[00:00:00]  Felix: Herzlich willkommen zum AI-First-Podcast. Heute habe ich Albert Heim von Hochland zu Gast. Albert ist Head of Digital Transformation, treibt die Digitalisierung, aber auch künstliche Intelligenz voran und ich freue mich heute auf das Gespräch mit dir und dir Zu lernen, was denn eigentlich künstliche Intelligenz mit einer Familienkäserei zu tun hat, die 2027, wenn ich es richtig gesehen habe, ihr 100-jähriges Jubiläum feiert. Albert: genau. Herzlichen Dank Felix: Dank Albert: ersten Tagen uns ständig weiterentwickeln. Und auch Themen, die vielleicht ein bisschen weiter weg sind, schon relativ früh angehen. Das war mit der Digitalisierung von 20, 25 Jahren so und ist jetzt seit 2020 mit KI so. [00:01:00] Ist für uns ein strategisches Thema und wir wollen uns ständig verbessern und haben es deswegen früh angegriffen und ein Stück weit zum Ende in den Invest gegangen.  Felix: Die meisten Unternehmen sind ja jetzt letztes Jahr oder vorletztes Jahr damit gestartet, weil... Der JGBT das Thema wieder an die Oberfläche gebracht hat. Wann ging es denn bei euch los? Albert: 2020 angefangen im Rahmen unserer Vision 2025. Es war wirklich, glaube ich, ein guter Zeitpunkt, um das anzufangen. Es war noch früh genug, um eben nicht jetzt von Felix: Dank. Albert: war allerdings auch spät genug, um schon einigermaßen standardisierte Modelle und verschiedene Algorithmen nutzen zu können, um auch Felix: Vielen Albert: Flamme. Aber hatten dann eben, ja, als im November 2022 der Felix: [00:02:00] Dank. Albert: A beschleunigt B ein bisschen verändert vom Fokus, aber hat uns jetzt überhaupt nicht überrollt. Wenn wir nochmal auf 2020 zurückgehen, denn dazu bewegt, künstliche Intelligenz damals schon als ein strategisches Ziel zu definieren? Naja es war schon ein Hinsetzen und Überlegen wollen wir das Visionsfeld Digitalisierung dann für Hochland definieren? Und wenn man sich dann damals schon überlegt hat, was sind denn so die riesigen Treiber, dann kam man eigentlich auf drei Dinge. Das eine sage mal ein Klassiker, interne Prozesseffizienz müssen wir machen, unser ERP-System auf Vordermann bringen und und und, Haken dran. Das zweite war, damals war ja diese Plattformökonomie noch vielleicht ein bisschen vordergründiger und Felix: Vielen Dank[00:03:00]  Albert: Und wir haben aber irgendwie schon uns hergeleitet, dass dieses Thema Machine Learning, Künstliche Intelligenz was ja damals nicht weg war, nur halt nicht so groß wie heute, einfach vor dem Hintergrund wir haben jetzt auch schon 20 Jahre lang, 25 Jahre lang digitalisiert Und jetzt Felix: Vielen Dank. Albert: mit diesem Datenschatz nochmal ganz anders arbeiten. Da muss doch irgendwas Größeres dahinter stecken. Aber was man schon raus hört, wir hatten auch keine Ahnung und so haben wir auch das strategische Ziel dann aufgesetzt und gesagt. Wir wollen das lernen, wir wollen lernen und verstehen, wo uns das hilft, wo uns das nicht hilft Felix: Vielen Dank. Albert: reingestartet um ja, dieses Buzzword zu entziffern und haben das Stück für Stück glaube ich auch gemacht. Felix: Natürlich entwickelt es sich so schnell, dass wir es heute auch noch nicht alles sehen und kennen, aber das war der Treiber, zu sagen, das ist schon ein großes Ding, das hat Potenzial und deswegen haben wir es als strategisches Ziel definiert Okay, da gehen wir gleich mal darauf ein, wie ihr dann Schritt für Schritt vorgegangen seid und auch was ihr heute [00:04:00] macht. Vorher würde ich gerne nochmal verstehen, wie wart ihr denn damals aufgestellt? Also wie sah denn eure Digitalkompetenz Technologiekompetenz, Datenkompetenz zu dem Zeitpunkt aus und was hattet ihr auch schon für... Talente im Unternehmen? Du hattest gerade angesprochen, dass ihr mit einem Partner zusammengearbeitet habt. Habt ihr das erstmal so abgebildet oder wie wart ihr da aufgestellt damals? Albert: ich würde sagen schon sehr dünn Also es war wirklich so, dass ich persönlich Felix: Vielen Dank Albert: Daten- und KI-Konferenz in Vorbereitung auf den neuen Job bei Hochland und da habe ich auch die Geschäftsführerin und Gründerin von einem Partner, von Ehrenmüller kennengelernt Und am ende des tages habe dann