Felix: [00:00:00] Herzlich Willkommen zum AI First Podcast. Heute zu Gast ist Christian Krug, den du vielleicht vom Un-Fuck-Your-Data-Podcast kennst. Richtiges Data-Urgestein. Neben dem Podcast arbeitet er noch als Global Data Architect Bei Frausch der Sensortechnik und wir sprechen heute darüber, was man in dieser Rolle eigentlich macht, welche Herausforderungen dir so begegnen und wie du sie löst.  Und natürlich interessiert mich auch besonders, was du in den letzten drei Jahren an Fuck Your Data von deinen Gästen so gelernt hast. Christian, schön, dass du hier bist.  Christian: Danke, Felix. Boah, das ist ja jetzt, die Erwartungshaltung ist jetzt nicht niedrig ne?  Felix: Ich glaube, das kriegst du hin  Christian: Momente wo ich mich so richtig, wenn die Leute mich als Urgestein, wie sag ich das, denke so, ah, ja, ich bin keine, ja, ich bin alt.  Felix: Christian, erzähl mal, du machst jetzt den Podcast seit drei Jahren, sprichst dort hoch und runter mit allen möglichen [00:01:00] Menschen über Daten, auch immer mehr über KI, gehört ja mittlerweile zusammen. Sag mal, was würdest du sagen, was sind so die Sachen, die du gelernt hast in diesen Jahren von deinen Gästen und was hat sich vielleicht auch verändert im Laufe der Zeit?  Christian: Also was ich dir sagen kann, das Thema, also was sich verändert hat, ist glaube ich relativ offensichtlich, es ist KI-lastiger als am Anfang. ich habe angefangen mit diesen ganz klassischen BI-Themen, wo ich auch herkomme datentechnisch gesehen, also Business Intelligence, ich habe ganz viel strukturierte Daten gemacht, dann kam unstrukturierte dazu und heutzutage musst du eigentlich immer AI mitdenken.  Und das ist auch so, dass was rauskommt in den ganzen... den ganzen Gesprächen damals, als ich angefangen habe, war es halt so, dass die Leute schon gesagt haben, okay, du musst. Dieses, ich nenne es mal traditionelle KI, also nicht generative KI, musstest du damals schon mitdenken wo du sagst so, wir machen ein Finanzreporting und dann müssen wir mitdenken dass wir Machine Learning Algorithmen für unser Forecasting [00:02:00] machen. wenn du andere Analysen machst, dass du sagst so, wenn du Webshop oder Marketing Analytics machst, dass du eine Recommendation Engine KI-technisch mitdenkst. Und heute hat sich das natürlich geschiftet jetzt mit generativer KI, die jetzt... Ist ja in der Wahrnehmung vieler Menschen, außerhalb von der Data und KI-Bubble ist AI gleich generative KI, ist gleich Jet-GPT.  Das haben sie vom Marketing her sehr, sehr gut gemacht. das solltest du heutzutage so mitdenken. Das ist so für mich die große Veränderung. Was ich gelernt habe, das ist ein bisschen beruhigend und beunruhigend gleichzeitig, ist Wir haben alle die gleichen Probleme, egal ob du reinschaust, also die sind ein bisschen unterschiedliche Nuancen aber Großkonzerne sind an manchen Stellen etwas weiter, haben aber alle ähnliche Hürden Mittelständler kleine Unternehmen, wenn du da mit den Leuten redest dann sagen die, ja, das sind die Probleme die wir auch haben, das hat Gast XY ähnlich erzählt, also wir haben alle die gleichen Herausforderungen und das heißt, wenn du dich [00:03:00] wiedererkennst in den Problemen anderen, dann ist es so, okay ja, dann  Dann bist du schon mal so richtig abgebogen dass du sagst so ja okay, ich bin jetzt nicht total off.  Felix: Ja, gute Zusammenfassung kann ich tatsächlich nur unterschreiben. In deinem richtigen Job bist du ja Global Data Architect und wir sprechen ja gleich mal darüber, was du eigentlich in dieser Rolle machst, ich habe ja viele Fragen dazu. Aber eigentlich kommst du ja von der dunklen Seite der Macht, dem Consulting-Bereich und bist jetzt auf die helle Seite gewechselt zumindest so unterteile ich das, würde ich sagen.  Wie war dieser Schritt für dich und warum hast du den getan aus dem Consulting dann wirklich in eine operative Rolle, auch mit richtig Skin in the Game in der Umsetzung in einem Industrieunternehmen?  Christian: Also ehrlicherweise die Antwort hat mehrere Facetten. Also ich sage mal Consulting wenn [00:04:00] irgendjemand den Einstieg machen will in den Data-Bereich geht ins Consulting. Da habt ihr eine Lernkurve das ist echt stark und ihr seht viel, ihr kriegt viel Erfahrung, ihr kriegt viel mit. war dann irgendwann so ein bisschen davon müde, halt alle paar Monate oder spätestens nach einem Jahr so den Kunden oder das Projekt zu wechseln. Das ist halt oft so, dass du da bist, um die, sorry, Drecksarbeit, Anführungszeichen zu machen. Also du setzt es um, du baust es auf, aber wenn diese Dinger dann wirklich in die Skalierung in den Mehrwert kommen, bist du als Berater oft schon weg. Also zumindest wenn du deinen Job richtig gemacht hast Also gibt auch Berater, die versuchen dann, oder Beratungsunternehmen, die versuchen dann Jahrzehnte da drin zu bleiben. Ähm macht das nicht, liebe Unternehmen, liebe Berater, arbeitet auch nicht dahin und dann wollte ich so ein bisschen rein, wie du sagst so dieses Skin in the Game, also Ralf Ginzinger hat so einen schönen Vergleich gehabt, als Berater bist du immer an der Seitenlinie wie so der Trainer und denkst, boah, ich könnte den Elfmeter besser schießen. [00:05:00] Du kannst aber maximal reinschreien und sagen, jetzt passt doch nach links rüber. Wenn der Spieler nicht nach links passt, dann denkst dir so, ich hätte es viel besser gemacht und jetzt ist es halt, wenn du im Unternehmen drin bist, dann musst du jetzt zeigen, dass du es tatsächlich besser machen würdest.  Felix: Erklär mal, wie deine Rolle gestaltet ist also ich kenne natürlich Data Scientist als Begriff, Data Engineer als Begriff, dann entstehen andere Rollen wie Data, Governance Manager und Pipapo, also gibt ja, ich meine, Jobtitel sowieso sind ja nochmal ein anderes Thema und immer weniger was aussagend. Data Architect habe ich aber noch gar nicht so oft gehört, was zählt da alles mit rein?  Christian: Brutal ehrlich ist, wir hatten keinen besseren Namen. Das war so dieses, also ich sage immer, eigentlich bin ich Data-Mädchen für alles, aber  Felix: Grimmsnack.  