Masters of Data, BI & AI

Rocky Khan

Podcast für Unternehmer und unternehmerischen Erfolg im Data, BI & KI Umfeld

  1. 35m ago

    KI gibt nie zu, Fragen zu haben | Ralf Müller & Rocky Khan - #48

    Send us Fan Mail ❓ Man gibt einer KI zehn Jahre alten Legacy-Spaghetti-Code ohne jede Dokumentation und bittet sie, die Architektur zu rekonstruieren. Was dann oft passiert: Sie hält nicht inne und fragt nach, sondern fängt an, Lücken mit Plausiblem zu füllen. Ralf Müller ist seit rund 30 Jahren im Job, vom Entwickler über die Softwarearchitektur zur Dokumentation. Er hat docToolchain als Open-Source-Projekt gestartet, das seit zehn Jahren läuft, arbeitet mit arc42 und ist bei der DB Systel. Auf LinkedIn nennt er sich Problem Solver. Seit Ende 2023 lässt ihn GenAI nicht mehr los. Sein Anspruch dabei: Er sei nicht der Experte, der Modelle trainiert, sondern einer, der sie wie alle anderen anwendet, Erfahrung aufbaut und weitergibt. In der aktuellen Episode von Masters of Data, BI & AI erklärt er, wie er einer KI beibringt, bei Legacy-Code erst die richtigen Fragen zu stellen, und warum das mit Sokrates zu tun hat. Ein paar Dinge, die hängengeblieben sind: Zu semantischen Ankern: Ralf sah sich einen fremden Prompt an, der sehr gut testgetriebene Entwicklung konnte, und fand darin keine Anleitung dazu, nur den Begriff "TDD London School". Drei Wörter statt 200 Zeilen: Der Begriff ruft eine genau definierte Vorgehensweise aus den Trainingsdaten ab. Daraus wurde eine Website mit solchen Ankern, vom sokratischen Ansatz über arc42 und ADRs bis zu Wolf Schneider fürs Deutsche und Strunk & White fürs Englische. Ein Kollege nannte das Zaubersprüche. Für alle, die nicht entwickeln, rät er: präzise Fachbegriffe nutzen und die KI als Diskussionspartner behandeln, statt nur zwei, drei Wörter hineinzuwerfen. Zu Greenfield und Brownfield: Auf der grünen Wiese funktioniert es: Spezifikation, Architektur, dann testgetrieben entwickeln. Bei Legacy-Code scheitert die KI, weil sie weder Architektur noch Spezifikation kennt. Und sagt man ihr "stell Fragen, wenn du welche hast", tut sie es nicht. Seine Beobachtung: Das Modell gibt nicht zu, Fragen zu haben, und halluziniert bei offenen Punkten, etwa bei Qualitätskriterien. Zum Recovery-Prozess: Die Idee dahinter stammt von Peter Naur, der 1985 beschrieb, dass Entwickler eine Theorie der Software im Kopf haben. Gehen sie, bleibt nur der Code, und genau das ist Legacy. Ralfs Trick: Die KI bekommt nur den Auftrag, Fragen zu finden. Sie baut einen Fragenbaum, mit dicken Ästen wie Technologie-Stack, Zweck und Qualitätskriterien. Jede Frage wird entweder mit Verweis auf eine Codezeile beantwortet, verfeinert oder als offen markiert, mit dem Zusatz, welche Rolle im Team sie beantworten könnte. Das ist der sokratische Teil. Am Ende stehen eine Liste offener Fragen für Team oder Product Owner und eine Liste beantworteter Fragen mit Code-Referenz, daraus entstehen Spezifikation und Tests. Zum Test und zur Verlässlichkeit: Zum Testen hat er eigene Greenfield-Projekte genommen, die Dokumentation weggeworfen und rekonstruieren lassen. Eine zweite KI verglich danach Original und Rekonstruktion. Teilweise fand die Rekonstruktion sogar Sicherheitspunkte, die im Original fehlten. Bei einem Open-Source-Projekt von Mistral entstand eine arc42-Dokumentation, in der hinter jedem Satz ein Link auf die exakten Codezeilen steht. Fehlerfrei ist das nicht, betont er, aber jede Behauptung lässt sich per Klick prüfen. Zum Warum: Am häufigsten geht in Legacy-Projekten das Warum verloren: warum Datenbank A und nicht B, welches Qualitätskriterium dahintersteht. Wenn man das als offene Frage auf dem Tisch hat, kann man es wenigstens angehen, auch wenn niemand mehr die Antwort kennt. Bei der Jahr-2000-Zeit holte man pensionierte Entwickler zurück, die COBOL kannten. Ralf bleibt vorsichtig: Fragen bleiben, aber man sieht sie wenigstens. Zum Nachwuchs: Im Vorgespräch fiel der Satz: Wer nur Code erzeugt, sollte sich Sorgen machen, wer Probleme löst, nicht. Seine Antwort auf die Frage nach der einen Fähigkeit: Interesse an Problemen und Lösungen. Rollen wie Programmierer, Texter oder Designer werden enger fokussiert weniger gefragt sein, Expertise bleibt wichtig, aber Breite und lebenslanges Lernen zählen mehr. Und für junge Leute: die KI nicht die Hausaufgaben machen lassen, sondern sie sich erklären lassen, am besten mit dem sokratischen Ansatz, der erst fragt, was man schon weiß. Wie geht ihr mit Legacy-Code und KI um: erst Fragen sammeln lassen oder direkt dokumentieren lassen? LinkedIn Profile LinkedIn Profile von Ralf Müller: https://www.linkedin.com/in/rdmueller/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch How to Drive Your Competition Crazy von Guy Kawasaki: Das Buch hatte Ralf vor dem Recording in die Kamera gehalten. Kawasaki war der erste Evangelist bei Apple und beschreibt, wie er die Massen hinter sich holt. Für Ralf gehört dazu nicht nur, gute Ideen zu haben, sondern sie auch rüberzubringen, teils auf ungewöhnlichen Wegen. Dazu ein paar lustige Anekdoten. Es ist nicht mehr aufgelegt, gebraucht aber noch zu bekommen. Auch The Macintosh Way von Kawasaki empfiehlt er.