ich das als eins von allen themen ich habe damals allein indem in meinem bereich nebenher gemacht und das glückliche war eben das alles talent sozusagen bei ehrenmüller lag [00:05:00] die damals auch noch sehr klein waren 56 7 leute aber die sehr gut eben diese lücke gefüllt haben wirkliche Felix: Vielen Albert: bereitzustellen Ich konnte mich darum kümmern, die internen Leute, Stakeholder zusammenzubringen habe ja ein Felix: Dank. Albert: dann, wie gesagt, haben wir in den Jahren irgendwann entschieden, das müssen wir ein bisschen größer aufziehen und Und haben seitdem jetzt Felix: Vielen Dank. Albert: und Kollegen, die das Fulltime machen. Felix: Einer von der technischen Seite und eine Kollegin vom konzeptionellen Beratungs-Projektmanagement-Standpunkt Genau. Ich bin ja auch viel im Mittelstand unterwegs und die meisten Unternehmen haben sich noch nie Gedanken über ihre Daten gemacht und schon mal so ein bisschen über die IT-Landschaft, aber das ist dann auch historisch gewachsen und Die stehen dann auch vor diesem [00:06:00] Riesenberg und wissen gar nicht, wo sie anfangen sollen. Würdest du den Weg nochmal so gehen, erstmal mit einem Partner zu starten, der genau diese Kompetenzen mitbringt da eng zusammenzuarbeiten, um erstmal in die Gänge zu kommen und dann später aber auch die Strukturen intern aufzubauen? Albert: ich glaube schon. Ich denke, heutzutage muss man ein bisschen aufpassen, weil jetzt natürlich viele KI-Experten sind und man da gucken muss, an wen man kommt. Für uns war es damals perfekt, das so zu tun. Das Thema... Daten und so ein bisschen Gefühl, welche Felix: Vielen Albert: wofür aber auch nicht, das ist, glaube ich, schon wichtig, jemand intern da zu haben, damit man nicht bei der Suche nach Use Cases an der völlig falschen Felix: Dank. Albert: das muss jeder, jedes Unternehmen für sich selber, glaube ich entscheiden. Wir konnten das einigermaßen und insofern würde ich den Weg auf jeden Fall nochmal machen. wir merken auch jetzt, dass das Setup von den zwei Kolleginnen und Felix: Dank. die haben schon [00:07:00] genügend zu tun bei unserer Größe. Also es wird wahrscheinlich auch nicht immer zwei bleiben, aber die Kombination aus zwei verschiedenen Skillsets die ist, glaube ich schon, wenn man darüber nachdenkt das Thema Inhouse zu machen, notwendig weil einfach die Themenvielfalt so groß ist, Dass das einer nicht wirklich abdecken kann, meiner Meinung nach. Jetzt hattet ihr das strategische Ziel gesetzt der Nordstern die Vision stand. Wie seid ihr dann losgelaufen Was waren so die ersten Gehversuche? Was waren die ersten Anwendungsfälle? Wie seid ihr darauf gekommen? Ja Albert: Ja, also vielleicht kurz, was stand jetzt nochmal in dem Nordstein drin? Da standen im Wesentlichen oder stehen auch heute noch drei Sachen drin.  Die wir wollen KI als selbstverständliches Werkzeug bei Hochland etablieren Ja, also alle Angst wegnehmen, aber auch alle Hype wegnehmen. Wie machen wir das? Wir haben ganz klar im Zentrum dass wir mit jedem Use Case, den wir umsetzen, einen gewissen Geschäftswert erreichen wollen, einen [00:08:00] quantitativen Eurowert. Wir haben zweitens drin, dass wir fünf Visionsfelder und in jedem Felix: Dank Albert: was wir mit KI machen und wir haben einen dritten Aspekt drin, den nennen wir einfach erlebbare KI-Services, dass eine gewisse Anzahl an Kolleginnen und Kollegen wirklich auch, Selber KI-Services erlebt hat, ne, und das kommt noch aus der Zeit vor, JetGPT, drum war es damals noch nicht so anfassbar, aber jetzt kann das jeder wie googeln oder mehr oder weniger, das waren so die Aspekte. Und vor allem in Richtung des Geschäftswerts sind wir dann losgegangen und Felix: Vielen Dank. Albert: wir ja auch gesagt hatten, wir müssen da viel lernen, erstmal sehr breit über alle Bereiche geguckt, wo könnte denn was sein, und so hatten wir Ja, damals auch noch in einem Forschungsprojekt, das ehrlich gesagt glücklich zu uns kam, weil ein anderer Partner abgesprungen ist und dann waren wir halt da drin. [00:09:00] haben wir ein bisschen eher in die Produktion geguckt, also haben einmal geguckt, wir stellen ja auch Schmelzkäse oder sehr viel Schmelzkäse her und