Erst krabbeln, dann fliegen: Wie KI im Finanzbereich erfolgreich abhebt – mit Dirk Böckmann, virtivity

00:00:00: Wir fangen immer an mit einfachen Sachen, wo könnte man mit Griechen vergleichen wie so ein Baby in der Evolutionstufe?

00:00:07: und dann irgendwann lernt es gehen.

00:00:10: Wenn es gehen kann, lernt's laufen und wenn es laufen kann, kommt man irgendwann auch hin, dass er alleine fliegen kann.

00:00:18: Und wie gesagt das ist unser Ansatz bei dem doch oberhyptem Thema Agentic AI.

00:00:26: ja

00:00:36: Hallo und herzlich willkommen zum Data and AI Culture Podcast.

00:00:40: Ich bin Karsten Bange, Gründer- und Geschäftsführer von BAG.

00:00:42: Und mein Gastheuter ist Dirk Buckmann, Geschäftsührer von Virtivity.

00:00:48: Er ist Experte für die Digitalisierung im CFO Office – das bedeutet heute natürlich, dass wir über KI sprechen müssen!

00:00:56: Er hat hier ein paar interessante Erfahrungen mitgebracht.

00:00:59: Zum Beispiel sagt er, dass Datenqualität häufig nur als Alibi genutzt wird um KI nicht wirklich anzugehen.

00:01:07: Und das Predictive Analytics, trotz allen GenAI-Hypes immer noch ein guter Einstiegspunkt ist für die KI-Nutzung gerade im CFO Bereich.

00:01:17: Die Gentige AI nimmt natürlich auch einen guten Teil unserer Diskussion ein – was kommt da Neues?

00:01:22: Wie kann es auch sinnvoll genutzt werden und welche Voraussetzungen sollten jetzt Unternehmen eigentlich schaffen zum Beispiel auch Organisationatur, um KI erfolgreich einfüllen zu können?

00:01:33: Das und vieles mehr in dieser Folge.

00:01:34: Viel Spaß damit!

00:01:37: Hallo Dirk, herzlich willkommen im Data-und AI Culture Podcast.

00:01:42: Hallo Carsten ich freue mich.

00:01:43: für die Einladung oder über die Einladung.

00:01:45: danke.

00:01:46: Absolut gerne.

00:01:48: Du kommst mit einer steilen These hier rein und das möchte ich super gern mit dir diskutieren.

00:01:53: wir haben ja gerade den Podcast umbenannt in Data und AI Culture podcast um jetzt auch diese besondere Bedeutung von der AI eigentlich ein allen Unternehmen inzwischen Rechnungen zu tragen.

00:02:02: Und du sagst jetzt, CFOs sind eigentlich viel zu zögerlich bei der Einführung von KI im Unternehmen oder in ihrem Bereich.

00:02:11: Wie kommst du dazu?

00:02:12: Ja das ist wie du sagest es steile These die ich aber auch gerne erläutere.

00:02:17: vielleicht ganz kurz wie komme ich darauf?

00:02:20: also Ich bin seit ja seit fünfundneunzig mit finanzieller Führung mit finanzierenden Scheidern in Austausch erst als Unternehmensberater bzw.

00:02:33: ganz zuerst sogar im eigenen älterlichen Betrieb mit der Familienführung zusammen die ersten Analytics-Projekte gemacht, dann als Unternehmensberater und jetzt eben auf der Softwareherstellerseite und habe also immer mit CFO-Office zusammengearbeitet.

00:02:51: und gerade jetzt beim Thema KI muss ich das wirklich sagen Ich hab es so deutlich noch nie gesagt auch wenn CFOs immer sehr gewissenhaft Wohlüberlegt entscheiden, so nehme ich die meisten jedenfalls wahr.

00:03:06: Halt ich es jetzt eben in vielen Bereichen wirklich für zu zögerlich und auch in Summe für nicht zielführend?

00:03:14: Ja.

00:03:14: Spannend!

00:03:15: Da müssen wir glaube ich ein bisschen weiter das hinter fragen woran das liegt und was man vielleicht tun kann um das zu ändern.

00:03:21: Ich kann aber dir erstmal eine kleine Bestätigung geben aus dem Zahlenmaterial, was wir haben.

00:03:26: Du weißt ja wir befragen viel Unternehmen Und tatsächlich ist es so, wenn man das vergleicht, dass der Finanzbereich tatsächlich ein bisschen hinterherhängt.

00:03:34: Also was du jetzt so aus der Erfahrung gerichtet sehen wir auch an den empirischen Daten, dass da tatsächlich zögerlicher agiert wird.

00:03:43: Vielleicht aus guten Gründen, dass man's vielleicht besonders auf Korrektheit und Qualität achtet... Vielleicht verliert man aber auch was.

00:03:51: Was ist so deine Meinung dazu?

00:03:53: Ist das gerechtfertigt?

00:03:55: Ja, sowohl als auch glaube ich da gibt es ja unterschiedliche Bereiche im Bereich AI.

00:04:00: fangen wir mal mit dem einfachsten Bereich an bei Predictive.