    KI gibt nie zu, Fragen zu haben | Ralf Müller & Rocky Khan - #48
  2. Nov 9

    Schnell, billig, besser? Wird nichts mit uns. | Christian Schimmel & Rocky Khan - #47

    Send us Fan Mail ✉️ Wenn ein Anbieter sagt: Wir drehen alles auf links, das geht ganz schnell, kostet nicht viel und wird alles besser, weiß Christian Schimmel sofort, dass das nichts wird. Das Unseriöse, sagt er, hört nie auf. Es gab es vor KI schon. Christian ist seit über 24 Jahren bei der Deutschen Post DHL und heute Head of Business Intelligence. Er kennt Sebastian Uhlig (Folge 30) seit über 20 Jahren und war der Auslöser für dessen Produkt Nextables. Rocky nennt das eine mutige Wette auf einen unbekannten Anbieter. Christian sieht das anders: Für ihn war es nie ein No-Name. In der aktuellen Episode von Masters of Data, BI & AI spricht er über Tools als Mittel zum Zweck, den Umgang mit neuen Technologien in einer über Jahre gewachsenen Systemlandschaft und darüber, warum KI vor allem Ideen und Menschen braucht. Ein paar Dinge, die hängengeblieben sind: Zur Entstehung von Nextables: Ein großes Unternehmen mit vielen Bereichen, vielen Strukturen und Hierarchien: Die Daten stecken nicht sauber in den Basissystemen, ein Sales-Bereich hat seine eigene Logik. Also wurden Excel-Listen eingespielt, die fehlerhaft waren, sich schlecht korrigieren ließen und von den Anwendern nicht gepflegt werden konnten. Aus dieser Lücke entstand das Produkt gemeinsam mit Sebastian. Das Risiko? Stark überschaubar, sagt Christian. Das Produkt wurde mit der Post entwickelt, Sebastian kannte die Probleme, und das Vertrauen war über Jahre gewachsen. Zu Partnern: groß oder Boutique: Für ihn ist es ein People Business, egal ob groß oder klein. Es zählt, wie gut die Leute sind, wie schnell sie begreifen und welches Wissen sie mitbringen. Genauso wichtig ist, dass sie ins Team passen. Der beste Entwickler der Welt nützt nichts, wenn er nicht mit dem Team kommunizieren kann, denn nur durch Kommunikation entstehen Lösungen. Zu Tools und 20 Jahren Entwicklung: Tools sind für Christian eine Krücke, um Probleme zu lösen. Wachsende Datenmengen führten zu Meilensteinen, vom SAP BW bis zu HANA. Neues wird trotzdem getestet, etwa ein Umstieg von SAP auf Databricks als Gedankenspiel. Er erwartet, dass sich das Entweder-oder auflöst und Tools sich mischen. Nur Technologie zu wechseln, um Technologie zu wechseln, ergibt für ihn keinen Sinn. Und SAP? Die können auch alles, nur dauert es manchmal etwas länger. Zu KI im Betrieb und beim Nutzer:  Auf der Betreiberseite sieht er viel Potenzial: Prozessketten, Datenvalidierung, Datenqualität, Programmierung und Qualitätssicherung. Auf der Nutzerseite fehlt oft die Idee. Wer nur Rohdaten in Excel will, braucht keine KI. Dort muss man begleiten, mit Kommunikation und Beispielen, und das dauert. Seine Linie: KI nicht um der KI willen, sondern mit eigener Idee, mit Menschen, die sie verstehen, und mit Nutzern, die den Mehrwert sehen. Privat nutzt er sie übrigens, um zu prüfen, ob Vor- und Endverstärker seiner Hi-Fi-Anlage zusammenpassen. Das Ergebnis: tun sie nicht. Zum Recruiting:  Bei der Post läuft es noch old school: Nach der Vorauswahl bekommen Kandidaten systemspezifische Aufgaben, müssen Code lesen und Probleme lösen. KI im Hintergrund stört ihn nicht. Entscheidend ist, wie jemand mit dem Vorschlag der KI umgeht: übernimmt er ihn blind, oder sagt er, das würde ich anders machen? Zu dem, was man bei KI vergisst: KI ist kein Allheilmittel, und Datenstrukturen bleiben so wichtig wie vorher, vielleicht wichtiger. In großen, komplexen Landschaften erwartet er nicht, dass morgen eine KI kommt und besser macht, was in 20 Jahren aufgebaut wurde. Drei Dinge vergisst man oft: die IT-Komplexität, die Menschen und die Souveränität. Dinge zu verändern, sei häufig schwieriger als gedacht, und der KI-Hype kann dabei sogar helfen, Dinge voranzubringen. Wie seht ihr das: Reicht eine langjährige Vertrauensbasis, um das Risiko bei einem unbekannten Anbieter klein zu halten, oder braucht man trotzdem harte Referenzen? LinkedIn Profile LinkedIn Profile von Christian Schimmel: https://www.linkedin.com/in/christian-schimmel-6a9400410/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Inspiration statt Businessbuch

