[00:00:00] Herzlich willkommen zum AI First Podcast. Gibt es einen Blueprint, wie man erfolgreich eine Daten- und KI-Organisation aufbaut? Und wenn ja, wie sieht der aus? Das wollte ich von Claudia Pohling wissen. Claudia hat eine ganz beeindruckende Karriere im Daten- und KI-Umfeld gemacht, war viele Jahre bei der Telekom, war bei der Deutschen Bahn für KI-Themen verantwortlich, ist mittlerweile Director Data und AI bei FIEGE, hat viel gesehen. Und hat in dieser Folge ihre Erfahrungen geteilt und erklärt wie sie vorgehen würde, wenn sie nochmal von Grund auf eine Daten- und KI-Organisation aufbauen würde. Das Ganze sehr, sehr pragmatisch. Ich wünsche viel, viel Spaß bei dieser Folge und freue mich auf dein Feedback. Claudia, schön, dass du heute da bist. Lieber Felix, es ist mir wirklich eine besondere Ehre, bei dir zu sein. Das [00:01:00] lässt mein Herz höher schlagen. Und ich würde gerne erst mal noch ein bisschen was über dich herausfinden und lernen. Denn du kommst ja eigentlich aus dem Marketing und Marketing auch teilweise im Sales unterwegs gewesen und hast ja dann doch schon eine große Karriere im Daten- und KI-Bereich gemacht. Aber wie kam denn der Schritt damals aus dem Marketing und Sales in die Datenwelt? muss ich ein bisschen früher anfangen. Mutter war Programmiererin und Unternehmerin und mein Vater Mathematiker. Und wenn du das erst mal so hörst, dann könnte man ja meinen, alles klar, der Weg ist vorhergesagt, weil da wurde einiges in die Wiege gelegt wie zum Beispiel auch Zahlenverständnis.  Und... Ich wollte unbedingt was anderes machen, wie so oft. Also man sagt, man möchte was ganz anderes machen als seine Eltern, man rebelliert. Und ursprünglich wollte ich mal in den Tourismus gehen oder Ärztin werden. Das hatte alles was mit der Vergangenheit zu tun. Im [00:02:00] Osten, weißt du, wo ich ja aufgewachsen bin. Und dann kam alles ganz anders. Und ich habe dann BWL studiert, richtig schön klassisch. Und da hat mich dann das Marketing gereizt. Aber definitiv ist Marketing und auch Sales sehr zahlenlastig. Analyse oder Datenanalyse hat sehr schnell Einzug gehalten im Marketing und Sales. Also ich habe mich zum Beispiel, als ich bei MTV gearbeitet habe, auch mit Kundenbindungssystemen also CRM-Systemen beschäftigt Und das ist natürlich auch saleslastig Und ich kam aber aus dem Trade-Marketing. Also das ist immer sehr stark verbunden gewesen. Und ich habe dann festgestellt, also Marketing wird viel performance-lastiger. Und eben analytischer und dadurch ist dann der Weg in die Richtung gerutscht. Und was hat dich daran fasziniert an den Zahlen, Daten und Fakten? Denn ich kenne es aus meinem Studium noch so, dass diejenigen, die sich dann für den Marketing-Schwerpunkt und dann auch Marketing-Einstiegsrollen interessiert haben, eher interessiert waren an so diesen Brand-Themen, eher an den kreativen [00:03:00] Themen. Also eher nicht das Performance- und Daten-Zahlen-Getriebene. Ja, das stimmt. Ich bin, glaube ich, auch an der einen oder anderen Stelle lieber kreativ, aber nicht im Design, also in diesem Brand. Also wo es dann wirklich darum geht, irgendwie so eine Marke vielleicht auch zu designen oder ein Logo zu kreieren. Tatsächlich in meiner Diplomarbeit, ich habe damals noch Diplom geschrieben, habe ich auch eine Analyse gemacht mit SPSS. Also ich glaube, ich habe mit SPSS gearbeitet, als es gerade erst auf den Markt kam. So alt fühle ich mich schon. Nein, Spaß. Und das heißt, mir hat es super Spaß gemacht, da Zahlen reinzukippen und zu gucken, was dabei rauskommt. Also auch wirklich eine Zufriedenheitsanalyse mit Zahlen zu analysieren. Und das, wie gesagt, war schon damals so. Also Research gehört ja auch mit zu Marketing, also User Research und generell Research. Das heißt, das fand ich schon immer auch sehr spannend, weil ich finde, da muss man anfangen, im Marketing. Und tatsächlich ist auch Statistik bei mir auf dem [00:04:00] Zeugnis der Fächer, wo ich ganz gut war. Und VWL zum Beispiel habe ich vorher abgekackt. Okay. Also, weißt du, wahrscheinlich war es schon immer da. Okay, da gehen wir gleich nochmal genauer drauf ein. Vorher noch eine persönliche Frage. Und zwar ich, als ich durch dein Lebenslauf und dein LinkedIn-Profil gegangen bin, ist mir aufgefallen, dass du Co-Founder von der langen Nacht der Start-ups bist. Und ich erinnere mich noch daran, wie ich, als ich hier nach Berlin gekommen bin und auch im Start-ups immer gearbeitet habe, jedes Jahr zur langen Nacht der Start-ups gegangen bin und es immer ein total cooles Event fand. Und vielleicht kannst du doch mal erzählen, wie es dazu gekommen ist und wie da so die Anfänge waren. Erstmal finde ich es total cool, jemanden zu treffen, der das auch kennt und der quasi da auch regelmäßig zu Gast war. Ich habe bei der Telekom ja im Innovationsbereich gearbeitet und im Innovationsbereich haben wir uns eben auch mit diesen zukünftigen Trends beschäftigt und Data Analytics war definitiv [00:05:00] einer der Trends, eben auch Security oder eben auch Quantencomputing oder 6G. Das heißt, waren alles Themen, an denen wir in der Telekom gemeinsam mit der Wissenschaft gearbeitet haben. Und wir haben irgendwann auch gesagt, um eine gewisse… Authentizität zu haben, ist es ganz hilfreich, sich auch mit der Startup-Welt stärker zu verknüpfen. Und die Idee war dann, aus den ganzen Projekten auch Startups auszugründen und zu probieren also U-Boote zu starten, die nicht so in so einer Telekom-Welt irgendwo in der Abteilung vergammeln, sondern die eben eine Chance haben, auch Marktreife direkt gleich zu verproben. Das heißt also, es gab dann so ein 10x10-Programm zehn Startups sind gegründet worden und die hat man auch mit richtig ausgestattet also mit Geschäftsführern und mit Teams und so weiter. Damit das eben also authentisch auch rüberkommt mit so einer Startup-Welt haben wir [00:06:00] dann die Lange Nacht der Startups erfunden. Also dieses Ökosystem aus einem großen Konzern, aus VCs, also Verknüpfung von Finanzierung mit unseren eigenen Startups, die wir dort auch ausgestellt haben, bis hin zu eben auch eine Plattform bieten für andere Startups, um die auch zu uns reinzuholen. Und tatsächlich war ich da die ersten zwei Jahre sehr stark beschäftigt dieses Event auf die Beine zu stellen. Und also schöne Geschichten sage ich dir. Also das erste Mal, als wir das organisiert haben, wussten wir noch nicht so richtig, wie der Ansturm sein wird. Und wir hatten dann riesige Schlangen vor der Hauptstadtrepräsentanz der Telekom. Das war wirklich wie in den besten Clubs in Berlin. Und wir mussten das irgendwie handeln. Aber es war eine sehr, sehr coole Zeit. Ja, also ist ja dann auch recht... Es größer geworden und sehr, sehr cool. Also habt ihr gut gemacht. Du hast jetzt schon gesagt, du warst bei der... Die Telekom später dann noch bei der Deutschen Bahn, bis heute bei Fiege für die Daten- und KI-Abteilung oder den gesamten Bereich [00:07:00] verantwortlich, hat das vorher auch die Abteilungen den Unternehmen, teilweise bei der Telekom und CT-Labs, verantwortet. Und was hat sich denn in den letzten 15 Jahren, wo du in diesem Bereich unterwegs bist, an Themen verändert oder wie haben sich die Themen verändert, mit denen du dich in diesen Zeiten beschäftigt hast? Weil man könnte ja annehmen, dass es KI jetzt erst seit zwei Jahren gibt, aber hast ja vorher schon viel gemacht.  