da muss man dann die Rohwaren ein bisschen oder schmelzen und pumpen und da gab es immer wieder Pumpprobleme und wir wussten nicht so richtig, wo die versuchen, okay, was Können die Maschinenparameter und die Parameter zu den Rohwaren eventuell Vorhersagen ermöglichen die sagen, Achtung ein Problem kommt und dann kann ich gegensteuern. in der Logistik ein Use Case, wo wir bisher die Tage unseren Kunden sagen, wann die Ware kommt und das für die allermeisten auch passt. Manche würde aber interessieren, naja kommt es jetzt mittags oder nachmittags wie wir das von Amazon und DHL kennen, Felix: Dank. Albert: Ist-Ablieferungswerten den genauen Lieferzeitpunkt vorhersagen, auch wenn wir den vielleicht von den Speditionen so gar nicht gemeldet bekommen. Und so hat man dann so fünf, sechs, sieben solcher Use[00:10:00]  auch nochmal in der Planungsgenauigkeit, weil damals Felix: Dank Albert: so haben wir uns ein bisschen, ja, das war noch relativ unstrategisch und relativ pragmatisch, wo gibt es Bereiche, die offen sind, die das Thema auch spannend finden und wo wir einfach mal anfangen können. Felix: Das waren jetzt keine riesen Projekte da ging es irgendwie um zwei, drei Monate, lassen wir ein bisschen was ausprobieren und so haben wir dann in den ersten ein, zwei Jahren diese Cases nach und nach gemacht und dabei vor allem viel gelernt. Neben dem, was ihr gelernt habt, was ich auch für enorm wichtig halte und wo ja auch ein Wert drin steckt, hattest du jetzt angesprochen, dass der Geschäftswert für euch enorm wichtig ist. Und eines der drei Themen unter diesem KI-Nordstern war, ich finde das oder erlebe oft, dass es gar nicht so leicht ist, den konkreten Geschäftswert wirklich [00:11:00] zu ermitteln. Kannst du mal ein Beispiel geben und wie ihr das an diesem Beispiel gemacht habt? Albert: Also ja, es ist oft nicht leicht und man muss dazu sagen, wir versuchen das auch so konsequent zu machen, wenn wir den nicht Ermitteln können, dann machen wir auch nicht weiter. Und das ist gar nicht so sehr nur, weil wir dann nicht uns brüsten können, guck mal wir haben so viel investiert und so viel rausgeholt, ein großer Aspekt für uns ist, Nur Felix: Vielen Albert: sauber herzuleiten und da geht es jetzt nicht um die Nachkommastelle, aber die Logik dahinter, hat man auch eine Klarheit, was am Ende wirklich der Use Case sein soll, wie das wirklich umgesetzt wird, also was wirklich wie von der KI gemacht wird und wodurch da in den Prozessen Veränderungen kommen. Felix: Dank. Albert: dann alle sagen, ja aber irgendwie so wirklich besser wurde es dadurch nicht. Drum hängen wir da [00:12:00] sehr, sehr stark daran. Genau. Konkrete Beispiele sind So ein bisschen verschiedener Art. Also eigentlich zwei Kategorien, würde ich sagen. Die Größe ist definitiv wir sparen Zeit. Und was Felix: Dank. Albert: mal gesagt, komm, was ist denn so ein durchschnittliches Arbeitnehmer- oder Arbeitgebergehalt? Also was setzen wir da an? Einfach wirklich Durchschnitt und was kommt da on top? Dann haben wir eine Stunde und die hat einen Felix: Vielen Dank Albert: Ablieferbelege von unseren Speditionen ja, da steht dann drauf ein Datum wann das hätte ankommen sollen und ein Stempel wann es wirklich ankam und da sind von dem einen Spediteur so 5.000 6.000 im Monat Jetzt kann man die natürlich alle sich angucken und A Felix: [00:13:00] Dank. Albert: das ist gar nicht so einfach, diese Stempelbilder auslesen zu lassen und dann eben A mit B zu vergleichen Das haben wir gemacht, das hat vorher so und so lang gedauert, dauert jetzt nur noch 5% zu lang, weil man es nochmal prüfen muss, ein, zwei Sachen, 95% hat Zeitersparnis Mal den Euro-Wert und dann habt ihr den Geschäftswert. Und so kann man das bei vielen Aufwandsreduktionsthemen machen, aber auch da, wie das hat uns eben genau dazu geführt, okay, was macht die KI? Ja, das Auslesen und das Kategorisieren. macht weiterhin eine Kollegin oder Kollege? Das Checken dieser Stati. Das braucht dann immer noch Zeit, aber ist halt eine ganz andere Aufgabe und die Zeit die jetzt frei muss man natürlich dann immer auch realistisch sein. Naja, wir können uns jetzt diesen Wert anrechnen, aber es passieren