Christian: [00:06:00] halt so schlecht drauf. Das ist auch ein bisschen so der Größe von Frauscher geschuldet Wir sind jetzt 700 Leute global. Also das ist jetzt mal so die Größenordnung, wir sind 700 Leute global. Wenn du jetzt in einem Unternehmen bist, was 7.000 oder 70.000 Leute global hat, dann ist ein Data-Architekt Relativ deutlicher definiert, dass du sagst okay, da bist du wirklich verantwortlich für die Datenstrukturen die Datenflüsse zu modellieren aufzubauen und zu gucken, welche Systeme hast du diese Datenlandschaft. Das ist bei mir ein Teil davon, weil jetzt auch in dem Team, wo ich bin, zusammen mit meinem Kollegen Minzen, der hauptsächlich das Thema AI dann mitmacht, also AI ist sein Schwerpunkt, meiner sind die Daten, Aber jeder von uns wir haben super Overlap. Und ja, also bei mir ist es wirklich von, bis auf Coding eigentlich alles.  Also ab und zu muss ich dann doch nochmal in den Code schauen und stelle dann wieder fest, wie schlecht mein Python ist. von dem her Grüße ans Team, danke, dass ihr so gut seid im Coding, dass [00:07:00] ich das nicht machen muss, aber halt auch wirklich dieses mit den Fachbereichen die Anforderungen definieren dann überhaupt mal dieses initiale Assessment machen, gucken, wie arbeiten die heute, wo sind eigentlich die ganzen Daten, also wir sind ein klassischer Mittelständler, dass wir relativ viele Silos haben, dann, dass die Schnittstellen halt, ja, Noch nicht perfekt automatisiert sind an vielen Stellen und einfach das mal aufzuschreiben anzugehen dann die Lösungen zu definieren und dann ranzugehen mit dem Team, das umzusetzen.  Das ist halt, ja genau, bis zu Z-Level die Datenstrategie zu sagen, okay, wo setzen wir, wir haben ja ein kleines Briefing, vorne geguckt, auch da wo setzen wir den Schwerpunkt? Digitale Produkte, datengestützte Produkte, Operational Excellence und wie bringen wir das zusammen?  Felix: Hm.  Christian: eine strategische Rolle, die dann bis runter in Projekt Hands-On geht, aber jetzt  Sag ich mal, kein Coding mehr.  Felix: Warst du die erste Person, die das Thema so richtig verantwortet und aufgezogen hat?  Christian: Auf einem höheren Level ja. [00:08:00] Vorher war mein Kollege der Oliver da, der als erster Data-Guy angeheuert wurde, der ist ein phänomenaler Data-Scientist und der war aber sehr, sehr stark in einem digitalen Produkt drin und dann kamen halt drum rum rechts und links Anforderungen Und irgendwann hat Oliver gesagt, so ja das kann ich schon alles machen, aber halt nicht alles gleichzeitig und nicht alles so in der Zeit, in der ihr euch das vorstellt.  Wir brauchen da jetzt Hilfe. dann bin ich reingekommen und ein paar Wochen nach mir minzen für das AI-Thema. Und mittlerweile sind wir acht oder neun Leute im Team.  Felix: Okay. Wir gehen gleich nochmal darauf ein, wie ihr euch da organisiert wie ihr zusammenarbeitet und woran ihr arbeitet. Eine Frage habe ich jetzt aber noch zu Gen-AI. Ich nehme aus dem Daten-, also von Datenverantwortlichen nehme ich Öfter so die Tendenz war, dass  Christian: Dank.  Felix: Entscheider jetzt auf dieses Thema stürzen und sagen, komm, wir müssen jetzt ja irgendwie [00:09:00] Gen-AI-Projekte machen, Agenten bauen, implementieren und, und, und und.  Und gleichzeitig die Datenverantwortlichen aber wissen, ja, ja, aber das funktioniert irgendwie nicht, wenn wir nicht die Daten richtig bereitstellen oder wenn wir die Wenn wir mit den Daten arbeiten, die wir aktuell haben. Wir brauchen also erstmal viel mehr Ressourcen, um die Infrastruktur aufzustellen, damit wir dann Gen-AI draufsetzen können.  Und die Budgets werden aber zumindest aus meiner Wahrnehmung dann doch oft auf Gen-AI-Projekte verteilt. Gleichzeitig ist es ja aber irgendwie auch ein Dosenöffner dafür, dass viel mehr Sichtbarkeit und Relevanz auf Daten kommt.  Christian: 2020  Felix: Und meine Erfahrung oft erst im zweiten Schritt, nachdem man merkt naja, okay, funktioniert ja alles nicht so richtig geil, wenn wir hier unsere Daten nicht sauber haben und bereitstellen können.  Was dann ja auch wieder euch total helfen kann. Wie blickst [00:10:00] du darauf?  Jetzt habe ich lang ausgeholt.  Christian: nein nein, aber wahnsinnig es ist halt auch wahnsinnig viel drin und das ist super, das Thema ist halt nicht ganz einfach. Ich hatte für mich jetzt nochmal so einen Eye-Opener-Moment sehr, sehr kürzlich, wo wir uns dann auch nochmal so externe Unterstützung geholt haben und dann... Und irgendwann, also auch beim C-Level der vorher einen sehr hohen Fluglevel auf das Thema AI hatte, dann wirklich im Workshop so der Sagroschen gefallen ist, so, ja, es gibt was, wo wir schnell loslegen können, aber, und das ist immer das Entscheidende, Der Fachbereich, also die Fachfunktionen müssen sich auch massiv in das Thema AI mit einarbeiten. Ansonsten generierst du mit Gen-AI ganz viel Slop. Und das ist so dieses Entscheidende wo ich sage, es wird mehr dieser Teamsport. [00:11:00] Also es ist... Im Reporting, klassisches BI, da ging es noch so halbwegs, dass du sagst, okay, das ist das Data-Team, das ist das Business-Team, die schreiben Anforderungen. Und das Business-Team weiß nie, wie du jetzt, sag ich mal, Power BI oder Sub-Analytics wie auch immer das Tool heißt, bedienen kannst.  Die arbeiten halt damit. Und das ist bei Gen AI allerspätestens vorbei. Und das war für mich jetzt nochmal so dieses, das nochmal richtig, das so implizites explizites Wissen implizit hast du das immer so, Gewusst gesagt, auch selber vorangetrieben, aber dann war mal dieser Eye-Opener, wo du sagst, ja, jetzt habe ich vielleicht auch eine externe Unterstützung, daher nochmal, Consultants können auch gut sein.  Dann haben wir eine externe Unterstützung, das nochmal sagt, ja, das ist kein Interessensvertretung von dem Data-Team, sondern es ist halt wirklich so. Und das ist, dann klappt es. Und das ist halt ganz, ganz wichtige Grundlage um diese Gen-AI-Projekte in die Unternehmung zu bringen. Weil du eben dann wirklich hingehen kannst und [00:12:00] sagen kannst, okay, wenn wir diese Fertigungstiefe haben wollen, wenn wir diese Qualität haben wollen, dann muss der Fachbereich lernen, mit Gen-AI umzugehen und zwar mehr als, wie schreibe ich einen halbwegs generischen Fünfzeilen-Zero-Shot-Prompt, sondern dann musst du da tiefer rein.  