Felix: [00:00:00] Herzlich willkommen zum AI-First-Podcast, heute mit Maximilian Henschel von Körber. Max, schön, dass  du  dabei bist. Wird  Maximilian: Dank. Danke für die Einladung Felix. Ich freue mich, hier zu sein heute. Felix: ein spannendes Gespräch Du bist ja Principal Product Manager bei Körber für AI-Solutions. Erzähl doch mal, wie sieht so dein  Arbeitsalltag aus? Maximilian: Ja, sehr gerne. Also lass mich kurz einmal im Gesamtkontext anfangen. Körber wie ist Körber aufgebaut? Wir haben bei Körber vier Vertikalen und darüber ist die AG. Ich bin in der Vertikalen digital. Das heißt, wir sind im Endeffekt für die Digitalisierung der gesamten Gruppe, des Konzerns verantwortlich. Daneben gibt es noch Technologies, Pharma und Supply Chain. Das sind im Endeffekt unsere Sparten die wirklich den Maschinenbau und das Manufacturing die Gesamtlösungen bauen und wir machen die Digitalisierung. Und innerhalb dessen bin ich [00:01:00] im Team Venture Building slash COE Gen AI, Principal Product Manager AI Solutions Jetzt würde man nach Textbuch von einem Product Manager erwarten, dass ich so über einen Lebenszyklus ein Produkt verantworte das weiter treibe, verbessere. Das mache ich alles nicht. Was so meinen Alltag umtreibt, ist im Endeffekt eine Konstante und das ist immer zwischen dem Geschäftsverständnis unseren Mitarbeitenden in den einzelnen Vertikalen Das Geschäftsverständnis zu nehmen und zu übersetzen in die Technologie. So, und in dem Bereich bewege ich mich immer.    Also was mich im Moment sehr stark umtreibt sind unsere Top Executive Workshop-Reihe. Was wir da machen, ist im Endeffekt global unsere Top-Executives zu trainieren zum Thema Gen-AI und das beschäftigt meinen Arbeitsalltag, umfasst meinen Arbeitsalltag sehr, sehr stark. Im Moment, was jetzt im Nachgang dann passieren wird, ist, dass wir wieder zurückkommen zu Use Cases und das [00:02:00] ist auch das, was ich vorher die ganze Zeit gemacht habe, im Endeffekt sehr schnell ins Robot Prototyping zu gehen, in die Validierung zu gehen, in allen drei Dimensionen Feasibility, Disability, Viability Zu testen wenn wir Ideen haben und zu validieren, ist das etwas, wo es sich lohnt mehr Zeit, mehr Budget reinzustecken oder ist das etwas, was wir pausieren oder ist das etwas, was wir vielleicht außen am Markt auch sehen. Spannend da will ich auf jeden Fall gleich nochmal eintauchen, aber vielleicht kannst du uns nochmal einen Überblick geben, AI bei Körper, Körper erlebe ich von außen als ein... Hidden Champion, der schon vor längerer Zeit angefangen hat sich intensiv mit dem Thema Digitalisierung, Software zu beschäftigen spannende Zukäufe gemacht hat, Software immer mehr in die eigene Wertschöpfung und auch Produkte integriert und bin mir ziemlich sicher, dass künstliche Intelligenz auch gar kein neues Thema für uns ist, aber kannst du uns mal beschreiben, so KI [00:03:00] bei Körber, welche Rolle spielt die  Felix: Technologie heute für  euch? Maximilian: Genau, also KI ist bei Körper tatsächlich gar kein neues Thema und deswegen glaube ich, sind wir da auch relativ früh dran, gerade wenn wir in den Bereich, in die Industrie Maschinenbau schauen. Das ist bei uns sehr früh erkannt worden, dass nicht nur unsere Maschinen alleine die Qualität bringen oder den Mehrwert bringen für unsere Kunden, sondern wir auch die Software mit liefern müssen und auch obendrauf dann AI inkludieren sollten in die Software Und das heißt im Endeffekt einmal, dass wir natürlich in den einzelnen Sparten in den einzelnen Vertikalen wie gesagt, uns das genau anschauen und in digital nochmal sehr viel spezifischer. Digital startete damals mit der Mission, AI-enabled Ventures zu bauen. Daher kamen dann die Ventures Factory Pile beispielsweise, Inspectify, Vibe das sind die Ventures, die wir ausgegründet haben. Und genau so geht es jetzt weiter. Das heißt, AI ist überhaupt nichts Neues für uns und es ist sehr, sehr [00:04:00] klar, dass wir AI mit auf die Produkte mit die Verbindung im Endeffekt zwischen Hardware, Software und Software, Klammer auf AI noch inkludiert mit bauen sollten.   Felix: total spannend, dass ihr KI da in eure Produkte und Wertschöpfung schon integriert Kannst du uns mal ein paar Use Cases nennen? Welche Aufgabe oder welche Verbesserung durch KI dadurch erzeugt wird? Maximilian: Wenn wir auf Use Cases schauen, würde ich immer unterscheiden zwischen der Effizienzsteigerung bei internen Prozessen. Da schauen wir uns einige Use Cases an, komme ich gleich zu. Und genauso Innovation am Produkt. Innovation am Produkt können wir auf zwei Beispiele einmal schauen. Das eine ist Factory-Pile. Was Factory-Pile macht, ist anhand der Parameter der Maschine zu optimieren, dass die Performance gesteigert wird. Also eine der KPIs, die auch optimiert werden, ist OEE, also Overall Equipment Efficiency, dass die Maschine im Endeffekt optimal läuft. So, das ist wirklich Innovation an dem Produkt, auch hier getrieben durch ein Venture.[00:05:00]  Ähnliches haben wir in der Inspektion im Bereich Pharma. Wenn du beispielsweise in die Produktion von Impfstoffen schaust, dann werden die Impfstoffe in kleinen Glasbehältern transportiert beziehungsweise da auch gelagert und abgefüllt. Und was man machen muss, ganz, ganz harte Regulatoriken hier in Pharma, dass jeder einzelne Behälter angeschaut wird, ob es da Verunreinigungen gibt oder ob der Glasbehälter beschädigt ist beispielsweise. Was du hier machen kannst, ist, anstatt normale heuristische Modelle zu nehmen, wirklich über ein Vision-Modell zu schauen, Gibt es Verunreinigungen etc.? Irgendeinen Grund, dass das aussortiert werden muss. Auch dafür haben wir eine Lösung. Das ist auch hier wirklich Innovation am Produkt, Innovation an den Maschinen. Dann nochmal der Blick auf die andere Seite im Endeffekt in unsere internen Prozesse. Auch hier schauen wir uns sehr viel an, auch gerade jetzt getrieben durch GenAI, um da ganz transparent zu sein und hier fangen wir auch zum Beispiel im Sales-Bereich an. Wir schauen uns an, wie gehen wir in [00:06:00] den Quotations, wie arbeiten wir mit Quotations, wie arbeiten wir in... Felix: Vielen Dank.  