00:04:04: Bei Predictives Analytics Themen Projekten höre ich also ganz häufig die Aussage unsere Datenqualität ist noch nicht ausreichend.

00:04:12: Wir müssen erstmal die Datenbasis bereinigen.

00:04:17: und da sage Das würde ich so in keinster Weise unterschreiben, weil die Datenqualität ist nie in der Form, in der ich sie mir wünsche.

00:04:27: Saubere Daten werden wir nie erreichen.

00:04:30: Dafür ist viel zu viel Bewegung im Geschäft drin und in der IT-Infrastruktur drin.

00:04:36: Führungskräfte kommen und gehen, KPIs verändern sich.

00:04:41: Die Frage ist also für welchen Use Case brauche ich welche Daten?

00:04:45: Und sind die Daten für diesen Use Case gut genug?

00:04:49: Das heißt, es gibt nicht ein absolutes Datenqualitätsthema.

00:04:51: Sondern das beantworte ich dann eigentlich erst nicht den Use Case vorliegen habe und da muss der Fokus drauf.

00:04:59: Wo kann ich mit diesem Beispiel dann predictive Analytics die zentralen Entscheidungen, die im Unternehmen getroffen werden, signifikant verbessern?

00:05:08: Und welche Daten brauche ich denn dafür?

00:05:10: Und reichen da dann die verfügbaren Qualitäten?

00:05:13: Dann komme ich häufig auf ganz andere Engpässe!

00:05:18: Ja, absolut.

00:05:20: Tatsächlich ist das was du sagst ja gar nicht so neu.

00:05:23: also diese Definition von Datenqualität als Fitness for you's sind sie passen für den Anwendungsfall.

00:05:31: Ist eigentlich schon relativ lange bekannt.

00:05:33: aber ich geb dir auch recht so richtig rumgesprochen.

00:05:35: hat sich das nicht deshalb super dass du das hier nochmal so betonest?

00:05:39: Also Datenqualitäts sagst du musst natürlich Betrachten.

00:05:42: Wahrscheinlich gibt es zwar schon eine Untergrenze oder?

00:05:44: Also wenn man die Qualität doch zu schlecht um etwas zu machen

00:05:47: Ja, ich würde noch mal ein bisschen anders ersetzen.

00:05:50: Ich glaube, dass man wirklich am Anfang völlig unabhängig von der Datenqualität erstmal die Möglichkeiten, die Productive Analytics bietet zu spiegeln mit den kritischen Entscheidungen unternehmen und da zu gucken, wo könnten wir unsere Entscheidung signifikant verbessern?

00:06:12: Ich mache mal ein ganz konkretes Beispiel das jetzt zweieinhalb Jahre her war bei einem großen Konsumgüterhersteller.

00:06:19: Und der kam wirklich auf mich zu und sagte, wir haben ein Problem mit unseren Beständen die sind so hoch und weil wir auch eine hohe Servicegrad haben wollen wird das auch immer schwieriger und immer höher.

00:06:35: da muss es doch was geben kann da KI nicht helfen?

00:06:40: Und also da war Ausgangspunkt wirklich dieser Use Case, diese kritische Entscheidung.

00:06:44: Wann bestellen wir?

00:06:45: Wie viel Materialien?

00:06:46: Wie viele produzieren wir vor und so weiter?

00:06:48: Das sind die kritischen Entscheidungen, die in diesem Falle Liquidität gekostet haben.

00:06:52: So dann sind wir hingegangen und haben ohne das noch uns die Daten-Qualität angeguckt haben, diese einzelnen Ansatzpunkte und Use Cases, die wir das Verbesserung können gesammelt und erstmal nur mit Benchmark Erfahrung Bauch in so einer Aufwand nutzen Matrix bedertet.

00:07:08: Da kam dann relativ platt raus, wir müssen gucken ob wir den Prozess des Demand-Vocastings, ob wir denen nicht kontinualisieren.

00:07:16: Also regelmäßig machen und dann eben automatisieren mit Predictive Analytics.

00:07:21: Und wenn das ginge hat man viel häufigere Update Zyklen Mit ein paar Geschäftsregeln dahinter kann man dann die Bestände um zwanzig bis dreißig Prozent senken.

00:07:31: Das war die Andere.

00:07:32: Und erst dann sind wir hingegangen.

00:07:33: also nach dieser pauschalen Aufwand-Nutzenbesertung, sind wir erst hingegangen und haben Mini Prototyp gemacht.

00:07:41: Und die Datenqualität am praktischen Case bewertet.

00:07:46: Da kam dann zum Beispiel auch raus, ja?

00:07:48: Wir haben so ein Beispiel Umgruppierung in der Produktherarchie also die Zuordnung von einzelnen Artikeln zu Warengruppen, Warenuntergruppen

00:07:57: usw.,

00:07:58: die hat sich im Zeitablauf geändert Dann könnte man sagen, okay dann habe ich natürlich wenn ich ein Strukturbruch in den Daten hab.

00:08:06: Habe ich natürlich ein Problem mit Machine Learning Algorithmen kann ich nichts machen.

00:08:10: Nee das haben wir aber gelöst.