    Schnell, billig, besser? Wird nichts mit uns. | Christian Schimmel & Rocky Khan - #47
  3. Nov 2

    Content ist billig. Echter Austausch nicht. | Michaela Tiedemann & Rocky Khan - #46

    Send us Fan Mail Content ist billig. Echter Austausch nicht. | Michaela Tiedemann & Rocky Khan - #46 🤝 Content zu erstellen kostet heute fast nichts mehr. Genau deshalb, sagt Michaela Tiedemann, werden Community und Live-Events gerade wieder wichtiger. Wer überflutet wird, sucht Menschen, denen er vertraut. Michaela war elf Jahre bei Alexander Thamm [at], davon sieben als CMO, und hat 2017 das DATA festival mit aufgebaut, als es im deutschen Markt noch nichts Vergleichbares gab. Seit März ist sie Associate Lead Marketing bei valantic. Der Wechsel kam nach und nach: das zehnjährige Jubiläum, Kinder, die größer wurden, und die Lust, sich woanders zu beweisen. Und das ist ihr erster Podcast. In der aktuellen Episode von Masters of Data, BI & AI spricht sie über Marketing im KI-Zeitalter, wie ihr Team mit Claude arbeitet und warum valantic sich für die Partnerschaft mit Anthropic entschieden hat. Ein paar Dinge, die hängengeblieben sind: Zum DATA festival und der Lücke im Eventmarkt: 2017 gab es kein Event, das das Team selbst richtig gut fand. Also bauten sie eins, gemeinsam mit BARC, und der Name “Festival” sorgte damals für Diskussionen. Es sollte Entscheider, Techies, Studierende und Verbände zusammenbringen. Heute sieht sie überall Konferenzen, und eine 08/15-Konferenz funktioniert für sie nicht mehr. Ihr Ansatz für Lücken: von der Kundenfrage ausgehen. Seit der Partnerschaft fragen Kunden zu Compliance, Datenschutz und Token-Management. Daraus entsteht ein Event am 25. November in München. Zu Claude im Marketing-Alltag: Alle acht im Team arbeiten täglich damit, ein, zwei Power User treiben es voran. Gemeinsame Skills sorgen für die Qualität: ein Design-Skill mit Styleguide, angebunden an Canva, ein Text-Skill mit Tonalität und Wortlisten, ein Skill, der Anfragen priorisiert und Absagen gleich begründet. Interne Präsentationen sind oft HTML-Seiten statt PowerPoint. Vieles, was früher an Werkstudenten oder Juniors ging, erledigt sie jetzt schneller selbst. Ihre Einschränkung: Mit einem Klick ist nichts fertig. Alles muss geprüft werden, und je besser das Briefing, desto besser das Ergebnis. Zur Thought-Leadership-Factory: Ein Ziel für das gesamte Marketing bei valantic, mit festem Projektteam. Ein Kollege arbeitet bis Jahresende fast in Vollzeit daran. Der erste Use Case: LinkedIn-Posts für interne Thought Leader, die in der Beratung kaum Zeit dafür haben. Das Tool liefert personalisierte Vorschläge in der Tonalität der Person, inklusive Grafik und passenden Artikeln aus Handelsblatt oder Wirtschaftswoche. Im Pilot bei einem Event mit rund 150 valantic-Kolleginnen und -Kollegen entstanden aus Vorträgen, Videos und Fotos ganze Post-Serien. Ihre Reihenfolge: erst den Prozess definieren, dann die KI. Finanziert wurde es aus dem Marketingbudget, mit einem Entwickler aus einem anderen Bereich für Security und Compliance. Früher hätte man das mit Beratern gebaut. Zum Recruiting: Auf Einstiegsebene setzt sie auf Generalisten und hat dieses Jahr einen Werkstudenten übernommen. Weniger Bedarf sieht sie bei reiner Content-Erstellung, Pressesprecher braucht man weiter. Bei Freelancern sei der Markt härter geworden, wer nicht zu den besten zehn Prozent gehört, tut sich schwer. Abgebaut wird im Team nicht, es geht erst um Produktivität und Workflows. Und: Wer sagt, ich arbeite nicht mit KI, ist bei ihnen falsch. Zur Partnerschaft mit Anthropic: Seit Juni ist valantic Partner und nach ihrer Aussage eines der wenigen Unternehmen in Deutschland, weltweit gab es am Anfang nur rund 100. Ihre Einschätzung: Claude sei aktuell führend im Enterprise-Bereich, mit klarem Fokus auf Business Value und Softwareentwicklung von Anfang an. Aus ihrer Sicht passte valantic wegen der europäischen Präsenz, der Stärke im Mittelstand und der kulturellen Nähe. Die Zusammenarbeit läuft auf Augenhöhe, und die Nachfrage von Bestandskunden ist groß. Zu Community und Live-Events: Weil Content fast nichts mehr kostet, wird man überflutet. Man weiß nicht mehr, wo man anfangen soll. Dazu kommen Homeoffice und Stunden vor dem Bildschirm. Wichtiger werden Empfehlungen und Erfahrungen anderer, am liebsten von Leuten aus der eigenen Branche oder von Firmen, die schon weiter sind. Ihr Schlusssatz: Nur im persönlichen Austausch kann man sicher sein, dass wirklich ein Mensch spricht. Wie seht ihr das: Wird echter Austausch im KI-Zeitalter zum knappen Gut, oder ist das ein nostalgischer Reflex? Event am 25. November in München: valantic.com/en/events/claude-summit LinkedIn Profile LinkedIn Profile von Michaela Tiedemann: https://www.linkedin.com/in/michaela-tiedemann/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch Wie man Freunde gewinnt von Dale Carnegie: Michaela liest kaum Fachbücher und lernt viel aus Podcasts und Interviews. Dieses Buch musste sie in ihrem Auslandssemester in San Diego lesen, mit der Aufgabe, ein Paper darüber zu schreiben, wie sie die Ideen selbst anwendet. Damals fanden sie es seltsam, heute ist es das Buch, das ihr aus dem Studium am stärksten geblieben ist. Es geht um Kommunikationsgrundlagen, etwa Menschen mit Namen anzusprechen, denn für sie gibt es nichts Schöneres als den Klang des eigenen Namens. Schon Alexander Thamm hat es in Folge 42 empfohlen.