Maximilian: Wie arbeiten wir, wenn wir noch einen anderen Schritt gehen, wie arbeiten wir im Service-Bereich für unsere Maschinen mit dem Kunden zusammen? Wie können wir es dem Kunden ermöglichen auch zum Teil in Self-Service zu gehen, zu der Maschine, dass wir im Endeffekt wir alle kennen die Assistants, wir alle kennen die Rack-Cases, wie können wir es ermöglichen das mit hoher Qualität, weil wenn du ins Gespräch gehst mit unseren Servicetechnikern, das sind wirklich top ausgebildete, top erfahrene Leute, Die die Maschine bis auf die letzte Schraube kennen, wie können wir sicherstellen dass eine automatisierte Lösung auch nur annähernd in diesen Bereich kommt, sodass man im Endeffekt so First-Level-Support darüber schon mal andenken kann, abzudecken. Das sind so Cases, die uns  sehr beschäftigen gerade. Felix: Also total breites Feld, was ja mal wieder auf jeden Bereich des Unternehmens [00:07:00] abstrahlt oder? Und... Ja das ist ja die Frage, wie organisiert man das eigentlich? Und da habt ihr ein AI Center of Excellence mit aufgebaut und gebt uns doch mal da einen Überblick, was macht dieses AI Center of Excellence, wie ist das strukturiert und was ist die Rolle in der Zusammenarbeit mit euren einzelnen Fachbereichen und Departments Maximilian: Auch hier nochmal etwas Kontext. Wie ist der Center of Excellence angeordnet im Gesamtkontext AI, Gen AI? Wir haben ausgehend Anfang dieses Jahres gesagt, es gibt drei Kerninitiativen für Gen AI. Das eine ist Center of Excellence, da gehen wir gleich mal genauer drauf ein. Dann gibt es den Competence Center, das ist innerhalb unserer zentralen IT-Organisation. Der Competence Center ist sehr stark fokussiert auf Gen AI, Gen-AI-Features von bestehenden Applikationen Also beispielsweise, wenn eine [00:08:00] Salesforce einen Einstein rausbringt, wenn ein SAP einen Jewel rausbringt, All das Portfolio, was wir auch so an internen Software-Tools haben, die wir nutzen, eingekauft sind. Wenn es da Features gibt, das liegt im Competence Center und dann gibt es nochmal einen sehr starken Fokus auf Gen-AI in der Softwareentwicklung. Das heißt hier beispielsweise GitHub Copilot, die Vertestung davon, Das sind im Endeffekt die drei Säulen Wir alle drei kommen immer wieder sehr stark zusammen, tauschen uns aus, weil es natürlich beispielsweise, wenn wir auf die Schnittmenge Competence Center, Center of Excellence schauen, gibt es natürlich Use Cases, die wir finden, die es vielleicht in einem Salesforce etc. oder welches Software auch immer da schon gibt und dann gehen wir rüber an den Competence Center. Das zu den beiden Säulen einmal den Fokus auf den Center of Excellence, was wir machen, wir haben im Endeffekt drei Säulen Kernpunkte auf die wir schauen, die auch sequenziell fast aufgebaut sind und sehr strategisch hergeleitet sind. Das allererste ist, wir wollen eine [00:09:00] Gen-AI-aware Mitarbeitendenbasis schaffen, also Gen-AI-Awareness hochtreiben innerhalb der gesamten Gruppe. Das zweite ist dann, wir haben Dedicated Capabilities, nennen wir das immer, das heißt, wir sind auch so das In-House-Consulting-Team für GenAI und ich sage immer, ich freue mich über jeden, der an mich herantritt das muss auch noch keine konkrete Idee sein, vielleicht ist es manchmal erstmal ein Challenging, vielleicht auch einfach bloß eine Frage, kann man das machen, ist das möglich und dann liegt es an uns zu entscheiden, da gehen wir tiefer mit rein. Wir pausieren das erstmal, wir geben erste Hinweise oder wir gehen sogar in den Workshop mit rein. Also wirklich so eine In-House-Consulting-Capability mit NIA-Ingenieurs, mit mir. Und das dritte ist dann wirklich, das läuft unter dem Titel Exposed New Business Opportunities. Also aus Gen-AI-Aware-Mitarbeitenden. Inhouse-Consulting dann auch wirklich Use Cases rauszufiltern, zu priorisieren und damit [00:10:00] weiterzugehen Weil natürlich ist es nicht getan mit Trainings und dass man da ist und drüber reden kann, sondern wir wollen es auch in die Wertschöpfung bringen und vertesten und den Leuten zur Verfügung stellen, dass man es wirklich erleben kann und in den Use Cases dann mal herausfindet wo funktioniert es gut. Das ist dann unter Exposed New Business Opportunities, was wir da dann machen, ist die Use Cases zu nehmen, Zu entwickeln und auch hier siehst du, da ist dann die Abgrenzung zum Competence-Center. Was wir machen im Center of Excellence sind dann Eigenentwicklungen. Das heißt, wir gehen wirklich in die Entwicklung von Prototypen beziehungsweise manchmal ist es dann auch der GPT oder der Assistant, so wie man es von Chat-GPT beispielsweise kennt, dass wir da, ich nenne es immer Custom-GPT, aber dass wir da einfach über Knowledge und Instructions dann so einen Assistant bauen. Das kann auch sein. Und all das vereinigt sich unter dem Center of Excellence und jetzt gerade sind wir im Endeffekt sehr, sehr fokussiert auf den allerersten Schritt, das heißt die [00:11:00] Gen-AI-Awareness hochzutreiben und was wir dafür machen, ist globale ich habe es gerade schon erwähnt globale Top-Executive-Workshops weil was wir von Anfang an gesagt haben ist, Wir werden auf der einen Seite es nicht schaffen, alle knapp 12.000 Leute von Körber direkt zu trainieren. Und mit direkt meine ich dass wir vor Ort sind und wirklich intensiv in die Workshops gehen. Und gleichzeitig müssen wir aber intensiv und breit das Wissen vermitteln. Und dann haben wir gesagt, dann gehen wir im Endeffekt top down im Sinne von über die Executives als Multiplayer in die Organisation haben dann gesagt, wir machen, wir machen, insgesamt sind wir jetzt bei fünf Workshops gerade. Es gibt noch einen extra Workshop. Wir waren dreimal in Hamburg und haben da die europäischen Kollegen abgeholt. Einmal in den USA und jetzt zuletzt waren wir in Thailand und Bangkok für die asiatischen Kollegen. Ziel des Ganzen ist, wie gesagt, im Endeffekt einmal zweiphasig also Inspire & Understand [00:12:00] ist so der erste Tag. Da geht es darum, wirklich über eigenentwickelte Demos, die wir gebaut haben, sehr spezifisch für unsere Branche und für unsere Cases, wo es relevant ist, einmal zu verstehen und wirklich hands-on zu verstehen, anhand von Demos  selber mit in die Erfahrung zu gehen, was ist möglich.  Können wir auch.  Felix: macht ihr da für  Demos? Kannst du ein  paar Beispiele  Maximilian: sehr gerne, sehr gerne. Danke der Nachfrage, über die erwähne ich immer gerne. Da haben wir wirklich auch viel Aufwand reingesteckt. Also im Endeffekt wir fangen... Was wir machen ist, wir nehmen uns so eine Dreiviertelstunde circa pro Demo und gehen dann in vier Gruppen durch die vier Demos. Warum betone ich das so? Weil eigentlich ist eine Sequenz in den Demos allerdings dadurch, dass wir in vier Gruppen sind, erlebt nur eine Gruppe dann diese perfekte Sequenz spielt aber keine Rolle im Endeffekt. Aber wie es aufgebaut ist, ist im Endeffekt wir fangen so mit dem, Was ist heute möglich? Was kann ich mitnehmen um heute nach dem Workshop direkt General anzuwenden und was wir da haben? Wir haben innerhalb der Organisation für alle Mitarbeitenden Co-Pilot for Web ausgerollt [00:13:00] also im Endeffekt in unserer gesicherten Infrastruktur eine Chat-GPT-ähnliche Lösung. Und was wir da machen, ist so Form-Things-School und Use-Cases mit den Leuten zu vertesten. Das heißt, das ist wirklich etwas, was ich direkt aus dem Workshop mitnehmen kann, kann es sofort anwenden und kann es auch mit meinem Team sofort teilen. Das zweite ist, da gehen wir so ein bisschen dann in die Zukunft, ist, wir bauen dann ein, wie gesagt, Custom-GPT und unter Custom-GPT verstehe ich, Was bei Chat-GPT als GPT läuft, im Endeffekt dass du PDF-Dateien, Knowledge hochlädst und Instruction-Prompts machst. Da gehen wir einmal rein, bauen zusammen mit den Teilnehmenden einen Custom-GPT auf, vertesten dann, iterieren auch da dran und die Leute können auch dann einfach selber mal wirklich das erleben. Kommt auch immer super an. Und dann gehen wir noch etwas weiter in die Zukunft. Was