozent Reduktion Arbeitslast. beim konkret überprüfen, checken, Qualitätsüberprüfen, Reviewen von Anforderungen. Wir haben andere Funktionalitäten, wie jetzt das Ableiten aus, aus PDFs, wo wir jetzt ehrlicherweise die, so AB-Tests noch nicht gemacht haben. aber da ist auch der Eindruck aus, aus Gesprächen mit, Nutzern, dass das in einem ähnlichen Bereich [00:31:00] liegt. in ungefähr eben ne, ne halbjährung des, des Auffahrens. das ist natürlich eine wesentliche Aufgabe jetzt eben sich die Dinge so weiterzuentwickeln, dass da größere auch noch möglich sind, weil ich glaube, das ist nicht das Ende der Fahnenflange, sondern es gibt eben noch Felix: Okay. Johannes Dornheim: viele Ideen, sehr viele Schritte in so einem Arbeitsalltag, die wir so noch nicht abdecken. Und da sind wir eben in sehr engem Felix: Okay. Johannes Dornheim: mit unserer Nutzerbasis und nutzen so eben auch die Ingenieure, die wir intern haben, um Michael Reichel - IAV GmbH: Okay. Johannes Dornheim: sehr die Dinge weiter voranzutreiben. Felix: Okay, da schließen sich gleich ganz viele Fragen an, vielleicht eine Frage. Habt ihr eine Möglichkeit gefunden, wie ihr die Qualitätssteigerung messen könnt? Weil das könnte ich mir auch vorstellen, weil so vielen Anforderungen, die geprüft, definiert, verbessert werden müssen, dass es da nicht nur den Effizienz, sondern auch einen tatsächlichen Qualitätsgewinn am Ende gibt. Ich finde es [00:32:00] aber immer sehr schwierig, das irgendwie zu quantifizieren. Johannes Dornheim: Also es gibt tatsächlich jetzt aus diesen AB-Tests auch ein Ergebnis neben der Effizienzsteigerung war auch tatsächlich, dass die Insbesondere was, widersprüchliche Anforderungen angeht, tatsächlich Inkonsistenzen gefunden wurden durch die KI, die so in einem menschlichen Review oder eben quasi in der A-Gruppe, die, äh, ohne DevPanel gearbeitet hat, nicht, nicht gefunden wurden. Das heißt, das ist eine recht klar messbare, Qualitätssteigerung. Ansonsten haben wir halt als einen Datenpunkt im Endeffekt die, die, die Nutzerdaten. Also ich habe ja eben gesagt, das sind Assistenten. Ich kann jetzt als Nutzer, die die Korrekturvorschläge und auch die gefundenen Inkonsistenzen Michael Reichel - IAV GmbH: Okay. Johannes Dornheim: akzeptieren oder auch rejecten. Und da messen wir eben sehr genau, in welchen Fällen haben wir da, Quasi welcher Akzeptanzrate, der Vorschläge Michael Reichel - IAV GmbH: Okay. Johannes Dornheim: und das ist natürlich ein sehr guter Anhaltspunkt auch, zumindest um zu [00:33:00] messen, wie erwartungskonform sind die Vorschläge. Felix: habt Michael Reichel - IAV GmbH: entwickelt sich das auch über verschiedene Releases? Also, äh, ich hab so ein bisschen das Gefühl, bei KI, ähm, man ist relativ schnell mit nem Proof-of-Concept dabei. Also kann so Erstergebnisse zeigen und wenn man nicht genau hinguckt, dann, äh, liest sich das irgendwie ganz gut. Und die, äh, ich konnte ja Johannes jetzt schon eine Weile über die Schulter schauen, übers letzte Jahr, viel Zeit ist reingeflossen, diese Qualität eben zu steigern. Also auch mit sowas wie Logiken zurecht zu kommen oder roten Matten zurecht zu kommen und so weiter. Und da hilft so ein, ähm, wir hatten Release A und äh, jetzt haben wir Release B. Wie sind eigentlich die Klickraten? Also wie sind die Akzeptanzraten da? Haben Felix: ihr Michael Reichel - IAV GmbH: Und wenn ja, in welche Richtung? Felix: ja nicht nur Ingenieure, die an Requirements arbeiten oder mit Requirements arbeiten, sondern eine ganze