sich so die Zeiten und die Themen bei dir verändert? Ist das jetzt deprimierend wenn ich sage, fast nichts? Also, das Lustige ist, ich habe heute Morgen... Noch mal eine Studie rausgesucht, die wir 2013 bei der Telekom mit Handelsblatt Research gemacht haben. Es ging darum, was Daten wert sind. Und es ging auch um das Privacy-Paradoxon weißt du. Und ich denke, das ist ein Thema, das hast du heute immer noch. Ja verrückt Also ich meine 2013, das ist ja zwölf Jahre her. Und ich glaube, das war schon davor auch ein Thema. haben [00:08:00] 2016 auch schon ein Chief Data Office aufgebaut bei der Telekom. Und das ist ja schon auch echt eine Zeit her mit den gleichen Themen. Also Governance, Architektur, also alles das, was man heute immer noch so hört, gab es also auch schon damals bei einer Telekom, also einem relativ großen, eigentlich angestaubten Unternehmen. Heutzutage muss ich dir gestehen dass die Telekom viel, viel moderner und digitaler schon ist, als manch einer glaubt. Und auch schon viel, viel früher sich damit beschäftigt hat, zum Beispiel auch mit Spracheingaben. Also das... Sprache so eine große Rolle spielt in der Bedienung. Also der CEO der Telekom hat sich sehr schnell auch Reverse-Mentoring und hat also mit jungen Digital Nerds eben diese Trends auch diskutiert und hat dadurch dann auch einen Fokus darauf gelenkt. Also dass Sprache als [00:09:00] Bedienung in den Fokus kommt, so wie das heute halt einfach mal überall der Fall ist. Also dieses Bedienverhalten von jungen Leuten, die halt eben nicht mehr sondern eben Sprachnachrichten aufzeichnen oder eben auch das Handy anders halten und so, das sind halt Sachen, die hat eine Telekom schon sehr früh erkannt.  Was aber allerdings jetzt dazugekommen ist, ist eben alles rund um Gen-AI. Das hat nochmal einen extremen Push reingegeben in die ganze Diskussion. Wir haben immer von ABC gesprochen, also warum generell KI jetzt auch so einen Hype erlebt in den letzten Jahren. ABC steht für Big Data und Computational Power. Also wenn das zusammenkommt, ist halt Musik. das wird ja immer besser. Also die Algorithmen, die sind frei verfügbar. Also man braucht ja heute nicht mehr alles selber irgendwie basteln, sondern es gibt ja inzwischen auch Datenbanken für Algorithmen. Big Data, also es gibt immer größere Datenmengen. Das steigt weiterhin [00:10:00] exponentiell an und die Computational Power genauso. Und wie gesagt, das haben wir in 2016 schon aufgemalt, meine damaligen Kollegen und ich, und haben das damals immer schon auch so versucht, so rüberzubringen damit man es sich gut merken kann, dieses ABC. Also insofern ist es, wir reden seit vielen Jahren über die gleichen Themen und kriegen genauso wie auch alle anderen Technologien dann so einen Hype durch so eine technologische Entwicklung, wie das jetzt bei Gen AI der Fall ist, wobei es ja eben Fluch und Singen ist. Muss ich ganz ehrlich gestehen. Ja kommen wir am Ende nochmal drauf zu sprechen, über den Flug und Seg und wie du so auf die Zukunft blickst. Ich würde aber gerne nochmal in die Zeit bei der Deutschen Bahn reingehen, denn das muss ja total faszinierend sein. Also da gibt es ja wirklich sehr, sehr viele und viel Optimierungspotenzial auf der anderen Seite und irgendwo auch physische Limitierungen, die man trotz bester Algorithmen und [00:11:00] Forecasts in jeglicher Form nicht überwinden kann. An was für Projekten habt ihr da gearbeitet und wie habt ihr KI damals bei der Bahn eingesetzt, von dem, was du teilen darfst? Also es gibt viele Aktivitäten Dezentral in der Bahn, die sich mit KI Anwendungen beschäftigen und auch bereits wirklich In Placer. Also das Beispiel finde ich immer, wenn man mit einem ICE fährt und man hat auf dem Rücksitz dort so einen QR-Code, da wird ja nach dem Kundenfeedback gefragt. Also die Auswertung dieser Kundenfeedbacks findet schon mithilfe von KI statt. Ja sogar im Best Case, dass die Auswertung sehr schnell erfolgt und man auch schnell darauf reagieren kann. Also sogar während der Fahrt. Also ob das die Reinigung einer Toilette ist an einem Bahnhof, wo man vielleicht länger hält oder ob es darum geht, dass einer sich beschwert hat, weil der Kaffee kalt war und man ihm noch einen zweiten Kaffee bringt. das [00:12:00] heißt, es gibt viele gute Anwendungsfälle in der Bahn, die, Ruf der Bahn Der Bahn ist sowieso schlechter als Bahn selbst. Und das, was wir gemacht haben. Wir waren zentral als Einheit aufgehängt und haben uns mit diesen, also ich finde ja generell Daten und KI-Themen müssen und dezentral zusammenpassen. Also das heißt, du musst ein Wachstum zulassen aber zentral Koordinationsrolle oder Funktion, also einen Überblick. mein Ding zum Beispiel die Daten oder einen Überblick über Ownership oder einen Überblick über Tools oder einen Überblick über Regularien. Es muss einen Ort geben zentral, der sich zum Beispiel dann um so Themen wie Data Act oder AI Act kümmert oder auch Gremien aufsetzt, in denen sich die Datenverantwortlichen, die dezentral unterwegs sind eben auch austauschen Oder der auch dafür sorgt, dass Use Cases nicht doppelt gebaut [00:13:00] werden. Also das gilt bei einer Telekom übrigens genauso wie bei einer Bahn. Nur der Unterschied ist, hast eben bei einer Telekom Use Cases immer sehr homogene Anwendungsfälle bzw. Probleme, weil du hast Ländergesellschaften und alle haben den gleichen Geschäftszweck. Es geht immer entweder um Telefonie Internet oder Smart Home oder so. Bei einer Bahn, wenn du da dezentral drauf schaust, dann sind die Geschäftszwecke sehr verschieden. Also eine DB Energie und eine DB Fernverkehr und eine DB Infrago haben einfach völlig verschiedene Also eine DB Infrago kümmert sich um die Strecke oder um die Bahnhöfe und um das Netz, um die Infrastruktur, um den Fernverkehr und die Energie ist eigentlich vergleichbar mit einem Energieanbieter also einem Energielieferant. Und das ist halt bei den Use Cases dann nicht ganz so adaptierbar. Also das [00:14:00] heißt, da ist es dann sehr heterogen und das ist etwas, was man auch wissen muss, wenn man darüber nachdenkt etwas zentral zur Verfügung zu stellen oder eben auch Use Cases zentral zur Verfügung stellt. Ob das jetzt eine Use Case Plattform ist oder eine Datenplattform oder ein Datenmodell oder alles, was man da so vorhat, zentral muss man sich wirklich Gedanken machen, wie sieht eigentlich deine Unternehmenslandschaft aus. Okay, jetzt hast du schon ein paar super spannende Themen angesprochen, zum Beispiel wo Daten und KI eigentlich aufgehangen sein muss. Und genau darum geht es ja jetzt heute in unserem Podcast. Ich habe mir vorgenommen, den Claudia Pohling Daten und KI Blueprint aus dir herauszubekommen und zu erarbeiten. Denn wir sind ja in einer Zeit, wo du hast jetzt die ganz großen Unternehmen, mit den größten Unternehmen aus Deutschland gesehen bis jetzt bei Fiege. weiß gar nicht, ob Fiege jetzt noch Mittelständler ist oder nicht, auch wenn auf jeden Fall ein ziemlich großer und viele andere [00:15:00] Mittelständler sind. Haben ja erst vor wenigen Jahren angefangen sich wirklich mal mit Daten und KI zu beschäftigen. Der Fortschritt ist oft auch noch eher überschaubar und noch mehr stehen ja eigentlich noch vor dem Weg und ganz, ganz am Anfang keine Datenkompetenz im Haus, keine KI-Kompetenz Haus und werden jetzt gerade von dem Hype aber auch sämtlichen Tools, allem Möglichen was einem so vor die Füße geworfen wird und auch sehr viel Panikmache diesem gesamten Markt.  