Ohne Daten ist alles nichts | Laurenz Kirchner & Rocky Khan - #31

67% der Entscheider im DACH-Raum glauben, der aktuelle KI-Investitionsboom endet vor 2030. Nicht weil KI nicht funktioniert — sondern weil viele Unternehmen es nicht schaffen, echten Value zu erzielen.

Laurenz Kirchner hat diese Zahl selbst mitverfasst. Er ist Co-Autor der Studie des Handelsblatt Research Institute zu KI in europäischen Unternehmen, war Architekt, bevor er zu McKinsey ging, hat eine Firma mit aufgebaut, die heute Teil von valantic ist, und führt dort seit Jahren die Data & AI Practice.

In der aktuellen Episode von Masters of Data, BI & AI spricht er über die Studie, echte Führung im KI-Zeitalter — und warum Souveränität nicht dasselbe ist wie Autarkie.

Ein paar Dinge, die hängengeblieben sind:

Zur eigentlichen Bedeutung der 67%:
 Nicht "der Boom endet." Sondern: Zwei Drittel der Befragten sagen ehrlich, dass sie es selbst nicht schaffen, echten Value zu generieren — deshalb erwarten sie, dass Investitionen irgendwann eingedämmt werden. Eine wichtige Unterscheidung, die in der Schlagzeile oft verloren geht.

Zum wichtigsten Erfolgsfaktor laut Studie:
 Data Foundation schlägt alles andere. Laurenz' eigener Satz dazu: Daten sind nicht alles, aber ohne Daten ist alles nichts. Direkt danach folgt Zusammenarbeit über IT und Business Units hinweg — und Enablement der Mitarbeiter, und zwar auf zwei Ebenen: Breitensport (alle wissen, was erlaubt ist) und Spitzensport (Leute lernen, sich selbst kleine Agenten zu bauen).

Zur neuen Führungsrolle:
 82% der Entscheider erwarten, dass Führungskräfte künftig weniger Entscheider sind und mehr Prüfinstanzen über KI-Systeme. Praktisch heißt das: Ein Kollege von Laurenz führt heute zehn Mitarbeiter — und hat drei feste Termine pro Woche für seine Agenten. Genauso wie Mitarbeitergespräche, nur eben mit KI.

Zu Souveränität vs. Autarkie:
 Die Debatte verwechselt beides ständig, sagt Laurenz. Autarkie heißt Abschottung. Souveränität heißt, bewusst zu entscheiden, welche Abhängigkeiten man eingeht — und einen Plan B zu haben, falls man ihn braucht. Europa hat nicht viele Alternativen zu US-Frontier-Modellen, aber durchaus welche, etwa Mistral, gerade für Kunden mit hohen Anforderungen an Datensouveränität.

Zum größten Fehler von KI-Nachzüglern:
 Nicht anfangen. Zu viel Grübeln, zu viel Warten auf das nächste, bessere Modell. Laurenz' Analogie: Er hat vier Marathons gelaufen. Man schafft das nicht im ersten Training — aber ohne zu starten, schafft man es nie. Bei valantic arbeiten sie fast dogmatisch in sechswöchigen "Impact Investments": erst Potenzial identifizieren, dann schnell iterieren, immer mit einem klaren Ziel für das Ende der sechs Wochen.

Wie seht ihr das — ist die größte Hürde bei KI-Adoption wirklich die Technologie, oder ehrlich gesagt einfach die eigene Entscheidungsfreude?

Hier geht es zur Studie:
https://www.valantic.com/de/presse/studie-von-valantic-und-hri-zu-ki-und-digitaler-souveraenitaet/

LinkedIn Profile

LinkedIn Profil von Laurenz Kirchner: https://www.linkedin.com/in/laurenz-kirchner/

LinkedIn Profil von Rocky Khan: https://www.linkedin.com/in/khanrocky/

Business Bücher

The Innovator's Dilemma von Clayton Christensen — Laurenz' Kernbotschaft daraus: keine Angst vor Kannibalisierung. Wer sich selbst nicht kannibalisiert, wird von jemand anderem kannibalisiert.

Third Millennium Thinking von Saul Perlmutter, John Campbell und Robert MacCoun — ein Plädoyer dafür, wissenschaftlich seriös mit Daten und Fakten umzugehen, und zu verstehen, wie sie Entscheidungen beeinflussen (oder eben nicht).

Transcript

Copy

SPEAKER_00 0:09

67 Prozent Das ist der Anteil der C-Level-Entscheider im Dachraum, die glauben, der aktuelle KI-Investitionsboom endet noch vor 2030. Nicht weil KI nicht funktioniert, sondern weil Unternehmen es nicht schaffen, echten Mehrwert, echten Value zu erzielen. Und das ist kein Pessimismus, das ist eine Warnung. Und mein heutiger Gast hat diese Warnung selbst mitgeschrieben. Er ist Co-Autor der Studie vom Handelsblatt Research Institute, die diese Zahl eben produziert hat. Laurens Kirschner war Architekt, bevor er zu McKinsey gegangen ist. Er hat MM1 mit aufgebaut, bevor es Valantik wurde. Und heute führt er die Data und AI Practice, einer der am schnellsten wachsenden Digitalberatungen im deutschsprachigen Raum. Und ebenfalls auch ein wichtiger Fakt, Valantik gehört auch zu einer der wenigen Partner-Select-Beratungen in Deutschland. Angeblich gibt es so um die fünf oder sieben in Deutschland und weltweit so um die 100. Dazu werden wir uns auch gleich nochmal unterhalten. Ich bin der Rocky, Host von Masters of Data, BI und AI. Und jede Woche rede ich mit Thought Leaders, Datenexperten über den echten Impact von Data und AI. Laurenz, endlich haben wir es heute geschafft. Guten Tag. Hi.