ja jetzt andere Dinge mit der Zeit. Also da muss man schon ein bisschen vorsichtig sein, aber wie Felix: [00:14:00] Vielen Dank. Albert: ja darum, Felix: Vielen Albert: Netzbetreiber also unser Energielieferant hier, ähm es ist sehr kompliziert aber einfach gesagt, Man wird belohnt wenn man einigermaßen gleichbleibenden Stromverbrauch hat und da ist eben der Ansatz, wenn wir es schaffen, vorher zu sagen, Achtung es wird morgen um 7 Uhr eine Stromlastspitze erwartet, weil dann könnten wir gegensteuern und wenn wir das eben regelmäßig tun, Felix: Dank. Albert: heißt das innerhalb von drei Monaten und dann da keine solchen Spitzen generieren, dann kriegen wir 40.000 50.000, den Betrag weiß ich jetzt gar nicht , Von dem Netzbetreiber einfach überwiesen, ja, und dann ist es ziemlich einfach, den Geschäftswert da zu berechnen. Das sind so die zwei Felix: [00:15:00] Dank also erstmal finde ich es klasse, dass die beiden Beispiele, die du gewählt hast, heutzutage könnte man ja annehmen dass man nur noch Marketing-Content mit KI erstellt oder Support-E-Mails automatisiert oder sich irgendwelche Ideen geben lässt. Aber genau das sind ja diese analytischen Use Cases mit Machine Learning, die ja heute auch noch einen Großteil der KI-Use Cases in Unternehmen ausmachen Einfach akkurate Datenauswertung oder Vorhersagen zu bekommen. Und was du jetzt geschildert hast, für mich als Außenstehender klingt das ja super. Also dann könntest du ja relativ gut vorrechnen hier spart uns das in super repetitiven Prozessen Zeit oder wir können irgendwo anders ganz klar Kosten sparen. Und das muss doch dann total die Welle im Unternehmen ausgelöst haben, so, hey, das ist ja der Wahnsinn, was geht denn jetzt noch alles und lass uns jetzt noch mehr KI-Uscases machen. War das so [00:16:00] oder war der Weg doch ein bisschen holpriger? Albert: natürlich habe ich jetzt die rausgepickt die man leicht erklären kann und schöne Zahlen hat, man muss schon dazu sagen, dass es natürlich auch einige Use Cases gibt, wo wir Felix: Vielen  Albert: kommen Felix: Vielen Dank Albert: ist schon mal ein bisschen tricky und die einzelnen Cases machen für die einzelnen Abteilungen dann definitiv viel Sinn. Ist jetzt das ganze Unternehmen, und da sprechen wir halt in der Hochland Deutschland von knapp zweieinhalbtausend Mitarbeitern da schon völlig infiziert und die Projekte über die ich jetzt gesprochen habe, die waren schon eher jetzt dieses Jahr definitiv noch nicht, aber da sind wir eigentlich auch relativ entspannt, weil wir ja sehen, was wir für einen Fortschritt machen und deswegen das, was du beschreibst, glaube ich in den nächsten ein, zwei Jahren eigentlich so unsere Erwartungen [00:17:00] steigern Felix: Vielen Dank. Albert: Game changer in der Reise war aber definitiv als wir vor jetzt knapp einem halben Jahr glaube ich Hochland tpt released haben was nur die Open AI Services via Azure Felix: Dank Albert: ChatGPT Enterprise passt für uns nicht, ChatGPT sollen die Kolleginnen und Kollegen nicht nutzen, wir müssen da irgendwas hinstellen, aber hatten da schon für uns einen Haken dran und waren aber Felix: Dank. Albert: auch von den Rückmeldungen, die wir bekommen haben, weil man sieht dann manchmal, glaube ich den Wald vor lauter Bäumen nicht mehr wenn man den ganzen Tag in irgendwelchen, so wie du es nennst analytischen Machine Learning Projekten drin ist und gleichzeitig vielleicht Großteil der Kolleginnen und Kollegen ja schon von ChatGPT gehört hat, aber es noch nie so am Arbeitsplatz erlebt hat. Und da sehen[00:18:00]  Felix: Vielen Dank. Albert: Du tippst da was rein, du kriegst direkt was zurück, du hast direkt diesen Wow-Effekt Felix: Vielen Dank. um noch ein Passwort reinzuhauen, das wollen wir auf jeden Fall jetzt weiter bespielen und da sehen wir gerade echt sehr viele positive Rückmeldungen. Da würde ich jetzt einmal gerne reingehen, weil den Geschäftswert von so einem, ich nenne es mal einen [00:19:00] KI-Assistenten ja, ist ja eigentlich so ein Schweizer Taschenmesser, so ein Chat-GBT-ähnliches Tool. Man kann unheimlich viel damit machen, aber erst mal sitzt man vor dieser Technik Diesem Schlitz und fragt, was soll ich