00:08:11: also wir haben die Daten dann so bereinigt dass sie in der Form vorlagen als wird würde immer die jetzt aktuelle Produkte Archie gelten also Daten reorganisiert.

00:08:25: Das war ein bisschen aufwand, aber das war mit Sicherheit ein geringerer Aufwand als erst mal ein Data Warehouse-Projekt über fünf Jahre zu machen oder einen Datalack aufzusetzen.

00:08:34: Weil wie du es eben so schön gesagt hast wir haben die Daten fit gemacht für diesen Use Case und nicht für alles.

00:08:40: So dann sind wir relativ zügig zur Erkenntnis gekommen dass wir damit eine sehr gute Trefferquote hinbekommen auch nicht für alle Bereiche.

00:08:51: also als Beispiel neue Produkte, ohne Referenzprodukte.

00:08:58: Dieses Produkt verhält sich genauso wie das andere.

00:09:01: Das ist mit Machine Learning und Productive Analytics nicht so einfach gewesen aber die haben dann rausgenommen.

00:09:05: Aber für den Großteil des Absatzvolumens was auch bestandsrelevant war, haben wir wirklich automatisiert Vorkast erzeugen können und haben eben dann auch Bestände reduzieren können.

00:09:18: Genau mit der und daraus hat sich ein bisschen meine meine Meinung dann bestärkt, das eben genau so zu machen und wir haben es jetzt bei drei vier größeren Kunden auch im Nachgang gemacht.

00:09:32: Eben nicht hingegangen und erst die Datenqualität bewertet, sondern erstmal der Use Case.

00:09:37: und wenn uns das gelingt ist das dann ein Mehrwertfall ja oder nein?

00:09:41: Der Fokus geht auf den Use Case

00:09:43: Ja und den Nutzen des Use Cases.

00:09:45: Genau Nicht nur Use Cases, weil sie irgendwie technisch herausfordernd sind oder besonders cool.

00:09:51: Sondern eben zu gucken was bringt es denn wirklich?

00:09:55: Jetzt hast du mehrfach jetzt Predictive Analytics Beispiele auch genannt.

00:09:59: Würdest Du das sagen?

00:10:00: ist das der erste Bereich wo man im Unternehmen hingucken kann?

00:10:03: also sind Prognosen ein Teil wo KI jetzt besonderen Mehrwert liefert?

00:10:09: Ja ich würde schon fast sagen dass es schon auf dem Weg zur zum Standardprodukt zu werden.

00:10:16: wird ich zumindest sagen, das ist schon der Bereich, der vielleicht noch nicht overhyped ist.

00:10:22: Also wo KI auch schnell Mehrwerte liefern kann und kommt gerade dann aus CFOs die bestreben haben fundierte und abgesicherte Entscheidungen zu treffen gut mit anfangen können.

00:10:33: also es für mich ja ein guter Bereich in dem man starten kann und wenn man da wohl überlegt eben auch vorgeht auch schnell mehr Werte generieren kann die dann eben auch weitere KI-Investitionen rechtfertigen, wenn man ein paar Erfolgsbeispiele schon vorzuweisen hat.

00:10:52: Ja jetzt ist ja der aktuelle Hype voll um Gen AI und während jetzt im predictive analytics Umfeld meistens eher traditionelle Methoden genutzt werden aus der Statistik, Machine Learning hast du erwähnt etc... Gibt es da inzwischen auch Gen-AI Einflüsse?

00:11:08: oder ist das nach wie vor eigentlich so das traditionelle Werkzeugset, was man da einsetzt?

00:11:14: Ja also wir trennen immer sehr stark wenn nicht die reine Erzeugung von Vorkarzts und Prognosen.

00:11:26: In der Tat sogar so würde ich aussagen, dass sind noch viele klassische ML Algorithmen drin bis hin zu statistischen Algorithm, unbedingt etwas zu tun haben mit KI, die aber auch noch ihre Daseinsberichtigung haben.

00:11:38: Der Crescent Algorithmus zum Beispiel für dünn besiedelte Zeit rein ist ein rein statistischer Algorithmus den ich aber bei uns an den Projekten nicht missen möchte.

00:11:48: der ist sehr hoch mehr wert häufig also stichwort nutzen nochmal.

00:11:54: Aber die Frage ist dann wie kann ich diese diese Algorithmen elegant, ich sag mal in Anwendung bringen?

00:12:01: und da kommen schon Agenten auch wieder zum Einsatz.

00:12:11: Ausführung und das Anstoßen dieser Algorithmen, als auch gegebenenfalls das Feintuning dieser Algoritmen übernehmen können.

00:12:20: Den Powerusern dann die Transferleistungen abnehmen, dass man eben nicht zu viel selber coden muss.

00:12:28: Das haben wir auch schon sehr stark bis hin zu Agenten, die dann eben auch wenn Abweichungen da sind diese erklären können.

00:12:36: also Stichwort Anomalieerkennung usw.. Und da komme ich dann wirklich auch in Agenten, die Analyse machen, Abweisungen erklären und schon klassische Analistenarbeit übernehmen.