SPEAKER_01 1:28

Es war keine ganz einfache Geburt, aber freut mich sehr. Ich freue mich sehr hier zu sein.

SPEAKER_00 1:32

Genau, für die Zuhörer, die wissen jetzt nicht, das ist jetzt mittlerweile ein Insur. Laurenz und ich, das ist der, ich glaube der dritte versucht. Wir wollten uns vorher schon unterhalten, aber so wie es häufig ist, man plant alles, aber die Technik versagt dann aus irgendeinem Grund, obwohl man vorher schon alles ein paar Mal ausgetestet hat. Aber egal, lass uns loslegen. Ich habe es eben gerade in der Einleitung gesagt, im Opener, Architekt, McKinsey, Boutiquberatung, Valantik, das klingt nach einem ziemlich sehr bewussten, geplanten Weg, als wäre es so ein Masterplan. Aber war es das wirklich oder hat sich das da, hat dich das Leben da einfach da irgendwie hingeführt, lautens?

SPEAKER_01 2:13

Ach, das ist eine gute Frage, die wird mir immer wieder gestellt. Es war wahrscheinlich ein bisschen von beidem. Zum Teil planvoll, zum Teil bin ich auch ein Glücksritter, würde ich sagen. Wenn ich mich daran zurückinnere, ich habe in München Architur studiert, tatsächlich, an der TU, und war dann in Kalifornien in 1998, habe ich mit einem crazy koreanischen Professor dort Generative Architecture gemacht. Und tatsächlich in sehr rudimentären frühen Formen von neuronalen Netzen tatsächlich Formmaking gemacht. Ich habe da das erste Mal über Alan Turing gelernt tatsächlich und das hat mich anscheinend irgendwie lange begleitet. Bei McKinsey wird mein Gehirn gewaschen, sage ich immer, in puncto faktenbasiert Entscheidungen vorbereiten. Das war, wenn man so will, nebenher eine kleine Ausbildung zum Data Scientist, die hat mich auch nicht losgelassen. Und deswegen habe ich in der Tat bei MM1 unsere Data Thinking Practice aufgebaut, die ein Teil von der Firma war, die dann auch vor ein paar Jahren sich der Balantik angeschlossen hat. Insofern cool. Im Nachhinein alles total zielstrebig, aber wie es immer so ist, es gehört auch Glück dazu.

SPEAKER_00 3:35

Also das war so quasi so eine Mischung, ja, Planung, Zielstrebigkeit. Und MM1 war ja ziemlich lange so, über circa zwölf Jahre, dein Unternehmen gewesen und dann kommt Valantik und sagt, hey, wir wollen euch. Wie fühlt sich das an, so als Verkauf oder Fusion oder als nächstes Kapitel in der Geschichte?

SPEAKER_01 3:56

Ach, das ist erstmal, das gehört zum Geschäft. Ich war ja nicht allein der Verkäufer, sondern wir hatten ja meine geschätzten Partnerkollegen, mit denen wir übrigens bis heute in der Valantik alle zusammenarbeiten. Da ist auch niemand irgendwie weggegangen. Und das war irgendwie ein Schritt, den wir uns schon gut überlegt haben, wo wir auch den einen oder anderen Versuch vorher auch hatten. Und dass wir das mit Valantik gemacht haben, hat sich für uns richtig angefühlt und fühlt sich bis heute richtig an. Das ist super.

SPEAKER_00 4:35

Fantastisch, sehr gut. Und du hast ja ursprünglich ja mal Architektur studiert gehabt, bevor du in die große Data-Welt gewechselt bist. Und du hast ja auch gesagt, bei McKinsey, da hast du ja auch dieses Zahlen-, Daten, Fakten, Ader da wiedergewonnen oder wiederentdeckt. Ich nehme an, auch gefühlt, du baust Data-Architekturen wahrscheinlich anders als jemand, der aus der Informatik direkt kommt. Was siehst du denn, Laurens, was andere vielleicht nicht sehen?

SPEAKER_01 5:12

Ha. Don't get me started, würde ich sagen, ja, weil da könnte ich hier stundenlang drüber sprechen. Ich glaube tatsächlich, warum ist Architektur so ein Denkweise, ja, irgendwie, man würde ich auch ein bisschen sagen, Design Thinking. Und also das ist eigentlich total logisch, ja, dass wir auch in der IT-Welt über Enterprise Architecture und IT-Architu und so weiter sprechen. Und diese Prinzipien, wie man im Prinzip ein System entwirft, das ist nämlich die Kernaufgabe des Architekten, ein System entwirft, das noch nicht da ist, das aber da sein soll, wo man den gesamten Systemkontext im Blick haben muss, wo man die einzelnen Komponenten in Verbindung zueinander sehen muss und in der Architektur, also in Bauen heißt es halt irgendwie vor 2000 Jahren von Mitruf beschrieben, diese Säule, Giebel, whatever, ja, und in der Enterprise Architektur ist es, whatever, ja, Kafka, Hadoop und Cluster hier und A, wie es dort, ja, also wieder diese Systemkomponenten miteinander zusammenarbeiten, sich das vorab zu durchdenken, uns dann so zu dokumentieren, dass andere umsetzen können. Das ist eigentlich gleich, ja. Und dieses Entwurfsdenken, dieses systemische Denken, ein gesamtes System verstehen, nicht selber versuchen, alles selber zu coden oder selber zu bauen, sondern genau diese Systemzusammenhänge erkennen, unter Zielkonflikten auch die richtige Entwurfsentscheidung treffen, ja, und das dann dokumentieren und kommunizieren können, ja, sodass viele andere entsprechend diesem Plan dann in die Umsetzung gehen können. Das ist vergleichbar und diese, sag ich mal, diesen methodischen Ansatz, ja, ich glaube, den verfolge ich und das hilft auch meinen Teams, wenn ich darauf beharre.

