13 Jahre in der Daten- und KI-Welt: Was funktioniert wirklich?

Intro

In dieser Episode spricht Felix mit Alexander Thamm, einem der größten Daten- und KI-Pioniere Deutschlands. Alex hat vor 13 Jahren die Alexander Thamm GmbH (AT) gegründet und zu einer der führenden Daten- und KI-Beratungen in Deutschland aufgebaut. Im Gespräch teilt er seine Erfahrenswerte aus über einem Jahrzehnt KI-Arbeit – von den frühen Analytics-Tagen bei BMW über die Gen-AI-Revolution bis zu Agentic AI als neuem Paradigma. Er erklärt, warum KI-Erfolg weniger eine Frage der Technologie als der Unternehmensführung ist, warnt vor der "POC-Falle" und zeigt anhand konkreter Beispiele – von sprechenden Yachten bis zur Altenpflege – wie Unternehmen KI wirklich erfolgreich implementieren können.

Inhaltsübersicht

Von der DDR zum KI-Pionier: Alex' persönliche Gründungsgeschichte und wie aus einem Zufallsnamen eine erfolgreiche Marke wurde
Die frühen Analytics-Jahre: Wie Datenanalyse bei BMW über 200 Millionen Euro Impact generierte – und warum damals niemand zuhörte
Die Evolution von Data Analytics zu Gen-AI: Wie sich das Feld in den letzten 20 Jahren entwickelt hat und was ChatGPT wirklich veränderte
Agentic AI als Game-Changer: Was Agentic AI wirklich bedeutet und warum es mehr ist als nur ein Hype
Das Agentic Mesh-Konzept: Eine neue Denkweise für vernetzte KI-Systeme in Unternehmen – und warum der Sangria-Eimer-Ansatz scheitert
Die Garagentor-vs-Dachboden-Analogie: Warum KI-Projekte oft am Fundament scheitern
Praxisbeispiele aus verschiedenen Branchen: Von Logistikoptimierung über sprechende Yachten bis zur Altenpflege
Erfolgsfaktoren: KI muss fundamentaler Bestandteil der Geschäftsstrategie sein – nicht nur ein Projekt
Die menschliche Seite: Warum Change Management alles ist und "rasende Zwerge" nichts bewirken
Blick in die Zukunft: Bewertungsblasen, europäische Chancen und die Renaissance der Robotik

Über den Gast

Alexander Thamm ist Gründer und CEO der Alexander Thamm GmbH (AT), einer der größten Daten- und KI-Beratungen in Deutschland. Seine Reise begann als Kind in der DDR, aus der er mit sechs Jahren mit seiner Familie nach Bayern floh. Nach einem gescheiterten Internetcafé-Versuch rutschte er während seines BWL-Studiums bei BMW in die Datenanalyse und erkannte früh das massive Potenzial von Data Analytics. Vor 13 Jahren gründete er AT – der Firmenname entstand aus purem Pragmatismus auf Anraten eines Notars. Was als Übergangslösung gedacht war, wurde zur Marke, die heute als AT bekannt ist und Unternehmen auf ihrer KI-Journey begleitet.

Detaillierte Zusammenfassung

Die Gründungsgeschichte: Vom Zufall zur Strategie

Alex' Weg zum KI-Pionier ist alles andere als geradlinig. Als Kind aus der ehemaligen DDR geflohen, wollte er schon immer Unternehmer werden – beeinflusst von seinen Eltern, die nach der Flucht nach Bayern stets nach mehr strebten. Sein erster Unternehmerversuch war ein Internetcafé, das in einer "grandiosen Pleite" endete. Nach dem Zivildienst studierte er BWL und rutschte eher zufällig in die Datenanalyse bei BMW, wo er in der Fahrzeugdiagnose mit riesigen Mengen an Steuergerätedaten konfrontiert wurde.