Und dann brauchst du eben Leute, die in ihrem Fachlichen gut sind und dann brauchst du aber auch eine Data-Abteilung und das ist etwas, wo ich... Auch immer dafür kämpfe, den Leuten am Anfang viel Freiheiten zu geben bei Gen-AI. Und dann muss man das ausprobieren, dann muss man einfach irgendwie ein POC oder darf man gerne auch mal irgendeine Softwarelösung vom Markt nehmen. Wir haben jetzt mit, an der Stelle kurze unbezahlte Werbung, wir haben jetzt mit Claude da sehr gute Erfahrungen gemacht, dass du da schon viel Struktur drinnen hast. Okay, jetzt lass uns das mal da bauen und dann seht ihr ja, ob es einen Wert bringt und dann heben wir es rüber. Aber anfangen wenn die Daten perfekt sind, hey Leute, dann seid ihr lost, sorry, bis ihr die Daten hingezogen habt,  Felix: Ja.  Christian: ist vorbei. Und was halt ganz entscheidend ist, ist [00:13:00] dass wir haben schon immer Schatten-IT, aber Schatten-AI ist so viel zugänglicher als Schatten-IT. Und das ist das Große, wenn ihr da als Datenbereich oder IT, je nachdem wo das Thema aufgehängt ist, den Leuten nicht einfach schnelle Möglichkeiten gibt, dann haben die es in ihrem privaten OpenAI, Gemini, was auch immer die nutzen, Account drin und dann habt ihr es dann ist es raus, dann seid ihr raus aus dem Spiel.  Felix: Ihr seid ja jetzt ein klassisches Industrieunternehmen, 700 Menschen weltweit, wahrscheinlich so ein Paradebeispiel von so einem Mittelständler, nehme ich jetzt mal an. Wie groß ist denn jetzt mal so der Reality-Check wirklich der Anteil der Gen-AI-Projekte im Vergleich zu klassischen? KI-Projekten oder vielleicht auch einfach Datenprojekten und Produkten, die ihr umsetzt.  Christian: In unserem Team oder insgesamt [00:14:00] in der Organisation?  Felix: Insgesamt.  Christian: Wir haben zwei große Gen-AI-Projekte laufen. Und wir haben mehr, also gerade, das ist halt auch nochmal das, wir haben natürlich auch, wenn du das Gesamtbudget betrachtest, wir haben natürlich auch noch eine Produktentwicklung die Hardware-Produkte entwickelt, die auch weiterhin, wir sind in einem Bereich, wir sind Eisenbahn-Zulieferer. Und eine Eisenbahn fährt halt nicht auf dem Jet-GPT, blöd gesagt, also es wird weiterhin, Hardware wird unser Kerngeschäft bleiben. Wir haben natürlich auch... Projekte an denen wir arbeiten, wo wir klassische KI, also das ist das, wo der Oliver, mein Kollege, der Data Scientist, angefangen hat, eben Predictive Maintenance-Lösungen, dann auch die Produkte die wir haben im Feld, unsere Sensoren mit den Daten mehr zu machen, dann natürlich auch mit klassischer KI irgendwann, Gen-AI, dass wir Kunden vernünftige Chatbots anbieten, das haben wir natürlich alles in der Pipeline, aber im Vergleich, es ist nicht unser [00:15:00] Hauptfeld, eine Gen-AI-Company zu werden. Weil das also, klar, wir nutzen Gen-AI für unsere internen Prozesse, wir haben auch Gen-AI-Projekte um unsere Customer Experience besser zu machen, klassische AI, um unsere Produkte besser zu machen, aber im Kern bleiben wir eine Company, die Hardware für Eisenbahn herstellt. Und das wird immer klar, werden diese Produkte digitaler wenn du anschaust, als die Firma gegründet wurde, war es nur Hardware, jetzt ist es halt auch schon Software dabei.  Und das ist dann der nächste Schritt.  Felix: Mhm. Jetzt seid ihr acht, neun Menschen in dem Team, das sind ja die Ressourcen in der Regel immer knapp verteilt und ihr habt dieses Spannungsfeld aus interner Optimierung von Prozessen und auf der anderen Seite Digitalisierung Weitere digitale Produkte zu entwickeln, Software mit zu unterstützen, die dann auch mitverkauft werden können.  Wie seid ihr da [00:16:00] organisiert und wie sind also die Ressourcen verteilt, wie managt ihr auch dieses Spannungsfeld, was da entsteht?  Christian: Ja, da kommen wir über die Data. Wir gucken, also, wie sind wir organisiert? Das sind Minzen und nicht, die den Haupt Kontaktpunkte sind zu den Fachabteilungen. Dann haben wir den Data Scientist, Plattform Engineer, drei Data Engineers und AI Engineer. Ähm Ja, wir machen ganz klassisch datengestützt. Wir gucken uns halt den Aufwand und den möglichen Ertrag an und priorisieren es dann durch. Es geht nicht anders. wir könnten, wie du sagst Ressourcen sind nie unendlich. Wir müssen einfach gucken, was ist der Return on Invest, was ist der Benefit den wir als Company haben und das dann beziffern Und ja, da ist manchmal natürlich so ein bisschen... Unsicherheiten sind immer drin, du kannst eigentlich nie beziffern was bringt der Use Case jetzt [00:17:00] genau oder  Felix: Ja.  Christian: Fällen kannst du es genau beziffern, aber du musst halt groben so den Ballpark treffen und sagen, okay, das bringt uns, das ist strategisch oder das bringt direkt Kohle oder das spart direkt Kohle und dann einfach priorisieren. Sorry, das bleibt niemandem erspart. Also wenn du irgendeine Company findest, die Infinite Fundings hat und jedes Projekt gleichzeitig machen kann und hochstafft hey du Wow, herzlichen Glückwunsch Ich habe es noch nicht gesehen und ich war auch in Großkonzernen schon.  Felix: Und wie stark sich der Anteil zwischen den internen Prozessen und jetzt hin zu mehr und mehr digitalen Produkten verschoben in den letzten Jahren? Du bist jetzt seit zwei Jahren, glaube ich da, ne?  Christian: Wir haben lustigerweise sitzen wir eben im Innovations-Department. Das heißt, wir haben viel in den Produkten haben nicht mehr den klassischen Operational Excellence. viel von der IT auch gemacht in den operativen Systemen. Und lustigerweise haben wir, spannenderweise haben wir mit den [00:18:00] digitalen Produkten angefangen und es wird jetzt mehr Operational Excellence.  Also es ist genau der  Felix: Ja, interessant.  