    Content ist billig. Echter Austausch nicht. | Michaela Tiedemann & Rocky Khan - #46
  4. Oct 26

    Quantum Isn't Your Problem. Weak Crypto Is. | Kat Wang & Rocky Khan - #45

    Send us Fan Mail 🔐 Some CISOs tell Kat Wang that quantum threats are years away and not their problem. Some even say attackers would hit a hundred other organizations before them. Her answer: you don't need a quantum computer to exploit weak cryptography. Breach after breach is already happening today. Kat is Principal, Public Sector at SandboxAQ, founder of the consultancy CTRL+ALT+DEFEAT.io and co-chair of Uniting Women in Cyber. Before all that, she spent 16 years at Google, moving from ad tech into cybersecurity through fraud and bot detection. In the current episode of Masters of Data, BI & AI, she explains why everything comes back to the data layer, why she thinks Google could have been the first big LLM, and what leaders get wrong when they think about AI and their people. A few things that stuck with me: On the airport moment that changed her career:  Newark airport, an oversized shrimp cocktail and a rare quiet minute. She looked around and saw that everyone had at least two devices glued to their faces. Suddenly 16 years inside Google's ad tech felt like a small contribution compared to protecting the cyber layer underneath it all. She knew enough about technology to be dangerous, she says, and has Google to thank for that. On Google and the first big LLM:  Her take: the first thing you do with any LLM is type a question into a box, which is essentially the Google search bar. Google had the index, the compute and the interface. She doesn't claim to know Google's intent, but points to the economic, corporate and legal pressure on a company that sets the pace for everyone else. She also points to big tech treating promising ideas as rounding errors next to existing revenue. Her example is bot detection: the need to tell human from fake traffic keeps growing, but it's judged by what it earns today, not where the ball is going. On crown jewels and weak cryptography:  Assume the enemy is already inside the house. Then protect what matters most (trade secrets, IP, customer data) and make sure that data is actually good. More is not more, better is more. Otherwise you spend heavily on the wrong things and train your AI on data of unknown fidelity: garbage in, garbage out. She also notes why many CISOs struggle to act: they're seen as a cost center, underfunded, and can only prove their value after something has gone wrong. On smaller, better data:  At the Inside Quantum Technology conference, a Rigetti representative described tests where smaller, more relevant datasets came within roughly 5% of models trained on data 100 times larger. Kat is careful about it: 5% is unacceptable in pharma, for example. But she sees the economics of data shifting toward trusted, high-integrity data as the real competitive advantage, and as something to protect from poisoning by competitors and nation states. On leaders and AI:  Two options: use AI to multiply every employee, or use it to cut costs and jobs. Her view is that leaders should level people up, not replace them. You can't decide which operations to cut unless you understand why they exist. And a furloughed worker shows up again the next day, but an AI stops completely when the tokens run out. On diversity of thought in cyber:  A nurse with 20 years of experience knows exactly why healthcare is so bureaucratic, and with AI she can help clear that while keeping security in mind. This year's Women in Cyber event in Washington, D.C. sold out with more than 500 attendees, with a heavy quantum focus after a year centered on AI and vulnerable groups like the elderly and children. Do CISOs need to be hit by a breach before they take post-quantum seriously, or can leaders be convinced before something breaks? LinkedIn Profile LinkedIn Profile of Kat Wang: https://www.linkedin.com/in/kathryn-wang/ LinkedIn Profile of Rocky Khan: https://www.linkedin.com/in/khanrocky/ Inspiration Instead of a Business Book No classic business book this time. Kat admits she wishes she had more time for reading. She follows a handful of voices on LinkedIn, loves Krebs on Security, and trusts Harvard Business Review, especially its recent piece "AI Doesn't Reduce Work—It Intensifies It", which she says spells out gaps leaders overlook when replacing people with AI.