denn da jetzt eingeben überhaupt? Und wie soll ich das in meine Prozesse und Arbeitsabläufe bringen? Wie habt ihr denn da den Geschäftswert ermittelt? Albert: ist definitiv eine Überschlagsrechnung, aber es geht wieder in die Richtung erstmal Zeitersparnis und wir haben dafür zum einen, wir haben sogenannte KI-Botschafter, die auf die Reise geschickt, also das sind Kolleginnen und Kollegen, die in einzelnen Bereichen so ein bisschen die Die naja Sparringspartner für uns sind aber auch die Bereiche kennen und das so ein bisschen als Multiplikatoren weitertragen, letztlich gefragt, dass sie mal a, inhaltlich wofür nutzt ihr es denn [00:20:00] grob E-Mails schreiben, E-Mails zusammenfassen Ideen generieren und b, bei welchen dieser Felix: Dank. Albert: zehn Prozent pro Aufgabe oder, oder, oder und haben da, das ist jetzt keine saubere wissenschaftliche Herleitung, aber halt Felix: Vielen Dank. Albert: die sind 30, 70 verteilt eingeteilt und dann jeweils eine Zeitersparnis und dann kommt man auf so einen Wert. Ja, der ist sicher nicht genau [00:21:00] richtig, aber... Das war unser Weg oder Felix: Vielen Dank. dem zu nähern und der Hauptfokus da ist für uns aber ehrlicherweise auch, naja, den Geschäftsfeld gibt es schon, aber da ist eher der Fokus, was ich vorher gesagt habe, einfacher, lebbarer KI-Service, nämlich, dass wir es schaffen, dass möglichst alle Hochländerinnen und Hochländer das regelmäßig nutzen oder was heißt regelmäßig, mindestens mal genutzt haben, das ist da eher unser Fokus den Geschäftsfeld gucken wir auch an, aber Der steht da eigentlich gar nicht so im Mittelpunkt. Ja, ich finde das total wichtig, allen Mitarbeitenden die Technologie zugänglich machen, um die Hemmschwelle abzubauen, auch Ängste zu nehmen, aber auch die Lernschleifen zu drehen. Was kann ich jetzt eigentlich... Damit machen, weil schlechter wird es ja im Zweifelsfall nicht mehr in den nächsten Jahren. Möglichkeiten werden wachsen und wenn dann das Verständnis schon dafür da ist, dann kann man ja auch die ganze Organisation so befähigen viel mehr damit zu machen. Aber genau, am Anfang sitzen dann natürlich alle erstmal davor [00:22:00] und fragen sich, was mache ich jetzt mit dem Teil? Du hattest noch angesprochen, dass JGBT Enterprise nichts für euch war und Es gibt ja auch noch andere Lösungen. Ich meine Microsoft treibt den Co-Pilot stark voran Es gibt kleinere Player, die sich vor allem auch darauf konzentrieren dass die Daten nur in der EU oder in Deutschland verarbeitet werden. Genau, man kann sich das selbst bauen. Warum habt ihr euch jetzt für den Weg entschieden, rein was das technische Setup angeht den ihr gewählt habt? Albert: wir haben, da sprechen wir jetzt schon ein Jahr her, weil bei uns manche Dinge auch Felix: Vielen Dank Albert: Mittelständlern ist sozusagen da und haben uns das Felix: Vielen Dank. Albert: als wir dann in die Richtung geguckt haben, ja was [00:23:00] machen wir denn jetzt mit JetGPT, hat Enterprise einfach nicht unsere Anforderungen erfüllt, weil es ehrlicherweise auch eine Consumer Company ist und Enterprise halt so, ja, da können wir, also aus unserer Sicht, da können wir ein bisschen Geld verdienen, aber das ist halt nicht für uns passend und gleichzeitig in unserem Azure Tenant von Microsoft sind wir halt in der EU, also haben diese Themen Felix: Vielen Albert: nutzbar, da die Azure Open AI Services in einfaches UI, da stellt Microsoft ja auch was bereit, das reinzukippen Deswegen Felix: Dank. Albert: Wir hatten Anfang des Jahres uns den Co-Pilot für Office und Teams auch genauer angeguckt aber erst mal entschieden, den nicht auszurollen Geschäftswert den haben wir Da sind wir auf nichts Vernünftiges gekommen, haben gesagt, nein, Kosten-Nutzen steht da bisher in keinem [00:24:00] schauen wir uns Ende des Jahres an und wir haben uns auch damals den, den Bing Co-Pilot, den gibt's ja auch noch, ne, also neben der Bing-Suche hast du den, den, ich weiß gar nicht, wie der heißt, Web Co-Pilot und der war damals aber noch zum einen von den Ergebnissen her im Vergleich zu ChatGPT sehr schwach und gleichzeitig haben wir versucht, von Microsoft direkt rauszufinden, naja, wo geht denn