SPEAKER_00 7:16

Super. Also es ist einmal dieses Zusammenspiel, zum einen, was du ja sagst, da eben das große Ganze zu behalten, aber dann auch dann in die Praxis umzusetzen und nicht versuchen, alles selbst zu machen, wie du gesagt hast, alles selbst zu kodieren. Und dann nochmal dieses systemische Denken. Das strukturierte Denken, das hilft wahrscheinlich dann. Ich würde mal so langsam mal den Überblick geben. Ich denke, das Eis ist schon langsam gebrochen. Du hast gesagt, AI-Adoption ist keine Technologiefrage, sondern eine Adoptionsfrage. Und das höre ich ja nicht zum ersten Mal. Aber wenn man so draußen dann unterwegs ist, sieht man ja doch, dass die meisten Unternehmen es anders lösen. Gerne über Technologie. Warum?

SPEAKER_01 8:01

Ja, also AI ist natürlich erstmal eine Technologie. Und die ist natürlich mächtig und die ist auch, sehen wir ja schon alle, extrem dynamisch und was vor drei Jahren eben ChatGPT war, ist jetzt Fable und Mythos und whatever. Deswegen ist es erstmal eine Technologie. Und eine Technologie, die man wirksam machen kann und muss. Und damit sie wirkt, dann wiederum ist ja banal, wie jede, auch gerade Informationstechnologie, digitale Technologie, kommt es darauf an, das sollte es auch nutzen und nutzbringend einsetzen. Und da sind wir bei der Adoption. Und da ist, glaube ich, im Moment noch viel, ja, da ist noch immer noch viel experimentieren, auch wenn wir schon auch in unseren Projekten mittlerweile sehen, also das werden schon jetzt wirklich Dinge produktiv gesetzt und das geht über irgendwie Copilot in der E-Mail-Nutzen auch hinaus. Das geht so wirklich in diesen Zustand, AI wird in den Workflows wirklich eingewoben, um ganze Prozesse effizienter und schneller zu machen. Also an solchen Dingen arbeiten wir zumindest gerade dran. Aber auch da ist natürlich, ich habe ein paar Beispiele vor Augen, der AI-Anteil wiederum relativ gering. Viel wichtiger ist die Integration nicht nur in den Workflow, sondern Integration auch in die Systemwelten, ist die Nutzung und dass die Leute im Unternehmen, die es dann nutzen sollen, mit ihrer User Experience und so weiter, das muss auch begleitet und herbeigeführt werden. Geht nicht von sich.

SPEAKER_00 9:59

Du hast ja gesehen, was ich jetzt gerade gegraben habe hier, nämlich eure schöne Studie, die ich auch ausgedruckt habe mit dem Handelsblatt Research Institute, und da würde ich gerne mal ein bisschen jetzt den Fokus setzen. Und zwar, eure Studie sagt ja, dass 82% der Entscheider erwarten, dass Führungskräfte nicht mehr Entscheider sind, sondern Prüfinstanzen über KI-Systeme. Das klingt jetzt nach einer massiven Rolle. Was müssen denn lautens CEOs heute konkret anders machen?

SPEAKER_01 10:33

Das zieht sich, glaube ich, nicht nur auf CEO, sondern ganz grundsätzlich Führungskräfte. Und die Aussage ist ja nicht, dass die Leute nicht mehr entscheiden, sondern die Führungsrolle wird sich verändern. Das ist gar nicht so sehr, was heute, also um AI wirksam zu machen, ja, für Geschäftsziele, ist erstmal die CEO-Aufgabe, vielleicht doch dazu tragen wir ganz kurz. CEO und Management Board-Aufgabe ist, auf alle Fälle es wollen und das Wollen auch kommunizieren. Für uns ist AI wichtig. Und idealerweise, sagen wir schon immer, da auch ein paar konkrete Ziele festzulegen. Sowas wie wir wollen, dass jeder im Team, jede Person in unserem Team wöchentlich AI nutzt. Wir wollen, dass wir wirklich ein paar Prozesse neu designen und mit AI-Hilfe schneller und effizienter machen. Wir wollen, dass AI in unserem Produktangebot enthalten ist. Sei es, weiß ich nicht, in einem Robotikangebot, wenn man irgendwie Maschinen, Rohrmaschinen, whatever herstellt, sei es in einem Serviceangebot als Teil einer Schnittstelle im Kundendialog. Und das muss irgendwie halt ein Management-Team, ein Vorstand, eine Geschäftsführung, nicht nur wollen, sondern auch aufschreiben, kommunizieren und in die Mannschaft reinbringen. Das ist, glaube ich, was heute immer noch an vielen Stellen noch nicht ganz passiert. Deswegen entsteht viel Shadow AI und es gibt ja keine Firma, die nicht gerade mit AI rumut, aber oft ist es ein bisschen unstrukturiert. Das ist das eine. Das andere war eigentlich diese Aussage, die du gerade zitiert hast, ist Führung wird sich verändern. Führung wird sich verändern. Und ganz banal, heute führe ich als Führungskraft je nach Span of Control, fünf Leute, zehn Leute, 20 Leute. In Zukunft werde ich vielleicht weiterhin zehn Leute führen, plus meine drei Agenten, die genau für das, was ich als Abteilung leisten muss, mir helfen. Und das führt in so pragmatische Dinge wie: Ich mache es noch gar nicht so konsequent, muss ich zugeben. Das habe ich von einem Partnerkollegen von mir gehört, der hat in der Woche drei Termine Agentenführung zu seinen drei Agenten im Kalender. So wie ihr Mitarbeitergespräche führt, führt da eben auch Agentengespräche, ist nicht ein anderes Ding. Es ist irgendwie, wie kann ich jetzt den Skill noch weiter verbessern und so weiter. Aber das wird kommen, glaube ich.

