$ grep --tag * questions.txt

Fragen, bei denen ich helfe

Fragen, die sich Unternehmen gerade stellen, jeweils mit einer kurzen Notiz, wie ich sie angehen würde. Wenn Ihre nicht dabei ist, fragen Sie trotzdem. ~/contact

innovation

• Wie nutzen unsere Innovationen KI, im Produkt und in der Art, wie wir innovieren?

  Wir betrachten Ihren Innovationsprozess als Ganzes, von der Ideenquelle bis zum Test, und suchen die Schritte, an denen KI verändert, was möglich ist, und nicht nur, was schneller geht.

• Wie bringen wir unsere Mitarbeitenden bei KI vom hinteren Ende nach vorne?

  Mit Übung an den eigenen Aufgaben, guten Beispielen und der ausdrücklichen Erlaubnis, Dinge auszuprobieren. Eine Toolschulung allein reicht dafür nicht.

• Nutzen wir KI nur, oder bringt sie uns etwas? Und woran würden wir das merken?

  Wir legen für einen konkreten Prozess fest, was Nutzen bedeutet, messen den Ist-Stand und vergleichen. Die meisten Unternehmen überspringen den Ist-Stand und können es dann nicht sagen.

• Wie experimentieren wir mit KI, ohne das Kerngeschäft zu gefährden?

  Kleine, zeitlich begrenzte Pilotprojekte mit einem klaren Abbruchkriterium, die neben dem Kernprozess laufen und erst hinein dürfen, wenn sie sich bewährt haben.

strategie

• Wie können wir KI für unseren konkreten Anwendungsfall nutzen?

  Ich beginne bei Ihren Prozessen und Daten, nicht bei den Tools. Dann wählen wir die ein, zwei Stellen, an denen KI einen messbaren Unterschied macht.

• Was ist der Unterschied zwischen KI und maschinellem Lernen, und was davon brauchen wir?

  Maschinelles Lernen ist der Teil der KI, der aus Daten lernt, und heutige Chatbots sind eine Spielart davon. Oft schlägt ein kleiner, unspektakulärer Klassifikator ein großes Sprachmodell. Ich sage Ihnen, wann das so ist.

• Wo bezahlen wir für einen Hype, und wo bekommen wir messbaren Nutzen?

  Ein ehrlicher Blick auf Ihre aktuellen KI-Ausgaben und -Projekte: Was wird genutzt, was wird gemessen, und was könnte man morgen beenden?

• Was ist ein sinnvolles erstes KI-Projekt, das günstig scheitern darf?

  Eines mit echten Nutzerinnen und Nutzern, einer eng umrissenen Aufgabe, vorhandenen Daten und einem überprüfbaren Ergebnis. Antwortentwürfe für wiederkehrende Anfragen sind ein Klassiker.

daten

• Welche Daten liegen heute brach und könnten uns morgen einen echten Vorteil bringen?

  Alte Dokumente, Tickets, E-Mails, Berichte und Patente sind oft die wertvollsten Daten eines Unternehmens. Heutige Modelle können sie in großer Menge lesen. Wir finden heraus, welche sich bei Ihnen lohnen.

• Wie machen wir aus tausenden Dokumenten strukturiertes, durchsuchbares Wissen?

  Das ist mein Forschungsgebiet: strukturierte Daten aus großen Mengen unstrukturierter Texte gewinnen, mit Codebuch, geprüfter Stichprobe und bekannten Fehlerraten.

• Hat jemand unser Problem schon gelöst, in einer anderen Branche, in einem Patent oder in der Natur?

  Oft ja. In meiner Dissertation ordne ich Lösungskonzepte aus Patenten und verknüpfe sie mit Lösungen aus der Biologie. Derselbe Ansatz funktioniert für Ihr Problem.

qualität

• Wie nutzen wir KI, ohne beliebigen KI-Einheitsbrei zu produzieren?

  Indem Fachleute für das Ergebnis verantwortlich bleiben, das Modell Ihren Kontext statt generischer Prompts bekommt und schlechte Ergebnisse konsequent verworfen werden.

• Woher wissen wir, dass die KI richtig liegt, bevor wir uns darauf verlassen?