Der Firmenname "Alexander Thamm GmbH" entstand aus purer Not: Er brauchte schnell eine GmbH für einen Auftrag, ging kurz vor dem Wochenende zum Notar – und der riet ihm pragmatisch, einfach seinen Namen zu nehmen, um keine Probleme mit Namensrechten zu bekommen. "Nehmen Sie doch mal Ihren Namen, dann haben Sie erstmal keine Probleme", war der entscheidende Ratschlag. Was als Übergangslösung gedacht war, wurde zur Marke. Alle zwei Jahre hatte Alex eine neue Idee für einen Rebrand – von ABACON (Advanced Business Analytics Consulting) bis zu anderen Begriffen – aber jedes Mal war die technologische Welle schon wieder vorbei, als die Idee fertig war. Ein genialer Kollege schlug schließlich vor, es einfach bei AT zu belassen, ähnlich wie Roland Berger oder EY. Heute ist AT die etablierte Marke.

Die frühen Jahre: Analytics als Geheimwaffe bei BMW

In den frühen 2010er Jahren war Datenanalyse noch Neuland für die meisten deutschen Unternehmen. Alex beschreibt, wie er bei BMW auf ein fundamentales Problem stieß: Auf der einen Seite gab es die IT mit ihren Oracle Data Warehouses, wo man Monate warten musste, bis eine neue Spalte in der Datenbank war. Auf der anderen Seite gab es Excel-Access-MATLAB-Monster, die mit den großen Datenmengen nicht zurechtkamen. Er fand seinen Platz an der Schnittstelle zwischen IT und Business.

Mit Tools wie SPSS und später IBM Clementine (heute Modeler) konnte er radikale Fehler im Geschäftsmodell aus den Daten ablesen – Dinge, die den Verantwortlichen "ins Gesicht sprangen", aber niemand sah sie. "Die Daten lügen mich nicht an. Die lügen schon, aber sie sind nicht böse dabei, weil sie falsch und schlecht sind." Zusammen mit innovativen BMW-Mitarbeitern – die er als "Pradidos" bezeichnet, weil Innovation oft über Praktikanten oder Doktoranden abgewälzt wurde – baute er Cases auf, die über 200 Millionen Euro Impact generierten. "Wir waren wie Rockstars, das muss man schon sagen."

Diese frühen Erfolge wurden sogar auf der IBM Information on Demand (IOD) in Las Vegas präsentiert – eine Woche Vegas, hart abgefeiert. Alex erkannte: Wer Daten richtig nutzt, hat einen massiven Wettbewerbsvorteil. Die Herausforderung war damals, dass nur sehr große Firmen die Ressourcen hatten, in diese Innovation zu investieren. Er war Teil einer Usergroup mit anderen "Freaks" – ganz vorne auf der Adoptionskurve, vielleicht die ersten ein, zwei Prozent.

Der Gen-AI-Tsunami: Evolution statt Revolution

Alex und sein Team waren bereits in Forschungsprojekten wie OpenGPTX involviert, aus dem auch Aleph Alpha und die LEAM-Initiative entstanden. Transformer und Sprachmodelle waren also bekannt. Allerdings hatte niemand – nicht einmal OpenAI selbst – die massive Adoption vorhergesehen, die ChatGPT auslöste. Er vergleicht es mit dem Webbrowser, der das Internet für alle zugänglich machte: "Die Technologie gab es schon, aber plötzlich konnte jeder sie nutzen."

Gen-AI hat die Branche demokratisiert. Kleinere Firmen und sogar Privatpersonen können jetzt in einer Stunde Ergebnisse erzielen, für die früher Monate oder Jahre nötig waren. "Von 20 Jahren Arbeit zu drei Tagen mit KI" – solche Sprünge sind heute möglich. Gleichzeitig bedeutet das auch mehr Lautstärke und neue Wettbewerber. Alex gibt offen zu, dass das anfangs auch "ein bisschen nervig" war – neue Leute kamen hoch, die auf den ersten Blick nicht die jahrelange Erfahrung hatten. "Da kommen jetzt halt so neue Leute hoch, wo man denkt, was soll das denn jetzt? Und dann fühlt man sich erstmal so ein bisschen angegriffen."

Aber er vergleicht die Situation mit dem eigenen Start: Damals waren sie die Neuen, die den etablierten BI-Firmen mit ihren "geilsten All-Up-Cubes" vorwarfen, dass Vorhersagen wichtiger seien als reine Berichte. "Vorhersagen sind immer unsicher, vor allem wenn sie die Zukunft betreffen, haha" – so wurden sie verlacht. Diese Perspektive half AT, sich neu zu erfinden – mit Fokus auf Agentic AI.