Christian: Weil wir eben im Innovations-Bereich, also das Daten, das Data- und AI-Team hängt im Innovations-Bereich und nicht im klassischen IT. Deswegen hat es bei uns genau andersrum angefangen und Oliver war ja auch der Erste der in dem digitalen Produkt, in dem Frauscher Insights Diagnostics gearbeitet hat und von dem her haben wir einen starken Produkthintergrund und arbeiten uns jetzt in die Operational Excellence Themen mit ein.  Felix: Kannst mal so einen Einblick, so ein Beispiel geben, was ist so ein Daten-KI-Produkt bei euch, wo ihr Sensoren eben für Eisenbahnen herstellt, entwickelt?  Christian: Also das ist ja auch, das kann ich erzählen das ist ja öffentlich, also aus der Entwicklung bitte seht mir nach, dass ich da nicht drüber reden darf, aber wir haben ja ein Frauscher Insights Diagnostics das ist ein digitales Produkt, wo die [00:19:00] Diagnose der Sensoren also die Sensoren hängen am Gleis und wenn ein Zug drüber fährt, zählen die dass da ein Zug drüber fährt. Und dieser Sensor hat natürlich einen Zustand, wie jedes technische Gerät kann der ausfallen. da hast du Diagnosemeldungen, die anzeigen da ist irgendwas komisch und ähnliches und das ist eben das unseren Kunden zur Verfügung zu stellen, diese Informationen Dann auch angereichert mit KI sagen, okay, diese Warnungen deuten an, dass der Sensor demnächst durch aus welchen Gründen auch immer ein Problem bekommen könnte. Wartet den bitte mal proaktiv oder schaut da bitte mal drauf. In einem Standardwartungsintervall das sorgt einfach dafür, dass das Eisenbahnnetz besser befahren werden kann. Das ist das Interesse unserer Kunden, dass sie möglichst hassle-free und möglichst oft mit einem Zug über das Gleis fahren können.  Felix: Ja, ganz sehr klar, zahlt ja ganz konkret auf die Wertschöpfung dann auch ein.  Christian: wenn [00:20:00] der Sensor eine höhere Uptime hat und das Gleis besser verfügbar ist, dann musst du dir halt vorstellen, diese Sensoren die hängen bei plus 50, 60 Grad in der Wüste, die sind aber auch mal ein halbes Jahr unter Wasser in Gegenden mit Monsun und sowas. Also die Dinger machen was mit.  Felix: So, jetzt muss ich auf jeden Fall vom Data Architect wissen, wie sieht denn 2026 eine moderne Systemlandschaft im Datenbereich aus  Christian: Ich war zehn Jahre lang Berater Ich darf sagen, it depends.  Felix: Aber dann auch das gerne, ja, wovon hängt es ab und was sind so deine Fragen, die du dir stellen würdest, weil man muss ja auch sagen, dass ganz, ganz viele Unternehmen, gerade auch im Mittelstand, die sind ja noch ganz, ganz am Anfang von diesem Weg. Da gibt es ja oft noch niemanden der für [00:21:00] Daten verantwortlich ist.  Daten wurden irgendwie so mitgemacht die gibt es halt irgendwie irgendwo, fliegen irgendwo rum, werden oft noch gar nicht richtig genutzt Du kennst das alles. Also jetzt wäre die Frage, wenn du jetzt woanders hinkommen würdest, wo ihr vielleicht noch nicht so aufgestellt seid wie ihr, welche Fragen würdest du dir dann stellen und was sind so ein paar Best Practices, die du auch in deiner Laufbahn gelernt hast?  Christian: Also was du irgendwo brauchst ist so ein glaube ich da kommst du dann nicht mehr drum rum, ist so ein halbwegs einheitliches Datenmodell, dass du einen Ort hast, wo deine zentralen  Felix: Untertitelung BR  Christian: und irgendwie logisch miteinander sinnvoll verknüpfbar sind. Und wie das dann oben und unten weg, das englische Wort branched das ist dann da ist, wo ich sage, Leute, da wird es sehr individuell. Es kann auch sein, dass eine Fachfunktion beispielsweise Cloud nutzt und die andere kommt einfach für [00:22:00] ihren Anwendungsfall mit Gemini und Notebook LM viel besser. Klar, das müsst ihr akzeptieren, dass ihr dann nicht alle Leute auf ein Tool prügeln könnt. Das ist eine unbequeme Wahrheit die tut manchmal weh gerade dem Data-Bereich und auch der IT, weil du möchtest ja möglichst Sachen vereinheitlichen um Synergien zu nutzen, aber dieses Branching oben und unten musst du irgendwie akzeptieren.  Also gerade wenn du jetzt im Mittelstand bist, der dann  Felix: Kannst das nochmal erklären, was du mit Branching meinst?  Christian: Du brauchst irgendwo in der Mitte so ein einheitliches Modell wo du sagst okay, das ist unsere Kundendatenbank und alle Kunden von allen unseren Tochtergesellschaften oder Landesgesellschaften oder sowas sind da irgendwie einheitlich drinnen und ich kann sagen, dass diese Kunden diese Ansprechpartnerinnen und Ansprechpartner haben, dass wir diese Produkte verkaufen Und dass das irgendwo sinnvoll verknüpfbar ist, weil ansonsten wirst du immer in diesen Silos bleiben, dass du sagst okay, das ist Sales, die gehen bis zum Angebot und [00:23:00] wenn das Angebot unterschrieben ist, dann ist Sales raus. Jetzt musst du aber irgendwie es schaffen, die Rechnung die der Kunde vielleicht zu spät gezahlt hat, auf das Angebot von deinem Sales zu mappen. Wenn du durchgehende Prozesse willst. Und das musst du irgendwo vereinheitlichen Du musst aber akzeptieren dass beispielsweise dein Marketing lieber mit Hubspot arbeitet, als mit dem CRM was Sales verwendet.  Das tut weh und das nervt. Das wirst du aber in einer gewissen Organisation akzeptieren müssen. Oder dass, ich sage jetzt einfach mal, Marketing ihre Texte jetzt mit Claude schreibt, du aber dann irgendwo im Finance jemanden hast, der sagt so nee, wir sind super, wir haben jetzt... SAP und nehmen SAP Joule, um unsere Finance-Prozesse mit KI anzureichern Das ist etwas, Das wirst du leider akzeptieren müssen, auch wenn es nach unten geht, dass du sagst okay, schön, wir haben jetzt drei CRMs, weil wir fusioniert sind mit einer anderen Gesellschaft und die haben wir nie auf das CRM umgezogen oder du hast drei ERP-Systeme das ist eine [00:24:00] Wahrheit die musst du leider akzeptieren.  Und klar kann man mal so ein schönes großes Projekt machen und sagen, okay, wir machen jetzt die große SAP oder Enterprise Central von Microsoft Einführung und vereinheitlichen alles auf ein Quellsystem  Felix: Mhm.  