Ich würde jetzt gerne von dir einfach mal so im weiteren Podcast verstehen wollen, wenn du jetzt nochmal anfangen müsstest und wir müssen hier natürlich irgendwie auf einem gewissen Level allgemein bleiben, weil wir jetzt nicht jede Situation, Unternehmensgröße und so weiter abschätzen können, aber so allgemein so die Grundprinzipien und [00:16:00] und Best Practices, wenn du jetzt nochmal anfangen würdest, so eine Daten- und KI-Organisation aufzubauen. Wie würdest du da vorgehen? Und als erste Frage würde ich erst mal verstehen, was hältst du denn für den richtigen Zeitpunkt, um sich mit Daten und KI im gesamten Unternehmen zu beschäftigen? Gestern. Vorgestern. Also habe das ja gerade schon erzählt, also bei der Telekom waren wir echt früh dran. Also gefühlt aus heutiger Sicht. Damals fand ich das auch alles viel zu Also das war dann, sag mal nochmal, das war dann 2000? Also 2013 haben wir das erste Startup gegründet. Damals nannte sich das Motion Logic. Das war 2013 aber schon gegründet. Das heißt eigentlich 2011 haben wir uns schon mit den Themen beschäftigt. Also ich 2009 zur Telekom gekommen und 2011 haben wir uns mit Data Analytics sehr stark beschäftigt. So das ist 14 Jahre her, schon ein paar Jahre her. Und [00:17:00] damals war die Telekom auch spät. Damals gab es ja auch schon solche Big Data Events in Hanau, wo sich damals noch eine etwas kleinere Crowd getroffen hat. Ich weiß gar nicht mehr, wie das hieß. War auf jeden Fall auch mit der Bitkom organisiert. Und da hat man ja noch von BI gesprochen, also Business Intelligence. Also das ist ja heute auch nicht mehr so richtig en vogue. Jedenfalls... Warum sage ich das alles? Bevor wir da jetzt einsteigen, wie mein Blueprint aussieht, mal ein paar Gedanken dazu. Die IT-Landschaft, wir merken das, ändert sich so rasant schnell. Und damit meine ich wirklich auch nicht nur die ganzen Tools im Rahmen von Data und KI, sondern einfach auch IT-Systeme Ökosysteme alles, was da draußen stattfindet im Bereich IT. Das ist ja irre. Da kommt man ja kaum noch hinterher. Dann merken wir auch, und das merken auch die Unternehmen, die Prozesse [00:18:00] verändern sich auch wahnsinnig schnell. Und man versucht, das an Prozessen abzubilden und kommt gar nicht hinterher. Also man versucht, Prozesse in der IT abzubilden und beides verändert sich so wahnsinnig schnell. Das ist ja irre. Wo willst du denn da anfangen? Was sind die Treiber davon? Immer mehr Komplexität Globalisierung, Regulatorik? Alles, all das. Aber was ändert sich nicht? Daten. Also die wachsen, ja, die Menge wächst, aber die Struktur bleibt ziemlich gleich. Also Stammdaten beispielsweise. Ja. Und ich glaube, also erst mal wäre es schon mal gut, dass man dort startet. Weil das, was du dort tust, verändert sich nicht so schnell. Das ist also wirklich gut investierte Zeit und Geld und Ressourcen. Also nicht nur Stammdaten, sondern einfach diesen Überblick zu behalten, was sind denn so meine Domänen? Also in welchen Bereichen arbeite ich mit Daten? Ja, also [00:19:00] Finance. In der Logistik hast du halt irgendwie auch Standorte, also Real Estate. Ja. Du hast Logistik, du hast Orte, Bereiche, auch Sustainability kann auch eine Domäne sein. Also, dass man sich die Domänen in denen man sagt, da bleibt für die nächsten zehn Jahre eine Struktur gleich. Und wahrscheinlich die Kundendaten, oder? Die Kundendaten, natürlich. Kundendaten Personaldaten, also gibt es ja einiges. Also, ich rede jetzt nicht davon, dass eine Fluktuation bei Personaldaten vorhanden ist und da Menschen gehen und kommen. Aber die Struktur, also du brauchst irgendwo ein führendes System, wo du deine Mitarbeiter drin hast und mit bestimmten, also Stammdaten die du auch definierst. Was gehört für dich zu so einem Stammdatum dazu? Was gehört für dich zu einem Personalstammdaten? Ja gehört Was für dich zu den Finance-Stammdaten? Ich glaube, da zu starten ist total gut, [00:20:00] gut investierte Zeit. Und führende Systeme zu bestimmen Also das heißt, die anderen Sachen, wovon ich gesprochen habe, also Prozesse und IT, zu koppeln. An die Daten. An die Daten. Und nicht andersrum. Ja aber das ist ja das was gerade, genau. Aber wenn du bei der IT anfängst, bei einem bestimmten Tool, kommt ein zweites Tool, ein drittes Tool und dann hast du ganz schnell Dubletten und hast ein Problem mit der Datenqualität. Ja, deswegen ist es eigentlich wirklich wichtig zu sagen, das sind meine Personaldaten und die habe ich jetzt definiert also wirklich klassische Definitionen und zu sagen und das finde ich, also dann hast du vielleicht schon vier, fünf verschiedene Personalsysteme und sagst du und das ist mein größtes oder mein bestes und das ist jetzt mein führendes System.  Und das bleibt auch in den nächsten zwei, drei, vier, fünf Jahren das führende System. Und dann kannst du alles andere daran aufbauen. Und dann kann man auch Prozesse, und du musst auch nicht alle Prozesse definieren, sondern Kernprozesse. Ich glaube, wenn man sich darauf konzentriert zu sagen, was ist mein [00:21:00] Kerngeschäft und was sind dazugehörige Kernprozesse. Ich glaube, dann hat man schon mal eine gute Grundlage geschaffen Das ist alles noch nicht so Data-AI-spezifisch wie du merkst. Ja. Und können das ruhig sehr taktisch machen. Also wie organisiere ich dann das? Baue ich da so eine Art Datenkatalog auf, wo das alles mal gesammelt wird? Oder was ist da für dich was würdest du da empfehlen?  wir haben ja gesagt, wir wollen ein Blueprint aufbauen. Ich glaube, es ist auch hilfreich, sich im Unternehmen umzuschauen, wo sind datenaffine Menschen. Und datenaffine Menschen finden sich für gewöhnlich im Controlling. Es hat zwei Effekte Einen Effekt, dass sie eben Datenverständnis haben und tagtäglich mit Daten arbeiten und auch empfänglich sind für Reportings oder für Effizienzen. Und der zweite Vorteil ist, dass es auch Geldgeber sind. Hast du deine Controlling-Leute überzeugt, kannst also hast du mit denen gemeinsam zum Beispiel an einem [00:22:00] Case für die gearbeitet, können die ein gutes Wort für dich einlegen, wenn es um Budgets geht. Ja, wenn du mich jetzt fragen würdest, wo wäre ein guter Ort, um zu beginnen, würde ich schon in diese Richtung schauen. Und wer würde das dann machen? Zum Beispiel kann man das gemeinsam mit Business-Analysten machen.  Oft entstehen Datenteams aus ehemaligen Controllern oder Controlling-affinen Menschen. Das heißt, auch die Initiative geht oft von denen aus, sich stärker mit Data Analytic zu beschäftigen oder das eben auch in die Organisation zu tragen, weil sie ja eben als Controlling-Bereich Gewohnt sind, eben solche Übersichten zu haben. Datenkatalog, da bin ich inzwischen so sehr ambivalent zu, weißt du, weil manche Aufgaben die ein Datenkatalog hat, kannst du auch erst mal in irgendeiner Liste erfassen. Weißt du manchmal ist es wichtiger, hands-on [00:23:00] zu sein, als jetzt ewig lange nach einem System zu suchen und ein System, also noch ein IT-System aufzusetzen, anstatt vielleicht einfach erst mal eine Liste zu haben, wo du da ein paar Funktionalitäten, die ein Datenkatalog hat, dort einträgst, weißt du.  deswegen würde ich jetzt auch nicht unbedingt mit einem Datenkatalog anfangen, sondern mit was ein Reporting kann, ja, und aber eben nicht im Reporting stecken zu bleiben. Sondern es geht ja auch darum zu befähigen, weißt du also eine Organisation zu befähigen. Und befähigen geht nur, indem man also nicht über irgendwelche Theorien spricht und irgendwelche rausholt oder irgendwelche tollen Artikel versendet die Datenstrategien beschreiben, sondern befähigen heißt wirklich anfassbar machen. Ja, und ich glaube, wenn man wirklich irgendwo losstartet und vielleicht im Controlling einen Anwendungsfall erarbeitet hat, wie also durch ein Reporting oder [00:24:00] wie durch eine Analytik sich verbessert hat in einem besseren Zustand und man das schafft auch gut zu transportieren, dass man es versteht Also das ist ja auch nicht, also Data Nerds und auch die Techies, also die IT neigen dazu. Ist immer in ihrer Welt zu erläutern, das heißt also, du brauchst auch immer Übersetzer Die das der Zielgruppe die dann vor dir hockt und das ist egal, ob das der Aufsichtsrat, der Beirat das Management oder der ist. Du musst das immer irgendwie auch so transportieren, dass das bei dem ankommt. ist das mit dem Marketing, was ich da auch mitbringe als Kompetenz, gar nicht so verkehrt weil ich auch wirklich immer auch meine Leute, meine Mitarbeitenden, meine Leute um mich herum challenge und auch wirklich piesacke damit das verstanden wird, was wir da erzählen. Und wir sind so schnell immer in unserer Bubble.  