Agentic AI: Mehr als nur Chatbots

Für Alex bedeutet Agentic AI das logische Weiterdenken von KI: Es geht nicht nur um Analysen oder Empfehlungen, sondern darum, dass danach etwas passiert – "mit einem gewissen Autonomiegrad und mit einer gewissen Intelligenz". Es ist keine stupide Schleifenprogrammierung, sondern Systeme, die "links und rechts schauen können". Der Schlüssel liegt darin, dass je besser du deinen Prozess verstehst, desto besser kann auch die KI funktionieren. "Das ist ein Grundgesetz."

Je besser du deinen Prozess verstehst und dein Unternehmen verstehst, desto besser kann auch eine KI funktionieren. Das ist ein Grundgesetz.

Alex betont: Je weniger Entropie – je weniger Chaos – in deinem System, desto effektiver die Automatisierung. Das gilt auch für Prompts: Je mehr du spezifizierst, was du willst, desto besser das Ergebnis. Dieser Meta-Layer zieht sich durch alle KI-Anwendungen – von den frühen Dashboards (wo 40 Farben in einem Pie-Chart mit 80 Dimensionen auch nichts brachten) bis zu heutigen Agentensystemen.

Multiagentensysteme ermöglichen es, komplexe Aufgaben in spezialisierte Agenten aufzuteilen, die dann kollaborieren – ähnlich wie sich die menschliche Arbeitsteilung entwickelt hat. Früher gab es Menschen, die alles konnten. Dann begann die Spezialisierung. Heute haben wir den Taylorismus – und manchmal ist das zu viel des Guten. In Unternehmen führt das zur "POC-Falle": "Du hast irgendwie 400 Use Cases, die alle so irgendwie einen Mikrokosmos lösen, aber in Summe funktioniert es dann wieder nicht."

Das Agentic Mesh: Ein neues Betriebssystem für Firmen

Alex führt das Konzept des "Agentic Mesh" ein – eine Art neues Betriebssystem für Unternehmen, das sich über bestehende Strukturen legt. Das Problem: Die meisten Firmen sind funktional aufgebaut in Silos (Marketing, IT, Vertrieb, Produktion), aber Kundenprobleme verlaufen prozessorientiert über mehrere Funktionen hinweg.

Ein Beispiel von BMW: Wenn ein Auto eine Panne hat, ist das nicht die Verantwortung einer einzigen Abteilung. Die Ursache kann sein: falsch konzipiert, falsches Bauteil, falscher Lieferant, Produktionsfehler (Späne irgendwo übrig), falsche Erklärung beim Händler – oder schlicht, dass der Kunde nicht versteht, wie man einen Gang einlegt (zweistelliger Prozentbereich in der ADAC-Pannenstatistik!). "Man muss eigentlich prozessorientiert funktionieren und nicht mehr in diesen Funktionen, in diesen Ressorts, wo dann auch die Daten liegen."

Das Agentic Mesh schafft eine Verbindungsschicht zwischen diesen Silos, ohne die gesamte Organisation umbauen zu müssen. Er vergleicht es mit dem Data Mesh-Konzept, warnt aber vor dem "Sangria-Eimer-Ansatz": Im Big-Data-Hype war die Idee, einfach alle Daten in einen Data Lake zu kippen – kostet nicht viel, funktioniert. Aber: "Auf dem Malle der Sangria-Eimer. Da ist auch irgendwie alles drin, knallt auch, aber ist nicht besonders lecker und auch nicht so gesund auf Dauer." Man muss verstehen, welche Komponenten zusammenpassen – das sind Metadaten, das ist Datenarchitektur.

Viele Unternehmen stecken in der "POC-Falle": Sie bauen hunderte isolierte Use Cases, aber es fehlt die holistische Vernetzung. Eine MIT-Studie hat das kürzlich bestätigt. Das Agentic Mesh-Konzept fordert: KI-Produkte (nicht nur Projekte!) in einem vernetzten Mesh denken, das den Compounding-Effekt nutzt. Ein Agent, der alle Betriebsanleitungen gelesen hat, kann für die ganze Firma genutzt und in anderen Use Cases wiederverwendet werden.