wir dann gebaut haben, ist, wir nennen das immer Shift in User Interfaces, weil wir haben uns überlegt Wenn Sprache natürliche Sprache, mittlerweile so gut verstanden wird, [00:14:00] wieso sollen wir dann noch alles eintippen Was ist denn, wenn wir mit unserer Sprache auch Dokumentation beispielsweise machen? Bei uns ist zum Beispiel ein Thema, wenn unsere Servicetechniker beim Kunden sind und da die Maschine warten oder einen Serviceeinsatz haben, gibt es natürlich immer einen Bericht am Ende. Das ist normalerweise ein Formular und wir haben uns überlegt was ist denn, Wenn wir den per Telefonat beispielsweise auf dem Weg vom Kunden im Auto zum Hotel einfach einsprechen lassen. Aber nicht nur einsprechen lassen, weil da ist die Gefahr auch, dass man auch mal was vergisst sondern wirklich in ein Interview geht. Und was wir dann haben, ist, dass du in ein Interview gehst mit einer AI-Lösung übers Telefon einfach. Das heißt, du brauchst auch vor Ort keine aktive Internetverbindung, sondern bloß der Server braucht natürlich die Internetverbindung Und was bei rauskommt, ist wirklich immer wieder, immer wieder, ich selber bin immer wieder begeistert wie gut es funktioniert, weil was bei rauskommt, ist wirklich eine sauber strukturierte Datei in dem Fall deine JSON-Datei aber aus der JSON-Datei [00:15:00] kannst du natürlich ganz verschiedene Ansichten draufpacken so wir haben dann einen Bericht im PDF-Format als Tabelle, wir haben auch einen Bericht der theoretisch an den Kunden rausgehen könnte, der etwas gefiltert ist auf die relevanten Parameter, All das ist möglich und das ist wirklich immer wieder erstaunlich wie deterministisch das Modell dann doch agieren kann, obwohl es ein probabilistisches Modell ist, weil es dann sauber diese JSON-Struktur ausfüllt und auch sicherstellt im Interview, dass alle Parameter abgefragt werden. Wie gesagt, das ist gerade einfach eine Demo, die wir für den Workshop gebaut haben, die aber hochrelevant ist auch in verschiedenen Bereichen. Und etwas in die Zukunft und dann machen wir komplett die Vision auf und gehen einmal etwas, ich würde sagen ein paar Jahre voraus dann gucken wir uns Autonomous Agents an. Wir haben dann da drei Teams im Endeffekt Ein Team ist so für Business-Validierung. Das kommt aus unserem Venture-Building-Geschäftsfeld. Dann haben wir ein Team für Stock-Analysis, was auch immer gut ankommt. [00:16:00] Und das dritte ist so ein Custom-Team, wenn wir in der Demo merken, wir wollen mal noch was Eigenes dazu bauen. Und dann haben wir verschiedene Agents die wir in einem Team zusammenpacken. Die dann entweder in beiden Szenarien entweder eine Stock-Analysis machen, je nachdem, was die Teilnehmer dann gerade mal vertesten wollen, oder eine Business-Validierung, Business-Idee-Generierung und das, das glaube ich das ist sehr sehr vorausschauend glaube ich und dauert noch ein paar Jahre, bis wir da sind, dass das in Produktion ist, aber das setzt glaube ich für die Teilnehmer immer noch mal einen guten Anker und ich merke wie danach alle von Agents gehen, was natürlich super ist, Wir müssen seit immer wieder etwas einfangen, dass wir nicht in der Woche alle mit Agents arbeiten, aber es zeigt mal, was möglich ist weit fernab von  Chat-GBT, weil du, du kennst ja Agents  genauso gut, aber du  Felix: kannst du  vielleicht, das ist, glaube ich, ein guter Punkt, vielleicht kannst du noch mal kurz den  Unterschied zwischen den Custom-GPTs und den Agents erklären. Maximilian: Ja, sehr gerne, sehr gerne. Also der große [00:17:00] Unterschied ist in der Proaktivität von den Agents. Wenn du so ein Custom GPT hast, was du ja machen kannst, ist, du stellst dann deine Frage oder deine Aufgabe und dann hast du immer so eine Response im Endeffekt Und wenn die nicht gut ist, dann musst du nochmal selber Feintuners Money Prompt reingeben und vor allem hast du ein Teammitglied weil die Analogie ziehe ich eigentlich immer sehr gerne. Wir selber in unserem Kontext wir haben auch ein sehr diverses Team, wir haben Strategic Designer, wir haben AI Engineers, wir haben Venture Architects wir haben mich und jeder hat so seine Nische, hat so seine eigene Kompetenz und in dem Kontext Und zusammenfinden als Team kommt ja dann wirklich erst die Power, dann kommt wirklich die Wertschöpfung. Und das Gleiche hast du dann im Schritt von so einem Custom GPT, wo du im Endeffekt ein selektiertes Teammitglied rausnimmst und sagst, mach mal bitte alles.  Felix: Mhm.  Maximilian: beziehungsweise mach mal bitte nur das, aber ohne Gesamtkontext, so und [00:18:00] entsprechend gut ist dann aus meiner Sicht auch die Qualität, also die ist super, wenn du halt nur diese eine Nische bearbeitest, nur diese eine Aufgabe bearbeiten willst, ist das auch super und ich bin auch riesen Fan von Custom GPTs, weil ich finde und wir sehen es auch anhand der Use Cases, die wir aus den Workshops nehmen, wir sehen dass sehr viele, ich möchte jetzt keine Prozentzahl, weil das wäre wahrscheinlich falsch, aber sehr viele würde ich behaupten Können wir zumindest schon mal vertesten über Custom GPT. Ich parke das mal gerade den Gedanken, weil dann würde ich gerne gleich nochmal drauf eingehen. Aber das ist immer für einen sehr abgesteckten Use Case. Und dann wenn wir schauen auf die Autonomous Agents wo da wirklich die Magie liegt, ist aus meiner Sicht, dass du tatsächlich ein proaktives Team herstellen kannst. Also wir haben sehr abstrakte ziele die wir definieren nicht mehr einzelne aufgaben sondern abstrakte ziele beispielsweise in der in der business validierung was wir da haben ist ein manager prozess oder einen hierarchischen prozess das heißt wir haben [00:19:00] wirklich ein ein manager innerhalb der autonomous agents zu denen immer wieder alle reporten und dieses dieser manager agent Und ist dann verantwortlich dafür, wieder zu channen, zu den Richtigen zu definieren, was sind die Aufgaben und welcher Agent übernimmt diese Aufgaben. Du kommst tatsächlich in die Simulation eines Teams und wenn du dann siehst, was wir in der Demo haben, ist, dass wir sehr, sehr präsent, das ist sehr viel zu lesen, aber sehr präsent die Gedanken der Agents mit aufschreiben und das ist wirklich beeindruckend, weil dann kommst du auch dahin, wir haben beispielsweise ein Tool, was manchmal... Manchmal nicht erreichbar ist, manchmal funktioniert es nicht ganz und wir bauen das extra, wir haben das extra so drin gelassen, wir hätten es auch verbessern können, aber wir haben das extra so drin gelassen, weil das ist super in der Moderation, weil man sieht, okay, der Agent versucht dieses Tool zu nutzen, es funktioniert nicht und dann stoppt es nicht da und [00:20:00] sagt, ja, hat nicht funktioniert, sondern überlegt weiter, okay, das Tool hat nicht funktioniert, was kann ich stattdessen machen, dann haben wir nämlich mit Absicht noch ein Fallback-Tool dafür eingebaut Und dann sehen wir tatsächlich im Verlauf, wie sehr reproduzierbar im Endeffekt auch wieder der Fallback genutzt wird. Das heißt, die Agents erkennen, ich komme nicht weiter, ich suche mir einen anderen Weg. Und was das heißt, ist, ich kann sehr abstrakte sehr High-Level-Ziele, und ich sage mit Absicht nicht Aufgaben sondern Ziele reingeben in dieses Team, Und das Team definiert für sich dann die Einzelaufgaben und kommt am Ende zu einem Resultat. Wenn wir auf das Resultat schauen, sind die manchmal überraschend sehr gut und manchmal auch nicht so gut. Und deswegen, glaube ich sind wir da von der Produktion doch noch relativ weit weg, um es robust zu machen, um es so herzustellen, gerade bei uns. Wir können nicht nur in 50 Prozent der Fälle oder wahrscheinlich kein Geschäft kann nur in 50 [00:21:00] Prozent der Fälle richtig liegen. Sondern es muss 99,99 Prozent. So, und bis wir da sind, das dauert noch ein bisschen, aber ich glaube, wir sind auf einem guten Weg und es ist super spannend  zu sehen, wie die Agents da  agieren.  