die Reise hin und da kam Eigentlich eher so raus, dass sie selber jetzt noch viele Copilot-Anfangsprodukte haben, aber das schon in irgendeine Richtung konsolidiert wird und das wird eher in Richtung dieses anderen Copilot sein und aus dem Grunde haben wir dann gesagt, okay, dann nehmen wir die OpenAI-Backend-Services mit einfachem UI und starten damit. Und jetzt sind wir heute an dem Punkt, dass wir den Bing Co-Ballad schon sehen und der ist ja doch nicht weniger geworden, sondern eher mehr und schon auch gut und jetzt schon überlegen gerade, ob wir unser heutigen Setup durch [00:25:00] den ersetzen, was hauptsächlich dagegen spricht, ist, dass wir jetzt gerade, wie du es auch gerade gesagt hast, an den Punkt kommen, dass wir immer mehr Rückmeldungen bekommen, okay, allgemein das Hochland-Subjektiv ist ganz nett, aber das kennt ja gar keine Hochland-Daten, Wie wäre es denn, wenn das, und das kann ja dann der Co-Pilot wiederum heute noch nicht so gut und deswegen bleiben wir wahrscheinlich noch bei dem Setup. Also in Summe Felix: Vielen Dank. damals uns alles angeguckt und uns dafür entschieden, wir gucken da regelmäßig drauf, aber wir glauben, dass wir diese nächsten Schritte jetzt mit Rack-Architektur Anbindung interner Daten schon weiter mit den Azure Services und eigenem UI erstmal gehen und was in dem Jahr ist, Müssen wir gucken. Genau, ich glaube, da kann noch keiner in die Zukunft schauen. Was sind denn gerade die Anforderungen von euren Mitarbeitenden jetzt im nächsten Schritt? Also über welche Arten von Datenanbindung und auch weiteren Features denkt ihr denn danach? Albert: wir haben so ein paar Basic-Features, also [00:26:00] heute ist Hochland-GPT wirklich rein Text. Zusätzliche Features sind dann das Thema Bildgenerierung, zusätzliches Feature ist das Thema File Upload also dass ich selber sagen kann, hier ist mein PDF, sag mir mal bitte, was da drin Felix: Vielen Dank. Albert: Und die bisschen größeren Use Cases, wo die Datenanwendung auch etwas tiefer geht, sind zum Beispiel Anfragen von Konsumenten also Konsumenten die unsere Produkte im Supermarkt kaufen, da kommen regelmäßig Themen rein, die kommen über Felix: Vielen Dank. Albert: das ist glaube ich jetzt keine Weltneuheit, das einem ordentlichen Chatbot in Teilen beantworten zu lassen. Das ist ein Use Case. Ein anderer Use Case ist, dass wir Interne Mitarbeiterfragen, ja, die bei der HR-Abteilung aufkommen, Durch einen internen Chatbot zu teilen beantworten lassen, ja, das ist halt die hundertste Frage nach, wie geht denn das mit dem Elterngeld und ja, es steht im Intranet aber wenn [00:27:00] man ehrlich ist, Intranet suchen, naja, dass das Felix: Vielen Dank. als Liste bereitstellen und jeder kann gucken nach Schlagworten was für ihn relevant ist, aber dieses ganze Wissen eben verknüpfen und via Chat einfacher und ein bisschen intuitiver zugänglich zu machen, sind so die drei Dinge, an denen wir jetzt aktuell konkret arbeiten. Ja, super. Ich finde die Use Cases klasse. Und da kann sich jeder was vorstellen. Das hilft sofort und ist ja auch recht niedrigschwellig umsetzbar. Ihr habt das jetzt schon an alle Mitarbeitenden ausgerollt wenn ich das richtig verstanden habe, oder? Albert: dazwischen also das Hochland GPT ist jetzt, also noch einen Schritt zurück, ich spreche heute eh nur über die Hochland Deutschland, das ist in der Hochland Gruppe die größte Landesgesellschaft, da kann man Absatz Umsatz, Mitarbeiterzahlen immer so durch [00:28:00] zwei teilen, da kommt man da drauf Felix: Vielen Dank die Zugänge haben, aber theoretisch kann es jeder nutzen. Wir sind in der Kommunikation bisher noch halb zurückhaltend also gibt es eine Digital-Community, da teilen wir das schon und die, die eh alles schnell gerne ausprobieren wollen, die haben wir schon, aber jetzt wirklich... hinterher sein, dass wir ganz in die Breite kommen, das steht jetzt erst an, weil wir natürlich auch erst mal die ersten Erfahrungen sammeln wollten, was wird angenommen, wie kann ich vielleicht auch so Prompting Guidelines dann noch bereitstellen, welche Fragen haben alle und und und, also dass wir so ein bisschen aus der Praxis sammeln, bisschen mehr