Okay, also fasse ich nochmal kurz zusammen. Du [00:25:00] würdest aber schon anfangen, dir erstmal einen Überblick zu verschaffen über die Hauptdomänen und die Stammdaten und die einmal zu definieren, um einmal einen Überblick überhaupt zu haben, was sind unsere welche Daten liegen da drin und dort eine gewisse Struktur und Übersicht reinzubringen. Und diese Übersicht hat für gewöhnlichstes Controlling auch. Nur mit einem anderen Blickwinkel, nämlich nur rein aus einer Finanzperspektive. Also Kosten, Zahlen. Also das heißt, die Informationen, würde ich behaupten sind dort in großen Mengen schon mal vorhanden. Also du musst nicht komplett neu anfangen.  Nichtsdestotrotz aber wenn es jetzt darum geht, zu sagen, wie sollte dann so ein ideales Team aussehen. Genau, ja. Wollen wir da schon hingehen Sehr gerne. Ich hatte jetzt so ein bisschen rausgehört dass du erstmal versuchen würdest, so ein Success Case, so eine erste Erfolgsstory zu finden, und das interpretiere ich jetzt rein, um erstmal aufzeigen zu können im Unternehmen, welchen Wert können wir überhaupt schaffen, wenn wir anfangen mit unseren Daten zu arbeiten. Ist das deine [00:26:00] Empfehlung? Wenn es jetzt noch nicht, also in den meisten Unternehmen ist ja nicht die Ausgangssituation, dass jetzt vom ein Budget freigemacht wird, um eine Datenstrategie über die nächsten Jahre umzusetzen, sondern das muss sich ja meistens entwickeln und dafür würdest du dann erstmal so einen ersten Case finden?  vielleicht auch schon mit Gen AI. Also vielleicht kann man auch solche Tools dann auch schon direkt nutzen, halt auch Produktivität irgendwie schneller darstellt. Also auch alleine dieses, glaube, die mit dem Thema kaum zu tun haben, dieses Potenzial lernen zu sehen. Also ich finde allein so eine Prompting-Challenge das mal mit so einem Vorstand auch zu machen, also die wirklich mal für eine Stunde in so einen Raum zu sperren oder so ein Management oder einen bestimmten Bereich und mit denen mal gemeinsam zu prompten. Bitte keine AI-Action-Figuren basteln, das ist jetzt nicht so, sondern wirklich bei dem Prompting vielleicht auch schon darauf achten, dass man da spezielle Anwendungsfälle aus dem Unternehmen auch mit zeigt. Ja, also [00:27:00] und da rede ich jetzt nicht nur von irgendwie E-Mails zusammenfassen oder E-Mails schreiben, sondern ich rede wirklich zum Beispiel auch von, keine Ahnung, du hast einen Geschäftsbericht und als PDF und den jagst du halt da durch und stellst Fragen. Also diese diese Potenziale rauszukitzeln, damit die erstmal so Aha-Effekte haben. Also wie gesagt, was da draußen gerade so passiert, also zu basteln, das ist alles gut und schön und du benutzt das ja auch oft als… Training, also dass es gut ist, dass die Leute sich damit beschäftigen, ja, aber ich glaube... Also ich habe keine Actionfigur gebastelt das möchte ich jetzt hier festhalten und würde es auch niemals tun, da können mich ja alle beim Wort nehmen und mich... Genau aber du sagst schon, dass es gut... Genau, aber du sagst, du plädierst ja schon dafür, jeder soll einen KI-Assistenten haben, ne, so. Und ich glaube, selbst wenn du den Leuten so ein Tool zur Verfügung stellst, haben sie auch erst mal nur das Tool, weißt du? Und damit sie es wirklich für ihren Bereich anwenden, brauchst du es eben diese [00:28:00] Menschen, die diese Übersetzungsarbeit leisten. Also dieses, komm, wir setzen uns mal davor und sag mir mal deine Schmerzen und wir gucken mal, was geht. So, sie in diese Anwendung... weil das ist so vielfältig diese Anwendung und du wirst nicht... Also es ist nicht gut... Nur das Tool zur Verfügung zu stellen oder nur eine Grundlagenschulung zur Verfügung zu stellen über eine Academy, sondern ich glaube gerade, also je nachdem, wie groß man auch ist, das ist wirklich auch sehr individuell und abhängig von dem, was eine Fünf-Mann-Firma oder Fünf-Frau-Firma, die hat natürlich eine ganz andere Voraussetzung als eine, die irgendwie, keine Ahnung 10.000 Menschen hat. Ja, also das ist natürlich trotzdem auch immer individuell. Aber ich glaube, dieses Heranführen an diese Technologie mit dem Domänenwissen und dem, was dahinter, also diese Probleme, die man damit lösen kann, dass man das wirklich auch mal, dass man sich die Zeit nimmt, um das zu zeigen. Okay. Und hier, wir finden jetzt Aha-Momente, wollen Potenzial aufzeigen greifbar machen. So und jetzt…[00:29:00]  Aber diese Momente muss man schaffen. Und jetzt hast du diese Momente geschaffen. Du hast vielleicht einen eher analytischen Case mit dem Controlling zusammen umgesetzt. Vielleicht konntest du mit Gen-AI in manchen Bereichen schon zeigen, wie man Engpässe auflösen kann, irgendwie sowas widrigschwellig. Und jetzt entsteht so ein Momentum sage ich mal. Und dann ist die Frage, okay, was können wir dann vielleicht noch damit machen? Und jetzt überspringen wir wahrscheinlich einfach mal so ein paar Stufen. Aber sagen wir mal, okay, jetzt geht es schon darum, das zu professionalisieren und auch zu operationalisieren über das Unternehmen hinweg und Strukturen und Prozesse aufzubauen. Jetzt wir einfach aus dieser, sagen wir mal, Pilot-Anfangsphase in eine Professionalisierungsphase über. Oder muss dafür vorher noch etwas passieren, was sehr wichtig ist und ich jetzt einfach weggelassen habe? Sonst könnten wir nämlich über die [00:30:00] Rollen und Verantwortlichkeiten als nächstes sprechen.  du hast natürlich das Thema Strategie übersprungen. Also muss ich, bevor ich jetzt losstarte, erst eine Strategie bauen. Also eine Datenstrategie oder eine KI-Strategie. Und da sage ich, nein musst du nicht. Das wird bestimmt auch den einen oder anderen überraschen. Natürlich ist es gut, einen Plan zu haben. Ein Plan ist aber nicht gleich eine Strategie für ich. Weil, weißt du, Strategien sind für mich Dinge, die fünf Jahre in die Zukunft gucken. Der Ursprung einer Strategie. Also wenn ich eine Unternehmensstrategie baue, dann baue ich die nicht für das kommende Jahr, sondern die baue ich für die Zukunft, wo will ich irgendwie in fünf Jahren sein oder in zehn Jahren. Ich treffe grundlegende Entscheidungen. Das ist in der Daten- und KI-Welt, also weiß ich nicht. Und man baut ja auch keine Internetstrategie oder man baut ja auch keine Quantencomputing-Strategie, [00:31:00] sondern glaube, natürlich mal seine Gedanken und sicherlich auch bestimmte Themenfelder abzudecken und die mal durchdacht zu haben, ist nicht verkehrt Aber ich würde da niemals ein ganzes Jahr drauf verwenden. Sondern eine Strategie Strategie gibt Halt und Struktur, aber die Frage ist immer, wer braucht das jetzt konkret? Also, braucht ein Business, mit dem ich zusammenarbeite, den ich quasi diese Use Cases ja aufsetze, brauchen die wirklich von mir eine Daten- und KI-Strategie, damit die besser wäre? Oder ist das nur für mein eigenes Team? Also wie gesagt, Gedanken auch währenddessen runterzuschreiben und das vielleicht auch zu formen und in bestimmte Cluster zu sortieren, ja also Cluster meine ich mit Architektur Governance, Kultur und so, was da alles dazugehört, also muss ich das wirklich vorher aufgesetzt haben, weiß ich nicht, kann auch währenddessen entstehen [00:32:00] während ich schon eben über konkrete Cases spreche und daran arbeite. Also mein Plädoyer wäre, losstarten, Erfahrungen sammeln und hier aber die Zeit zu haben, zu dokumentieren. Und da kann natürlich