Felix: Ja, mega. Also es ist ja auch klar, dass wenn diese Agents wirklich zuverlässig Ergebnisse ausspucken und man das auch zu... Kosten betreiben kann, die sich refinanzieren lassen, das wird eine so riesige Transformation auf die Art und Weise sein, wie wir in Unternehmen arbeiten, weil dann halt ein viel größerer Anteil, also was du gerade beschrieben hast, ja, dass ein Team aus Agents mit unterschiedlichen Fähigkeiten und unterschiedlichen Tools und Zugang zu Daten zusammenarbeitet und man ein Problem reinkippt oben und dieses Team erarbeitet die Lösung dafür und spuckt das wieder aus Wenn man das weiterdenkt, wird das ganz, ganz viel verändern. Ist auch ein bisschen gruselig ehrlich gesagt. Aber das wird unsere Realität [00:22:00] werden. Ich bin mir da ziemlich sicher. Ich finde es toll, dass ihr jetzt, also ich finde es cool, wie ihr das stufenweise aufgebaut habt. Also diese Prompting-School, Copilot for Web, ja sehr hands-on kann direkt auch in die Teams runtergetragen werden, dann geht ihr weiter, ja so Custom GPT, schon mal ein bisschen Komplexitätsstufe höher, mehr Optionen die man machen kann, dann dieses Voice Interface für die Techniker, wahrscheinlich cooler Use Case, den sich auch alle Sehr konkret vorstellen können und ein sehr klares Problem in eurem Day-to-Day-Business und dann nochmal so dieses Teleskop in die Zukunft genommen, wenn wir das mal weiterdenken, wo kann das eigentlich hingehen und das Ganze dann sehr hands-on an so klaren Beispielen zu zeigen die alle mit beobachten können. Was ist denn das, was bei den Teilnehmern am besten ankommt? Wo kriegt ihr das beste Feedback  für? Maximilian: Also ich würde gar nicht sagen, am besten ankommt, weil tatsächlich kommen alle Demos sehr gut an. Felix: Hm?[00:23:00]  Maximilian: Man merkt, dass sie unterschiedlich ankommen in dem Sinne, wie es dann weitergetragen wird. Und damit meine ich Copilot for Web merken wir, dass die Leute dann das wirklich aktiv auch stärker einbinden in ihren Alltag. Custom GPT merken wir, wie die Leute darüber nachdenken Ja stimmt. Ich habe die ganzen Dokumente, die ich mir immer durchlesen muss oder die ganzen Dateien, die regelmäßig immer wieder aktualisiert werden, wo ich eigentlich gerne mit chatten können möchte. Dafür brauche ich keine Agents. Also NDA-Prüfung zum Beispiel brauche ich keinen Agent für, sondern kann wunderbar ein Custom-GPT bauen als Beispiel. Und Voice Report kommt auch super an, weil sofort die Leute darüber nachdenken dass dann die Frage, die ich immer so ein bisschen stelle wo habt ihr unstrukturierte Daten oder könntet unstrukturierte Daten bekommen im Sinne von so einem Interview beispielsweise oder Voice-Aufnahmen Und hättet gerne strukturierte Daten daraus. Und [00:24:00] nehmen die Leute auch mit. Und dann, was wir merken, und da sind wir jetzt im zweiten Teil des Workshops wir hatten gerade gesagt, Inspire and Understand ist so der erste Tag, das heißt, das ist so der Deep Dive wie funktioniert eigentlich Gen AI und dann in die Demos. Und am zweiten Tag geht es dann wirklich in Apply and Deliver und damit meinen wir Use Case Generation ganz am Anfang des ersten Tages und da sehen wir sofort und da funktionieren dann die Agents auch sehr gut, wie die Leute, genau, du hast jetzt gerade Teleskop und genau dieses Teleskop brauchen wir, dass die Leute mal ihr Teleskop nehmen und schauen, wo könnten wir sein in zwei Jahren, was hätte ich gerne, wie könnte das aufgebaut sein, was sind so gerade die Probleme, die mich beschäftigen aber die mal viel, viel Ich möchte nicht sagen größer gedacht, aber aus einer ganz anderen Perspektive gedacht mit den aktuellen Möglichkeiten. Und vielleicht sind es dann auch keine Agents vielleicht bauen wir es auch anders, vielleicht bauen wir es über ein Custom-GPT, ist ja auch wunderbar, solange wir dieses Problem gelöst haben. Und das merken wir. Also insofern die wirken anders, sind [00:25:00] aber alle sehr, sehr gut bewertet Felix: Okay super spannend. Lass uns mal weitergehen und das war ja jetzt die Aware-Sparte. Vielleicht da nochmal, jetzt ist ja spannend, also jetzt macht ihr das mit den ganzen Executives. Wie bringt ihr das jetzt an eure 12.000 Leute? Was ist da das Modell dafür? Maximilian: Ja. Was wir haben, sind dann eben die Multiplier. Jetzt haben wir die erste Runde einmal durch über die Top Executives, haben da 100, 105 unserer Executives trainiert Dass die die haben auch die mission jetzt als multiplayer zu agieren so das heißt aber es gibt noch eine sehr breite masse die wir noch erreichen wollen und dann haben wir noch zwei andere formate neben diesen top executive training das sind einmal die team trainings da gehen wir dann funktion spezifisch in die teams das top executive training ist ja relativ breit das ist im endeffekt Rollen-spezifisch Team-Trainings sind dann natürlich, da können [00:26:00] wir sehr spezifisch auf ein Sales-Team, auf Marketing, Engineering sehr genau auf die einzelnen Aufgaben eingehen das machen wir und dann haben wir noch, das geht dann wahrscheinlich komplett in die Breite On-Demand-Training oder On-Demand-Videos vielmehr, On-Demand-Videos voraufgenommene Videos, die dann abgerufen werden können, je nach Thema. Also beispielsweise Prompting School haben wir dann On-Demand-Video, was zu jeder Zeit wir arbeiten ja auch weltweit im Endeffekt, ich kann auch nicht 24 Stunden erreichbar sein, deswegen haben wir gesagt, wir machen On-Demand-Videos, dass man auch frei nach Verfügung und  frei nach Zeitzone dann die Videos anschauen kann. Felix: Okay, habt ihr die selbst produziert oder arbeitet ihr da mit  jemandem extern  zusammen? Okay, ja,  Maximilian: Beziehungsweise sind wir, wir sind auch gerade im  Prozess dabei. Wir haben noch lange nicht  alles produziert  Felix: ja genau. Also auch das ist ja dann auch ein ganz schönes Unterfangen, das alles zur [00:27:00] Verfügung zu stellen. Ich arbeite da immer mehr mit Avataren, also erstellen dann AI-Avatare von Geschäftsführern oder von ... Leuten die die AI-Initiativen verantworten und die AI-Avatare präsentieren dann die Lerninhalte die wir dann auch zum Teil mit AI erstellen und können dann auch regelmäßig wieder angepasst werden, wenn sich irgendwas in der