SPEAKER_00 13:21

Ich muss so kurz schmunzeln, weil ich hatte vor kurzem mein Gespräch mit einem Kumpel von mir gehabt, der ist im Bereich Steuerberatungen tätig und der macht da auch viel im Bereich Robotic Process Automation und er sagte zu mir, Rocky, wenn wir sowas einführen, wir geben dann dem Agenten dann auch einen Namen, das ist dann der Klaus, der kriegt dann auch wirklich einen Arbeitsplatz, ja, und der echte physische Mitarbeiter, was er dann outsourcen oder intern delegieren will, sagt er dann, ja, hier, das ist dann für Klaus. Also, also man merkt schon, man merkt schon gewisse Veränderungen in der Arbeitswelt, weil so, also sowas hat es ja vor ein paar Jahren ja gar nicht gegeben. Da hätte ja jeder jetzt einen Vogel gezeigt, wenn ich gesagt hätte, ey, nenn mal die Maschine mal Klaus und mit denen musst du jetzt mal sprechen. Also man sieht ja schon gewisse Veränderungen jetzt schon.

SPEAKER_01 14:08

Also wir haben inzwischen auch unser eigenes AI-Tool, war am Anfang auch irgendwie nur ein Chatbot, wir nennen es Valley, ja, und bei uns, die Valley, wird das im Grunde, das ist der Zukunft, der Zugang zu unserer eigenen eigenen Wissensschatz letzten Endes. Und wird zum Beispiel in Teams integriert und so weiter und man kann jetzt relativ, relativ niedrigschwellig. Einfach jetzt bei Valley fragen, ja, da haben wir ja sowas schon mal gemacht, irgendwie, wer ist denn der Beste oder die Beste im Team, um was immer für eine Aufgabe im Projekt zu erledigen und solche Dinge.

SPEAKER_00 14:46

Und dieser Report, der hat ja den Titel AI at Scale, aber nur gut ein Drittel der Unternehmen hat laut Selbsteinschätzung überhaupt die Reife, KI mit Erfolgspotenzial einzusetzen. Ist also AI-Scale doch für die Mehrheit der Unternehmen im Jahr 2026 nicht eigentlich noch sehr provokativ gesagt, Wunschdenken.

SPEAKER_01 15:10

Ja, nee, ist es nicht. Also nochmal, meine Beobachtung, und das sagt die Studie eigentlich auch, es gibt nahezu keine Firma mehr, die sich nicht mit AI beschäftigt. So. Diese Selbsteinschätzung, die du zitierst, wir haben einfach ein bisschen versucht, mal diese tausend Entscheider, die wir befragt haben, die über ihre Unternehmenssituation gesprochen haben, ein bisschen zu klassifizieren. Eben nach der Selbsteinschätzung. Die Selbsteinschätzung hat ja eigentlich zwei Hauptdimensionen, nämlich irgendwie haben wir ein richtiges Ziel, haben wir die Strategie in place und sind wir in der Lage, Sachen auch umzusetzen. Und da gab es eben dieses eine Drittel, das dann gesagt hat, beides sind wir wirklich gut. Ist aber eine Selbsteinschätzung. Und wir haben aber diese Selbsteinschätzung dann verwendet, um mal zu gucken, wo gibt es eigentlich Unterschiede in vor allem in der Betrachtung von Erfolgsfaktoren. Und da wird es dann schon ganz interessant, nämlich was machen eigentlich die, oder was betrachten diese AI-Avant-garde-Unternehmen als wichtigeren Erfolgsfaktor als die AI-Laggards. Alle sind sich relativ einig, ja, dass das eigentlich das Wichtigste, deswegen ziehe ich das auch immer gern als Kernerkenntnis, Datengrundlage, Data Foundation ist das Wichtigste. Wir haben da einen Satz daraus gemacht, Daten sind nicht alles, aber ohne Daten ist alles nichts. Und was dann schon als zweiter total wichtiger Erfolgsfaktor kommt, und da sagen auch wiederum diese Führer noch viel mehr, die AI-Avantunternehmen, ist die Zusammenarbeit. Zusammenarbeit über IT und Geschäftsbusiness Units hinweg. Ein drittes ganz wichtiges Thema ist eben das Befähigen. Befähigen der Mitarbeiter. Da sage ich immer, das gibt es auf zwei Ebenen. Das ist einmal Breitensport und einmal Spitzensport. Und das Befähigen auf der Ebene Breitensport. Also dass wirklich alle Leute relativ vorbehaltlos AI nutzen, wissen, was sie tun dürfen, was sie nicht tun dürfen. Wissen, wie sie mit sensiblen Daten umgehen in einer privaten Copilot oder ChatGPT-Lizenz und wie halt irgendwie Enterprise-Einrichtungen von Anthropic oder auch von OpenAI irgendwie, wie man mit denen anders umgehen kann. Und diese Befähigung und Leute ermutigen und auch irgendwie beibringen, wie man jetzt irgendwie selber sogar Richtung agentisch sich selber Helferlein baut. Das ist total wichtig.

SPEAKER_00 18:07

Oder wie es auf Dänglisch so schön heißt, einfach Enablement. Du hast du gesagt, das Thema Enablement, wie es dann immer sehr schön genannt wird. Das Thema Robotik, Smart Products ist ja in allen drei betrachteten Dimensionen das Schlusslicht. Ist das reine Technologiereife der Modelle oder unterschätzen Unternehmen eher die organisatorische Komplexität, zum Beispiel Sensorik, Steuerung, Hardware-Integration, die weit über die klassischen Software-KI-Projekte hinausgeht?