Menge mehr Teams auch und Bereiche. Was sind denn eure Erfolgsfaktoren, um Lösungen für echte [00:34:00] Probleme zu entwickeln, die die Leute auch tatsächlich nutzen und solche Ergebnisse einfahren, wie 25 bis 50 Prozent Effizienz gewinnen in bestimmten Bereichen? Können wir die einmal sammeln? Michael Reichel - IAV GmbH: Ich fange einfach mal an. Also Johannes, du kannst in den im Inhalt arbeiten. Ich werfe mal einen kurzen Blick außerhalb des Ganzen. Ich glaube, das beste Tool ist nix, ohne dass es auch kulturell daran gearbeitet wird, dass die Leute das nutzen. Und da hilft nochmal so eine allgemeine KI, die für alle Nutzer, äh, alle freigeschalten wird. Ähm, dann sammelt man schon mal positive Erfahrungen, weil man eben fragen kann, wie man seine Dienstreiseanträge macht, oder was mache ich, wenn mein Kind krank ist, oder was auch immer. man kriegt eine gute Johannes Dornheim: Uh, Michael Reichel - IAV GmbH: und hat irgendwie so ein Johannes Dornheim: Uh, Michael Reichel - IAV GmbH: gesundes Bild. Um schon mal damit Johannes Dornheim: Okay. Michael Reichel - IAV GmbH: und dann haben wir eine größere KI-Kultur-Story, äh, mit, wir sind bei den Leuten vor Ort, wir haben, äh, relativ kurze Snippets, indem Felix: du Michael Reichel - IAV GmbH: äh, Kollegen Felix: so Michael Reichel - IAV GmbH: wie das funktioniert, [00:35:00] nehmen sie auch teilweise an die Hand und erzählen das, ähm, und, äh, promoten das. Wir haben auch innerhalb der, äh, Innerhalb dieser Session kann man richtig sehen, wenn wir Dinge intern bewerben, dass die Nutzerzahlen so einen kleinen Sprung machen. Aber dann plötzlich doch wieder noch Leute erreicht wurden, die vorher das nicht genutzt haben. Also das Thema Kulturarbeit und das Thema Promoten Felix: paar konkrete Michael Reichel - IAV GmbH: das halte ich für Felix: Maßnahmen, Michael Reichel - IAV GmbH: extrem wichtigen Faktor. Da fließt auch innerhalb der ERV signifikante Mittel rein und nicht nur an die Features. Felix: die ihr Michael Reichel - IAV GmbH: wir hatten... Letzte Woche, ähm, hatten wir, ähm, Maßnahmen wie, also was besonders gut Feedback bekommen hat, ähm, sind so Viertelstunde bis 20 Minuten mittags, kriegt auch jeder in den Kalender reingenagelt, ähm, und, und kann er, äh, ablehnen, muss auch nicht, auch, auch nicht hinkommen. Man muss nicht irgendwo aktiv hingehen [00:36:00] und und sich da drauf hören, sondern da ist was und dann wird es gezeigt und da sind nicht nur hier. Guck mal, das ist dieses Tool, sondern da sind auch Leute von unserem Rechtswesen da, die mal erklären. Ja, wie sieht das eigentlich richtig auch? haben ja auch arbeiten viel mit Daten von Kunden und so weiter. Also wie funktioniert das eigentlich? Wo? Bin ich da jetzt sicher oder bin ich nicht sicher? Und dann kommen auch mal Leute aus dem Marketing und erzählen, wie sie das einsetzen. Das sind so Felix: da Michael Reichel - IAV GmbH: Erfolgsfaktor gewesen, von dem ich auch von über Dritte dann wieder gehört habe, dass der ganz gut angekommen ist. Bis hin zu Sessions vor Ort, die auf unten unterschiedliche Nutzergruppen zugeschnell ausgerichtet waren. Eben Nutzer von zum Beispiel, bei uns heißt das Tool DevPengen, also von Nutzer, die dieses Engineering AI benutzen. Bis hin zu... Mit unserem Top Management, um die auch. Ganze in die Hand nehmen sollten. Weniger das Thema Requirements, aber mehr KI und Felix: die besonders gut funktionieren? Michael Reichel - IAV GmbH: um, um einfach auch das Verständnis zu [00:37:00] wecken, was