Die Garagentor-vs-Dachboden-Analogie

In einer brillanten Metapher erklärt Alex den Unterschied zwischen einfachen und komplexen Transformationen: Ein Garagentor austauschen ist einfach – du guckst mal, ob die Größe passt, welche Farbe, ein paar Schrauben, fertig. Aber wenn du anfängst, deinen Dachboden zu sanieren, stellst du fest: Würmer im Holz, Schimmel an der Wand, kaputte Dachziegel, Statikprobleme, der Grundriss gefällt dir auch nicht mehr. Plötzlich stehst du vor der Entscheidung: Das ganze Haus abreißen.

"Ich glaube, das Bild passt eher zu dem, was wir in den Unternehmen vorfinden." Firmen kommen mit der Idee: Wir wollen besseren Kundenservice mit Chatbots. Dann merken sie: Die Chatbots erzählen Quatsch, weil die Daten fehlen oder schlecht sind. Wer pflegt die Daten eigentlich? Niemand ist zuständig. Die IT weiß nicht, was die Kunden fragen. Es braucht eine Governance. Man kommt vom Hölzchen aufs Stöckchen. "Und dann sagt man, ja, das KI-Projekt ist gescheitert."

Bei Analytics war das noch nicht so dramatisch, weil es eher um Erkenntnisse ging. Aber jetzt, mit Gen-AI und Agentic AI, wird der Gap zwischen Firmen, die ihre Hausaufgaben gemacht haben, und denen, die es nicht getan haben, riesig. Die einen sind meilenweit voraus. Die anderen hängen fest und wissen nicht, wo sie anfangen sollen. Sie stehen vor ihrem "Dachboden" und fragen: "Wo packen wir denn jetzt an?"

Praxisbeispiele: Von Logistik bis Luxusyachten

Alex teilt faszinierende Use Cases aus verschiedenen Branchen:

Marketing: Multiagentensysteme helfen, Kampagnen zu erstellen, die zur Tonalität passen und compliant sind. Verschiedene Sprachmodelle, sehr spezifisch trainiert, generieren Textvorschläge basierend auf bestehenden Inhalten (RAG). Für Marketing war Gen-AI ein Gamechanger – früher war es "Collagen basteln", Fokusgruppen, Bauchgefühl-Agenturen. Dann kam Performance-Marketing. Jetzt kommt kreative Automatisierung.

TÜV-ähnliche Organisationen: Agenten automatisieren die Erstellung komplexer, regulatorischer Berichte. Diese Berichte sind oft semi-strukturiert – gewisse Dinge müssen drin sein, gewisse Daten müssen erwähnt werden. KI kann den vorherigen Bericht "digesten", Erkenntnisse extrahieren und den nächsten Bericht schreiben – "extremer Hub an Effizienz und auch an Effektivität, weil die Berichte auch oft besser sind, weil nichts vergessen wird".

Globale Logistikkette: Ein großes Unternehmen optimiert seine Logistik in Echtzeit durch kollaborierende Agenten. Hier geht es nicht um "todesschlaue" einzelne Algorithmen (wie früher, wo Paper implementiert wurden, um 0,3 Prozent besser im Trading zu sein), sondern um Interoperabilität: Ein globales Logistiknetz in Echtzeit optimieren, sodass es auch für den Disponenten funktioniert, der ein Paket zur Post bringen muss. Klassische Optimierungsalgorithmen (wie bei DHL) stoßen an Grenzen, weil die Daten- und Informationskette gebrochen ist. Multiagentensysteme mit "Schlupf" – die links und rechts schauen können – schließen diese Lücken.

Die "Knight Rider"-Yacht: Zusammen mit Siemens Energy haben sie auf der Yachtmesse in Monaco ein System vorgestellt, mit dem man per Sprache mit seiner Yacht kommunizieren kann. Mit eigenem Frontend und App kannst du mit der Yacht reden, sie sagt dir, was nicht funktioniert. Der Schlüssel war die Anbindung an technische Dokumentation und Manuals – Foundation Models taten sich noch schwer mit technischen Details. Aber wenn es für Yachten funktioniert, funktioniert es auch für Bohrinseln oder Gasturbinen. "So ein bisschen diese Renaissance von Predictive Maintenance" – Sensordaten, Ausfälle vorhersagen, aber jetzt mit Sprachzugang für nicht so stark ausgebildete Techniker.