SPEAKER_01 18:37

Ja, das ist ein Anwendungs-Wirrzeanungstaste auch mit dem Hangelsblatt gemeint und definiert, das ist eins davon. Da bin ich nicht extrem tief reingegangen, da ist meine Interpretation von dieser Antwort, ist eher, es machen halt dann doch wenige von diesen tausend Befragten, haben wirklich Produkte wie Auto oder Rasenmäh oder Reinigungsgeräte, wo viel echte Robotik, also im Sinne von Computer Vision oder andere sensorische Fähigkeiten und andere aktorische Fähigkeiten wirklich entwickelt werden müssen. Deswegen glaube ich, rankt es einfach nicht so hoch. Wir haben aber natürlich Klienten, wo schon das Produktangebot darin besteht, dass relativ technisch recht aufgefuchste Dinge gemacht werden, einen Sensoriklienten, die eben Sensoren bauen und in große Prozesse, gerade Prozessindustrie, Nahrungsmittel, Chemie und so weiter verbauen und die sagen natürlich, die haben schon Fähigkeiten, KI wirklich als differenzierendes Element des Produktangebots zu machen. Also mit KI zum Beispiel so etwas wie eine Sensordrift vorherzusagen und dann auch irgendwie damit irgendwie den Sensorwechsel irgendwie viel besser vorherzubestimmen. Das ist so, wie KI ins eigene technische Produkt, was er in Deutschland gerade, ja, viel Maschinenbau, viel wirklich Produktion von Geräten, sag ich mal, da ist schon auch ein relevantes Ding ist, meines Erachtens.

SPEAKER_00 20:41

Mich würde nochmal deine Perspektive hierzu interessieren, Laurens. Also Automotive und Handelsunternehmen setzen KI vergleichsweise breit ein, berichten aber überdurchschnittlich oft, dass es noch keine Mehrwerte gibt. Und das lässt sich laut Studie ja nicht durch den Reifegrad erklären. Was glaubst du, woran liegt es denn wirklich? Sind es jetzt zu ambitionierte Use Cases? Ist es die Produktkomplexität oder wird der Mehrwert dort einfach nicht sauber gemessen?

SPEAKER_01 21:13

Ich glaube wahrscheinlich all of the above, die Anwendungscluster oder Anwendungen in der Automobilindustrie sind ein bisschen andere als im Handel im Automotivebereich, da wo halt gefertigt wird, wird es dann schon sehr speziell. Also Fertigungsverfahren KI zu unterstützen, aber auch Prognosen mit KI zu unterstützen. Und wie gesagt, auch da natürlich irgendwie bei Automotive ist wahrscheinlich auch dieses Teil, irgendwie oder gibt es diese zwei Kernbereiche. Wie kriegen wir KI in unsere Prozesse, Fertigung, Forecasting? Vertrieb, Marketing und so weiter, wie kriegen wir da KI integriert? Und das andere Thema ist, wie kriegen wir KI wirklich ins Auto? Also im Sinne von irgendwie Überfahrassistenz bis hin zu autonomem Fahren integriert. Da wird viel gemacht, das ist völlig klar. Inwieweit die Unternehmen da jetzt quasi den reinen KI-Anteil messen, kann ich nicht beurteilen, bin nicht so ein Autotyp. Deswegen kenne ich die Industrie kenne ich gar nicht so gut. Im Handel sind die Anwendungsklassen natürlich andere. Da geht es natürlich extrem viel um Warenwirtschaft, da geht es extrem viel um korrekte Nachfrageprognose, weil daraufhin ausgerichtet ich natürlich auch meine Lieferkette steuern will. Da geht es viel um bessere Sortimentsgestaltung, Sortimentsoptimierung, da geht es viel um KI auch in der in der optimalen Preisfindung. Ich glaube, da sind die Use Cases schon relativ klar und auch schon viel im Einsatz. Da ist vielleicht eher das Phänomen, wenn die Unternehmen da im sagen, das messen wir gar nicht. Da gilt so ein bisschen das, was John McCarthy, der KI-Puty von MIT, gesagt hat. Ja, sobald es funktioniert, sagt niemand mehr KI dazu. Also es sind einfach eher so Planungsanwendungen, Optimierungsanwendungen. Und Leute sagen wahrscheinlich gar nicht, dass das ein KI-Use Case ist.

SPEAKER_00 23:38

Und jetzt gibt es ja auch noch eine provokative These, nämlich 67% oder Befragten sagen ja, der aktuelle KI-Investitionsboom soll angeblich vor 2030 ja enden, weil die Unternehmen ja anscheinend keinen echten Value erzielen. Schon eine ziemlich mutige, provokative These. Ich würde mal interessieren, Lautens, wie siehst du das, was deine Perspektive dazu?

SPEAKER_01 24:01

Ja, da müssen wir mal reinschauen. Ich glaube, genauso war es gar nicht gefragt und gesagt. Es sagen bloß, glaube ich, 67 sagen Prozent, also zwei Drittel haben gesagt, wir kriegen es selber nicht hin. Deswegen glauben wir, dass wir irgendwann auch KI-Missition wieder eindämmen oder irgendwie weniger ausgeben. Dazu muss man, glaube ich, sagen, und das finde ich das Krasse, die Befragung, also wir waren mit der Studie, waren wieder im Feld im November, Dezember letzten Jahres. Da wurden die Leute befragt. Ich glaube, würde man sie heute befragen, würde sie wieder ganz anders antworten oder bullischer, weil jetzt auch nochmal, also mit dieser Schlagzahl an Innovationen und neuen Modellen, also Fable und zuerst Mythes und dann Fable und Anthropic. Und ja, wir sind stolz, dass wir, dass wir jetzt irgendwie Select Partner von Anthropic sind. Das Thema hat ja keine, hat ja eigentlich keinen also das Thema durchfährt meines Erachtens keinen Gartner-Hype-Cycle, und wir sind ja irgendwie gerade auf dem Absinken des Hypes in das Tal des Illusionierung. Weil es so schnell geht, ja, und weil ich alle nach wie vor danach suchen, wie sie jetzt Wert draus generieren können, Use Cases schon in Produktion haben. Die größeren Herausforderungen, was, glaube ich, gerade Investitionen, wenn, überhaupt behindert, ist eine Zögerlichkeit in Bezug auf, wir sind uns gar nicht sicher, wie man jetzt compliant mit KI wirklich umgeht, wie man es ihnen unseren Leuten auch beibringen kann. Große Herausforderung ist mit Sicherheit, in Europa machen sich viele Leute Sorgen um die Sovereignty und um die zu hohe Abhängigkeit von nicht-europäischen Anbietern. Und ein drittes Thema, was jetzt auch zunehmend in den Vordergrund rückt, ist die Frage, haben wir denn die Kosten unter Kontrolle? Weil in vielen Fällen, ja, schon gehört, Cloud eingeführt, Token Consumption geht durch die Decke und erstmal wieder Nutzung ein bisschen gedeckelter, weil das wird einfach zu teuer.