Erklärung drumherum packen Schulungen drumherum packen was wir jetzt gerade tun und dann wirklich schauen, dass wir in alle letzten Ecken des Unternehmens kommen. Und ihr habt eine Gruppe an KI-Botschaftern auf Das finde ich spannend. Kannst du [00:29:00] mal erklären, was ist die Rolle von den KI-Botschaftern Wie viele sind das und wie habt ihr die gefunden? Albert: Wir haben die gefunden, fange ich mal damit an, indem wir gefragt haben, wer Lust hat, weil wir natürlich die haben wollten, die irgendwie offen sind, die das Thema irgendwie interessiert und haben gleichzeitig gesagt, wir brauchen jetzt für die einzelnen Bereiche nicht jeweils Felix: Vielen Dank Albert: so ein bisschen auswählen, aber hat eigentlich ganz gut gepasst. Und was wir dann gemacht haben, war, die alle schon nochmal so eine Basisschulung denen mitzugeben um ihre, ja, im Wesentlichen zwei Aufgaben Felix: Vielen Dank. Albert: Das eine ist, Ansprechpartner in den Bereichen zu sein. Was ist denn das ChatGPT? Einfache Fragen halt zu beantworten und da Ansprechpartner zu sein, bekannter Ansprechpartner zu sein und gleichzeitig das, was wir tun, Zum Beispiel, hey, es gibt Felix: Vielen[00:30:00]  Albert: zeige euch mal, wie das geht, Felix: Dank Albert: und nach mit ihren Bereichen stärker in Workshops konkrete Use Cases zu arbeiten. Also, ein bisschen rauskommunizieren, gleichzeitig Ansprechpartner sein und Use Cases erarbeiten, das sind so deren Projekte In ihren Aufgaben wir haben jetzt erstmal 11, sind dann noch nicht alle Bereiche, die wir haben, aber auch da, das musst du ja, das sind halt nun mal Felix: Vielen Dank. da musst du alle mitnehmen, da müssen das alle wissen, alle damit d'accord sein, da musst du denen das erklären und, und und, das dauert alles, deswegen haben wir da noch nicht in allen Bereichen welche, aber wir sind eigentlich ganz happy und genau, bauen das jetzt wie alle anderen Dinge Schritt für Schritt halt weiter aus. Wir dürfen ja auch nicht vergessen, dass es in so einem Unternehmen auch noch andere Dinge zu tun gibt, auch wenn das sehr viel Spaß macht, passiert dann auch ein bisschen was anderes. Also Ich finde das Setup klasse, hilft auch aus meiner Erfahrung [00:31:00] total, das Thema in die Breite zu bringen und in jedem Bereich sehr spezifische Anwendungsfälle zu finden und die Leute in dem Team dann fit zu machen, das auch richtig einzusetzen. Ich würde gerne noch zwei Sachen mit dir besprechen. Das eine nochmal über deine Learnings jetzt aus den letzten Jahren sprechen und dann mal einen Blick in die Zukunft werfen. Ja, was würdest du denn sagen, was wären so deine Top-3-Learnings aus eurer AI-Reise der letzten vier Jahre? Was würdest du nochmal so machen und was würdest du vielleicht auch ganz anders machen? Albert: Also, jetzt wirklich auf diese konkreten Jahre, glaube ich, war ein Learning, dass wir gut daran getan haben, anzufangen und zu lernen, Felix: Vielen Dank. Albert: setzen wir mal aus, bis das anfängt und Felix: Vielen Albert: und deswegen jetzt, ja, Relativ entspannt mit allen wahnsinnig schnellen [00:32:00] Entwicklungen umgehen können und auch so eine gewisse Ruhe dadurch reinbringen können und sagen können, keine Sorge wir haben das im Griff. Wer weiß, ob wir das haben, aber wir glauben zumindest, dass wir es haben. Also da wirklich in kleinen Schritten anzufangen zu lernen, das würde ich wieder so machen. Heutzutage wie ich es gerade vorher schon Felix: Dank. Albert: Das war jetzt in diesem Jahr das größte Learning, weil, wie gesagt, der Einstieg so einfach ist, keine Erklärung notwendig und führt vielleicht zum dritten Learning, was ich auch schon gesagt habe, dass da das Thema Datenqualität keine so große Rolle spielt, zumindest am Anfang. Und da wiederum muss man schon sagen, unser Selbstverständnis Felix: Dank. Albert: und und. Und da haben wir eigentlich gelernt, ja, viele Daten zu haben über einen langen Zeitraum ist die eine Sache, [00:33:00] aber wie komme ich an die, welche Qualität haben die und wie kann ich die denn auch verbinden, also als über einen ganzen Produktionsprozess wo vorne die Milch angeliefert wird, hinten der Käse rausfällt und noch Restprodukte drin