Christian: aber bis du das geschafft hast, sind die anderen weitergelaufen. Deswegen brauchst du diese Mittelschicht wo du sagst, okay, jetzt schaffen wir so eine gewisse Datenwahrheit und daraus füttern wir die KI-Systeme daraus füttern wir die Reporting-Systeme. Also diese zentrale Schnittstelle brauchst du irgendwo. du musst aber diese Heterogenität dann gerade mit KI... Wo die Tools noch nicht so reif sind. Ich meine, keine Ahnung, Power BI gibt es seit wie vielen Jahren oder auch SAP Analytics Cloud gibt es seit über zehn Jahren. Die Dinger sind reif. Das hast du in KI noch nicht und du musst dieses Experimentieren zulassen.  Das ist die unbequeme Wahrheit die du dich als Data-Mensch jetzt stellen musst, dass du das auch erlaubst. Aber immer sagst du, hey [00:25:00] Leute, eure Ergebnisse die kommen wieder zurück. Alles, was ihr da schreibt, alle Angebote, die Sales jetzt mit KI generiert, die kommen wieder zurück, die analysieren wir und dadurch verbessern wir unsere Systeme aber das brauchst du irgendwie unbedingt, diese zentrale Schaltschnelle, diesen Knotenpunkt.  Felix: Und das nennt sich dann, ist das ein Data Warehouse, Data Lake, Data Lake House, sowas  Christian: wie du willst, ja genau, also es ist am Ende des Tages sowas. Also ich nenne es jetzt mittlerweile, bei uns heißt es intern Data Hive, aber technisch gesehen ist es ein Lake House, aber ob das dann ein data-klassisches Data Warehouse, ein Data Lake oder Lake House ist, nenn es wie du es magst und technisch kriegt man es immer irgendwie gelöst, aber du musst irgendwo so eine gewisse Vereinheitlichung reinbringen, ansonsten knallt dir das um die Ohren.  Felix: Mhm.  Christian: Also ansonsten kriegst du halt niemals diese Ãœbergreifen ansonsten bleibst du immer in den Silos und dann bleibst du [00:26:00] immer darin dass deine Wertschöpfung ist, dieses eine Silo zu optimieren aber du kriegst nie dieses Ende zu Ende hin. Weil wenn du jetzt mal in ein Beispiel rein so eine Customer-360-Grad-Betrachtung gehst  Felix: Hm?  Christian: dein Sales sagt, hey, das ist mein Top-Kunde, weil dem verkaufe ich die meisten Angebote und dann sagt deine Produktion, ja, aber der ruft von deinem Kontingent nur 75% ab und dann kommt Fine und so, übrigens, und der zahlt immer ein Vierteljahr zu spät seine Rechnungen, dann ist der Kunde in der Gesamtbetrachtung für das Gesamtunternehmen eigentlich gar nicht so geil. Aber das siehst du nicht, wenn du die  Felix: Ich wende nur in dem ein.  Christian: nicht sagen, weil Sales sagt, geil, bester Kunde. Oder halt wenn Produktion sagt so, hey, ja, das ist mein Top-Kunde, dem verschiffen wir das meiste Material, der die wenigsten Rückfragen und sonst was. Und Sales sagt so, ja, aber dem muss ich halt jedes Mal 30% Rabatt geben. Und diese Silos musst du aufbrechen.  Felix: Wie geht ihr da, also super spannender Case, da würde ich jetzt gerne nochmal reingehen aber ich glaube, das ist ja sehr, sehr universell [00:27:00] anwendbar. Wie geht ihr genau bei so einem Case dann als Data Team mit den Fachbereichen vor, weil da sind ja super viele Stakeholder dann drin, du hast diese heterogenen Systeme du hast wahrscheinlich eine ganz unterschiedliche Reife auch der Daten überall, jeder hat eine andere Meinung viel Meinung wahrscheinlich auch im Raum, ja.  Wie da was zu interpretieren ist und dann seid ihr dazwischen Wie macht ihr das, um dann dahin zu kommen, was du gerade beschrieben hast?  Christian: ganz viel reden. Ganz viel reden und wirklich blöd gesagt, musst beides machen. Du musst Top-Down und Bottom-Up machen, weil die Leute, die dann wirklich mit den Systemen arbeiten, dir mal erklären, wo tut es denn weh was nervt. Also wo ist eine Schnittstelle drin, die nervt die Zeit und Nerven kostet Wo du dann sagst okay, die kann ich jetzt mal mit, und dann oft kommt eben, und das ist, was du eingangs mal gesagt hast, kann ein AI da so ein Enabler sein? Oft sagen die [00:28:00] Leute, hey, kann ich da nicht ein AI-Tool nutzen, das und das zu machen? Dann schaust du dir das an und sagst ja, kannst du nutzen? Es geht aber auch viel einfacher. Es ist schon eine viel niederschwelligere Lösung, bringt dich schon weiter, ist schon gut, aber du musst einfach ganz viel Kommunikation machen Also ganz viel mit den Leuten reden, die Leute ernst nehmen und dir halt auch anhören.  Es ist immer dieses, ja das ist historisch gewachsen, da ist super schnell dieses Blaming, ja der Fachbereich macht das nicht, die liefern das nicht und dann schaust du mal rein und fragst, ja warum, was tut denn weh was nervt denn?  Felix: Vielen Dank.  Christian: dann, also es ist unbequem klar, das ist Zeit und dann halt sagen, okay und... Dann ist die Hausaufgabe vom Data-Bereich einfach zu sagen, okay, das wollen wir optimieren, das und das ist dann der Mehrwert wenn wir das haben. Und dann brauchst du natürlich auch noch C-Level die sagen so, yo, geil, was machen.  Felix: Wie schaffst du es, nicht nur im [00:29:00] Data-AI-Umfeld wichtig, auch in anderen Lebensbereichen oftmals, hilft oftmals, Konflikte zu vermeiden und Lösungen zu finden.   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: Wie schaffst du es, wenn du jetzt auf so einem Kunden, so einer Kundentherapie Vorhersagearbeit ist, was ist irgendwie jetzt der, was wäre denn so ein Szenario auf einem Kunden, also was wäre jetzt, also irgendwie Kunden zu klassifizieren zum Beispiel oder eine Next Best Action für einen Kunden vorzuschlagen, solche Sachen  Christian: Wir sind halt im B2B, da ist es so ein bisschen schwieriger. sind im B2B und wir sind im [00:30:00] Eisenbahnbereich. Also im B2C ist es immer einfacher zu sagen, hey, du hast eine Regenhose gekauft, magst du vielleicht auch eine Regenjacke haben? hey, du bist seit zehn Jahren Dauerkarte im Stehbereich, im Fußballstadion, willst du nicht mal upgraden jetzt, wo du so Geschäftsführer bist Richtung VIP-Lounge? Es ist ein bisschen schwieriger und bei uns ist an der Stelle immer noch viel wirklich Custom. Also wir haben einen sehr, sehr guten Sales, der sehr, sehr nah bei den Kunden ist. Und da ist bei uns immer noch ganz viel Relation Management.  