geht, was geht nicht, selber auszuprobieren und das auch zu treiben. Also von dieser Seite. Und ich habe eben gesagt, bis letzte Woche, also wir haben jetzt nicht plötzlich aufgehört, sondern ganz im Gegenteil, wir haben letzte Woche nochmal draufgesetzt, weil es gab so ein kleineres Team, was sich um diese Kulturarbeit gekümmert hat. Um, und jetzt haben wir das um ein AI-Mentor und, und, äh, Strategenetzwerk erweitert. Um, da sind wir 80 Leute, die speziell zum Auf, äh, zur Aufgabe haben. Also ich bin zum Beispiel auch ein AI-Mentor für, äh, die, die interne IT bei uns. Zu den Kollegen nochmal zu gehen, ähm, die, wir, wir wissen ganz gut, welche Mittel und Methoden wir haben. zu gucken, welche Use Cases haben sie und das zusammenzubringen, weil ich hab, also meine Erfahrung ist, Viele Leute sehen Use Cases nicht, weil sie nicht wissen, was die, was, was, was funktioniert eben nicht funktioniert. Und wenn sie einen Gruppenvorstand haben, was funktioniert, auch noch so ein kleines Guiding. Also nutzt du jetzt eher das Tool oder nutzt du eher das oder was, was wählt in deinem Use Case das Beste? Und dort nochmal wirklich jetzt in die, in die [00:38:00] Breite zu kommen, auch in spezifischere Use Cases Felix: Johannes, was Johannes Dornheim: Ich glaube, ergänzen und anknüpfen daran, eben zwei Dinge, die, die das Kulturprogramm mit sich bringt, das, das eine ist, wir haben eine recht breite interne Nutzerbasis und, äh, wir haben eben auch Nutzer in IAV, dadurch, dass wir eben, ne, bei, bei IAV die, die Domänexperten haben und die haben, äh, die auch bereit sind, äh, Die Dinge, die wir entwickeln, sehr früh einzusetzen und zu nutzen. Und das ist im Endeffekt auch unser Ansatz, dass wir neue Ansätze, neue Funktionen sehr, sehr früh in die Mannschaft bringen, um eben das Domänenwissen, das es über IRV verteilt gibt, einzusammeln. Und dann bei uns auch sehr zielgerichtet, feedback getrieben, zu können. im Endeffekt, nen. Wir sind ein Haufen von KI-Experten im Wesentlichen, wissen was geht. [00:39:00] Äh. Aber wir müssen eben auch viel Wo die Needs sind und wo die eigentlichen Wünsche sind. Und das ist ein Felix: sind aus deiner Sicht Johannes Dornheim: dass wir da eben auf eine sehr breite, offene Nutzerbasis zurückgreifen können, mit denen wir auch sehr, sehr direkt kommunizieren können. Und Felix: die Johannes Dornheim: sehr Felix: Erfolgsfaktoren? Michael Reichel - IAV GmbH: Ja. Johannes Dornheim: im Endeffekt abstimmen können, wenn es um das Domänenwissen geht. Zweite, was auch Hand in Hand geht mit dem Kulturprogramm ist, wir hatten sehr früh ein sehr klares Commitment von der C-Ebene, von den Top-Entscheidern, die es gibt in IAV, weil natürlich, wir sprechen von 2022 irgendwie, EU-AI-Act war noch in der Felix: Ja. Johannes Dornheim: sehr viele Felix: Bis Johannes Dornheim: die, die Felix: zum Johannes Dornheim: dem gesamten Thema AI Felix: nächsten Mal, Johannes Dornheim: und gerade, wenn ich IAV vergleiche mit anderen Unternehmen, gab's da schon viele Stellen, wo Dinge sehr, sehr lang verzögert wurden, weil im Endeffekt die, die, die Kultur war erst, Wirklich [00:40:00] jedes Bedenken abzubauen, bis man eben beginnt, den ersten Schritt wirklich technisch zu tun. wir hatten da das Glück und meiner Meinung nach auch einen riesen Erfolgsfaktor, dass eben bei uns die Unternehmensführung sehr, sehr früh sich klar committet hat zur KI. Sehr früh gesagt hat, das ist ein sehr, sehr wesentlicher Hebel, der wird wichtig für uns sein in ein paar