AI-Welt verändert. Maximilian: wollte es gerade sagen, wir wären ja nicht der Send-off-Excel in Gen AI, wenn wir nicht auch Gen AI in unseren eigenen  Trainings dann verwenden würden. Also genau in die Richtung  gehen wir  Felix: Ah ja, cool. Super. Schön. Dann lass uns mal zur zweiten Säule rübergehen. Das interne Consulting. Was ist hier das Ziel, was ihr erreichen möchtet? Maximilian: Wir haben gesagt, wir können nicht komplett aus unserer Warte auch all die Use Cases beispielsweise [00:28:00] definieren und dann weitergehen, sondern wir müssen es ermöglichen dass ganz dezentral die Use Cases entwickelt werden, validiert werden oder einfach mal gechallenged werden. Deswegen brauchen wir etwas. Wo wir zentral Expertise herstellen, weil das ist, glaube ich möglich, dass wir zentral Gen-AI-Expertise haben bei uns im Center of Excellence, gleichzeitig aber ganz dezentral jeder Use Cases entwickeln kann, Darüber nachdenken kann, ins Brainstorming gehen kann und das ist im Endeffekt dann die Schnittstelle nach außen, diese Inhouse-Consulting-Funktion, die wir da einnehmen, dass jeder an uns herantreten kann, wir sehr, sehr offen sind und ins Brainstorming gehen, auch mal eine Idee challengen und dann je nachdem wie weit die Idee ist, auch damit weitergehen dann in die Validierung, in die Exposed-Business-Opportunities. Das ist das eine und das zweite ist Inhouse-Consulting, was sich auch darunter fasst  Das ist aus meiner Sicht gerade so zwischen den beiden Bereichen angeordnet, [00:29:00] In-House-Consulting und Business Opportunities. Was wir auch machen, ist, wir bauen zusammen mit unseren Kolleginnen und Kollegen Custom-GPTs. Und vielleicht gehen wir da einmal kurz rein, weil ich finde, das ist eine ganz spannende Perspektive. Wir haben aus den Use-Cases, ich hatte es gerade schon erwähnt gesehen, dass viel über Custom-GPTs abgedeckt werden kann.  Felix: Vielen  Maximilian: hatten gerade Custom-GPTs definiert, ich betone es nochmal, was ich darüber verstehe weil wir trainieren dabei kein eigenes Modell, ich glaube, das ist manchmal etwas irreführend, was ich mit Custom-GPT immer meine, ist, dass wir bloß dem bestehenden Modell extra Kontext mit an die Hand geben, also PDFs welche Dateien auch immer, das zur Verfügung stellen und dann über die Instruction-Pomps sehr klar definieren,  was ist deine Aufgabe, in welchem Bereich bewegst du  dich gerade.  Felix: Nutzt ihr dafür auch ChatGPT oder habt ihr irgendwas eigenes?  Maximilian: Ja, wir sind gerade dazwischen. Wir bauen in [00:30:00] speziell gesicherten Chat-GPT-Instanzen, um es zu vertesten das ist aber nicht die Methode mit der wir dann rausgehen werden, sondern das ist gerade nur quasi die Prävalidierung, wie viel wir über Custom-GPTs bauen können und dann wollen wir eine Lösung ausrollen Die wir bei uns in der Infrastruktur laufen lassen können und die auch unsere Modelle nutzt. Und mit unseren Modellen meine ich über Azure Open AI beispielsweise in GPT-4, was dann bei uns in der Infrastruktur läuft oder weitere Modelle. Ich finde das wichtig aus zwei Gründen Einmal dass unsere Daten wirklich an keinem Punkt unsere Infrastruktur verlassen und dass wir ein Abstraction Layer einziehen zwischen der Business-Logik und den Modellen. Weil im Moment ist, ich würde immer noch sagen, GPT-4.0 ist so das beste Modell in der Breite. Es gibt Nischen, wo andere Modelle deutlich besser sind, aber ich würde immer noch sagen, wenn wir einen Prototypen bauen, fangen wir immer mit GPT-4.0 im Moment an, also Azure Open [00:31:00] AI, weil wir erstmal testen wollen, wie gut es funktioniert, und dann kann man immer noch optimieren. Also auf die Kosten müssen wir dann schauen, auf die Qualität sowieso das machen wir aber später, nur um erstmal den allerersten Prototyp zu bauen. Was ich aber sagen wollte ist, Im Moment ist das so, dass aus meiner Sicht oder sagen wir es abstrakter, im Moment ist ein Modell Marktführer nächstes Jahr oder in zwei Monaten kann das aber genauso ein anderes Modell sein. Deswegen wollte ich das gerne entkoppeln von der eigentlichen Business-Logik und mit der Lösung, die wir uns gerade anschauen Kann der Admin im Endeffekt mit einem Klick umschalten, all die Custom GPTs, all die Assistants gehen nicht mehr auf 4.0, GPT 4.0, sondern auf CLAW 3.5, etc., welches Modell auch immer, oder auf unser eigenes auf unser selbst trainiertes LLM irgendwann. Aber das war ganz wichtig, deswegen schauen wir uns das gerade an, aber deswegen sind wir gerade so ein bisschen in dieser Phase dazwischen, das heißt, wir verdesten, welche Use Cases können wir mit Custom GPTs schon aufbauen und dann kommen wir zu [00:32:00] einer Lösung, die uns auch erlaubt ist, in der Breite auszuholen. Und das ist diese Roadmap, haben wir so aufgebaut und das ist auch Ziel des Ganzen Dass wir, deswegen ist das an der Grenze zu dem Inhouse-Consulting, dass wir sehr eng in den Aufbau der Custom-GPTs mit reingehen, das heißt, wir gehen in die Experimente, wir machen einen ersten Aufschlag wie die aufgebaut sind, was sind die Instruction-Prompts, was ist das Knowledge und dann gehen wir mit unseren Subject-Matter-Experts nenne ich es mal, Gehen wir wirklich in die Experimente, was funktioniert gut, was funktioniert nicht so gut, gehen dann aber nicht zurück in unser stilles Kämmerlein und basteln weiter an dem Custom GPT, sondern nehmen die Leute mit auf die Reise sagen, ah, okay, dann passen den Instruction-Pompt hier und da so an und schreiben das so und so, nehmen noch das Wissen mit rein, die PDF-Datei was auch immer, damit... Und klar, es ist absolut gar kein Hexenwerk. Es ist eigentlich über natürliche Sprache komplett konfigurierbar. Das heißt, [00:33:00] wenn dir dann später was auffällt was nicht so funktioniert, geh rein in die Instruction Pumps, pass das an, schau ob funktioniert Wenn es nicht so gut funktioniert, dann gucken wir auch nochmal mit drauf. Aber die Reise auf die wir uns begeben wollen, ist am Anfang sehr schwierig  Sehr sehr stark in der Unterstützung bei uns und sehr stark in dem Aufbau. Das heißt, sehr ressourcenbindend für Custom-GPT-Aufbau durch Center of Excellence und unsere Schwester-Teams Dann aber so eine Mittelfase, so eine Ausrollphase, wo wir uns so langsam zurückziehen, aber User-Success-Gruppen in hoher Frequenz dann noch machen. Das heißt, dass wir dann schauen, wie gut funktioniert es was funktioniert generell nicht, was funktioniert bei bestimmten Custom-GPTs nicht, wo gibt es noch Schwachstellen, dass wir da sehr stark die Leute mit an die Hand nehmen. Um dann, das ist jetzt wieder einige Jahre wahrscheinlich vorausgedacht, an einem Punkt zu kommen, dass wir sagen, das läuft im Self-Service quasi. Wir haben dann Key-User, [00:34:00] die verantwortlich sind für diesen einen Nischen-Custom-GPT, die verantwortlich sind, die Dokumente abzudaten, Instruction-Prompt zu verwalten falls man noch was verbessern möchte, dass nicht jeder da drin spielen kann. Gleichzeitig dass wir den dann aber auch so ausrollen können, dass alle, für die es relevant ist, diesen Custom GPT nutzen. Also