Felix: Ja also glaube ich sofort, aber ihr unterstützt es ja trotzdem mit so einem Customer 360 Ansatz, wenn da jetzt so, ja, okay. Okay dann anderer Case, da kannst du ja auch was aussuchen, eine Herausforderung Die ich kenne, ist, dass wenn du ein KI-Modell hast, was Vorhersagen macht, was vorher jemand anderes gemacht hat, der das seit 100 [00:31:00] Jahren gemacht hat, wie schaffst du es, Vertrauen in die KI- Lösung oder Prediction zu bekommen, die von der Maschine kommt?  Beispiel, letztens mit jemandem gesprochen, Profi also 1. Bundesliga-Fußballverein, Stadion Auslastung. Da gab es jemand, der macht das seit dutzenden Jahren, der weiß alles und der hat eine Intuition dafür und seine inneren mentalen Datenpunkte wie der die Auslastung des Stadions vorhersagen und daraus dann die Planung ableiten kann.  Jetzt wurde ein KI-Modell dem entgegengesetzt und das war total herausfordernd. Den, diesen Menschen davon zu überzeugen auf diese Prediction zu hören, die aber viel, viel mehr Datenpunkte auswerten kann. Wie macht ihr das?  Christian: Also du musst zwei, also du musst ein paar Sachen machen. Zum einen musst du mal gucken, [00:32:00] was ist schlimmer. Also, wenn du eine Prediction hast, dann kann die entweder, sagen wir mal so, der Markus Täter, ein Freund von mir, der bei der Deutschen Bahn ist, da hat es auch so schön gesagt, bei deren Predictive Maintenance, was ist schlimmer wenn ein Ausfall vorhergesagt wird, der nicht ausfällt? Oder wenn ein Ausfall nicht vorhergesagt wird, der eintritt.  Felix: Hm.  Christian: das musst du dir bei deiner Prediction anschauen, weil alle Leute dann sofort sagen würden, ja, ein Ausfall der nicht vorhergesagt wird und eintritt ist schlimmer. Intuitiv würden die meisten Leute aus dem Bauch raus das sagen.  Felix: Ja, ich auch.  Christian: Kann aber komplett falsch sein, weil... Das ist der Normalfall. Der Normalfall ist, dass du diese Ausfälle eben eventuell nicht, also wenn der Normalfall ist, dass diese Ausfälle unerwartet eintreten, dann sind die Leute genervt wenn die rausfahren und Markus hat an der Schiene [00:33:00] gemacht, hat gesagt, die sagen, okay, an der Schiene wird irgendwas brechen höchstwahrscheinlich, der fährt da raus mit seinem Team, der stellt sein Team ab, der besorgt das Material, der fährt raus und das Ding ist perfectly fine. Der kommt pissgenervt zurück und sagt dir, Felix, was hast du mit deinem Scheißmodell hier gemacht, das Ding war super in Ordnung, ich habe jetzt 100.000 Euro für Material und drei Arbeitstage mit den drei Leuten also zwei Leute und ich, die rausgefahren sind, verschwendet wegen deinem blöden Modell.  Felix: Mhm.  Christian: Wenn das Ding ausgefallen wäre, wäre das normal gewesen und er hätte einen Emergency rausgemacht.  Und das ist so das Erste zu gucken, was ist schlimmer Sind deine Falls Positives oder deine Falls Negatives? Das ist ein bisschen fachlicher. Was ist schlimmer? Und dann mit den Leuten hinzugehen und zu sagen, okay, wir optimieren deine Schmerzpunkte Wann kriegt der Typ, der die Stadionvorhersage gemacht hat Ärger?  Ja  Felix: Mhm.  Christian: wann steht dem sein Chef mit einem hochroten Kopf im Büro und schreit da sind 500 Leute [00:34:00] vor der Tür oder keine Ahnung oder sagt, ey, die halbe Haupttribüne ist leer. Warum haben wir denn die Tickets nicht reduziert oder was auch immer. Guck dir an, was passiert. Du musst da in dieses Verständnis ein Stück mit rein und den Leuten dann immer am Anfang nicht sofort Umstände auf Hates Modell stellen Das ist wieder Kommunikation, das Modell ersetzt dich jetzt, sondern immer zu sagen, so hey, bisher hattest du die und die Daten und hast es auf dem und dem Basis gemacht, jetzt steht schon dabei, dass das ist die Wahrscheinlichkeit, diese Auslastung würde das System sagen, was sagt denn dein Bauchgefühl, was hättest du denn vorhergesagt und dann einfach mal mittracken und dann wird er auch sehen, irgendwann schielt er vielleicht rüber und sagt so boah, ich hätte auf 85% getippt, Ding sagt 87%, ja, war ich gut und dann sagt er, das Ding sagt 50% und er sagt so, Habe ich was übersehen oder hat das Modell was übersehen?  Ich habe es mit einem Freund von mir, der Thomas, der hat es auch so schön gesagt, dann hast du vielleicht einen Parameter übersehen oder das Modell hat einen Parameter nicht eingepflegt, der relevant ist, wo du weißt, ja [00:35:00] klar, es ist gleichzeitig noch, bleiben wir beim Fußball, weil es ein bisschen vorhersehbarer ist, es ist Derby weiß das Modell.  Jetzt ist es aber so, dass gleichzeitig ein Festival ist oder irgendwas anderes. Dann sagst du, okay, dann hast du, das ist ein Effekt den das Modell vielleicht nicht kannte. Oder es ist ein Feiertag die Leute sind reisebereit oder es ist fair, was auch immer. Irgendeinen Faktor hast du in deinem Modell übersehen und dann sagt die Person, freut sich, ja cool, ich war besser als das Modell. Aber dein Modell wird dadurch besser und das  Felix: Mhm.  Christian: Und so kommst du dann, dass du dem nicht sagst hey, das macht jetzt deine Arbeit, sondern hey, schau mal, wir geben dir so einen Vorschlagswert, gerade bei der Stadionauslastung das Modell hat das und das errechnet, was sagst denn du dazu?  Kommt das hin oder ist das Gürze? Am Anfang würde er natürlich ab und zu sagen, Mopper Mopper, das sind Deutsche, die meckern gerne. Aber irgendwann würde er vielleicht selber sagen, okay, steht da 87%, komm, wird schon passen. Viele Menschen sind ja auch ein bisschen faul und freuen sich, wenn da ein bisschen Arbeit vorgemacht ist.  Felix: [00:36:00] Ja gut, aber da sind wir wieder bei der Erweiterung von Menschen in vielen vielen Fällen noch und nicht durch den 1 zu 1 Ersatz.  Christian: Ja, und das ist halt auch diese Erweiterung und auch dieses nach wie vor dieses Guck was weh tut. Guck  Felix: Hm.  