    Quantum Isn't Your Problem. Weak Crypto Is. | Kat Wang & Rocky Khan - #45
  5. Oct 19

    Insights eines CIOs: Kannibalisiere dich selbst, bevor es andere tun | Harald Greiner & Rocky Khan - #44

    Send us Fan Mail 2014 steht in einem der größten Verlagshäuser der Welt eine Frage im Raum, die kaum ein Unternehmen freiwillig stellt: Wollen wir bei Open Access überhaupt mitmachen? Damit kannibalisieren wir unser eigenes Geschäft. Bis dahin zahlten die Leser. Heute zahlen die, die veröffentlichen wollen. Harald Greiner hat diese Transformation aus nächster Nähe erlebt: über zehn Jahre bei Holtzbrinck, einem globalen Medienkonzern mit über 14.000 Beschäftigten, als VP IT und de facto CIO mit mehr als 160 Mitarbeitenden und zweistelligem Millionenbudget. Davor hat er mit UP2GATE ein eigenes Startup mitgegründet. Heute ist er Fractional CIO bei F.ECTIVES und sitzt im Advisory Board von CIONET. In der aktuellen Episode von Masters of Data, BI & AI erzählt er, warum digitale Transformation seit Jahren an denselben Dingen scheitert, was Unternehmen aus einem Geschäftsmodell-Flip lernen können und wie sich Vertrauen im Business wirklich aufbaut. Ein paar Dinge, die hängengeblieben sind: Zum Startup, das zu früh war:  UP2GATE startete zu viert und hatte am Ende rund 25 Leute. Die Plattform verband ERP-Systeme von Industrie und Großhändlern, zu einer Zeit, als SAP das selbst noch nicht konnte. Sein Fazit: Man war vom Hype her zu spät und technologisch zu früh. Es war die arbeitsreichste Zeit seines Lebens, und die Erfahrung, nach dem großen Siemens ein kleines Startup mitzubauen, möchte er nicht missen. Zum Google-Rollout und den drei Erfolgsfaktoren:  2014 ging Holtzbrinck global auf Google, damals war Google Cloud in Deutschland noch klein und die Cloud galt als unsicher. Zwei deutsche Verlage verzögerten sich um fast ein Jahr, weil die Gespräche mit dem Betriebsrat so lange dauerten, obwohl man früh auf Einbindung geachtet hatte. Dann hörten die Mitarbeitenden von den anderen Verlagen, wie gut gemeinsames Arbeiten in der Cloud funktioniert, und wollten es auch. Seine Faktoren: klar kommunizieren, wohin es geht, und das immer wieder wiederholen. Die Führung früh mitnehmen, die Geschäftsführer gingen als Erste live. Und die Kritiker einbinden, denn auch von dort kommen wertvolle Impulse. Zur Kannibalisierung des eigenen Geschäftsmodells:  Sein größter Lerneffekt aus Open Access: Wer sein Geschäftsmodell nicht selbst kannibalisiert, dem macht es ein Branchenfremder, wie Tesla, Airbnb oder Uber. Bei Macmillan Learning ging es weg von der nächsten Buchauflage hin zu E-Learning-Plattformen, entwickelt mit Mockups, die man gemeinsam mit Professoren und Studenten gebaut hat. Sein Rat: Vom Kunden her denken und keine Scheuklappen aufsetzen, auch wenn man ein Geschäft seit 10, 15 oder 20 Jahren so betreibt. Zu KI und Europa:  Use Cases zu finden ist leicht, sie zu skalieren und Mehrwert zu heben ist deutlich schwerer. Trotzdem hält er KI für die größte Veränderung, die wir je gesehen haben, größer als Internet und Smartphone, und das Hauptproblem liege nicht bei der Technologie, sondern bei Menschen und Organisationen. Für Europa sieht er keine Erkenntnis-, sondern eine Umsetzungslücke. Chancen sieht er bei kleineren Modellen auf eigenen Daten, bei World Models und bei Industrial AI, wo Deutschland mit seinen Maschinendaten einen Vorsprung hat. Dazu mehr Zusammenarbeit mit europäischen KI-Startups und weniger Hürden in Einkaufsprozessen. Zum Fractional-CIO-Modell:  Als F.ECTIVES vor zwei Jahren mit zwei Freunden aus der Community startete, gab es den Begriff in Deutschland kaum. Die Idee: ein Mandat, aber auch zwei oder drei parallel, weil sich gerade kleinere Unternehmen keinen Vollzeit-CIO leisten können. Der Vorteil sind Leute mit 30 Jahren Erfahrung, die Umsetzungen geführt haben und nicht nur Foliensätze liefern. Inzwischen nennt sich fast jeder, der vorher Interim im Profil stehen hatte, auf LinkedIn Fractional. Zu Vertrauen im Vertrieb:  Die ersten fünf Minuten entscheiden: Entsteht Vertrauen oder Misstrauen? Skeptisch wird er, wenn im Meeting während der Vorstellungsrunde schon das Notebook aufgeklappt wird. Kaltakquise funktioniert kaum noch, er bekam zeitweise mindestens 50 Anfragen pro Woche. Besser: Events, eigene Beiträge auf LinkedIn mit klarer Haltung und Empfehlungen aus dem Netzwerk. In der CIONET-WhatsApp-Gruppe kommen auf konkrete Fragen oft innerhalb von 60 Minuten die ersten Antworten. Und: Zuhören ist eine Superpower. Wie seht ihr das: Sollte man sein eigenes Geschäftsmodell lieber selbst kannibalisieren, bevor ein Branchenfremder es tut, oder wartet man besser, bis der Markt es erzwingt? LinkedIn Profile LinkedIn Profile von Harald Greiner: https://www.linkedin.com/in/haraldgreiner/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch Im Grunde gut von Rutger Bregman: Harald nennt es kein klassisches Businessbuch, sondern eines für Privates und Berufliches. Die These: Menschen, gerade in Extremsituationen, reagieren positiver, als man denkt. Beispiele sind Kinder, die auf einer einsamen Insel strandeten und sich entgegen der Fiktion Strukturen gaben und zusammenarbeiteten, und der Zusammenhalt in England im Zweiten Weltkrieg. Ihn begeistern Bücher über den menschlichen Faktor, weil es in seiner Arbeit immer darum ging, Menschen auf der Reise mitzunehmen. Schon Dawinder Singh hat das Buch in Folge 43 empfohlen.