Beispiel kann sein, ein Legal GPT zur NDA-Prüfung beispielsweise, als Beispiel mal. Da können wir natürlich mit unserem Legal Department sehr stark jetzt in den Aufbau mit reingehen in die Instruction Prompts Dann noch weiter in den User Success, noch in hoher Frequenz mit unterstützen, aber uns so langsam zurückziehen, um dann vielleicht in ein, zwei Jahren sagen zu können, der Legal GPT läuft alleine, wird betrieben durch das Legal Department und wir sind eigentlich bloß noch in absoluten Notfällen dann zur Verfügung. Und das ist so die Idee, dass man dann einen, ich bleibe jetzt mal bei dem Beispiel, einen Standard Legal GPT NDA [00:35:00] Prüfer hat, der für die gesamte Organisation funktioniert, Und betrieben gewartet  durch das Liga-Departement. Felix: Ja, total spannend. Das klingt für mich nach einem sehr hands-on Ansatz tatsächlich, also wie du schon gesagt hast, ja, es ist eigentlich keine Raketenwissenschaft, aber ich habe es jetzt so verstanden, ihr helft dabei, erstmal die Use Cases so zu erarbeiten, gemeinsam, auch zu qualifizieren und dann halt sehr pragmatisch zu testen über Custom GPTs und dabei eure Teams aber auch recht eng zu involvieren, also ihr macht das nicht aus dem Elfenbeinturm heraus, sondern eben gemeinsam mit den Teams und die können es dann direkt auch in der Arbeit vertesten.  Maximilian: genau, also das zahlt auch wieder die drei Säulen die wir so haben, die zahlen auch aufeinander ein und da sind wir auch wieder dann bei General Awareness in dem Sinne, dass den Leuten bewusst wird, über so ein Custom GPT kann ich auch das und das mal sehr schnell bauen, so funktioniert es und für uns ist es auch super spannend, um die Anekdote vielleicht nochmal kurz zu erzählen.[00:36:00]  Für uns sehr spannend aus zwei Perspektiven Wir schauen uns das gerade an für die einzelnen Use Cases wie gut funktioniert das für Custom GPT oder mit Custom GPT und etwas höher gelagert, etwas abstrakter, wo sind die natürlichen Limitierungen von Custom GPT, damit wir als Team relativ schnell sagen können, das ist eine Custom GPT-Validierung oder das ist so eine Standard-Validierung und die Grenze dazwischen ist im Endeffekt Standard-Validierung wäre eigentlich, dass  wir einen eigenen Prototyp, also wirklich was Eigenes bauen. Und  Felix: siehst du  da die Grenzen? Maximilian: das ist super spannend, weil die Grenze versuchen wir gerade zu identifizieren. Und ich glaube, es gibt so zumindest mal zwei Kriterien, die von vornherein ein Custom GPT ausschließen. Das eine ist aus meiner Sicht gerade Bilder. Wenn du Bilder analysieren möchtest und Bilder erstellen möchtest, ist das noch nicht der Weg. Und das zweite ist, wenn du sehr viele Dokumente hast.[00:37:00]  Felix: Vielen Dank.  Maximilian: Das muss ja nicht die Anzahl der Dokumente aber auch sehr viele Informationen sein. Und genauso sind wir bei Bildern Bilder auch weitertragend auf Grafiken, alles, was du in PowerPoints beispielsweise hast, wenn all die Informationen dort abgelegt ist. Das sind so die beiden Kriterien, also wenn du viele Grafiken viele Bilder hast und wenn du sehr viele Dokumente hast und im schlimmsten Fall noch dann sehr viel Excel, sehr viel PowerPoint, das sind so die Kriterien, wo ich sagen würde, Das gucken wir uns mal anders an, das wird wahrscheinlich nicht so gut funktionieren im Custom GPT. Alles andere bin ich gerade sehr offen über den Custom GPT zu vertesten und da schauen wir gerade ehrlich gesagt, wo dann so die Grenzen sind. Also wann kommen wir an die Grenzen von der Limitierung des Instruction Prompts? Wie viel können wir wirklich über natürliche Sprache abdecken? Was wir auch merken ist, wir haben Use Cases wo es super wertvoll wäre, Noch mal eine Schleife danach zu drehen nach dem ersten [00:38:00] Response. Ich habe meinen Custom GPT gebaut, lasse jetzt, bleiben wir beim NDA, etwas abstraktes Beispiel, aber bleiben wir beim NDA. Ich evaluiere dieses NDA rein und merke es hat vielleicht einen der 20 Punkte nicht richtig geprüft Wenn ich dann sage, bitte prüft diesen Punkt noch mal, merkt es, dass es einen Fehler gemacht hat und korrigiert das auch. Da bin ich aber am Custom-GPT beschränkt, weil ich kann nicht programmatisch diese Schleife nochmal drehen lassen, sondern muss das im Endeffekt manuell durch jeden User machen lassen. Auch wenn ich im Instruction-Form schreibe, bitte prüft das noch zehnmal, funktioniert ein von zehnmal vielleicht. So, und das sind Limitierungen, die wir gerade ja auch systematisch anhand dieser Validierung versuchen rauszufinden, um dann schnell sein zu können an dem Punkt, wann kanalisieren wir das in so eine Custom-GPT-Validierung, also eine sehr schnelle Validierung. Und wann geht das  in die klassische Prototype-Validierung  mit Felix: Okay. Wie viele GPTs habt ihr aufgesetzt bisher [00:39:00] ungefähr? Maximilian: Da sind wir mittendrin, kann ich gar keine  konkrete Zahl sagen. Also was Zweistelliges. Felix: Okay, dann lassen wir die Frage raus.  Alright, dann lass uns nochmal auf die dritte Säule schauen, wo es ja dann, wie ich verstanden hatte, wirklich um die Implementierung auch von konkreten Lösungen geht. Und wie grenzt sich das ab zu dem  Inhouse-Consulting  Maximilian: Ja, wunderbar. Also ich sehe es durchaus als Sequenz, General Awareness, In-House Consulting um da nochmal Zwischenfragen loszuwerden Und dann die Exposed New Business Opportunities. Ist natürlich keine Sequenz die in dem Sinne genau so durchlaufen werden muss, sondern es kann auch sein, dass wir aus den Workshops, und so ist es auch, aus den Workshops direkt Use Cases mitnehmen, die wir dann prüfen für die Business Opportunities. Und was das heißt, ist, Wir nehmen Use Cases, priorisieren die und gehen dann in [00:40:00] die Validierung. Und wir sind jetzt, wir hatten es gerade schon angerissen über die Custom-GPT-Validierung, weil genau das fällt dann auch damit rein. Business Opportunities heißt auch hier wieder in beiden Welten entweder interne Effizienz oder neue Produkte, neue Bereiche, all das ist möglich. Und das schauen wir uns an. Wir priorisieren dann zusammen mit den Teams, was sind die wichtigen Use Cases Im Endeffekt in allererster Instanz ganz, ganz simpel Impact, also Business Impact des Use Cases und Ease of Implementation  Das ist so die allererste Priorisierung und dann gehen wir noch viel tiefer rein, aber das erlaubt uns erstmal sehr gut vorzufiltern. Warum machen wir es so? Und ich finde es sehr mächtig auch wenn es zwei halbwegs simple KPIs sind, auch in der Definition dann nicht mehr so simpel. Aber was es uns erlaubt ist, rauszufiltern, beispielsweise Quantencomputing oder wo wir ein komplett eigenes Modell für trainieren würden, das ist natürlich etwas [00:41:00] weiter. Wenn allerdings der Business Impact das wieder rechtfertigt sind wir da wieder in einer anderen Diskussion. Deswegen glaube ich zwei sehr valide KPIs sich anzuschauen und erlaubt es uns auch sehr schnell zu prüfen erstmal. Wie gesagt, dahinter steckt dann natürlich noch mehr Priorisierung und Validierung. Und was wir dann machen, ist den