sind, wo ich den Proteingehalt vorher sagen will, war ein Use Case. Wenn ich die nicht zusammenbringe, dann wird es halt schwer. Dann habe ich viele Datentöpfe, die überquillen aber kann ich damit in Maschinen-Learning-Projekten arbeiten? Felix: Vielen Dank. Albert: dann müsst ihr halt ABC tun, Felix: Vielen [00:34:00] Dank Albert: waren so die Haupt-Learnings jetzt auf der Reise Felix: Vielen Dank. Albert: gilt für die ganze digitale Transformation. Man muss halt immer irgendwie, was du auch gerade angedeutet hast, gucken, was ist jetzt gerade Phase. Ja, also jedes Unternehmen hat irgendwie... Mal hier ein großes Projekt, dann gehen Sachen schief, dann ist es wirtschaftlich gerade besser, es ist schlechter und du musst halt schon das verstehen und nicht denken du bist hier im KI-Elfenbeinturm und dein Thema ist das Felix: Dank so, aber wenn man da einigermaßen so mit den Schwingungen und den Wellen die es im Unternehmen gibt, arbeitet und die reitet wenn sie da sind und halt dann auch Keinen, nicht zu viel Wirbel macht, wenn die gerade nicht da sind, dann kann man so ein Thema, glaube ich in guten, [00:35:00] konsequenten Schritten ganz gut aufgleisen Das fühlt sich auf jeden Fall bisher sehr gut an bei dem Thema, gar nicht so getrieben vom Hype zu sein, sondern wirklich einigermaßen zu verstehen und dann, wenn es passt, da zu sein und dann eben auch zu liefern. Vielen Dank für's Teilen bringt einen schönen Realismus mit rein. Lass uns trotzdem noch ein bisschen in die Zukunft gucken. Wir wollen nicht zu viel über Hype sprechen, aber ich würde trotzdem gerne mal deinen Blick darauf bekommen. Was glaubst du, so ein Unternehmen wie Hochland, traditionellen Mittelständler, welche Rolle wird KI auch in den nächsten Jahren bei euch spielen und wie wird das so eine Organisation wie euch verändern? Albert: Also da muss ich ehrlich sein, habe ich immer mal wieder schon versucht darüber nachzudenken aber ich habe noch keine wirklich schlüssige Antwort für mich gefunden, deswegen Felix: Dank.[00:36:00]  Albert: ist und wir deswegen, glaube ich auch gut dran tun, gerade bei, bei uns geht es jetzt um die Vision 2030. Da pragmatisch zu bleiben, weil wir haben ja gelernt, 2020 haben wir die Vision 2025 Felix: Vielen Dank. Albert: es das Thema KI nicht, aber es hatte nicht so einen Impact und selbst da, wenn man auf die Jahre guckt, Corona, Ukraine-Krieg und so weiter, die Veränderungszyklen werden so viel schneller und das Thema KI ist so schnelllebig, da komme ich einfach, also ich sehe da bisher... Da bin ich auch ganz ehrlich. Also ich kann mir da noch nicht allzu viel Konkretes vorstellen. Gleichzeitig kann ich, glaube ich, die Floskel absolut mitgehen, dass KI in allen relevant werden wird. Und gleichzeitig gehe ich auch die Floskel absolut mit, dass sie so gut wie keine Arbeitsplätze komplett ersetzen wird, aber [00:37:00] jeder Arbeitsplatz dadurch ein Stück weit verändert wird. Und das... Das ist meiner persönlichen Meinung nach wirklich immer im Positiven, aber natürlich ist es erstmal eine Felix: Vielen Dank. Albert: immer auch ein bisschen erstmal Angst und ist was Neues und deswegen wird es, glaube ich das Hauptthema für uns sein, wenn du jetzt nach der Zukunft fragst was ist so das Wichtigste, diesen Wandel der definitiv da Felix: Vielen Albert: Rational oder pragmatisch oder ruhig den Felix: Dank ich leider nicht mit dienen heute. Albert, vielen Dank, dass du uns heute mal mit auf die Hochland-KI-Reise mitgenommen hast. Ich habe viel gelernt, vor allem was auch so in vier Jahren möglich ist, auch in einem sehr [00:38:00] traditionellen Unternehmen. Echt spannend, was ihr schon umgesetzt habt. Ich finde diesen Ansatz total klasse pragmatisch auf sich zu fahren, das zu nutzen, was heute schon geht und mit offenem Visier auf die Welt und die Entwicklung zu blicken. Und dann neue Möglichkeiten, wieder neu nach Geschäftswert zu bewerten. Auch das ist ein großes Learning. Immer vom Wert für das Unternehmen kommen, sich nicht zu sehr treiben lassen von dem, was so geredet wird und alles nochmal für das eigene Unternehmen, was man ja am besten kennt, selbst einschätzen. Vielen Dank.Albert: Spaß gemacht.