    Insights eines CIOs: Kannibalisiere dich selbst, bevor es andere tun | Harald Greiner & Rocky Khan - #44
  6. Oct 12

    Der PoC-Friedhof und was danach kam | Dawinder Singh & Rocky Khan - #43

    Send us Fan Mail 1908 kommt ein Unternehmer auf eine simple Idee: Putztücher nicht verkaufen, sondern vermieten, reinigen, zurückbringen, wieder vermieten. Ein Kreislaufmodell, mehr als 100 Jahre vor der Zeit. Heute versorgt Mewa rund 1,1 Millionen Menschen täglich mit Berufskleidung, in einer Branche, die man nicht sofort mit KI verbindet. Dawinder Singh verantwortet dort Data, Analytics und KI. Kein klassischer Tech-Weg: Finance-Abschluss an der HHL Leipzig, Digital Transformation bei der Commerzbank und ein Fünf-Punkte-Mathe-Abi, mit dem er "eigentlich nichts am Hut haben sollte". Auf der data:unplugged in Münster hat er vor hunderten Peers gezeigt, wie man in einem Familienunternehmen mit knapp einer Milliarde Euro Umsatz eine Data Journey baut und was dabei schiefgehen kann. In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Friedhof gescheiterter Proofs of Concept ein Playbook wurde, warum er bei neuen Tools erst mal "Passt das bei uns rein?" fragt und weshalb ihn in der KI kaum noch etwas vom Hocker haut. Ein paar Dinge, die hängengeblieben sind: Zum PoC-Friedhof und dem Small Data Playbook:  Mewa hatte seinen eigenen PoC-Friedhof schon gebucht. Statt das Rad neu zu erfinden, hat das Team gefragt: Woran scheitern wir eigentlich jedes Mal? Meist am Zugang zu den Daten, an der Qualität und an der Skalierung. Dazu kamen Fragen, die analytisch nie lösbar waren ("ich kann nicht die Lottozahlen vorhersagen"). Das Ergebnis ist ein Discovery-Prozess, bevor ein Thema überverkauft wird, so standardisiert, dass ein Werkstudent ihn bis zum ersten Proof of Concept führen kann. Zu Banking vs. Familienunternehmen:  Banking ist stark reguliert, quantitativ und voller Checks and Balances. Bei Mewa gibt es mehr Freiheit, und die schafft Geschwindigkeit, aber auch Verantwortung, weil er die Themen Ende zu Ende betrachten darf. Dazu kommt eine Eigentümerfamilie im Aufsichtsrat: kein Quartalsdenken, mehr Geduld, langfristiger Aufbau. Zu Hype, Foundation und dem teuersten Fehler:  Heureka-Momente sind für ihn selten geworden, weil ständig das nächste "next big thing" angepriesen wird. Spannender findet er, dass Data Foundation und Governance gerade wichtiger werden, bevor Agenten im großen Stil losgelassen werden und der Überblick über Datenquellen, Pipelines und Ownership verloren geht. Seine Bedingung: Er macht es nur, wenn er es diesmal anders und richtiger machen darf. Der Rückblick fällt ehrlich aus: Data Integration hätte man früher angehen müssen, das tut immer noch weh. Zu Shadow AI:  Bei rund 50 neuen Tools pro Monat würden Prüfprozesse allein die ganze Arbeit fressen. Deshalb gibt es eine Experimentierfläche mit den Compliance-Stakeholdern, und die Fachbereiche bekommen früh ihr "Spielzeug". Sein Leitsatz: Bevor ihr die Kreditkarte zückt, zücken wir sie. Shadow AI lässt sich nicht verteidigen wie im Fußball, man muss einfach dabei sein. Zum idealen Stakeholder:  Er denkt immer vom Anwender aus: früh etwas hinstellen, das die Leute vielleicht gar nicht mögen, um das eigentliche Problem herauszukitzeln, und erst mit diesem Backing zum Entscheider gehen. Der ideale Stakeholder hat viel Geld, viel Geduld und viel Einfluss, und den gibt es nicht. Sein Liebling ist, wer das Thema wirklich verstehen und unter die Motorhaube schauen will. Zum Recruiting:  Mewa holt gezielt Talente direkt von der Uni, als Werkstudenten und Master-Thesis-Schreibende. Fertige Spezialisten brauchen im komplexen Geschäftsmodell lange zum Ankommen, und im Rhein-Main-Gebiet konkurrieren BioNTech, Schott und Fraport um dieselben Leute. Ein Drittel bis die Hälfte des Teams kam so zusammen. Sein Pitch: Wenn du Data bei uns machst, wird es nicht schlimmer, dann kannst du es überall. Wie seht ihr das: Ist ein standardisierter Discovery-Prozess der beste Schutz vor dem PoC-Friedhof, oder nimmt er Teams den Mut zum Experiment? LinkedIn Profile LinkedIn Profile von Dawinder Singh: https://www.linkedin.com/in/dawindersingh/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Buch Im Grunde gut von Rutger Bregman: Das Buch hat Dawinder letztes Jahr von seinem Chef geschenkt bekommen und schon dreimal gelesen. Die These: Menschen sind nicht von Natur aus schlecht, sondern wollen im Kern das Gute, belegt mit Beispielen aus der Menschheitsgeschichte. Gerade in Rollen, in denen man viele überzeugen muss, hilft ihm der Perspektivwechsel: Hinter Widerstand steckt selten böse Absicht.