jetzt auch GenAI wieder helfen, ja, also das dann auch in Struktur zu bringen. Auch da kann überall eine KI schon bereits helfen, das muss ich nicht alles mehr per Hand machen. Was meinst du mit dokumentieren? Also was gehört da für dich mit rein? Die Erfahrungen, die man macht in solchen Cases, ja wichtig für die Nachwelt. Also das muss man dokumentieren. Also wenn zum Beispiel auch Cases nicht funktionieren, dass man analysiert, woran hat es gelegen. Also mal als Beispiel, wenn jetzt zum Beispiel ein Case hat nicht funktioniert, lag es, weil die Datenqualität schlecht war oder lag es daran, dass die Daten nicht verfügbar waren oder lag es daran, dass Kulturclash war, weil man halt sich mit dem Thema nicht beschäftigen wollte und nur [00:33:00] abgeblockt hat, weil diese Erkenntnisse, die man aus diesem Scheitern herauszieht wiederum in deinen Plan für die nächsten Wochen und Monate einfließen kann, um zu sagen, okay. muss mich stärker auf Data Governance stürzen oder ich brauche mehr Leute, die sich bei mir um das Kulturthema, also Change, kümmern oder ich brauche mehr Leute, die wirklich im Maschinenraum die Daten bereinigen. Also, weißt du, diese Erkenntnisse die ich dokumentiere, sollten in Kanäle fließen das ist das, was ich meine. Also, es ist gut, solche Stränge zu haben, die ich auch, also Cluster, wie soll ich das nennen, um dann zu gucken, habe ich die richtigen Leute da, um darin zu arbeiten, brauche ich externe Hilfe oder muss ich intern aufbauen, also, um besser zu werden. Also, ich glaube, das ist ein super flexibles System, dieses Data und AI Team. Also, ich habe jetzt schon letztens das Bild eines Chamäleons verwendet [00:34:00] Ja, dass sich halt immer seiner Umgebung anpasst weil es gibt nicht diesen einen Weg. Also wenn hier einer ein Patentrezept heute von uns beiden erwartet oder von mir, das gibt es nicht. Was wären denn trotzdem so die ersten Rollen die du dann einstellen würdest in so einem Team oder welche Rollen braucht es insgesamt überhaupt erstmal? Also als ich bei der Bahn begonnen habe, gab es drei Häuser im zentralen Bereich. Das fand ich super smart. Das erste war das House of Data. Das hat sich um Grundlagen gekümmert. Governance, Architektur, Referenzarchitektur, Plattformen Datenqualität Datenkatalog. Das war House of Data. Gremien, Datengremium, Data Ownership. Das zweite Haus war das House of AI. Das hat sich um Use Cases gekümmert. Also stand dann auch aus [00:35:00] Data Scientists, Engineers, Projektmanagern, Product Ownern, Scrum Mastern. Die haben dann Use Cases angeschoben. Und das dritte Haus nannte sich 3C. Change für das Change Management. Zweites C für Communication, also dass du eben über diese Themen auch gut kommunizierst diese Übersetzungsarbeit leistest. Und das dritte war Community, weil es eben auch so wichtig ist, dass du Communities aufbaust. Und das Konstrukt finde ich mega. Das wäre mein Blueprint. Also dass du... Und zwar auch zu Dritteln verteilt, also nicht irgendwie 10% Grundlagen 10% Change und 80% Use Cases, sondern wirklich, sonst schaffst du diese ganzen Zusammen- und Interaktionen nicht mehr, also die Zusammenhänge auch zu verstehen, weißt du Also du musst auch zum Beispiel Changer und Kommunikatoren musst du in die Projekte mit reinstecken und das, was aus den Projekten an Learnings und Dokumenten entsteht musst du wieder in die Grundlagen einarbeiten um zu [00:36:00] prüfen, ob die Grundlagen überhaupt anwendungsfähig sind. Also das wäre für mich so, weil du fragst, so ein Traum, diese drei Bereiche zu haben mit den ganzen Rollen Und dann musst du gucken, also wenn du kleiner bist, kannst du halt vielleicht auch Rollen in Personen vereinigen An wen berichten die dann alle? Und an wen berichtet dann diese Person? Ja, schwierige Frage, wirklich. Weil ich da jetzt auch schon viel gesehen habe. Also idealerweise hat eine Geschäftsführung den Sinn darin verstanden. Und ich spreche übrigens inzwischen auch schon nicht von der Frauenquote, sondern von der KI-Quote im Vorstand. Also das heißt die Geschäftsführung hier einen Connect rein, ich zukünftig. Wie das jetzt stattfindet, ob man jetzt sagt in einer Geschäftsführung, muss genau dieser Chief Data [00:37:00] Officer drin sein. Das kommt wirklich jetzt sehr auf das Unternehmen an. Es gibt aber für gewöhnlich in der Geschäftsführung immer einen, der sich um Technik kümmert oder Einen IT. Ja, das heißt, ist schon gut. Es gibt aber eben auch den Finanzer. Das heißt, man kann beide Varianten ausprobieren. Man könnte also sagen, das Datenteam ist vielleicht erstmal an Finance, weil ich habe dort begonnen. Ja, ich könnte aber auch sagen, nee, ich möchte die ganz nah ans Business haben, weil ich will, dass die diese Use Cases machen, dann packe ich sie ans Business. Oder ich sage, nee, sie sind in der IT gut aufgehoben, weil sie dort eben mit der IT-Welt eng verbunden sind, weil eben zum Beispiel auch in IT-Inventarisierung, also der Überblick über IT-Tools sehr nah auch an Datenüberblick hängt. Ja, drei Varianten gibt es. Und ich sage dir ganz ehrlich, das gibt auch hier kein Patentrezept sondern. Das hängt davon ab, wenn du diese drei Personen hast, wer am datenaffinsten ist. Denn das Thema [00:38:00] voranzutreiben machen Menschen, die den, wie man so schön sagt, den Purpose darin erkannt haben. Und dann ist es völlig wurscht ob das die Person in der IT ist oder die Person in Finance oder die Person im Business, weißt du? Weil einer von den dreien muss es auf jeden Fall treiben. warum sage ich das? Wenn du einen Finanzer hast, der so ein bisschen in der alten Welt festgesteckt ist, dann hilft es nicht, das dort zu platzieren. Hast du einen ITler, der auch in der alten Welt feststeckt noch irgendwie in den 90er Jahren irgendwie verhaftet ist, ja, schwierig. Also deswegen kommt es wirklich darauf an, wie modern diese jeweiligen Personen sind. Und ich würde sowieso, vielleicht bin ich da auch naiv, weißt du, mit Daten und KI möchten sich ja gerade sehr viele schmücken. Also schmücken. Schmuck, das ist mächtig. Du meinst interne Stakeholder, die sagen, ja, ich möchte das Team bei mir haben. Aber die müssen das, also nicht nur, weil es ein schöner Schmuck ist, sondern [00:39:00] weil das quasi die Kleidung ist, die ich bei Wind und Wetter tragen möchte, weißt du? Das ist eine Regenjacke und kein Armband. Gut, das lasse ich mir heute wieder aufdecken. Super, ich glaube, das ist total klar geworden, macht total Sinn. Und ich finde es klasse wie du das differenzierst. Ich glaube, das ist auch super wichtig und würde trotzdem jetzt nochmal zwei Fragen in dem Kontext Das eine ist. Und also was würdest du auf jeden Fall intern aufbauen, um dort die Kompetenzen zu haben, die Leute auch vor Ort zu haben und welche Unterstützung würdest du dir auch gerade, wir sprechen ja immer noch davon, dass man eher am Anfang steht, würdest du dir von außen mit reinholen? Was du intern brauchst sind Menschen, die Business und funktionieren können, also beide Bereiche verstehen. Also es die Product Owner beispielsweise sein oder ein Projektmanager, der... Business [00:40:00] unterstützen möchte, weil das Business muss besser werden, die Operations müssen besser werden. Ich sehe die nicht als die, sondern denen will ich helfen. Und auf der anderen Seite brauchst du eben auch einen, der diese Data-on-the-Eye-Nerds wiederum versteht und übersetzen kann. Weil du brauchst einen, der innerhalb des Unternehmens wirklich auch für das Unternehmen denkt, weißt du? Und das kannst du dir nicht extern kaufen, weil da gibt es einfach, sagen wir mal, die dann immer so ein bisschen entgegengesetzt laufen. Also ich würde wirklich so eine... Das sind Schlüsselrollen die auf der einen Seite