Use Case zu nehmen und in einem Validierungsansatz in einem Ansatz Das angelehnt ans Design-Thinking und was ich damit betonen möchte, angelehnt ans Design-Thinking deswegen, weil wir sehr, sehr eng mit den Usern arbeiten, also mit den Nutzern. Wir gehen auch hier wieder nicht in unseren Elfenbeinturm zurück, bauen etwas, kommen dann mit der aus unserer Wahrnehmung guten Lösung zurück und dann sagen alle, naja, das war es nicht, sondern gehen sehr, sehr früh rein in die, Desirability, Viability, Feasibility und vielleicht nehmen wir die drei Begriffe und packen die nochmal ganz kurz. Mit Desirability meinen wir, ist das tatsächlich ein Problem, was der Nutzer hat und erfüllen wir damit einen [00:42:00] Wunsch oder lösen wir ein Problem. Viability ist, auch wenn es dieses Problem gibt, steht dahinter ein Business-Nutzen und das kann sein Kostenminimierung oder Umsatzgenerierung oder beides Ganz simpel. Und der dritte Punkt, Feasibility, ist das etwas, was wir tatsächlich bauen können? In dem Sinne, auch hier wieder, ist es eine technische Lösung, die wir innerhalb bei uns bauen können? Ist es ein Quantencomputing-Case? Und ich mag Quantencomputing sehr. Ich nehme es jetzt bloß immer als etwas, was wir in-house nicht so schnell bauen würden. Ja. Genau, wie schnell können wir diesen Prototypen, wie schnell können wir auch die Lösungen ausbauen. So, das ist dann die Feasibility. Und Feasibility zum Beispiel ist auch genau das Segment wo wir beim Custom GPT dann merken Viability, Disability ist dann gar nicht die Frage, sondern Feasibility beim Custom GPT merken wir, wenn wir an die Gänze stoßen, dann gehen wir eben [00:43:00] raus und bauen das Ganze selber. Also wir haben auch genauso eigene Chatbots gebaut, beispielsweise wenn du Dokumente übersetzen musst, dass wir noch einen Übersetzerstreifen mit reindrehen und all das ist dann die Validierung und Ziel des Ganzen ist im Endeffekt für unsere Business Areas ein... Eine Lösung zu bauen und dann auch zu ermöglichen das in dieses Unternehmen zu  tragen, auszurollen zu nutzen. Felix: Eine wichtige Frage ist ja da auch immer, baue ich selbst oder nehme ich eine Lösung, die es am Markt gibt? Wie unterscheidet ihr dort oder bewertet das? Maximilian: Da haben wir kein Standardentscheidungskriterium, weil ich glaube, das funktioniert nicht, sondern wir schauen uns genau an, Was sind die Anforderungen? Was gibt es am Markt? Wie teuer wäre es für uns, das zu entwickeln und was lernen wir, wenn wir es selber entwickeln? Also ich persönlich bin zum Beispiel großer Fan davon, wenn es in einem [00:44:00] vernünftigen Rahmen funktioniert. Dass wir auch selber durchaus den Prototyp bauen, weil im Moment wir sind auf der Seite, glaube ich sehr gut ausgestattet dass wir relativ schnell prototypisieren können und vor allem auch die technischen Möglichkeiten erlauben es einfach, dass man sehr schnell auch einen Prototyp bauen kann. Was uns das erlaubt ist viel detaillierter und sehr viel kritischer in der Evaluierung von externen Anbietern zu sein. Weil du liest auch wenn du bei Agents schaust wenn du dir verschiedene Lösungen  anschaust, versprechen die die absolute Revolution. Und wenn du da aber selber mal einen Prototyp gebaut hast, siehst du ziemlich gut, wo sind so die Limitierungen. Dann adaptierst du nochmal, die sind vielleicht dreimal besser oder haben auch dreimal mehr Zeit gehabt als wir im Team. Und entsprechend besserst du die Lösung, aber selbst dann hast du immer noch diese Limitierung oder bist vielleicht noch nicht da. Und das erlaubt es uns sehr viel kritischer auch in den Markt zu schauen und [00:45:00] sehr viel realistischer glaube ich die Lösungen anzuschauen. So, das heißt, das ist immer der Weg Also klassisch bei Build Partner würde ich es immer nennen. Kaufen wir es, bauen wir es selber oder gehen wir in ein Venture-Clienting-Modell in dem Sinne, vielleicht gibt es schon jemand, der das angefangen hat zu bauen und wir gehen sehr frühphasig dann mit rein und als Anwender dieser Lösung. Das ist absolut der Optionsraum. Ich glaube, es ist sinnvoll, da ein Fundament zu schaffen, dass wir das sauber evaluieren können. Und vielleicht noch ein letzter Satz zu dem selber bauen. Wie entscheiden wir das auch und wie... Wie wählen wir die Technologie aus? Wir sagen AI first, läuft dieser ganze Prozess. Und AI first heißt bei uns, wir nehmen AI, Gen-AI, als Anker unsere Prozesse, unsere Produkte einmal zu hinterfragen zu challengen, was können wir besser machen, wo gibt es Potenzial? Und ob das dann am Ende aber mit AI [00:46:00] gelöst wird, das Problem, oder das, was wir als Chance erkannt haben, oder nicht, Ist eigentlich egal, solange Hauptsache das Problem wird gelöst. Wir müssen nicht hochgradig komplexe Modelle dann drauf schmeißen wenn ich es beispielsweise über ein simples Dashboard machen kann. Da bin ich der Allererste der dann sagt, lass uns das... Simpel halten, wir wollen das Problem lösen, wir sind keine Research-Einheit, die einfach neue Modelle dafür entwickeln will, wir müssen kein Modell entwickeln, um Spalten in einem CSV zu zählen, sondern wir können auch genauso die Funktion nutzen, die Shell oder die Excel anbietet. Das mal als blödes Beispiel, aber was ich damit meine ist, Wir wollen das Problem lösen. Wir sind nicht AI-Research, trotzdem denken wir AI-First. In dem Sinne, wir wissen genau, was ist gerade möglich. Wir kennen die Probleme, wir untersuchen die Probleme und benutzen das. Und die Message treiben wir auch in die Organisation. Wir nutzen das als Anker, um mal unsere Prozesse ganz kritisch hinzuhinterfragen. [00:47:00] Weil ich glaube, jeder Prozess langfristig wird durch Gen-AI angefasst  Im Sinne von, es könnte durchaus  verbessert werden.  Felix: Ja, glaube ich auch. Aber gut, dass ihr nicht mit dem AI-Hammer nur  durchs Unternehmen lauft. Maximilian: gar keinen Fall, auf gar keinen Fall, das ist ganz klar.  Felix: das  klingt, euer sequentieller Ansatz mit den drei Säulen Center of Excellence, klingt für mich total nachvollziehbar. Ein sehr strukturierter Ansatz, wie man dieses Thema ganzheitlich ins Unternehmen bringen kann, von der Awareness-Education-Seite dann eben auch rüber in konkrete Anwendungsfälle, die challengen Und in die Umsetzung bringen. Also vielen Dank, dass du uns da einmal durchgeführt hast. Kannst du uns noch sagen, wie ihr als Team aufgestellt seid? Maximilian: Als Team sind wir, da muss man auch ein bisschen in die Historie blicken. Wir kommen ursprünglich aus dem Venture-Building bei Körper Digital und ich habe auch angefangen, [00:48:00] und zwar ist auch noch der Titel unseres Teams Venture-Building, entsprechend haben wir unsere Venture-Architekts wir haben Strategic Designer Und wir haben AI-Engineers. Und dann haben wir das und mich als Product Manager im Endeffekt ja die Brücke schlägt, das haben wir als Team innerhalb, also als Kern-Team nenne ich es mal, und außenrum haben wir natürlich noch viele innerhalb von Körper Digital, die uns damit unterstützen. Das heißt, wir haben unsere Datenplattformen. Die dann die Möglichkeiten herstellt, sehr, sehr schnell auch Prototypen zu bauen, die die LLM-Anbindungen mitherstellt, all das. Also wir setzen auf einer sehr fundierten Basis auf, mit vielen Support-Functions, nenne ich es mal, wobei das keine Support-Functions in dem Sinne sind, sondern selber auch wirklich eigene Dinge schaffen. Aber wir können sie mitnutzen und auch die Dateninfrastruktur und die technologische Infrastruktur mitnutzen. Und unser Team kann dadurch sehr, sehr,  Ja sehr effizient aufgebaut werden  im Endeffekt. Also  Felix: viele Leute [00:49:00] seid ihr in dem Kernteam  Maximilian: Senior-Venture-Architekt, eine Strategic-Designerin, ein AI-Engineer und dann haben wir noch Alex, unser Lead, der als Venture-Architekt mit reinkam und dann mich als Product-Manager Felix: Was machen die  Venture-Architekten?  