    Der PoC-Friedhof und was danach kam | Dawinder Singh & Rocky Khan - #43
  7. Oct 5

    Beratung mit Geld-zurück-Garantie: Wer macht das? | Alexander Thamm & Rocky Khan - #42

    Send us Fan Mail 💶 „Sag einfach: Wir sind die erste Beratung der Welt mit Geld-zurück-Garantie." Das rät Alexander Thamm seinen Data Scientists, die Angst vor dem Vertrieb haben. Dahinter steckt ein ernstes Prinzip: Er definiert das Gewerk und bessert nach, bis es dem Kunden gefällt, oder der zahlt gar nicht. Alexander Thamm hat 2012 in München Alexander Thamm [at] gegründet, angefangen als Freelancer mit BMW als erstem Kunden. Heute arbeiten dort über 500 Expertinnen und Experten, und das Team hat über 2.700 Datenprojekte abgeschlossen. Begonnen hat es mit einem verlorenen Erstauftrag und einem Büro, das schon gemietet war. In der aktuellen Episode von Masters of Data, BI & AI erzählt er, wie aus einem Data-Science-Spezialisten ein strategischer Partner wurde, warum Risikoübernahme für ihn zum Geschäftsmodell gehört und warum er glaubt, dass Europa die KI-Transformation gerade verschläft. Ein paar Dinge, die hängengeblieben sind: Zum verlorenen Erstauftrag:  Ein kleiner Auftrag als Lieferant, dann eine größere Ausschreibung, und plötzlich wurde er rausgedrückt, weil der Konzern merkte, dass sich der Alex selbstständig gemacht hatte. Sein Fazit: BMW als erster Kunde war eine harte Schule, vor allem im Einkauf, aber genau deshalb konnte das Team später auch andere Großkunden gewinnen. Seinem jüngeren Ich würde er wenig raten: Man muss ein Stück in den Schmerz hinein, um die Erfahrung mitzunehmen. Zum Wachstum aus eigener Kraft:  Bis etwa 300 bis 400 Leute ging es für ihn gut im Bootstrapping, mit Verdopplung alle zwei Jahre, rund 35 bis 40 Prozent pro Jahr. Das Problem im Beratungsgeschäft: Ein Großteil des Umsatzes muss jedes Jahr neu gewonnen werden. Ein Kunde meldete einmal von einem Jahr aufs nächste über 10 Millionen ab, etwa ein Fünftel des Geschäfts. Sich selbst sieht er nie als „echten Unternehmer", eher als Künstler. Plötzlich waren da ein paar hundert Leute, und es blieb keine Zeit mehr für Projekte. Wie beim Hausbau: Danach ist man schlauer und baut dreimal. Zum Weg vom Data Scientist zum strategischen Partner:  Gestartet ist das Team mit „Data Science first". Die Prototypen reichten nicht: „mehr Piloten als die Lufthansa". Dazu kam der Frust, dass Strategieberatungen dem CEO Dinge über KI erzählten und sein Team es im Operativen ausbaden musste. Also lernten sie, auch schöne Slides zu machen und mit dem Vorstand zu reden. Heute reicht das teils bis zu Joint Ventures mit Kunden und Beteiligungen im Mittelstand: Skin in the game. Zur Geld-zurück-Garantie:  Seine Frameworks, sagt er, sind nicht entstanden, weil eine gute Beratung eben Frameworks braucht, sondern weil sein Team das Risiko zu 100 % übernommen hat. Die Schule dahinter ist wieder BMW: Gewerk definieren, liefern, nachbessern. Rot statt Blau? Dann eben Rot. Heute nennt er das Risk-Sharing bis hin zur Garantie. Wer den Kunden nicht kennt, muss in Vorleistung gehen, bevor der Pitch überhaupt Sinn macht. Zu Branchenexperten und Betriebsblindheit:  Branchenexperten verstehen die Domäne, sind laut Alexander aber oft genauso betriebsblind wie ihre Kunden. Seine Gegenfrage: Was passiert wirklich mit deinem Geschäft in fünf oder zehn Jahren? Wie wird der Hersteller von Kühlanlagen zum Service Provider? Wie kommt Vorwerk vom Thermomix zu „Netflix fürs Kochen"? Eine separate KI-Strategie neben Firmen- und Datenstrategie nennt er veralteten B******t, so wie einen Chief Internet Officer, der der Firma erklärt, dass das Internet wichtig ist. Zu Europa und der verschlafenen Transformation:  Das Problem ist für ihn weniger die Technologie als eine Transformation, die wir „alle gemeinsam verschlafen". Seine Sorge: Dienstleistungen machen rund die Hälfte des deutschen BIP aus. Wenn Software und Agenten aus dem Ausland einen großen Teil davon übernehmen, erst billig, dann deutlich teurer, kommt Europa schwer wieder raus. Das Gegenmittel: KI nicht in Labs und Hubs parken, sondern wie das Internet in die DNA der Firmen bringen, mit einem demütigen Anspruch aufzuholen. Als Beispiel nennt er BMW, wo jeder Prozess KI-Unterstützung bekommen soll. Panikmache hat er satt und zeigt lieber Positives, etwa einen „Knight Rider für Yachten", mit dem man mit dem Schiff sprechen kann. Wie seht ihr das: Gehört Skin in the game zur Beratung der Zukunft, oder ist die Geld-zurück-Garantie am Ende ein guter Vertriebsspruch? LinkedIn Profile LinkedIn Profile von Alexander Thamm: https://www.linkedin.com/in/alexanderthamm/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business Bücher Scaling Up von Verne Harnish: Alexander ist Fan der Scaling-Up-Logik. Unterschiedliche Unternehmensgrößen brauchen unterschiedliche Dinge, aber wer das nicht selbst durchlebt hat, macht es trotz Buch falsch, weil er es nicht spürt. Dazu seine Klassiker für Gründer: Wie man Freunde gewinnt von Dale Carnegie, Think and Grow Rich von Napoleon Hill, The Art of the Start von Guy Kawasaki und The Lean Startup von Eric Ries. Bei Rich Dad Poor Dad von Robert Kiyosaki reicht ihm das Buch für das richtige Mindset, vom Live-Coaching in London war er weniger überzeugt.