00:12:50: Okay also sagst du dass man es eher kombiniert?

00:12:55: Wir versuchen das genau um versuchen über die klassischen Anwendungszelle Manage mir einen Forecastprozess dann in Analyse-Themen reinzukommen, auch ein bisschen in Data Management Themen reinzukommen.

00:13:09: Lad die aktuellen da an und stirbst den nächsten Vorkass gleich mit an.

00:13:13: Also über ganz bodenständige Anwendungsfälle, den Agenten, sage ich mal, enablen.

00:13:19: Hängt auch so'n bisschen mit unserem Ansatz bei Agentec zusammen.

00:13:22: Wir haben das habe ich irgendwo mal gelesen – ich weiß gar nicht woher, ich muss sich gestehen!

00:13:28: haben so Quall, Walk Run Fly Model.

00:13:33: Also richtig zu sagen wir fangen immer an mit einfachen Sachen, wo könnte man mit Griechen vergleichen wie so ein Baby in der Evaluationsstufe und dann irgendwann lernt es gehen, wenn es gehen kann lernts laufen und wenn's laufen kann kommt man irgendwann auch hin, dass er alleine fliegen kann.

00:13:52: Und wie gesagt das ist unser Ansatz bei dem doch oberhyptem Thema.

00:13:57: Äh äh ähh äh Agente AI.

00:14:00: Ja, mhm

00:14:01: mhm macht Sinn!

00:14:03: Jetzt hast du gerade gesagt ähm Datenqualität wird häufig so als großes Problem gesehen.

00:14:08: ein bisschen zum Showstopper aber wenn man jetzt äh das quasi für bestimmte Use Cases angeht ist es löstbar.

00:14:15: und da hast du noch sehr schön gesagt es gibt ja auch noch ganz andere Bottlenecks.

00:14:18: Das macht mir natürlich jetzt neugierig was siehst du denn da?

00:14:21: Also sind denn Nebendatenqualität oder Außerdaten-Qualität dann die großen Probleme oder Herausforderungen?

00:14:29: Ja, also wenn die Datenqualität per se erst mal gut genug ist müssen sie ja auch noch verfügbar sein.

00:14:38: Also sprich Zugriffe das ist häufig ein Thema auch gerade wenn man viel mit Personen individuellen Daten arbeiten will, also von daher auch das ganze Thema Governance, was da rein spielt.

00:14:54: Was ja auch hier im Podcast immer wieder eine größere Rolle gespielt hat ist ein wichtiges Thema, was dann häufig bei der Verwendung solcher Ansätze eine Rolle spielt.

00:15:09: Skills ist ein ganz großes Thema.

00:15:15: Weiß ich wovon ich rede?

00:15:17: habe ich auch methodisch, mathematisch wie auch organisatorische Zusammenarbeit die richtigen Kompetenzen an Bord.

00:15:24: Also Silo Denken habe ich bei euch im März in Würzburgs.

00:15:29: einen Vortrag übergehalten, dass Vertrieb und Produktion am liebsten separat voneinander vorkasten.

00:15:36: Und sich da nicht abstimmen weil eben historisch da irgendwelche Chinese Worlds gewachsen sind.

00:15:42: also die neuen Möglichkeiten bringen doch wieder ganz klassische Problemen nach oben.

00:15:51: ein Problem fällt an die Wasseroberfläche.

00:15:54: Also wie gesagt Data Governance zusammen mit der Verfügbarkeit, Zusammenarbeit und Skills sind da, würde ich sagen meine Highlights.

00:16:04: Okay sehr gut!

00:16:06: Und hast du auch Tipps, Ideen wie man jetzt die Herausforderung am besten angeht oder worauf sich gerade Führungskräfte dann besonders konzentrieren sollten?

00:16:18: Weil das war jetzt ja ein großes Spektrum an Themen.

00:16:22: Kannst du das vielleicht... Könntest du das priorisieren oder da Empfehlung geben?

00:16:28: Also, ich bin Freund in Summe von... also jetzt muss ich gleich schon relativieren vorwächter im Freund aber kein blinder Follower von Agilem führen.

00:16:40: Aber das heißt letztlich betont Agiles führen ja eine sehr gute Zusammenarbeit, also Zusammenarbeit fördern, Chinese Walls niederreißen um dann Themen bezogen zu arbeiten und da auch Autonomie reinzugeben.

00:16:59: Im Bereich Data Management manifestiert sich diese Philosophie, die ich habe am besten im Konzept vom Datamash.

00:17:05: Für mich ist es primär ein organisatorisches Konzept und kein technisches.

00:17:10: Vielleicht mit Data Fabric gut umsetzbar und das Health Service Platform dran, aber das ist gar nicht das worauf oder wo das Ding nicht draufkomme, sondern ... Das Thema, was schön beim Datamash ist ja eine Dezentralisierung der Verantwortung.

00:17:27: Und damit geht die Verantwortung für Datenqualität erst mal in den Bereich, wo das kontaktspezifische Wissen ist.