Altenpflege: Pflegekräfte können Fotos machen und per Sprache Fragen stellen, statt mühsam Berichte zu schreiben (für die Abrechnung mit der Krankenkasse). Sie können ein Foto von einer Wunde machen und fragen: "Kann ich das anfassen, muss ich vorsichtig sein?" Überall, wo es Fachkräftemangel und Sprachbarrieren gibt (in der Pflege oft der Fall), entstehen ganz neue Use Cases.

Erfolgsfaktoren: KI als fundamentaler Bestandteil der Geschäftsstrategie

Die "Herzensantwort" von Alex: KI muss ein fundamentaler Bestandteil der Geschäftsstrategie sein – nicht nur ein Strategiepapier alle vier Jahre, sondern ein permanenter Prozess. Der Begriff "KI-Strategie" ist sogar gefährlich, weil "Strategie" impliziert, man macht alle vier Jahre Strategietage und dann ist es fertig. Deshalb spricht AT von einer "Data-AI-Journey" – es ist ein permanenter Weg, auf dem man im ständigen Abgleich ist zwischen neuen Technologien, Projektlearnings und Unternehmensausrichtung.

Alex vergleicht es mit dem Internet: In ein paar Jahren wird es keinen Chief AI Officer mehr geben, weil KI einfach überall ist. Es gibt ja auch keinen Chief Internet Officer. Es wird weniger Chief Data, Chief Digital, Chief AI Officers geben, weil KI kein Schnupfen ist, den man einmal heilt, sondern "chronisch, ein permanenter Organismus".

Wenn ein Unternehmen trotzdem nur punktuell arbeiten will (z.B. Mittelstand, der in zwei Jahren verkauft wird), muss es sich sehr gezielt abgekapselte Themen rausgreifen – wie das Garagentor. Zum Beispiel: Neues ERP mit guter KI-Integration. Oder: Arbeitszeugnisse mit KI schreiben. Aber selbst da gibt es wieder Schnittstellen.

Der Datenkompass-Ansatz: Fang mit dem Geschäftsprozess an, nicht mit der Technologie. "Du musst wissen, was du willst" – wie in der Forschung, wo du eine Hypothese prüfst, nicht einfach wild durch die Gegend forschst. Alex fragt Kunden oft: "Was hindert dich daran, deinen Umsatz nächstes Jahr zu verdoppeln?" Diese Frage zwingt zum Nachdenken über echte Probleme, nicht über technologische Spielereien.

Ein Beispiel: Ein Müllunternehmen hatte Arbeit bis zum Abwinken, gute Margen – Müll geht immer. Ihr Problem war nicht Umsatz, sondern Fachkräftemangel. Niemand will Müllwagenfahrer sein. Die KI-Journey war also: Wie können wir Leute schneller onboarden? Wie können wir die richtigen Leute kriegen? Wie können wir unser Employer-Branding cooler machen? Diese Richtung muss erstmal klar sein. Und die wird oft von KI-Beratern gar nicht gefragt, weil die ihren "geilsten Hammer" haben, den sie in sieben Jahren Promotion gebaut haben, und dann wollen sie alles damit erschlagen. "Dann leckst du halt motiviert auf jede Schraube ein. Hauptsache, die verschwindet irgendwann in der Wand und hinterlässt dann so ein Loch."

Die menschliche Seite: Change Management ist alles

Alex wird emotional beim Thema Menschen: "Natürlich sind es aber auch die Menschen. Das ist auch so abgedroschen, aber das sind halt die Menschen." Bei einem Kunden blockiert der Betriebsrat komplett, weil die Fronten verhärtet sind. Und das ist nachvollziehbar: Wenn du 40 Jahre lang für eine Firma gearbeitet hast, persönliche Opfer gebracht hast (krank geworden am Band, Kontakt mit giftigen Substanzen, Frau hat sich getrennt wegen Überstunden, Kinder nicht gesehen), und dann kommt jemand Smartes und sagt, dass KI das in fünf Minuten erledigt – wie würdest du reagieren?

Firmen müssen umgebaut werden, aber die Menschen müssen mitgenommen werden. "Rasende Zwerge" nennt Alex die hochmotivierten Berater (oft 40 Leute von Top-Beratungen), die durch Organisationen wuseln, alles super motiviert sind, Eins-Nuller-Streber, die nicht schlafen. Die Zahlen sehen geil aus, dann sind sie wieder weg. Zurück bleibt ein Dude, der das umsetzen soll, was 40 Berater gemacht haben. "Wie soll das klappen? Das schaffe ich nicht."