SPEAKER_00 26:45

Ich würde noch auf einen anderen Punkt mal eingehen, Lawrence, nämlich auf ein gewisses Paradox oder Paradox von der Studie. Nämlich KI-Vorreiter haben ja die höchste Abhängigkeit von US-Anbietern. Ja, also wir wissen ja auch, wir haben ja uns heute darauf unterhalten, ne? Aleph Alpha gehört jetzt auch ja zu Kohle, kommt ja aus Kanada, also wie ja Nordamerika. Die, die KI am besten machen, einsetzen, machen sich ja auch schon sehr, sehr abhängig. Kann Europa da überhaupt noch aufholen? Ja, gut, es gibt noch Misstrahle, aber wie siehst du das? Hat überhaupt Europa noch eine Chance?

SPEAKER_01 27:26

Ja, auf alle Fälle. Und da wird ein bisschen, glaube ich, bei diesem ganzen, bei der Debatte um Souveränität, Sovereignty wird immer wieder verwechselt, Autarkie mit Souveränität. Souveränität heißt ja nicht, dass man sich komplett abschottet gegenüber amerikanischen Angeboten. Souveränität heißt nur, dass man eben souverän Entscheidungen treffen kann über welche Abhängigkeiten gehe ich ein. Das geht natürlich umso souveräner, wenn ich pro Abhängigkeit von einem Vendor oder whatever, wenn ich dann immer auch irgendwie eine Alternative habe. Haben wir viele Alternativen in Europa zu Frontier-Models? Nicht so viele, aber wistral ja. Haben wir Alternativen zu amerikanischen Hyperscalern? Haben wir ja. Und die bemühen sich auch sehr, europäisch abgegrenzte Angebote zu machen. Insofern ist es immer die Frage, nochmal, wie gezielt und wie systematisch und wie bewusst ich mich in Abhängigkeiten begebe, wie gut ich mir auch bei der Abhängigkeit klar bin, was könnte denn eine Alternative sein, was ist der bestmögliche Plan B. Und dann bin ich souverän und das können wir als Europäer natürlich machen.

SPEAKER_00 29:03

Ich würde mal ein bisschen so mal der Markt oder die Marktanteile interessieren, jetzt mal aus deiner Sicht oder von Projekten. Du musst jetzt natürlich keine Kundenkennnamen nennen, Lawrence. Aber zum Beispiel habe ich auf LinkedIn gesehen, so Allianz hat jetzt eine große strategische Partnerschaft mit Entropic beispielsweise. Hast du jetzt ein Foto vom Vorstandsteam und Entropic Sales Team gesehen, Go-to-Market-Team, ja, das ist ziemlich bekannt. Wie wird denn Misstfall denn aufgenommen? Also Misstfall ist ja mehr so die europäische Antwort. Wie siehst du denn Misstfall verbreitet in Deutschland oder im Dachraum?

SPEAKER_01 29:39

Ja, also nicht so stark. Präsent auf alle Fälle, noch nicht so stark präsent wie jetzt eben, also OpenAI und Anthropic. Anthropic hat gerade eindeutigen Lauf, kann man gar nicht anders sagen. Aber es gibt durchaus jetzt Kunden in Deutschland, die sehr gezielt sagen, wir setzen auf Mistral. Ja, und das sind dann eher Kunden, die viel Wert auf gesicherte Daten legen, die viel Wert auf Souveränität legen, weil sie gegebenenfalls auch in Branchen sind oder in Branchen reinliefern, denen es auch wichtig ist. Kritische Infrastruktur, Verteidigungstechnik und so weiter.

SPEAKER_00 30:32

Danke, das wäre jetzt meine nächste Frage gewesen, ob du da ein gewisses Muster erkannt hast. Also typische Unternehmen sind ja immer, du hast ja gesagt, Kritis oder eher die öffentlichen Unternehmen oder die öffentlichen Institute, wo ja eben mit Cloud oder amerikanischen Cloud ja doch dann immer so auf dem halben Kriegsfuß steht.

SPEAKER_01 30:50

Absolut, wobei es da auch. Also ich bin jetzt kein, ich bin zwar Architekt, aber kein Technologe, ja, deswegen, aber es gibt durchaus auch, sag ich mal, Architekturhacks, die wir auch für uns selber verwenden, wo ich Daten und zwar proprietäre Daten für sich behalten kann. Mit Clo zum Beispiel dann nur sozusagen Struktur und Form gebe, in denen diese Daten dann transportiert werden müssen, aber Clo sozusagen nicht mit den Daten trainiert wird. Also da ist schon auch vieles lösbar. Denke ich mal. Und man muss halt da wirklich einfach nur gezielt und konsequent drüber nachdenken.