00:17:35: Also Beispiel wenn ich in Summe ein Data Product Vertriebstatistik habe und ich gebe das in die Domäne Vertrieb rein dann wissen die genau, was im Neukunde ist.

00:17:46: Die wissen genau, was ein Neuprodukt ist und wie lange ein Neu-Produkt oder Neuprodukt ist.

00:17:50: Und die können Verantwortung dafür übernehmen.

00:17:54: Wenn ich an der zentralen Stelle in Datenqualitätsverantwortlichen habe, muss sich dieses Wissen erst mal im Zweifel besorgen.

00:18:01: Der kann im Zweifell auch gar nicht wissen welcher Informationsbaustein besonders kritisch ist und welcher weniger kritisch es ist.

00:18:09: Wenn man die Verantwortung für die Datenqualität dann eben in die einzelnen Domänen gebe... Und die dann noch sinnvoll vor Netze, dass ich zum Beispiel auch Input Data Products und Output Data Product habe.

00:18:23: Dann entsteht ja quasi das Netz.

00:18:26: Dann hab' ich letztlich eine agile Zusammenarbeit von Teams, die sich miteinander abstimmen, die zweckbezogen neue Produkte generieren, kreieren... Das halte ich für vielversprechenden Ansatz genau die gerade genannten Themen zu lösen!

00:18:44: Ich finde das ein bisschen schade.

00:18:46: Da interessiert mich aber auch deine Meinung nochmal, wenn man so schaut.

00:18:51: Es ist ja nicht so dass das Konzept in der Praxis einen Durchmarsch macht.

00:18:56: Also gibt es da viele Widerstände, weiß ich aus deiner Schreisstrich-Eurererfahrung ist... ...ich würde die Umsetzung zögerlich bezeichnen?

00:19:06: Ja!

00:19:08: Erstmal ja, ich meine das ist ja nicht ganz neues Konzept.

00:19:11: Das heißt ja hätte man sich vielleicht auch schneller vorstellen können.

00:19:16: Ich finde erst mal interessant dass der Begriff häufig eigentlich schon wieder verschwunden ist bei vielen.

00:19:21: aber jetzt die Bestandteile gerade jetzt dezentral Datenprodukte zu entwickeln und zu sharen also dies anzubieten und zu verteilen sehe ich doch als relativ breiten Trend.

00:19:31: Also schon immer mehr Unternehmen die das Verstanden haben gut finden auch umsetzen wollen.

00:19:39: jetzt kommt es dauert häufig viel länger als sich viele wünschen an der stelle.

00:19:45: Weil dann sind wir genau bei den organisatorischen Themen.

00:19:48: das geht damit los dass uns unternehmen berichten und sagen ja, die in den dezentralen einheiten haben wir gar keine fans die sagen wollen wir nicht haben wir keine zeit für kein ressourcen warum müssen wir jetzt macht ihr doch bitte weiter?

00:20:03: Also das ist das Erste, ja.

00:20:05: Diese Dezentralisierung hat große Vorteile.

00:20:07: Man muss aber eben auch Leute haben die es aufnehmen, die es können, die vielleicht auch die Ressourcen dafür haben, die sie dann noch wollen.

00:20:14: und genau diese Dinge quasi aufzubrechen erstmal auszubilden, bewusst sein zu schaffen dafür

00:20:20: etc.,

00:20:21: dass dauert halt scheinbar.

00:20:24: Ich finde trotzdem recht ermutigend, dass dieses Konzept der Datenprodukte sich doch immer stärker durchsetzt Aber eben, glaube ich, langsamer als man das so gedacht hätte.

00:20:33: Weil genau die Vorteile ja so stark sind.

00:20:35: Dass man denkt, es muss doch jedem klar sein, dass das total logisch ist und total Sinn ergibt.

00:20:40: Und deshalb willst du das jeder machen?

00:20:42: Dann ist die organisatorische Realität ... Nee!

00:20:45: Macht halt nichts doch nicht jeder sofort.

00:20:47: Es gibt immer mehr tolle Beispiele.

00:20:48: Vielleicht ein Verweis auf den Podcast, der Fiona Kambais hat von Siemens geschildert.

00:20:53: Das ist sehr großes Unternehmen offensichtlich.

00:20:57: Jetzt aber eben auch ein bisschen gebraucht haben wir jetzt doch das Konzept offensichtlich immer stärker um sich greifen und immer mehr Daten Produkte gebaut werden, immer mehr Teams angebordet werden.

00:21:05: Das ist auch umsetzen.

00:21:06: also das fand ich jetzt ein super Beispiel, wo nach einer gewissen Anlaufzeit jetzt aber doch eben so ein Konzept toll durchsetzt in Organisationen.

00:21:14: Also in dem Sinne glaube ich es kommt dauert mal ein bisschen.

00:21:18: Er

00:21:19: hat es auch interessant, dass du Siemens hast.

00:21:22: Weil ich glaube dann ist auch noch mal ein Unterschied zwischen dem gehobenen Beistand in dem ich auf viel unterwegs bin und der Konzernwelt.