Und uns da eben auch Freiheit gegeben hat. hat Schritte frühzeitig zu gehen, auch beispielsweise, bevor ein EU-AI-Act, äh, verabschiedet wurde. Was dann nicht bedeutet, dass wir die Dinge nicht auch sehr, sehr akribisch, äh, uns, uns angeschaut haben und, und berücksichtigt haben bei der Entwicklung. Aber trotzdem konnten wir eben mit Prototypen und, und frühen Stadien, äh, eben schon sehr frühzeitig loslegen, Michael Reichel - IAV GmbH: hab so einen Macher-Moment, Felix. Also, immer wieder, wo man gesagt kann, wir machen, wir machen das jetzt einfach. äh, eine Aussage ist mir auch noch gut im Kopf, das ist so versinnbildlich. Man kann sich hinsetzen, hinstellen und fragen, was darf ich alles? Und dann also seinen Zaun bauen und dann versuchen, innerhalb [00:41:00] dieses Backgrounds das zu machen. Wir haben das umgedreht. Wir haben gefragt, was dürfen wir nicht? Und dann versucht innerhalb dieses doch größeren Raums meistens anzufangen. Und wir Felix: hau Michael Reichel - IAV GmbH: dass wir durch diese Bebo, also Felix: rein! Um, Michael Reichel - IAV GmbH: und AI die Leute mitzunehmen und das Commitment von der C-Ebene und diese Kulturarbeit, sehr viel, Felix: Um, Michael Reichel - IAV GmbH: ja, Zutrauen der Nutzer haben. Also es ist, die verzeihen uns auch, glaube ich, mehr als in anderen Firmen, weil wir eben sagen, wir gehen damit lieber früh zu euch und fragen euch, was alles nicht geht oder Felix: Untertitel Michael Reichel - IAV GmbH: und kommen dann wieder, als zu Felix: der Michael Reichel - IAV GmbH: das Felix: Amara.org-Community Michael Reichel - IAV GmbH: zu, ganz undeutsch eigentlich, äh, das fertige Tool zu bauen und dann zu euch zu kommen und dann zu merken, dass es trotzdem nicht funktioniert. Und ich glaube, das ist so ein, auch so ein Felix: Okay, dann fasse ich mal zusammen. Also machen Michael Reichel - IAV GmbH: Erfolgsfaktor. Felix: Nummer eins mit Unterstützung, idealerweise vom Topmanagement, um einen Rahmen zu [00:42:00] haben, in dem man arbeiten und schnell Entscheidungen treffen kann. Nutzer zentriert entwickeln. Ja, am Ende muss es irgendjemandem nützen und das Feedback schnell mit einzubeziehen und weiter zu iterieren. Ja, und dann Awareness schaffen durch unterschiedliche Formate. Euer Kulturprogramm finde ich da ganz spannend. Mentorennetzwerk hatten wir auch schon in anderen Folgen. Multiplikatoren schaffen die. Bock haben, das Thema Verstehen in ihre Bereiche tragen Abschließend möchte ich gerne noch wissen, wie es bei euch weitergeht. Also ihr seid jetzt an einem Punkt, wo ihr verschiedene Assistenten für Kernbereiche entwickelt habt. Ihr macht KI über die Organisation nutzbar, ihr habt die ersten Ergebnisse eingefahren. Da ist noch total Potenzial nach vorne raus. Parallel schmeißen uns Google, OpenAI, Microsoft und Co. jede Woche irgendwelche neuen Möglichkeiten vor die Füße und wir müssen schauen, was wir daraus machen. Bis zum nächsten Mal. Tschüss. Wie geht's bei euch weiter auf dieser Reise? Was steht an? Michael Reichel - IAV GmbH: Wir [00:43:00] in die Zukunft, also mehrere Jahre wäre für mich schon, dass der Punkt, dass man das Umdrehen das Denken, also nicht von Mensch, Artefakt zu Mensch, Artefakt entlang dieser Entwicklungsseite gehen und irgendwie uns immer wieder selber etwas hinwerfen, Requirements, Verfeinertes, Requirements und Technikspezifikationen Johannes Dornheim: ne. Michael Reichel - IAV GmbH: so weiter, um das ausleiten in Bildern, Johannes Dornheim: Ich glaube, da, da kann Michael