SPEAKER_00 31:40

Jetzt haben wir ja einiges uns, viel über uns, über deine Studie ja unterhalten, wo du ja Mitautor gewesen bist. Ich würde nochmal auch dieses Thema mal Professionals Hiring Managers ziehen, nämlich dieses Thema Data und AI Talent. Und das ist ja eine ziemlich knappe Ressource, also Menschen, die sich genau mit KI, also Data Science ja auch sehr gut auskennen. Wie baust man denn bei Valantik ja überhaupt einen stabilen Data und AI Practice dann auf und was macht ein guter Data Professional heute? Was zeichnet die denn heute überhaupt aus?

SPEAKER_01 32:15

Ja, wir machen ja eine Mischung oder unser ganzes Leistungsportfolio in dem Bereich AI und Data ist, dass wir sagen, wir machen einen Plan, also konzeptionelles Arbeiten, Entwerfen, Strategie, wir machen Build, also wir bauen Lösungen, wir helfen Lösungen bauen, wir machen Run, also wir betreiben auch dann KI-Plattformen, Agent Orchestration Plattformen. Das sind mal unsere drei grundsätzlichen Leistungsversprechen und Fähigkeiten und darunter machen wir insgesamt Transform. Also wir helfen Organisationen auch, eben ihr Verhalten zu verändern, dass KI auch wirklich nutzbar wird. Und das sind dann einfach verschiedene Profile, die da gefragt sind. In dem Planbereich fast klassische Strategieberatung wird natürlich sehr irgendwann, es wird gerade viel konzentrierter, und der reine, also ein halbes Jahr Strategieprojekt gibt es quasi nicht mehr. Das muss sehr schnell irgendwie auch anfassbar werden. Aber das sind schon Leute, die ein gutes Business-Judgment nach wie vor haben und brauchen, die die typischen Strategiefragestellungen schon auch in einem Agent-Skill mitdenken lassen. Die zum Beispiel so ein Value-Companion für ein Unternehmen vibecoden lassen, um dann auf der Basis dann eine gute Diskussion mit Menschen zu haben, naja, wo entsteht denn jetzt wirklich AI-Value? Das ist irgendwie Plan. Und das ist so eine Strategie und auch der Architekturteil. Und der Architekturteil, das ist typischerweise, also das ist sehr viel IT-Architektur und Enterprise-Architektur, das sind erfahrene Profile, meistens mit einer Entwicklervergangenheit, die eben, wie gesagt, so ein Gesamtsystem auch analysieren können, da Entwicklungsvorschläge machen können und die auch umsetzen können. Dann haben wir im Build, das ist sehr viel Data und AI Engineering. Die Leute sind handverlesen, also vor allem wenn es AI-Engineers sind. Dann haben wir Run, das sind eher klassisch halt irgendwie Betrieb, inklusive, was halt da jetzt zunehmend kommt, sind so die ML-Ops, Agent-Ops, so eine agentische Plattform zu betreiben. Aber es ist auch dann doch wieder die klassische, eigentlich irgendwie, wer Managed Service kann, kann das halt. Genau, auf die Frage ist halbwegs beantwortet.

SPEAKER_00 35:08

Ja, du hast es ja sehr strukturiert beantwortet, indem du nochmal die verschiedenen Phasen nochmal dargestellt hast. Laurenz, aber nochmal kurz mal, vielleicht nochmal einen Schritt wieder zurück zur Studie, nämlich, was würdest du denn einem Unternehmen sagen, das heute noch klar bei den KI-Nachzyklern steht? Ist der Rückstand im halben Jahr einem Jahr überhaupt aufholbar oder braucht es wirklich viele Jahre, um bei Fähigkeiten Strategie aufzuschließen?

SPEAKER_01 35:38

Da würde ich immer sagen, da würde ich meine Mutter zitieren. Die hat immer gesagt, die anderen sind kein Maßstab. Da muss man auf dich selbst horchen. Was ich solch in Unternehmen sagen kann, die sich selbst als Leggard einschätzen oft, ist es vielleicht ja auch nur eine Selbsteinschätzung und das ist gar nicht der Fall. Was ja vor allem aber sagen kann, nicht anfangen ist der größte Fehler. Zu viel grübeln und zu viel nach dem Warten, ob das noch bessere Modell daherkommt, das hilft nichts. Viele andere sagen ja, AI zum Laufen bringen oder make AI work, ist ein Marathon, ist kein Sprint. Das sehen wir auch immer wieder. Also bis ich von einem Workflow wirklich den Traumzustand habe, dass irgendwie automatisch Leute ins Geschäft gehen, und im Geschäft irgendwie ihnen gesagt wird, das wolltest du doch kaufen, jetzt haben wir sie schon im Einkaufswagen, whatever. Also so ein Dreamstate. Diesen Dreamstate hat man nicht irgendwie nach drei Monaten erreicht. Aber nicht anzufangen, irgendwie so einen Workflow in diese Richtung zu entwickeln, das ist der größte Fehler, weil dann wird es nie passieren. Und das ist irgendwie anomie im Marathon eben. Ich hab's geschafft, schon vier Marathons in meinem Leben zu laufen und zu beenden. Das schaffst du nicht in der ersten Trainingseinheit, aber wenn du nicht mit dem Training anfängst, dann wirst du es nie schaffen.

SPEAKER_00 37:01

Ich mag den weisen Spruch von deiner Mama. Also hör nicht auf, guck nicht immer, was die anderen machen. Fang einfach mal an. Also tiefe Botschaft. Was würdest du denn machen? Das ist eine rein hypothetische Frage, Laurens. Wenn morgen mal vielleicht ein CDO dich anruft, ja, und sagt, hör mal, hör mal zu, lieber Herr Kirschner, ich habe so zwölf Monate, nicht sehr viel Budget, sehr begrenzt und mein Vorstand will KI-Ergebnisse sehen. Was würdest du ihm sagen in den ersten fünf oder zehn Minuten?