eben dein eigenes Business wirklich vorantreiben wollen und sagen, das geht mit Hilfe von AI, aber die müssen jetzt nicht total tief beherrschen. Sondern die müssen Data-Engineers gut [00:41:00] können. Ja Und wenn wir da wieder in diesen Häusern denken, dann hätten wir dann auch, sagen wir mal, für jedes dieser Häuser bräuchtest du erstmal eine Schlüsselrolle, die dann auch externe Unterstützung steuern kann, aber die den Hut auf hat. Okay. Ganz genau. Die dann zum Beispiel auch die Anwendung der Regularien auch je nachdem, was du für Bedürfnisse hast, dann auch regelt. Weißt du, also zum Beispiel ein Staatskonzern hat, was Regularien angeht einfach viel schärfere Auflagen als zum Beispiel ein Mittelständler. Und dementsprechend brauchst du einfach auch Dokumentationspflichten andere Prozesse. Und das muss eben so eine Schlüsselrolle einfach auch erkennen. Okay dementsprechend Und plötzlich dann mit den Konzernerkenntnissen oder Erfahrungen dann das auch bei einem Mittelständler durchsetzen. Das ist Quatsch Also da braucht man dann Leute, die eben in der Lage sind, auch ein Augenmaß anzulegen und [00:42:00] trotzdem aber natürlich… Wissen, dass es diese Regularien gibt und in welchem Detailgrad man auch diesem entsprechen muss. Also wenn du jetzt den AI beispielsweise nimmst, dass es eben wichtig ist, zum 2. Februar eben dafür zu sorgen, dass du in deinem Unternehmen dir einen Überblick verschafft hast, ob verbotene KI im Einsatz ist und du das auch dokumentarisch nachweisen kannst. Aber dafür musst du jetzt nicht 15.000 Tools einsetzen.  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. Wie schaffst du es dann, oder ist das am Anfang noch gar nicht so wichtig, dass, du hattest ja auch über zentrale und dezentrale gesprochen. Wie schaffst du es dann, diese Daten und KI-Themen und Initiativen auch [00:43:00] dezentral Laufen zu bringen und die einzelnen Bereiche Abteilungen und so weiter zu befähigen, selbst mit Daten und KI zu arbeiten? Weil ansonsten ist ja dieses zentrale Team immer der Flaschenhals.  Ja, ich überlege gerade, also ich möchte an der Stelle betonen, vor dieser Aufgabe stehen wir alle gerade. Und geschafft hat es, ja, wie soll ich sagen, also wir sind alle dabei, es zu schaffen, weißt du? Also das, was ich jetzt sage, heißt nicht, dass ich weiß, wie es geht und alle anderen sich jetzt danach richten sollen, sondern jeder struggelt irgendwie auf seine Art und Weise. Ja, das schätze ich so an dir. Denn da gibt es sehr viele andere Menschen da draußen, die, glaube ich die Weisheit mit Löffeln gefuttert haben. Und ja, ich weiß, ich weiß. Also es ist halt so, ist wirklich echt so die Kunst, diese Balance zu [00:44:00] halten. Weil es ist gut, wenn sich dezentral Menschen mit den Themen beschäftigen. Und die darf man nicht bremsen. Also eine zentrale Einheit darf die nicht bremsen Auf der anderen Seite gibt es aber einfach eben auch Regularien einzuhalten. Und dann bin ich eher so pragmatisch unterwegs und sage, vielleicht gibt es ja so ein paar Tipps und Tricks. Und Trick könnte halt sein, schreien irgendwie nach. Jenny, also ob das jetzt eine Chat-GPT ist oder ein Co-Pilot oder was auch immer man einsetzen möchte, dass man halt sagt, okay, wir machen da einen Piloten zu, wir probieren das mal aus, aber alle, die an dem Piloten teilnehmen wollen, müssen vorher eine KI-Schulung machen. So. Okay, habe ich also schon mal nach AI-Action kann ich schon mal einen besseren Haken machen. Also ich sage nicht einen grünen Haken, aber er ist auf jeden Fall schon mal gelb. Also das heißt, ich nutze [00:45:00] Oder Chefin kam auch auf eine sehr geniale Idee, die hat gesagt, lass uns einen AI-Award im Unternehmen ausloben. Und dann melden sich die ganzen AI-Initiativen von selbst. Weißt du, wenn ich die jetzt noch nicht alle erfasst habe, weil ich die halt brauche, um sie einen Überblick zu verschaffen, dann packe ich sie bei ihren Egos. Ja, ja, ja super. Und hat es funktioniert? nicht. Wir müssen uns überlegen, das jetzt zu tun. Also, ich habe euch jetzt an den Gedanken teilhaben lassen, an denen wir gerade knabbern oder nachdenken. Aber so eine Gedankengänge finde ich halt smart, dass man halt nicht immer mit dieser krassen Keule rauskommt, auch nicht mit dieser Governance-Keule. Also manchmal musst du das, also wie gesagt, in einem Staatskonzern musst du das. Ja. Ich will den Leuten da ja aber auch nicht, ich will denen ja nicht auf den Geist gehen. Also ich will schon auch enablen. Und dieses Enabling funktioniert nur, wenn ich... Die Balance ist, ich kann ja jetzt nicht zu jedem Einzelnen gehen. Also [00:46:00] wie schaffst du es wirklich zu multiplizieren? Also du brauchst einfach so ein paar... Multiplikator-Ideen, so eine Award ist eine Multiplikator-Idee, so eine Schulung ist eine Multiplikator-Idee, oder Communities auch. Oder die FIGA hat letztes Jahr, gerade als ich dort angefangen habe, einen Hackathon gemacht, auch ein sehr gutes Instrument für Community-Schaffen beispielsweise. Also dezentral erstmal Wissen aufbauen, trotzdem versuchen ein paar Standards zu halten und das zentral noch irgendwie gesteuert zu bekommen, aber den Weg so gut es geht freimachen und zu befähigen, dass jeder Bereich für sich mit den Standards und Werkzeugen die es gibt, selbstständig Use Cases vor allem umsetzen und experimentieren kann und euch aber immer noch als, soll man denn sagen, Wissensträger hat und nutzen kann. Also da sprechen ja viele von auch, dass sie sagen, die Zentraleinheit soll diese Exzellenzeinheit sein, dieses Circle of Excellence oder wie auch immer man [00:47:00] diese Dinge halt nennt, Center of Excellence,. Ich glaube, das ist wirklich ein, also das Ding ist nur halt, dass du am Anfang trotzdem derjenige bist, der anschiebt und der halt eben auch diese Cases entwickelt und dann kann es eben auch passieren, dass zentrale Cases eben auch nicht funktionieren, weil sie eben zentral entwickelt wurden und zu weit weg sind zum Beispiel von den Operations oder vom Business. Kann auch passieren, ja. Aber du brauchst natürlich trotzdem erstmal Leute die anschieben. Also es braucht Zentrum wo etwas entsteht Und halt, also dieses berühmt-berüchtigte Hub-and-Spoke-Modell ist, glaube ich, wirklich ein sehr guter Mechanismus. Kommt übrigens aus der Logistik, habe ich gelernt, in den 50er Jahren. Delta Airlines, glaube ich waren diejenigen, die damit losgestartet sind, also in Luftfracht. Aber das ist, glaube ich echt ganz gut, dass du sagst, du hast halt irgendwie so ein Center, wo du erst mal Dinge rausschießt und dann sammelst du deine ganzen Satelliten ein. Und dann versuchst du halt, die Kommunikation [00:48:00] aufrechtzuerhalten, ob das jetzt Regularien sind oder Frameworks oder eben auch Austausch von Best Practices. Ich glaube, das funktioniert auch immer sehr gut, dass du Plattformen auch für Austausch schaffst ob das ein Hackathon ist oder eine Webseite oder ein Intranet oder was auch immer. Oder eben auch Events, wo du Dinge vorstellst auch das ist ja eine Plattform Und das fällt dann aber wieder in dieses dritte Haus, also Change, Community und Kommunikation. Ja, also ich merke schon, diese drei Häuser das ist auf jeden Fall mein Take-away jetzt schon. Das ist ein super Konzept. Also das ist nicht von mir, sondern das haben andere erfunden. Ich bin da reingekommen und ich bin deshalb zur Bahn, weil ich das so genial fand. Ja, jetzt brauchst ja noch ein paar mehr. glaube, noch ein paar mehr Zutaten für den Blueprint. Ich versuche die noch mit dir zusammen zu sammeln. Wenn ich jetzt diese Struktur, ja, wir sind ja eher noch in der Organisation gewesen, also ich habe jetzt meine, Leute, die in den [00:49:00] drei Häusern den Hut aufhaben