00:21:31: Und bei der Konzernwelt gibt's ja auch noch unzählige Spielarten, die ein bisschen... eher der große Tanker sind und die Konzerne, die sich schon ein paar Schmille Beibote mit herangezogen und aufgebaut haben, sagen wir es mal so.

00:21:47: Aber im gehobenen Milchstand sehe ich tatsächlich häufig noch dann wirklich diese Zentrale oder diesen Reflex zentral darin Qualitätsbeauftragte zu implementieren und so.

00:21:59: aber das ist ja auch... Interessant und auch vielversprechend, dass so was vielleicht muss man gar nicht die Organisationsform des Netzes in den Vordergrund stellen.

00:22:10: Sondern vielmehr einfach das Thema da in Produkte kuschen.

00:22:13: Weil das ist eingängig!

00:22:15: Genau, genau.

00:22:16: Da hast du etwas Konkreteres aber damit sie dann funktionieren, da hast du natürlich den ganzen Rest hinten dran.

00:22:23: Du brauchst eine Federated Governance, du brauchst die Dezentralisierung.

00:22:27: Ich kenne aber welche die fangen erstmal zentral mit datenprodukten an.

00:22:30: da geht natürlich viel nutzend verloren.

00:22:32: trotzdem fegner organisationen an sich anders konzept zu gewöhnen redest oder die leute fangen so ein bisschen.

00:22:38: ja es ist auch eine gewöhnungssache.

00:22:39: also insofern.

00:22:41: glaubt schon, dass das für viele der erfolgreiche Weg ist.

00:22:44: Ich weiß nicht sagen, dass es DataMesh gar nicht benutzt wird gibt auch viel Unternehmen.

00:22:46: die nutzen natürlich auch den Begriff weiter.

00:22:48: Mich fand's auffällig hat sich am Anfang dachte mal da oh das jetzt das neue Data Warehouse quasi ja also irgendwas so ein Konzept was jetzt um die zehn Jahre trägt bis es abgelöst wird und dafür war es doch erstaunlich schnell irgendwo wieder verschwunden fand ich aber wie gesagt das was es ausmacht die Bestandteile absolut noch relevant und eher noch im Wachsen ist mein Aberzeug.

00:23:09: Lass uns

00:23:09: mal

00:23:11: die restliche Zeit vielleicht noch einmal ein bisschen über Agenten sprechen.

00:23:13: Du hast es ja gerade schon erwähnt, so ein bisschen als du hast es erwähnte sozusagen on top auf Vorkasting Algorithmen um den Prozess zu managen oder zu automatisieren.

00:23:23: und deshalb würde ich gerne auch mal von dir ein bisschen allgemeiner hören wo siehst du die Hauptanwendungsfälle?

00:23:29: Von KI-Agenten im Unternehmen vielleicht allgemein oder speziell im CFO Office was auch immer du bevorzugst?

00:23:38: Ja, ich habe auch da gleich im März oder so mit euch zusammen eine Veranstaltung gemacht und da hab' ich exakt diese Frage gestellt.

00:23:46: Weil wir festgestellt oder weil wir wahrgenommen haben das wo wir Agenten gerne für einsetzen eben die Administration als Einstich erstmal einfacher zu machen ein Vorkass zu erzeugen oder ähnliches.

00:24:04: Das ist dann, und das kann man dem Moment raus, den Finanzentscheider und CFOs Leiter-Controlling letztlich nicht umfassend genug.

00:24:17: Und ich wage das weiterhin zu Challengen.

00:24:21: aber was sie haben wollen ist wirklich Agenten die dann Prozesse automatisch steuern.

00:24:28: Idealerweise Planungsprozessen, Vorkastprozess idealerweise automatisiert Daten generieren, so ein Vorkass erzeugen.

00:24:39: Das heißt nicht nur dieses unterstützende im bestehenden Prozess eher so assistierende und der Hauptlenker in dem Prozess ist immer noch der Human also der menschliche Faktor.

00:24:55: Nein die wollen deutlich mehr!

00:24:56: Die wollen schon mindestens mal bei Run einsteigen Und da möglichst schnell auch zum Fly auf den Fly-Status kommen.

00:25:04: und das heißt also von der Abweichungsanalyse, die dann kommentiert wird über die Kreierung des nächsten Vorkastes.

00:25:11: Das Prozessmanagement idealerweise auch ETL-Prozesse eigenständig machen usw.

00:25:21: Ich glaube dass es aktuell noch ein bisschen zu viel ist.

00:25:25: Dass die Anbieter da auch gehörigen Schuss eben dazu beigetragen haben, dass dem so ist.

00:25:33: Da ist ein gewisser Agent Washing würde ich sagen.

00:25:38: also unsere Agenten können alles der durch die Anbieter Seite da getrieben wird und zusammen mit einer positiven Einschätzung die die CFO-Organisation häufig auch von ihrem Reifegrad hat entstehen.

00:25:54: dann so würd' ich sagen ... überambitionierte Use-Cases, aber die sehe ich aktuell.

00:26:01: Die seh' ich aktuelle Markt und deswegen auch diese... Ich hab's eben gesagt Eindre ill also ich mach mit IDM.