Christian: du musst am Anfang das Modell vielleicht auch darauf optimieren. Das ist der Unterschied zwischen technischer Optimierung... Und die inhaltliche Optimierung. Also wo du sagst es gibt auch Fälle wo einer gesagt hat, da haben die Data Scientists sich eingesperrt und haben ein Modell, was super komplex aufgesetzt, was 97% Genauigkeit hat, aber halt, keine Ahnung, 50.000 kostet zum Rechnen. Und dann sagt der Fachbereich, alles über 50% ist geil und du hast eins, was für 1.000 Euro 80% macht. Dann ärgern sich deine Data Scientists, weil sie nicht so einen geilen Scheiß bauen können.  Felix: Hm.  Christian: Aber der Fachbereich ist schon happy. Nehmen wir nochmal das Beispiel von dem Ausfall. Wenn du sagst, ich habe alle Ausfälle abgefangen, [00:37:00] wir haben keinen ungeplanten Ausfall mehr, aber dein Team ist halt die ganze Zeit unterwegs und wartet teilweise auch unnötige Sachen, auch doof für alle.  Dann muss dieses Business-Verständnis rein. Deswegen ist es ja wieder dieses Teamwork.  Felix: Ja, okay. Fachbereich, was ist eigentlich das Problem, was wir lösen wollen? Was ist eigentlich die Frage, die wir hier beantwortet haben wollen?  Christian: was tut weh Und was tut euch weh? Tut es euch mehr weh also tut es dir mehr weh wenn das Stadion halb voll ist oder tut es dir mehr weh wenn das Stadion super voll ist oder Leute nicht reinkommen oder keine Ahnung, Leute keine Tickets mehr kriegen, weil du vorher gedumpt hast, also vorher zu Dumpingpleisen rausgeschleudert hast, aber du weißt dass der Hardcore-Fanclub auch sonst was immer kurzfristig bucht. Das ist so dieses, was passiert, wenn dein Modell in die eine oder andere Richtung falsch ausschlägt?  Felix: Gehen noch mal ein bisschen, nehmen wir noch mal ein bisschen [00:38:00] die globalere Perspektive ein. Wenn ihr eure Datenstrategie entwickelt habt und umsetzt, woran misst du, ob das erfolgreich ist oder nicht? Was sind KPIs, die du nachhältst? Als Data Team müsst ihr das ja machen.  Christian: Ja, also wir haben tatsächlich einfach diese... Diese Business KPIs, also wir definieren mit den Fachbereichen die KPIs, an denen wir den Erfolg dieses Use Cases messen. Also wir haben immer eine gewisse Overhead-Kosten, also im Datenbereich hast du gewisse Overhead-Kosten für eine Plattform, die du brauchst um was vorzuhalten.  Das hast du aber... Ãœberall. Und die musst du einmal akzeptieren und sagen, ... hey, das sind die Grundkosten, die wir dafür haben. Und dann geht es wirklich am Anfang ... ... in eine Bestandsaufnahme. Die musst du irgendwo machen. Mit Marketing würdest du machen zum Beispiel, ... viele Materialien kriegen wir raus,  viele White Paper kriegen wir raus, ... wie viele Webinare halten wir. [00:39:00] Dann in der Produktion, wie viele Sensoren schaffen wir, ... wie viele Stücke Hardware haben wir heute, ... schaffen wir es derzeit zu produzieren, ... Wie viel schaffen wir in Zukunft zu produzieren? Und diese Dinger musst du am Anfang mal erfassen.  Du musst irgendwie einen groben Status Quo hinkriegen. Und je nach Datenreife ist es besser oder schlechter. Und manchmal schwerer manchmal leichter. Aber diese Gedanken musst du machen und dann tracken okay, wo will ich hin? Und sagen so, ich will ganz blöd einfach mal mehr Content, jetzt Gen-AI machen Ich will mehr Content produzieren und ich will besseren Content produzieren.  Es ist Contentmenge leicht zu messen, Contentqualität schwieriger Brauchst du wieder Proxys sind es Impressionen sind es Likes, was auch immer. Aber diesen Erfolg, wir messen es in den Use Cases Und das kann auch, gerade Gen-AI ist ein Riesenthema Produktivitätssteigerung. Da hilft es halt, wenn die Leute schon Stunden auf gewisse Projekte tracken und du dann sagen kannst, okay, jetzt schaffen sie mehr Projekte das heißt, jetzt brauchen sie weniger Zeit für das individuelle Projekt, jetzt [00:40:00] schaffen sie mehr Projekte du hast einen höheren Output. Aber das ist Use-Case-spezifisch. Es geht nicht anders. Du kannst, also das ist das Grundproblem, außer du bist eine, AI oder eine Data-Company die Daten verkauft oder KI-Produkte verkauft, dann musst du die Fachbereiche als Leverage nehmen, also als dein, du bist dann ein Enabler und das musst du akzeptieren und wenn du kein interner Dienstleister sein willst, musst du in eine AI oder Data-Company gehen und dann kannst du halt keine Ahnung wie Nielsen Panels verkaufen, ist okay. Aber ansonsten musst du es akzeptieren dass du eine Support-Function bist, das ist so.  Felix: Christian, super. Vielen Dank. Das waren echt tolle Insights. So hands-on, was dich als Data Architect so den ganzen Tag umtreibt, was ihr macht, umsetzt. Die Zeit rennt wie im Pfluger. Aber ich habe noch zwei Fragen, die ich dir stellen will. Und zwar erstens, wir sind ja im AI First Podcast, deswegen [00:41:00] muss ich dir noch entlocken.  Wie nutzt du denn eigentlich KI in deiner Arbeit?  Christian: Bei Frauscher oder zum Podcast?  Felix: Beides. Wir wollen alles  Christian: Ja. Also tatsächlich bei mir einiges an Gen-AI. Gerade im Podcast für das Umformulieren, für das Re-Wording über mehrere Kanäle, um digitale Duplikate zu vermeiden. Da nutze ich einiges an Gen-AI. Im Podcast auch viel in der Bildbearbeitung. So diese unsichtbaren Helferchen wie Hintergrund entfernen oder generatives erweitern wenn irgendjemand dir wieder fürs Cover ein abgeschnittenes Bild schickt. Genau. Und ansonsten da also selber im Alltag wirklich einiges an Gen-AI, um auch Textgenerierung zu verbessern.  Felix: Und bei Frauscher?  Christian: Ja, also auch  Felix: Auch, okay.  Christian: da Gen-AI zum Beispiel auch diese... Wenn ich [00:42:00] Drafts habe für irgendeinen Proposal oder sowas wir haben freigegebene Gen-AI-Tools, wo du dann sagen kannst, okay, jetzt formuliere mir das nochmal runter, weil jetzt habe ich es in groben Draft-Notes zusammengestellt. Das kann aber kein Mensch außer mir lesen. Bringen wir da, strukturier das mal oder dann auch Research-Technik Die Deep-Search ist in einigen Tools jetzt mittlerweile echt ganz gut geworden. Du sagst, okay, ich brauche jetzt nochmal ein paar Beispiele ich brauche ein paar Ideen Best Practices, zieh mir das.  