Von 20 Jahren Arbeit zu drei Tagen mit KI. Die Mitarbeiterin hatte Tränen in den Augen. Das war am Ende viel mehr Impact als alle Reden über Singapur-Projekte.

Stattdessen braucht es: Menschen mitnehmen, Erfolge kommunizieren, interne Marketingkampagnen. Ein Beispiel: Eine Mitarbeiterin bei einem Fachverlag hatte eine Aufgabe, die 20 Jahre gedauert hätte. In einem dreitägigen Hackathon baute das AT-Team mit ihr zusammen ein Tool – sie konnte die Aufgabe in zwei, drei Monaten schaffen. Sie präsentierte das vor der gesamten Firma (inklusive Eigentümer und Vorstand) – mit Tränen in den Augen. Das war der Impact. Die anderen dachten: "Wenn die das in drei Tagen hingekriegt hat mit diesen komischen Thumbs da, sollten wir es vielleicht auch mal versuchen."

Das war viel anschlussfähiger als alle Hochglanzpräsentationen von Singapur-Projekten oder 80-Prozent-auf-alles-Folien. Aber: Diese Erfolge muss man kommunizieren, "bis es wehtut, bis es keiner mehr sehen kann. Und dann nochmal." T-Shirts machen, Socken draus machen, Mützen, Avatar, ans Eingangsschild hängen. In Europa ist man ungern so laut, weil man denkt: "Wenn wir darüber reden, dass das funktioniert hat, kriegen wir nächstes Jahr höhere Ziele, weniger Budget, weniger Leute." Aber genau das ist falsch. Man muss den Freiraum und die Legitimation schaffen – und natürlich muss man es auch inzentivieren (sprich: mit Geld belohnen). Wenn du sagst, "Hey, ihr habt 80 Prozent gespart, nächstes Jahr kriegt ihr 80 Prozent weniger Budget", machst du das einmal – und danach weiß jeder: "Oh, nee, hat nichts gebracht."

Blick in die Zukunft: Bewertungen, Europa und neue Technologien

Alex ist skeptisch gegenüber den exorbitanten Bewertungen der großen AI-Player. Er sieht einen Disconnect zwischen den Multiples, die wir täglich bei OpenAI, Anthropic, Google sehen, und dem, was in der Praxis wirklich funktioniert. Die In-Sight-Geschäfte (z.B. Microsoft gibt OpenAI Funding, wird aber in Hardware bezahlt) finden in einem kleinen Kreis statt – aber die täglichen Probleme, an denen Projekte scheitern, korrelieren nicht mit diesen Bewertungen.

Er hat alle seine Aktien verkauft, auch von seinen Kindern (MSCI World etc.), und überlegt, ein paar Tech-Aktien zu shorten – "soll jetzt keine Empfehlung sein". Das Narrativ von Jeff Bezos – "Beim Internet war es auch so, Infrastruktur wurde verlegt, Yahoo ging pleite, aber dann kamen die Nächsten" – hält er für falsch. Ein Rechenzentrum ist in zwei, drei Jahren veraltet – nicht wie Internetkabel, die für immer im Boden bleiben.

Er glaubt nicht stark an die Superintelligenz (AGI) – zumindest nicht im Hier und Jetzt. "Größenwahnsinnig" nennt er manche Ankündigungen (z.B. OpenAI baut noch ein iPhone-Amulett, dann Roboter, dann vielleicht Autos). "Die haben ja nicht irgendwie Kernfusion erfunden." Technologisch ist es beeindruckend, aber kein fundamentaler Durchbruch wie Kernfusion.