Maximilian: Das ist im Endeffekt wenn du dir das Gesamtprojekt anschaust, die Gesamtvalidierung, das liegt da in dem Fokus, die sind verantwortlich für das Treiben der Validierung und für das Zusammenbringen aller drei Dimensionen und vor allem innerhalb der Dimensionen dann der Fokus auf Viability. Mein Fokus liegt eher auf der Feasibility, wenn wir auf die Validierung schauen und vom Strategic Designer eher auf der Disability. Ein Schar-Architekt spannt im Endeffekt den Bogen über alles drei. Also wenn du so willst, die Projektmanager von Validierungen  und von dem, was wir  so machen.  Felix: Okay Jetzt habt ihr euren Weg gefunden, wie ihr AI in eure Organisation bringt und [00:50:00] die Teams enabelt die Lösung, die es da draußen gibt, zu verstehen und dann auch richtig einzusetzen. Was würdest du denn Unternehmen raten die auf diesem Weg noch arbeiten Ganz am Anfang stehen, was ein oder wie der Start auf der AI-Reise gelingen kann. Maximilian: Sehr gute frage Ich glaube, die absolut pauschale Antwort dafür gibt es nicht. Das kommt sehr auf die Unternehmen an. Was ich auf jeden Fall raten würde, ist mit Trainings mit Workshops zu starten. Weil du brauchst das Verständnis innerhalb der gesamten Organisation. Ich brauche überall in jedem Prozess jemanden die sich darin Anschaut wie funktioniert das gerade, was machen wir gerade, und das so halbwegs abgleicht mit den technischen Möglichkeiten. Warum sage ich halbwegs? [00:51:00] Das ist gar nicht respektierlich gemeint damit meine ich nur, nicht jeder sollte, kann der Gen-AI-Expert sein. Es sollte überhaupt gar nicht das Ziel sein, weil dann vergolden wir da sehr viel Zeit, sondern es muss so eine solide Basis dass klar ist, Was ist ein Custom-TPT? Vielleicht müssen wir nicht mehr alle 300 Dokumente alle einzeln lesen sondern können das auch anders abbilden. All sowas dass das im Kopf mitläuft und das schaffe ich über Workshops und das schaffe ich so, dass es dann in die Organisation getrieben wird und gleichzeitig brauche ich einzelne und das kann auch zentral sein, das kann auch vielleicht, wenn sich das ergibt innerhalb von Teams sein, so AI-Evangelist, AI-Expert sein, So eine zentrale Anlaufstelle oder halb zentrale Anlaufstelle an die dann Fragen herangetragen werden können, die das zentralisiert, was so in der Gesamtorganisation passiert. Ich glaube, wenn wir jetzt einmal von oben drauf schauen, wenn man es schafft, dass die gesamte Organisation Gen AI aware ist, nenne ich es jetzt mal. [00:52:00] Da haben wir überall so kleine Leuchtfeuer im besten Fall, wo sich Prozesse angeschaut werden, wo was hinterfragt wird. So, was dann aber wieder passieren muss, ist, dass das irgendwo zentral aufgefangen wird, in dem Sinne, was sind gerade die Use Cases die Priorität haben und die sich vielleicht doppeln, dass wir die wieder zusammenfinden können, gruppieren können. Damit wir nicht Leuchtfeuer haben, zwar eine Leuchtfeuer, aber alle 200 sind eigentlich genau das gleiche Sondern zehn Leuchtfeuer, die sehr unterschiedlich sind, die sich verschiedene Prozesse anschauen und das ist möglich in dieser Kombination dezentrale Use Case Identifizierung und Generierung und zentrale Priorisierung und Umsetzung und Expertise. So, wenn man es noch besser ist natürlich, wenn man dann die Expertise noch weiter tragen kann, aber ich glaube, das ist gar nicht unbedingt notwendig sondern das kannst du zentralisieren, was du überhaupt nicht zentralisieren kannst, ist dann das Geschäftsverständnis das Prozessverständnis weil das ist etwas, was die Leute [00:53:00] nur verstehen, die tagtäglich da dran sitzen  und wissen, was zu tun ist wo sind die Probleme. Felix: Und wenn ich jetzt niemanden habe, der diese AI-Expertise in meinem Unternehmen aktuell hat, Und ich aber sehe, dass das Thema immer wichtiger wird, dann muss ich mir da jemanden einstellen oder was wäre da dein Tipp? Maximilian: glaube, du kannst auch genauso von außen, also du kannst wunderbar diese Expertise von außen dazu holen im Sinne von Beratung. Ich glaube, das ist der schnellste Schritt. Einstellen ist aus meiner Sicht Mittelfristig kommt auf das Unternehmen an, wo das Unternehmen hin will und wie sich auch die Belegschaft entwickelt. Ich glaube, einstellen kann ein guter Schritt sein. Man muss sich aber auch sehr bewusst darüber sein, dass der Markt gerade sehr schwierig ist. Also es wird schwierig glaube ich, innerhalb weniger Monate da passende Ressourcen einzustellen und die auch schnell mit ins Unternehmen zu integrieren. Ich glaube, tatsächlich ist da ein guter [00:54:00] Weg, wenn es noch nicht in-house ist Herstellbar ist, dass man das dann von außen erzuholt und das funktioniert wunderbar. Aber wie gesagt, da kommen wir wieder zurück, Geschäftsverständnis muss innerhalb des Unternehmens und dezentral in den Teams bleiben, aber die Expertise kann auch zentral Aufgang sein. Wichtig ist dann nur, dass man nicht nach diesen Workshops aufhört und dann den Leuten freien Lauf lässt, weil das wird nicht funktionieren. Das wird im Endeffekt glaube ich zu einem Mix an Tools, die überall angekauft werden, Use Cases, die irgendwie versucht werden, im schlimmsten Fall auch nicht unter Beachtung der Datensicherheit und das muss man einfangen, das heißt ich glaube, und da jetzt natürlich einen leichten Bias, aber ich glaube diese Sequenz, die wir da ablaufen Das ist sehr, sehr valide und funktioniert auch gut. Die General Awareness schaffen und dann dafür sorgen, dass auch dahinter etwas passiert, dass nach dem Training es noch viel, viel weiter geht und Use Cases umgesetzt werden, aber in einem systematischen Ansatz mit priorisierten und  [00:55:00] geklusterten gruppierten Use Cases. Felix: Max vielen dank dass du deine erfahrungen von eurer reise und wir das center of excellence aufgebaut habt wird uns geteilt hast ich fand da waren echt viele spannende punkte dabei ich habe auch eine ganze menge gelernt und ich Hoffe, wir machen nochmal ein Update  in einem  Jahr. Maximilian: Ja, unbedingt, unbedingt. Oder gerne auch früher. Das Feld entwickelt sich dermaßen schnell. Wir müssen alle am Ball bleiben. Ich danke dir sehr für den Podcast, für das Interview. Und freue mich auf nächste Schritte. Felix: Bis dann.  Maximilian: Danke dir. Ciao.