  Mit einem Testdatensatz, auf den sich Ihre Fachleute einigen, und mit Zahlen statt Eindrücken. In meiner Forschung wird nichts verwendet, bevor es sich an so einem Datensatz bewährt hat.

• Welche Arbeit darf die KI vorbereiten, und wo muss ein Mensch freigeben?

  Eine brauchbare Regel: Die KI entwirft, der Mensch entscheidet. Wir gehen Ihre Prozesse durch und markieren, wo ein Fehler billig ist und wo er teuer wird.

• Wie bleibt KI-generierter Code wartbar?

  Wie jeder andere Code: mit Reviews, Tests, einer klaren Architektur und Entwicklerinnen und Entwicklern, die verstehen, was sie mergen. KI macht diese Regeln wichtiger, nicht unwichtiger.

datenschutz

• Wie arbeiten wir mit KI, ohne die personenbezogenen Daten unserer Kundschaft zu gefährden?

  Datenminimierung, Pseudonymisierung, die richtigen Verträge und manchmal Modelle auf eigener Hardware. Ich habe eine Produktivplattform unter DSGVO und behördlichen Datenschutzvorgaben gebaut.

• Können wir KI-Modelle auf eigenen Servern betreiben, statt Daten ins Ausland zu schicken?

  Für viele Aufgaben ja. Offene Sprachmodelle und lokale Spracherkennung sind heute gut genug. Meine eigene Transkription läuft auf meinem eigenen Server.

• Was bedeuten DSGVO, AI Act und European Accessibility Act für uns in der Praxis?

  Weniger Panik, mehr Checklisten. Wir ordnen zu, welche Ihrer Systeme unter welche Regel fallen und was das für die Technik heißt. Ich bin kein Jurist, aber ich weiß, wo die technische Arbeit liegt.

• Wie vermeiden wir die Abhängigkeit von einem einzigen KI-Anbieter?

  Eine dünne Schicht zwischen Ihren Systemen und dem Modell, eigene Evaluationsdaten und Verträge, die einen Wechsel erlauben. Dann ist ein Anbieterwechsel eine Konfigurationsänderung.

menschen

• Wie verändern wir unsere Organisationsstrukturen für eine Welt, in der KI eine dominante Rolle spielt?

  Entscheidungsrechte, Rollen und Teamgrenzen sind wichtiger als Tools. Wir schauen, wer heute was entscheidet und was sich ändert, wenn Routinearbeit billig wird.

• Wie nehmen wir unsere Leute mit, damit KI gut genutzt statt gefürchtet oder missbraucht wird?

  Praxisnahe Workshops an echten Aufgaben, klare Regeln, was erlaubt ist, und sichtbare Unterstützung durch die Führung.

• Wie lernen Junior-Entwicklerinnen und -Entwickler ihr Handwerk, wenn KI einen Großteil des Codes schreibt?

  Juniors müssen Code verstehen, nicht nur erzeugen. Ich habe viele Menschen mit wenig oder keiner Erfahrung eingearbeitet. Die Prinzipien gelten weiter, nur die Übungen ändern sich.

• Wie bauen wir ein gesundes Entwicklungsteam von Grund auf?

  Bei der Auswahl auf Neugier und Kommunikation achten, früh ein paar klare Standards setzen und Verantwortung übergeben. Ich habe mehrere Teams aufgebaut und Startups dabei begleitet.

architektur

• Mit welcher Architektur sollte unser Startup beginnen, damit wir nicht in zwei Jahren alles neu schreiben?

  Meist ein unspektakulärer, gut strukturierter Monolith mit sauberen Grenzen. Später aufteilen ist leichter, als Microservices wieder zusammenzukleben.

• Wie passt KI in unsere SAP-Landschaft? Können Intercompany-Prozesse selbstständig laufen?

  Ich habe SAP-Go-lives in SD, MM und WM geleitet und autonome Intercompany-Prozesse entwickelt. KI kann Lesen, Abgleichen und Entwerfen übernehmen, SAP bleibt das führende System.

• Wie sieht eine schlanke, moderne Datenplattform für ein Unternehmen unserer Größe aus?

  Meist kleiner, als Anbieter nahelegen: ein paar gut gewählte Open-Source-Bausteine, klare Zuständigkeiten und Pipelines, die man tatsächlich versteht.

26 Fragen