vielleicht interne Unterstützung, baue mir ein Team, Unterstützung, baue mir ein Team intern auf, versuche zentral Standards aufzubauen. Dezentral zu befähigen und jetzt über diese Standards nochmal gesprochen. Was braucht denn so eine moderne Daten- und KI-Organisation an Standardprozessen, Infrastruktur, Frameworks, verallgemeinert gesagt, was zählt da für dich rein und was würdest du in jeder modernen Daten- und KI-Organisation von Anfang an mitdenken? Also definitiv mit der IT gucken auch zu schauen, gibt es vielleicht einfach schon vorhandene Ökosysteme Was meinst damit? Amazon-Welt also AWS-Welt oder lebst du in SAP-Welt oder lebst du zum Beispiel in der Microsoft-Welt, weil das finde ich schon, also manche haben auch alles, das wird dann schwieriger [00:50:00] gebe ich gerne zu, aber es ist, glaube ich gut, kann auch ein völlig anderes Ökosystem sein, also bitte keine, also ich will jetzt nicht für amerikanische Systeme werben, wirklich gar nicht. Also auch Souveränität könnte eine Rolle spielen, aber gut. Ich glaube, es ist gut, da jetzt nicht die Welt komplett neu zu erfinden, nur weil du jetzt mit Daten und KI beginnst, sondern anzuknüpfen an das, was du hast, weil du willst ja auch bald Erfolge haben und wie gesagt nicht irgendwelchen theoretischen Konzepten verdorren. Deswegen finde ich es halt auch gut, da in dieses technische Ökosystem schon mal reinzugucken. Sich auch mit den Angeboten dieser jeweiligen Ökosysteme zu beschäftigen. Also ob das jetzt bei SAP zum Beispiel so ein Datasphere ist, das hat jetzt aber allerdings auch einen neuen Namen, oder bei AWS zum Beispiel, wenn es um Datenkatalog geht, um Glue, oder wenn es eben bei Microsoft um Purview geht. Also dass man halt sagt, ich brauche jetzt kein neues Tool, sondern ich nehme die vorhandenen, die sind vielleicht nicht 100 Prozent perfekt auf meine Ansprüche, aber ich nutze die halt einfach, weil die mit angeboten werden. Und weil [00:51:00] meine Daten vielleicht auch da schon sind und möglicherweise die Entwicklung auch dahin geht, dass gerade diese großen Anwender eben auch KI-Assistenten dann anbieten, die mir bestimmte Informationen aus meinen Daten schon automatisch rausholen. Ja, zum Beispiel Metadatenbeschreibungen, und die dann aus, also die dann eben generiert werden aus den vorhandenen Daten und irgendwo abgelegt werden. Und ich glaube, das ist halt, also da auch jetzt, Und bestehende Infrastruktur zu nutzen, glaube ich, ist auf jeden Fall hilfreich. Und sich hier mit einer IT auseinanderzusetzen. Zum Beispiel auch mit einem, vielleicht gibt es auch ein Enterprise Architecture Management, dass man sich mit denen auch hinsetzt und das gemeinsam betrachtet. Brauche ich denn eine Datenplattform? Ja, glaube ich schon. Ich bin ehrlicherweise da jetzt nicht total krass tief drin, techie-mäßig. Was ich halt auf jeden Fall festgestellt habe, ist, ist gut, wenn man noch nicht so weit ist und 50 Data Lakes, also [00:52:00] Daten Warehouse, Data Lake, Cloud, was auch immer, oder Excel-Tabelle. Also, dass sich nicht diese bunte Vielfalt… Nicht erlaube oder erlaubt habe, sondern es ist gut, wenn man zum Beispiel jetzt sich erst mit dem Thema beschäftigt und sagt, also es gab vor vielen Jahren auch dieses, der utopisch einen Data Lake zu haben. Heute glaube ich, da wieder denke ich so, boah, aber eigentlich gar keine schlechte Strategie übrigens zu sagen, nee, es läuft alles überein weil ich will ja irgendwo einen Überblick haben. Ja, da glaube ich gibt es jetzt hoffentlich deiner Zuhörerschaft Leute, die viel besser dazu Aussagen tätigen können. Also ich bin da wirklich überhaupt kein Experte, aber das in einem zentralen Ort zu überblicken, ja, das ist schon sehr hilfreich. Und auch zu sagen, ich konzentriere mich da auf ein Ökosystem und bilde das darin ab und das wird dann eben auch das Zentrum Diese Standards, die ich dann [00:53:00] aufsetze Das können Qualitätsstandards sein, das können Anbindungsstandards sein, das können bestimmte Strukturen sein, dass ich das eben über diese eine Architektur eben zur Verfügung stelle. das halte ich schon für sinnvoll. Also wer nur ein Data Lake hat, der darf größer denken, aber das sollte dabei bleiben. Dann immer so dieser große Begriff Data Governance durch die Welt. Was fällt da für dich mit rein und was muss ich dort bedenken, wenn es um Data Governance geht? Ich glaube, sollte überlegen ob das Gegenüber sich was unter dem Begriff vorstellen kann. Und ich behaupte… Ja. Nein richtig also das ist auch meine behauptung so das bedeutet kannst du weglassen den begriff weil was was bringt es über dieses thema bei dem unternehmen zu sprechen wenn die leute sich darunter nichts vorstellen können ja also da kaum [00:54:00] was vorstellen können selbst ein tiger wenn es ist auch so ein wort wo super vorsichtig also die leute die es verstehen oder die sich damit mal auseinandergesetzt haben haben abgespeichert sich schrecklich an ist etwas vielleicht machen muss aber nicht gerne mache ja so wie steuererklärung ist immer so meine analogie die ich dann herbeiführe viel wichtiger ist eigentlich eher dass man sich damit beschäftigt was was bedeutet das für dich also was was was steckt dahinter ja also wenn es darum geht eben data ownership zu Also Leute im Unternehmen zu finden, die sich freiwillig und gerne um Daten kümmern um deren Pflege und Qualität und die zum Beispiel eben auch gerne definieren, was Stammdaten sind. Also das ist, glaube ich, dann, das ist besser verständlich als von Governance zu sprechen. Und es geht auch darum, zum Beispiel so eine Art Business [00:55:00] Glossary im Unternehmen aufzustellen. Das ist auch super schwer verständlich dieser Begriff, sondern dann sagst du halt einfach, es ist Art Wörterbuch die ich eben auch fest definiere. Also was ist denn bei mir ein Artikel? Was ist bei mir ein Standort? Was ist bei mir ein Wareneingang? Oder auch bei der Bahn, was ist ein Bahnhof? Also auch wirklich, wann fängt ein Bahnhof an und wann endet ein Bahnhof? Also das zu definieren Weißt du, für den einen ist der Bahnhof der, der mit dem Zug da reinfährt und für den anderen ist der Bahnhof aber eben auch die Fläche auf der Verkaufsshop noch draufstehen. Und deswegen ist es so wichtig, so eine Begrifflichkeiten zu klären und so ein Wörterbuch eben auch aufzustellen und das passiert eben auch im Bereich Data Governance tatsächlich. Und sich dann eben auch um solche Regularien zu kümmern. Also Data Governance wird ja sowieso jetzt zu AI Governance. Also ich finde [00:56:00] es gut, Dinge, die du in der Data Governance gelernt hast, auch auf der AI Governance anzuwenden. Also auch bestehende Strukturen nicht neu aufzusetzen, sondern die zu nutzen und auch stärker in diese Richtung zu denken. Also jetzt ein anderes Wort Wenn verwenden sollte, könnte man noch sagen Data Management. Aber ob das jetzt dann das Bessere ist, weiß ich jetzt auch nicht. Aber das vielleicht ein kleines bisschen. Gehen da auch so Prozesse und Regeln mit rein, wie zum Beispiel Daten aktuell gehalten werden? Ja, kann man. Aber auch hier gibt es zum Beispiel Leute, die das an anderen Stellen auch organisieren. das kann man tun. Also man kann, wenn du jetzt über Datenflüsse sprichst, also Data-Linux und so, das kannst du alles dort auch mit einbinden logischerweise. Aber das sind alles schon zweiter, dritter, vierter Schritt, glaube ich. Wenn wir jetzt diese Strukturen aufgebaut haben, wie managst du dann das Finden, Pilotieren, und so weiter von Use Cases, um [00:57:00] dann aus all dem, was wir jetzt besprochen haben, auch tatsächlich einen Business-Währwert zu generieren? Ja, wichtiger Punkt. Dass man eben auch hier wieder eine gute Balance findet zwischen Ausprobieren und Zulassen und auch nochmal über den effektiven Einsatz von Ressourcen nachzudenken.  