Felix: Hast du mal mit diesen AI-Data-Analysts oder Data-Analyst-Agents gearbeitet? Was hältst davon? Wie bewertest du die? Ja, es gibt zum Beispiel von Google, in Google Collab gibt es mittlerweile einen von Gemini angetriebenen Agent, der auch recht große Datenmengen verarbeiten kann und der nutzt so ein Jupyter-System  Notebook, so ein, sagt man denn, ... ... virtuelles virtuelles Jupiter-Notebook und rödelt dann da wirklich [00:43:00] hunderte an Rechenoperationen durch und visualisiert ihr das am Ende und verarbeitet die Insights. Für mich als Laie sieht das recht spektakulär aus, aber ich ... Bin ja ein Laie. Dann sieht das halt immer irgendwie ganz beeindruckend aus.  Genauso, wenn ich jetzt in ChatGPT oder anderen Tools, die haben ja auch diesen Code Interpreter mit eingebaut um über Python Code Tabellen und sowas auswerten zu können. Mich interessiert aber, wie jemand, der da Profi ist, da drauf blickt und das bewertet.  Christian: Ich sag mal, Game of Stakes, was hängt dran, was hängt an der Entscheidung, wie zuverlässig muss es sein? Du hast bei Gen-AI, also wenn die Code ausführt, der ist zumindest deterministisch das heißt, da kommt immer das Gleiche raus. Ich sag mal so, das ist vielleicht für so einen groben Insight cool. Wir haben selber, Databricks hat einen sogenannten Genie-Space, das ist ein  Felix: Mhm.  Christian: ich sag jetzt mal ein Level rudimentärer, wo du sagst, du stellst eine fertig aufbereitete qualitätsgesicherte Tabelle zur Verfügung und dann kann [00:44:00] jemand, der kein SQL kann, Fragen stellen. Hast du die ganzen Verkäufe der letzten Jahre und sagst du, was ist das am häufigsten verkaufte Produkt? Oder was ist das umsatzstärkste Produkt? Oder was sind meine fünf umsatzstärksten Produkte Und dann schreibt er dir halt diese SQL-Query und bringt die Daten daraus und bringt dir ein schönes Ergebnis, eventuell auch mit einer Grafik.  Felix: Okay.  Christian: Das ist jetzt wieder das blöde Antwort, it depends. viel Jupyter, wie viel SQL kannst du selber? Also kannst du es troubleshooten? Im Zweifelsfall kann Jene Idea natürlich, denn wir hatten es auch schon, wir haben einen Kollegen, der gut in SQL ist im Fachbereich und der hat dann die erste SQL-Query mit diesem Ding geschrieben und hat sich seine Dinger rausgenommen und hat den SQL-Code angeschaut und meinte, ah okay, dann könnte ich ja jetzt das hier noch einmal kurz tweaken, weil der Code macht das, was ich will.  Ich will nur noch eine kleine Verbesserung. Dann muss ich nicht neu prompten sondern ich... Optimier den SQL-Code. Das ist ein Fachbereichsmensch. [00:45:00] Also wenn du den Output im Jupyter-Notebook noch verstehst, go for it. Wenn du den Output des Jupyter-Notebooks nicht beurteilen kannst, dann sei da bitte, bitte vorsichtig. Weil das Ding kann dir da auch Quatsch machen und dann sagst du, okay, hey, dann hast du in deinem Prompt irgendwas ein bisschen falsch gemacht. Das Ding rödelt dir die falsche macht einen Fehler im Jupyter oder im SQL Select und du optimierst aufs falsche Produkt. Also deswegen sage ich so, ein bisschen vorsichtig sein. Ja, die sind brauchbar aber es gibt immer noch welche, die schmeißen dir dann Pie-Charts raus und dann kriegst du halt als Data-Mensch irgendeinen Wutanfall. dann sagst du, ja, verpiss dich. Also ich glaube auch, dass da noch einiges passieren wird. Und wenn wir mal dahin kommen, dass du dann den Prompt wenn du da einen guten Prompt hast, das ist auch wieder das, wo ich sage, so out of the box, hm, weiß ich nicht.  Aber wenn du dann sagst, ich habe einen erweiterten Prompt der sagt so, hey, verwende diese und jene [00:46:00] Arten für ... Verwende Balkendiagramme für inhaltlichen Aufriss. Verwende Säulendiagramme für einen zeitlichen Aufriss. Verwende auf Constraints rein. Verwende auf keinen Fall Tortendiagramme wenn du mehr als zwei Parameter hast. Wenn du das machst und dann noch, das klappt ja schon ganz gut, dann ein Styleguide mit reinzubromen sagst du, okay, verwende Hauptfarbe das und so weiter. Das musst du aber noch machen. Also wenn du es privat nutzen willst für dich und sagen willst, hey, okay, keine Ahnung, das ist jetzt die, ich war mit meinen Kumpels oder meinen Mädels auf einer Berghütte-Tour mach mir bitte die Abrechnung teils auf nach dem und dem.  Okay, cool. Wenn du es halt im Corporate sagst und lässt jeden Monat den Sales Report drauflaufen oder was, dann solltest du dir halt mal die Prompts ordentlich schreiben und sagen, so das ist der Style Guide, so soll das aussehen und so weiter. Also dann musst du halt noch ein bisschen so jemanden wie einen Felix buchen und dir  Ein bisschen Jenny-Eye erklären  Felix: Der schreibt dann die Prompts. Wir sind jetzt schon ein bisschen drin in 2026 aber es ist [00:47:00] immer noch früh und ich glaube, wir können auch ein bisschen orakeln Du darfst jetzt noch einmal orakeln. 2026 KI, ja. Was sind deine Prognosen Was erwartet uns? Was wünschst du dir vielleicht auch?  Christian: mir wünschen würde, ist ein bisschen mehr Realismus an vielen Stellen. Also meine realistischere Erwartungshaltung an Wanda, was kann das Zeug Es kann verdammt viel, aber es ist immer noch keine Magie. Das wäre so mein Wunsch. ich glaube, dass wir sehen, und das haben wir jetzt mit den letzten Wochen Monaten mit Grog und OpenAI und sowas schon gesehen, ich glaube, wir werden nochmal einen Shift in der Spezialisierung der Companies sehen. Also das heißt sowas wie OpenAI, die haben ja jetzt diesen Erotic-Mode reingeführt, Croc ist ja jetzt dafür bekannt, Twitter zu einer Fake-Porn-Seite umfunktioniert zu haben. Ich glaube, das Dass wir da bei der Gen-AI noch eine Diversifizierung sehen in Richtung, was wird [00:48:00] B2C, also was wird Endkunden-KI und was wird Corporate-KI.  Also das auch, wenn du anschaust, für mich ist da Claude eine der Führenden für Enterprise, die halt sehr viel Wert auf Zuverlässigkeit und so weiter und Sicherheit legen, was du einfach in einem Enterprise brauchst Und da glaube ich, werden wir noch einen Divide sehen, was da hingeht.  Felix: Guter Take, habe ich jetzt schon öfter gehört und glaube, macht auf jeden Fall Sinn. Vielen Dank Christian für die Insights, hat Spaß gemacht.  Christian: Danke dir.