Reichel - IAV GmbH: sondern dass wir Johannes Dornheim: man auch ganz gut das Bild Anfang Michael Reichel - IAV GmbH: von Johannes Dornheim: aufgreifen, ne, autonomes Michael Reichel - IAV GmbH: Engineering Johannes Dornheim: Fahren. Michael Reichel - IAV GmbH: indem die KI dazu benutzen, auch Agentensysteme und dieser Komplexität herzuwerden und andersrum gefragt werden. Also so wie wir heute beim requirements gefragt werden, ist das schon der Vorschlag, den du annehmen kannst. Ja, aber das kann man sich auch noch ganz andere Sachen denken und das auch so ein bisschen im Kopf zu verwischen und es quasi die die Denkweise umzudrehen. Das würde ich mir wünschen. Kurzfristig. Wir haben jetzt hier komplexere Workflows. eingerichtet, die wir auch so ein bisschen fürs Engineering versteckt haben vom Nutzer, weil es der Workflow selber gar nicht so relevant ist, sondern das Ergebnis, dass äh, unter der Haube arbeiten wir schon an Agentensystemen, nutzen auch das MCP-Protokoll, das jetzt noch so ein bisschen durch [00:44:00] die, äh, äh, Leste geht, LinkedIn und Co. Um, und merken auch, dass Early Adopters unserer Kunden drüber nachdenken, diese Agentensysteme auch über Firmen hinweg zu denken. Also, ich kann ja als, äh, auch sagen, hey, ihr müsst mir nicht nur Zugang geben zu dem einen oder anderen Mitarbeiter, den ich fragen kann, sondern gebt mir auch Zugang zu dem einen oder anderen Agenten, der eben in eurer Arbeit, äh, das durchsuchbar machen kann und mir Infos darüber gibt, äh, was da eigentlich der Stand ist und auch das, was ich gerne mit beitragen möchte dort reinführen kann. Johannes Dornheim: Eben, ihr habt darüber gesprochen, autonomes Fahren, wann ist es in der Endstufe im Endeffekt in Deutschland möglich? Aber was es da ergibt, ist, äh, im Endeffekt in der EU auch ein sehr abgestuftes System von, äh, automatisierten Fahren, die, die Vorstufen des autonomen Fahrens sind. Und ich glaube, im Engineering kann man das recht ähnlich [00:45:00] sehen. Das große Zielbild ist der autonome KI-Ingenieur. Und wir im Moment haben, ist eine Vorstufe davon, die einen menschlichen Ingenieur eben an sehr, sehr vielen Stellen unter die Arme greift, ihn effizienter macht, am Ende trifft jede Entscheidung der Mensch. Und das ist eben eine erste Automatisierungsstufe und ich glaube es gibt, und das ist eine langfristige Roadmap, eben viele Stufen, die oben drüber liegen oder die eben zwischen dem wirklich autonomen KI-Ingenieur und der aktuellen Ausbaustufe liegen und Agentensysteme sind jetzt natürlich eine sehr, sehr aktuelle Möglichkeit, eben mehr Entscheidungskraft der KI zu geben und, und ein Stück weit, äh, äh, äh, die, die Dinge auf eine nächste Stufe zu heben. Felix: Da wird es hingehen. Und ich bin echt gespannt. Das zeigt nochmal, wie groß der Einfluss in so vielen Bereichen ist. Sehr spannend von euch mal zu verstehen, wie so ein [00:46:00] Ingenieursalltag aussieht, was es auch für Herausforderungen gibt. Und das ist jetzt natürlich speziell auch für euch als Unternehmen, um zu, zu, zu sehen, was ihr für Lösungen entwickelt habt und wie ihr die in den Arbeitsalltag integriert und auch so ein paar Zahlen dazu zu bekommen. Und ja, ich glaube, da wird nach vorne raus noch viel mehr gehen. Und ihr habt, wie es scheint, ein super Fundament dafür geschaffen. Und danke, dass ihr eure Erfahrungen hier geteilt habt und bis zum nächsten Mal. Michael Reichel - IAV GmbH: nächsten Mal, lieben Dank. Johannes Dornheim: Dann, vielen Dank für die Einladung.