00:26:11: Die hat so ein Client Engineering Team wo man so Use Cases ausprobieren kann und die Kollegen unterstützen dann.

00:26:18: Und da mache ich relativ viele Prototypen mit und unsere Erfahrung ist eben auch also eindreill tun sich dann wirklich schwer den Prototypen auch so zu evaluieren, dass man sagt ja, den wollen wir nachhaltig betreiben.

00:26:33: Und das ist finde ich weiter ausbauffählig und der Hebel aus meiner Sicht nicht da eben sowohl darin den Use Case wieder gutzufinden aber auch den eigenen Reisegrad richtig einzuschätzen.

00:26:49: Wo sollte ich starten?

00:26:50: mit dem was ich habe?

00:26:52: Sollte Vielleicht brauche ich kein Crawl, aber vielleicht fange ich mal an mit Walk.

00:26:56: Ja also mit einem Use Case der explizit noch den Menschen im Prozess lässt und dem Menschen auch am Lenkrad sitzen lässt, der aber vielleicht assisted und unterstützt wird.

00:27:08: Das heißt Ich muss gucken was kann ich meiner Organisation und letztlich unserem Team auch zumuten?

00:27:16: Welchen Reifengrad haben wir um?

00:27:18: wie können wir so einen Agenten dann wirklich gut betreiben und nutzen?

00:27:23: Ja, absolut.

00:27:24: Hast du ein paar Beispiele vielleicht aus eurer Praxis wo GenTik AI wirklich gut funktioniert hat oder guten messbaren Nutzen gezeigt hat?

00:27:36: Also das was wo wir den Nutzen sehen aber von den Kunden am wenigsten wirklich gesehen wird ist eine Administration.

00:27:46: ja also in einer Administration man kann zum Beispiel einen Agenten sagen Und es ist wieder das erste Quartal vorbei.

00:27:54: Ich habe meinen Housekeeping-Prozess, nicht mehr benötigte Daten mal löschen und ein bisschen Performance-Optimierung machen.

00:28:05: User die sich ewig nicht eingeloggt haben vielleicht abmelden solche Sachen also kein High Value Prozess aber für die System Hygiene für den stabilen Betrieb wichtig und der lässt sich super automatisieren.

00:28:22: Und ich baue so das Skill auf in der Organisation, wie man Agenten eben auch nutzen kann.

00:28:30: Aber das ist vielen nicht genug.

00:28:33: Deswegen sind wir dann auch hingegangen und nutzen jetzt sehr stark Agenten fürs Thema Abweichungsanalyser im Kommentierungen.

00:28:40: Das heißt da sicherlich das Thema... zu erklären, wo kommt die Abweichung her?

00:28:47: Anomalien automatisiert zu erkennen.

00:28:49: Anomalie-Erkennung ist aus meiner Wahrnehmung im Rahmen der Abweicherungsanalyse gerade im CFO Office ein großes Thema, wo verschiedene Anbieter auch viel investieren und wo man auch viel Wirkung generieren kann – insbesondere auch wenn man dann mit den Mit den richtigen Algorithmen können die Agenten das ja auch über die Organisation Strukturen hin verdichten und dann auf Top-Level-Ebene wirklich Abweichungen gut erklären.

00:29:19: Und zusammenfassen, also da machen wir aktuell würde ich sagen am meisten Simulationen vergleichen, was bei den einzelnen Parametern in den Simulation Bei den Ergebnisseffekten dann die größten Treiber, ist das der Ölpreis.

00:29:40: Sind das die Zölle?

00:29:42: Und dass können Agenten schon sehr gut herausfinden.

00:29:46: was hat welche Veränderung maßgeblich beeinflusst.

00:29:49: Ja spannend.

00:29:52: Interessanterweise ich habe gerade hier mal reingeguckt wir haben gerade eine Studie gemacht die heißt The Rise of Agentica in Planning also mit Fokus auf auf dem Planungsprozess.

00:30:02: Und genau das, was du sagst wird ja eigentlich gestätigt.

00:30:04: Also, die Anomalie-Entdeckung und auch Risikorenteckung wurden am häufigsten genannt als Use Case für agentic AI.

00:30:14: Szenariosimulation als Zweites hat es da auch gerade gesagt.

00:30:17: Das Dritte ist dann ein bisschen etwas anderes.

00:30:19: That is Extracting Insights from Unstructured External Data for Planning Input also quasi nochmal externe... Impulse, Seiten, Textdekumente aufzubereiten und den Impact auf die Plank.

00:30:32: Also passt eigentlich sehr gut die Empirie hier zu dem was du gerade gesagt hast.

00:30:38: Wir sind so bis am Ende der Zeit schon leider.

00:30:41: das war wirklich ganz interessant.

00:30:43: vielleicht fassen wir es nochmal zusammen.

00:30:46: also Startpunkt war ja CFOs sind zu zögerlich Und jetzt hast du eine ganze Menge, nicht nur quasi Diagnose.

00:30:54: Wo sie zugelegt ist und ich glaube das auch schon jede Menge Hilfsmittel und Ideen geliefert ja wo man das anpacken könnte.