    Beratung mit Geld-zurück-Garantie: Wer macht das? | Alexander Thamm & Rocky Khan - #42
  8. Sep 28

    Alle reden über KI. Die Firma läuft auf Excel. | Dr. Melanie Sigl & Rocky Khan - #41

    Send us Fan Mail 📊 Daten exportieren, per E-Mail verschicken, in Excel bearbeiten, ins nächste System hochladen. So beschreibt Dr. Melanie Sigl Prozesse, die ihr in Unternehmen begegnen. Excel ist dann nicht bloß ein Tool, sondern praktisch das Betriebssystem der Firma. Und darauf soll jetzt KI laufen. Melanie ist Managing Consultant bei PRODATO, Teil der Dataciders-Gruppe, und leitet das Data-&-AI-Team mit Fokus auf KI. Parallel zur Praxis hat sie an der FAU Erlangen-Nürnberg über Transfer Learning auf multivariaten Zeitreihendaten promoviert — also darüber, wie sich gelerntes Wissen auf neue Daten übertragen lässt und wann genau das schiefgeht. In der aktuellen Episode von Masters of Data, BI & AI spricht sie darüber, warum die Datengrundlage wichtiger ist als das nächste Modell, woran KI-Projekte nach der Pilotphase scheitern — und weshalb Unternehmen bei Junioren aus ihrer Sicht an der falschen Stelle sparen. Ein paar Dinge, die hängengeblieben sind: Zur KI, die den Datenkatalog nicht ersetzt: Eine Frage in natürlicher Sprache ersetzt nicht die Vorarbeit. Was bedeutet diese kryptische ERP-Spalte? Wie ist Umsatz definiert? Für brauchbare Antworten braucht das Modell diesen Kontext. Die früher ungeliebte Pflege von Datenkatalog und Kennzahlen wird damit wichtiger, nicht überflüssig. Zum KI-Projekt, das die Pilotphase übersteht: Eine CSV-Datei für die Demo ist noch keine verlässliche Datenversorgung. Melanie nennt drei Bedingungen: einen rentablen Anwendungsfall, Daten und Prozesse, die auch im produktiven Betrieb funktionieren, und Rückhalt in Management und Belegschaft. Sonst baut man mit der neuen Lösung nur das nächste Silo. Zum Fundament ohne Luxusausstattung: Eine gemeinsame Datenplattform, Governance und klare Abläufe helfen gegen das gewachsene Systemchaos. Aber Melanie fordert keinen „Maybach“ für jeden Anwendungsfall. Der Aufwand muss zum Nutzen passen. Klein anfangen, den Prozess einmal durchgängig zum Laufen bringen und anschließend gezielt erweitern. Zum Recruiting mit Blick auf morgen: Melanies Einwand gegen das Sparen bei Junioren: Wer heute niemanden ausbildet, dem fehlen morgen erfahrene Kollegen. Gerade die Grundlagenarbeit vermittelt das Handwerk, mit dem sich Ergebnisse später beurteilen lassen. Agenten einzusetzen ist für sie kein Argument, die Entwicklung von Menschen aufzugeben. Zur ehrlichen Antwort auf Microsoft Fabric: Eine Partnerschaft ist für Melanie kein Grund, jedem Kunden dieselbe Plattform zu empfehlen. Eine einzelne Pipeline rechtfertigt nicht automatisch Fabric. Entscheidend sind Anforderungen, Budget und die bestehende Systemlandschaft — inklusive der Kosten, die entstehen, wenn Daten zwischen Plattformen hin- und herkopiert werden. Zum Unterschied zwischen perfekt und fertig: Am Lehrstuhl gab es zwei Arten von Abschlussarbeiten: perfekte und abgegebene. Für Melanie steckt darin auch eine Projektlektion: Zu komplex zu starten kann verhindern, überhaupt anzufangen. Erst das Geschäftsproblem und das messbare Ziel gemeinsam klären, dann klein umsetzen und mit Feedback besser werden. Wie viel eurer Datenarbeit läuft noch über Excel — und an welcher Stelle wäre der größte Hebel für Veränderung? 🎙️ Die ganze Episode jetzt auf Masters of Data, BI & AI — Link in den Kommentaren. LinkedIn ProfileLinkedIn Profile von Dr. Melanie Sigl: https://www.linkedin.com/in/melanie-sigl/ LinkedIn Profile von Rocky Khan: https://www.linkedin.com/in/khanrocky/ Business BuchExtreme Ownership — Melanie hat nach eigener Aussage nur wenige Businessbücher gelesen. Dieses empfiehlt sie für den Leadership-Bereich.

    Alle reden über KI. Die Firma läuft auf Excel. | Dr. Melanie Sigl & Rocky Khan - #41

About

Podcast für Unternehmer und unternehmerischen Erfolg im Data, BI & KI Umfeld

You Might Also Like