Ich glaube, es ist dass man irgendwann da hinkommt und sagt, hey, wir können jetzt hier nicht einfach so eine Use Cases erlauben die wie Pilze aus dem Boden schießen und jeder macht hier so irgendwie witzige Sachen, sondern du musst immer hier auch darauf achten, dass die wenigen Leuten, die eben diese Kompetenzen haben, eben da an den wichtigsten Stellen eingesetzt werden, wo eben auch der größte Hebel für das Business, für das Unternehmen da ist.  Und gibt es gute Angebote auch im Netz zum Thema wie bewertet man eben genau solche Use Cases für gewöhnlich in solchen Matrizen, wo man dann halt bewertet nach, [00:58:00] Aufwand und Nutzen jetzt mal ganz klassisch gesagt, also dass der Nutzen eben bewertet wird und es muss nicht immer gleich in Zahlen sein, sondern man kann, man hat auch ein Gefühl, weil also wo ist ein Hebel groß da? Und bei dem Aufwand auch das muss nicht immer automatisch in Zahlen erfolgen, ist aber trotzdem gut, wenn man sich versucht, hier auch in Zahlen auszudrücken. Also, dass man halt sagt, meine Hypothese für diesen Case ist, Ich verbessere eine Produktivität um 10 Prozent oder sowas. Oder ich erreiche damit viele Menschen. Auch das ist ja auch eine Zahl. Also dass generell man viel mehr in KPIs denkt. Ich rede immer von diesem From Data to Value und das ist in der Vergangenheit zu wenig getan worden. Dass man wirklich hinter jedem, also ich erwarte jetzt nicht ein Businessmodell, aber auf jeden Fall sollte man sich Gedanken darüber gemacht haben, wie groß ein Effekt sein könnte, damit man eben in so einer [00:59:00] Matrix dann tatsächlich auch das einsortiert, in welchen Quadranten das reingehört und auf welche man sich dann auch wirklich konzentriert und seine Ressourcen raufsetzt. Und auch das sollte nicht allein in einem Data- und AI-Team entstanden sein, diese Matrix, sondern das muss gemeinsam mit denen werden, die es nachher anwenden. Ja, ja Das heißt also hier ein Gremium zum Beispiel zu bilden bestehend eben aus Data und AI, Business oder vielleicht auch Finance noch mit rein, um verschiedene Blickwinkel darauf zu bekommen und dann halt zu sagen, ja, wir glauben daran, dass das ein Case ist, der dem Unternehmen am ehesten hilft. Und vielleicht, dass man so eine Art Top 10, Top 100 oder was bastelt und die ist auch nicht in Stein gemeißelt sondern da kann dann plötzlich auch vier Wochen später ein neuer Case, Top 1 verschieben. Oder vom [01:00:00] ersten Platz runterbringen. Wobei das halt schwierig ist, weil du hast dann gesagt, okay, ich setze da jetzt ein Projektteam drauf und lasse die mal arbeiten.  dann kannst du natürlich nicht einen Monat später sagen, nee, war Puste gut. Aber was man machen kann, ist, dass man zum Beispiel auch in verschiedenen Reifephasen arbeitet. Also dass man sagt, man hat eben typische Machbarkeitsanalyse, man hat eine POC-Phase, man hat eine MVP-Phase. Und jedes Mal nach jeder Phase gehst du in dieses Gremium zurück. Ja. Ja, also ein typisches Geldmodell. Und wie gesagt, gehst regelmäßig in dieses zurück. die Use Cases, findest du die top down oder bottom up oder ist es ein Mix? Da sind wir wieder in der Balance zentral. Wahrscheinlich kann man von oben aufs Business schauen und allen ist sehr schnell klar, okay, hier sind unsere Engpässe, da geht das meiste Geld aktuell rein oder verloren und hier haben wir irgendwie einen Umsatzhebel oder so etwas. Und das sind die ganz großen Value Cases und dann gibt es Dutzende über Dutzende anderer Use Cases in den einzelnen Bereichen. Und ehrlicherweise ist das [01:01:00] alles nicht neu, sondern das ist der typische klassische Innovation Funnel, über den wir gerade sprechen. Ja, also das hat nichts mit Data und AI spezifisch zu tun, sondern so entstehen genauso auch Innovationen. Genauso bewertest du Innovationen über so ein Funnel, über Gremien, über die verschiedenen Reifegrade also diese Phasen der Machbarkeit. Also das ist alles schon da an Frameworks und Tools. Man muss sie nur einfach auf Data und AI spezifisch anwenden. Findet man auch wirklich viel in der Literatur. Da müssen wir es nur lesen. Das stimmt. Aber man kann ja auch GPT fragen. fasse da einmal kurz zusammen, wo wir jetzt stehen und dann kannst du gerne nochmal ergänzen, wo du noch sagst, das müsste da, sollte man noch mitdenken haben wir vielleicht vergessen. Also du würdest starten dir erstmal einen Überblick zu verschaffen, welche Kernsysteme nutzen wir überhaupt, [01:02:00] in welchen Domänen arbeiten wir und welche Stammdaten haben wir dort und würdest dann schauen, wo gibt es eigentlich Potenzial für so einen ersten Success Case, den man aufbauen kann. Und da hast du das Controlling empfohlen, weil sie schon sehr datenzahlenaffin sind, einen guten Überblick haben und es dort auch Potenziale zu heben gibt, um daraus dann auch mehr Support vom Management, Beirat Aufsichtsrat und so weiter für Daten- und KI-Themen zu bekommen und von dieser Phase in eine, Planung-slash-Strategie-Phase zu gehen. Da hattest du gesagt, dass du eher in Plänen denken würdest. Da hatte ich auch letztens einen tollen Podcast mit Nils Janus, dem Chief AI-Officer von Covestro. Auch ein Riesenladen. Der hat auch gesagt, wir denken sechs Monate. Sechs Monate planen wir. Das ist unser Gameplan. Und das war's Und dann haben wir natürlich, wie du auch gesagt hast, bestimmte Bereiche, in denen wir vorankommen wollen. Aber wir planen nicht über mehrere Jahre, weil es einfach keinen Sinn macht. Das hat es nochmal unterstrichen und [01:03:00] bestätigt. Und dann auf Grundlage dieses Plans und den großen Themengebieten, die man angehen möchte, Eine erste Organisationsstruktur aufzubauen mit den drei Häusern also dann AI-Use-Cases und und Change-Management und dass man dort die ersten verantwortlichen hat, die diese Themen intern steuern und dann kann man sowohl intern weitere Unterstützung mit aufbauen oder extern sich Support einkaufen. Aber hat intern eben die Fäden in der Hand. Und dann gilt es, diese zentrale Struktur auch zu nutzen, um dezentral zu befähigen. Hier hast jetzt vor allem Multiplikatoren-Initiativen aufgegriffen Communities aufbauen, Events veranstalten, Hackathons, durchzuführen, um dieses Wissen zentral in die anderen Bereiche zu bekommen, damit dort auch selbstständig mit Daten und KI zumindest experimentiert, ausprobiert, vielleicht auch einfache Anwendungsfälle [01:04:00] umgesetzt werden Das Eine Ergänzung? Ja. Also ganz konkret, dass man eben auch schafft seine Organisation im Bereich Power BI zu befähigen, um selber dieses Thema nicht mehr zu machen sich um Raum zu schaffen wiederum für neue KI-Anwendungen. Weißt du? Also, dass du auch so eine Art Durchreiche bist. Du siehst die Sachen, die da für das Unternehmen relevant sind, identifizierst es, schiebst es an, schiebst es in die Organisation rein. Und manchmal bedeutet es übrigens auch, die Menschen mit zu verschieben, damit sie vor Ort weiter mit ihrem Engagement und ihrer Leidenschaft dann vor Ort wirken, das nicht einfach nur übergeben wird. Weißt du? Weil sonst hast Bruchstellen.   Felix: Ja, vielen, vielen Dank. Das war ein total toller Podcast. Ich habe echt viel mitgenommen. Wurde in vielem bestätigt, was ich in meinem Arbeitsalltag Tag ein, Tag aus in ganz vielen Unternehmen erlebe, was so die [01:05:00] Herausforderungen sind. und trotzdem waren da, ähm, Viele, viele Nuggets dabei. Ich sage, cool, das kann total helfen, auf eine sehr pragmatische, trotzdem strukturierte und nachhaltige Art und Weise an dieses, an dem Aufbau von diesen Themen im Unternehmen vorzugehen. Und ich bedanke mich recht herzlich, dass du so viel mit uns geteilt hast.