Was er spannend findet:

Agentic AI wird in den nächsten ein, zwei Jahren stark wachsen, weil der Ansatz Sinn macht und viele Strömungen (IoT, RPA, Prozessautomatisierung) zusammenkommen.
Robotik: Agenten bekommen einen Körper – Robotik erlebt eine Renaissance. Nicht nur in der Produktion, auch im Bereich Defense (Drohnen, die sich gegenseitig bekämpfen – schöner wäre es, wenn es das nicht gäbe).
One-Person-Unicorns: Vielleicht nicht ganz, aber neue Firmen entstehen, die mit kleinen Teams große Wirkung erzielen. Alex selbst nutzt Gen-AI im Alltag – z.B. um verschiedene Garagentor-Designs in Photoshop-Qualität in Sekunden zu vergleichen, wofür er früher Stunden gebraucht hätte.
Neue Player vs. etablierte Firmen: Wer setzt sich durch – Perplexity und OpenAI oder Google und Apple? Google hat aufgeholt und die Distribution. Apple hat gewartet – haben sie es verpennt oder strategisch richtig gemacht? "Wenn es Perplexity in einem Jahr noch so gibt wie heute, würde mich das stark wundern."
Europäische Chancen: Alex ist demütiger geworden gegenüber Traditionsfirmen. Viele mittelständische Unternehmen sehen von außen unsexy aus – aber sie sind schwer zu disrupten. "Schöner Parkplatz, schönes Gebäude, nette Personen am Empfang" – und sie haben echte Substanz. Europa kann KI schaffen, wenn wir unseren Werten treu bleiben, die Universitäten nutzen und der Staat anfängt, selbst KI einzusetzen (eat your own dog food). Das dauert, aber es geht langsam los.

Kernaussagen

Daten als ehrlicher Spiegel — "Die Daten lügen mich nicht an. Die lügen schon, aber sie sind nicht böse dabei, weil sie falsch und schlecht sind." Datenqualität, Analytics
Massiver Impact durch Daten — "Wir hatten über 200 Millionen Impact bei BMW. Wir waren wie Rockstars, das muss man schon sagen." ROI, Data Analytics
KI ist Dachbodensanierung, kein Garagentor — "KI ist nicht wie ein Garagentor, das man einfach austauscht. Es ist wie eine Dachbodensanierung, wo man merkt: Shit, hier sind Würmer im Holz, Schimmel an der Wand und die Statik stimmt auch nicht." Transformation, Komplexität
Prozessverständnis als Grundgesetz — "Je besser du deinen Prozess verstehst und dein Unternehmen verstehst, desto besser kann auch eine KI funktionieren. Das ist ein Grundgesetz." Prozessoptimierung, Agentic AI
Von 20 Jahren auf 3 Tage — "Von 20 Jahren Arbeit zu drei Tagen mit KI. Die Mitarbeiterin hatte Tränen in den Augen. Das war am Ende viel mehr Impact als alle Reden über Singapur-Projekte." Change Management, Praxisimpact
Die menschliche Dimension — "Wenn du 40 Jahre lang für eine Firma gearbeitet hast, persönliche Opfer gebracht hast, und dann kommt jemand und sagt, dass KI das in fünf Minuten erledigt – wie würdest du reagieren?" Empathie, Widerstand
Rasende Zwerge bringen nichts — "Rasende Zwerge – die wuseln dann durch die Organisation und so schnell wie die halt da waren, sind die auch wieder weg." Beratung, Nachhaltigkeit
KI als permanenter Prozess — "KI muss ein fundamentaler Bestandteil der Geschäftsstrategie sein – nicht nur ein Strategiepapier alle vier Jahre, sondern ein permanenter Prozess." Strategie, Data-AI-Journey
Die richtige Frage stellen — "Was hindert dich daran, deinen Umsatz nächstes Jahr zu verdoppeln? Diese Frage zwingt zum Nachdenken über echte Probleme." Problemfokus, Geschäftsstrategie
Der Sangria-Eimer-Ansatz — "Auf dem Malle der Sangria-Eimer. Da ist auch irgendwie alles drin, knallt auch, aber ist nicht besonders lecker und auch nicht so gesund auf Dauer." Data Lakes, Datenarchitektur

Fazit und Takeaways

Für Unternehmensführung

KI ist kein Projekt, sondern ein Transformationsprozess: KI muss fundamentaler Bestandteil der Geschäftsstrategie sein – nicht alle vier Jahre Strategietage, sondern eine permanente Journey.
Top-Management-Support ist unverzichtbar: Die Richtung muss von oben kommen, am besten vom Eigentümer selbst.
Fang mit dem Problem an, nicht mit der Technologie: Die Frage "Was hindert dich daran, deinen Umsatz nächstes Jahr zu verdoppeln?" zwingt zum Nachdenken über echte Probleme.

#6013 Jahre in der Daten- und KI-Welt: Was funktioniert wirklich?