00:31:02: Vielleicht kannst Du das nochmal jetzt zusammenfassen.

00:31:04: zum Abschluss.

00:31:05: Wo wir sagen okay wie überwinden wir das?

00:31:09: Wie oder was sind die Punkte wo CFOs oder andere Führungskräfte jetzt AI direkt anpackten können?

00:31:16: Okay Ich versuch's mal Weil es war wirklich ein lockerer Fluss, also das war sehr angenehm.

00:31:22: Wir sind ein bisschen von einem Thema zum anderen geschwommen.

00:31:27: Das erste war ja Predictive Analytics und sozusagen die Base.

00:31:33: oder wo wir uns einig waren – das ist heute eigentlich der häufigste und fast schon der Butter-und-Brotfall.

00:31:40: Und da ist ja der häufige Fortschrittshemmer glaubt, die Datenqualität sei nicht gut genug.

00:31:48: Also höre ich immer noch viel.

00:31:49: und da ist der Hebel oder der Hinweis den Use Case bezogen auf die geschäftskritische Entscheidung also dem Business Value in den Mittelpunkt zu rücken und eine Einschätzung anhand des potenziellen Nutzungs vorzunehmen und erst dann zu gucken.

00:32:08: sind für diesen Nutzen die Daten nicht doch gut genug?

00:32:11: Oder können wir sie ein bisschen bereinigen?

00:32:14: Weil wenn man als Beispiel die Bestände um dreißig Prozent sinken kann, dann kann man auch ein bisschen investieren, um Daten aufzubereiten.

00:32:21: Aber ich muss es nicht mehr generell machen und ewig warten bis die abstrakte Datenqualität endlich erreichbar ist.

00:32:28: Das war so der eine Haupthebel.

00:32:31: Dann kam über das Thema Datenqualitäts glaube ich auch zum Thema Data Mesh.

00:32:37: Hauptproblempunkt im Bereich Datenqualitet war da aus meiner Sicht eben das Thema, dass die Zentralisierung von Verantwortung dazu führt.

00:32:50: Dass die notwendige Fachkompetenz oder das kontektspezifische Wissen in der Zentrale was man braucht um Datenqualitätssicherheit ständig da ist und deswegen ein Stück weit die Trennung, die Dezentralisierung der Verantwortung nach den Domänen zusammen diskutiert.

00:33:11: Das ist vielleicht ein bisschen viel auch im ersten Schritt, deswegen kann man im ersten schritt ja erstmal hängen Datenprodukte definieren und dann da für die konkreten Produkte vielleicht auch in einem Hybridenmodell zentrale und dezentrale Einheiten zusammen durch eine gute Zusammenarbeit stichwort auch Agile-Zusammenarbeit dann die Datenqualität sicherzustellen.

00:33:34: das war sicherlich der zweite große Baustein würde ich sagen.

00:33:40: Bei den Agenten war es, glaube ich noch ein bisschen differenzierter zu sagen.

00:33:44: Da war zum einen das Ein-Drill der CFOs bei Agenten so Weight and See machen also sich noch gar nicht ran trauen und ein weiteres Drill aus meiner Erfahrung heraus nachdem sie dann so den ersten Prototypen gesehen und gemacht haben ja sagen Wir stoppen jetzt erst mal und machen doch nicht so weiter oder warten noch ab.

00:34:10: Da kam ein bisschen die These her, meine These ist da wirklich den eigenen Reifegrad erstmal realistisch einschätzen und dann akzeptieren das man im Zweifel in so einem evolutionären Modell Quall Walk Run Fly vielleicht auch erstmal auf einer niederen Stufe anfangen muss, erfahrungsammen muss akzeptieren muss dass man nicht sofort zum maß fliegt und sagen kommen wir gestarten jetzt mal machen die system abministration damit machen vielleicht die generierung oder vorbefüllung einzelner plantszenarien mit dem agenten um bauen das dann aber schrittweise aus weil wenn man sich am Anfang zu viel vornehmt Ambitioniert dran geht, dann wird es glaube ich schwierig.

00:35:02: und da können die CFOs auch ruhig den Anbietern mal sagen was ihr mit eurem Agent Washing macht.

00:35:09: Bleibt mal bitte bleibt man ein bisschen seriöser weil also was sich da auch auf eurer Anbiter Seite sehe was sie alles können sollen diese Erwartungshaltung die da geschirrt wird ist klein.

00:35:22: das sind glaube ich so die drei großen Blöcke aus meiner Sicht gewesen.

00:35:27: absolut Du, super hilfreich.

00:35:29: Ganz ganz herzlichen Dank, dass du da uns das teilhaben lassen an deiner doch jetzt breiten Erfahrung in dem ganzen Umfeld und ich glaube es waren viele praktische und nutzbare Tipps auch dabei.

00:35:40: Herzlichen Dank Dirk!

00:35:41: Du bist ja häufig Gast auf unseren Konferenzen sofern wie sicher, dass wir uns bald wiedersehen.

00:35:46: und dann sage ich nur bis dahin.

00:35:48: Ciao!

00:35:48: Alles klar.

00:35:49: vielen dank ciao.