SPEAKER_01 37:39

Ich würde sagen, da müssen wir erst ein bisschen grübeln und gucken, wo ist wahrscheinlich das größte Potenzial, und das ist eine strategische Frage. Und da sage ich immer, das größte Potenzial ist da, wo ihr, wo es bei euch auf Geschäftsfähigkeiten ankommt. Was müsst ihr denn wirklich können, um euren Geschäftszweck zu erzüllen? Und dann schauen wir mal, wo da das größte KI-Potenzial ist. Das muss man einmal ein bisschen grübeln, ja, und dann können wir schnell anfangen zu dübeln. Also da, wo die größten Potenziale sind, dass wir uns da sehr schnell uns mal wirklich auch jetzt hier den Prozess anschauen, den Workflow anschauen, gezielt eine Stelle raussuchen, wo man ihn besser machen kann. Meistens sage ich, im Moment ist es gar nicht so sehr effizient, sondern es ist eher Geschwindigkeit, also den Durchlauf durch den Prozess machen und das halt systematisch rangehen. Zuerst sich das größte Value-Potenzial wirklich gut ermitteln, dann schnell in der Wechselwirkung mit irgendwie, jetzt machen wir mal einen ersten Versuch, gucken mal mit den Nutzern, ob das irgendwie auch was bringt, machen es besser, schnell in eine iterative, schrittweise Integration eines neuen Workflows in die Unternehmenswelt zu agieren. Wir machen mittlerweile fast dogmatisch sogenannte Impact-Increments von sechs Wochen, geben uns meistens am Anfang sechs Wochen Zeit für schon gutes Discovery und gutes Priorisierungs, also arbeiten, grübeln und sagen dann, ab dem zweiten von diesen sechs Wochen Increments wird gedübelt. Wir fangen kein Inkrement an, ohne zu wissen, was wir am Ende von diesen sechs Wochen irgendwie erreicht haben wollen. Schauen nach sechs Wochen, weil es gut, irgendwie ist der nächste Schritt jetzt der richtige. Und so kommen wir in bei einem Jahr. Das sind dann logischerweise acht solche Increments, da kommen wir meistens auf einen ganz guten Endzustand. So das auch wirklich irgendwie Stichwort ist Moving the Needle. Das sind auch gute Situationen, wo wir in Unternehmen kommen, wo die wissen, ja, wir haben ein paar KPIs, die uns wichtig sind. Und wir haben schon so viel versucht, um bei diesem KPI die Tachonnadel zu bewegen und jetzt helfen sie es wirklich hinzukriegen. Und das schaffen wir in der Regel.

SPEAKER_00 40:16

Super. Ne, verstanden. Also nicht einfach mal loslegen. Gut, du hast ja auch eben gesagt, man sollte ja loslegen, nicht zu viel grün, aber trotzdem gucken, wo liegt das größte Value-Potenzial. Also wo kriege ich für meinen Euro idealerweise das Zehnfache zurück? Und du hast jetzt bis jetzt auf einen Value-Driver sehr stark eingegangen, nämlich die Geschwindigkeit, also kurz Time to Market und dann natürlich die Meilensteine einführen. Macht auf jeden Fall Sinn. Eine Frage, und das ist auch eine der letzten. Ja, und dann kommen wir langsam zum Schluss, Laurens. Welches Businessbuch hat dich denn am meisten inspiriert?

SPEAKER_01 41:04

Ich überlege gerade, mir fallen zwei Sachen ein. Das eine ist nach wie vor Clay Christensen, Innovator's Dilemma. Also Clayton Christensen, Harvard, Innovator Dilemma. Mit der Quintessenz aus meiner Sicht, keine Angst vor Kannibalisierung, weil wenn wir Kannibalisierung bei uns verhindern wollen, wird uns jemand anders wegkannibalisieren, von dem wir es gar nicht erwartet haben. Und ein anderes Buch, was ich allen sehr ans Herz lege, ich weiß zwar gerade die Autoren nicht aussehen, sind drei, es heißt auf amerikanisch Third Millennium Thinking. Und das brauchen wir als Gesellschaft. Das ist im Prinzip ein Plädoyer für lasst uns wissenschaftlich seriös mit Zahlen, Daten, Fakten umgehen und auch verstehen, wie Zahlen, Daten, Fakten Entscheidungen beeinflussen können oder eben auch nicht. Und was es aber heißt, wenn man wissenschaftlich eben über Konfidenz und so weiter spricht, lass uns das wirklich als Gesellschaft irgendwie viel besser nutzen.

SPEAKER_00 42:17

Super. Dann vielen Dank für die beiden Empfehlungen, Laurens. Und erstmal vielen Dank, dass es heute geklappt hat. Also ich war halt sehr glücklich, dass es heute endlich mal funktioniert hat. Drei Versuchen. Man darf nicht aufgeben, ne? Das habe ich im Upgenommen. Darf auf keinen Fall aufgeben. Und für alle, die jetzt ein bisschen Lust bekommen haben und sagen, Mensch, die Studie klang ja echt super spannend, hochspannend. Ich will mir das mal auch anschauen oder durchlesen. Ja, die Möglichkeit gibt es. Ich habe es mir ja auch hier runtergeladen. Den Link werden wir teilen. Titel heißt AI at Scale, wurde mit dem Handelsblatt Research Institut zusammenverlegt, mit dem Dr. Sven Jung und Laurenz Kirchner. Laurens, den habt ihr ja heute gehört. Link schicke ich dann. Und ansonsten wünsche ich noch einen sehr schönen, schönen Abend dann. Danke, dass du arbeitest, Laurens.

SPEAKER_01 43:08

Danke, ich dir auch. Ciao, ciao.

SPEAKER_00 43:11

Ciao.