Was macht ein KI-Geschäftsmodell aus? | #Künstliche Intelligenz 🤖

00:00:00: Willkommen zu einer neuen Folge von AI Unplugged, dem Podcast von Digital Kompakt mit Rasmus Rote und Jasper Marsemann.

00:00:16: Rasmuss!

00:00:16: Stellst du dich kurz vor?

00:00:17: Ja, genau.

00:00:18: Ich bin Rasmus und ich bin Mitgründer von Merantics.

00:00:20: Wir sind ein Venture Studio das Machine Learning Firmen inkubiert Und wir haben schon paar Firmen in den letzten Jahren gestartet Bauen jetzt auch demnächst einen KI-Kampus in Berlin Und ich freue mich sehr auf die Folge heute mit dir Jasper!

00:00:29: Ich freu' mich auch Jasper Masemann, ich bin von HV Capital Partner dort und kümmere mich um Software und AI Investments.

00:00:35: HV capital ist ein Ventur Capital Fund.

00:00:37: Wir haben fünfhundertfünfmalionen, die wir gerne ausgeben Auch für AI Geschäftsmodelle Und darüber wollen wir jetzt auch sprechen Weil KI Firmen sind ja eigentlich auch nur Firme.

00:00:46: Genau, ich meine KI Firmen sind ganz normale Unternehmen werden genauso finanziert müssen genau so ein Geschäftsmodell finden und wir wollen heute darüber diskutieren wie

00:00:58: Ja und ich glaube da ist es total wichtig zu verstehen, weil wir haben ja alle möglichen Software-Themen da draußen.

00:01:04: Wird auch gerade viel Saas an der Börse hochfinanziert oder Softwarefirmen?

00:01:08: Was ist eigentlich anders an diesen Geschäftsmodellen?

00:01:10: Und da glaube ich erstmal die Kernfrage was macht eigentlich KI auf Englisch besonders?

00:01:15: Was kann das eigentlich?

00:01:16: Was dann eben Geschäfts Modelle ermöglicht?

00:01:18: Vielleicht hast du da so ein bisschen nicht die ganz wissenschaftliche Variante aber so ein bißchen die abstraktere

00:01:22: für uns.

00:01:23: Genau!

00:01:23: Ich würde jetzt einfach mal in drei Sätzen zusammenfassen.

00:01:25: im Endeffekt was KI machen kann ist einerseits proze... zu automatisieren.

00:01:29: Also wir haben irgendwie ein Prozess von einem Menschen, der aktuell ausgeführt wird den wir schneller machen, automatisierend und wo der Mensch dann weniger Aufwand hat oder denen vielleicht gar nicht mehr machen muss.

00:01:37: und andererseits können wir KI nutzen um Daten zu analysieren neue Insights zu generieren.

00:01:41: Gut und das ist ja eigentlich was, was es irgendwie gefühlt schon lange gibt.

00:01:45: Ich hab jetzt verstanden AI kann das einfach viel viel besser machen.

00:01:48: und dann natürlich kam da viel aus der Forschung.

00:01:50: Und wir haben uns mal ein bisschen gefragt wer war eigentlich so der erste, der einen AI Geschäftsmodell gebaut hat?

00:01:55: Und irgendwie war das gar kein Start-up oder wenigstens dann zu dem Zeitpunkt nicht mehr.

00:01:59: weil also wir kamen eigentlich relativ schnell auf Google Hast du da noch ein bisschen Insights?

00:02:03: Es ist glaube ich vielen in den Search Algorithmus reingelaufen was die gemacht haben.

00:02:06: Genau!

00:02:06: Ich mein Google hat schon vor zwanzig Jahren an diesen Themen gearbeitet und gerade in ihrem Suchalgorithmen aber dann auch in dem ganzen Thema, wo es darum geht wer welche Werbung sieht.

00:02:14: Sehr früh schon KI eingesetzt und jetzt mittlerweile hat Google ja viele tausend KI-Forscher die an sehr vielen unterliegenden Stellenforschen oder auch Tesla, um weiteres Beispiel zu nennen ist seit vielen Jahren im Bereich KI unterwegs.

00:02:25: Und ich glaube der gemeinsame Nenner ist eben dass diese ganzen großen Konzerne KI vor allem auf ihren eigenen Daten angewandt haben.

00:02:31: und das ist natürlich am einfachsten weil wenn du selber Daten hast dann kannst du auch sehr gut da drauf direkt deine Algorithmen anwenden und musst jetzt nicht unbedingt erst noch eine externe Firma fragen.

00:02:38: und ich glaub Jasper vielleicht willst du dazu ein bisschen was sagen.

00:02:41: aber jetzt haben wir ja eben auch ne Welle an Firmen die Kanii nicht auf Ihren eigenen Daten sondern auch auf fremden Daten anwänden oder?

00:02:46: Genau weil es ist ja so jetzt weiß ich also wenn ich ganz viele Daten bekomme auch ein Produkt draus machen, also etwas was vorher irgendwie nicht ging.

00:02:53: Vorher musste ich das halt einfach statisch analysieren und jetzt kann ich es immer wieder live durch Tesla angesprochen.

00:02:58: da kommen neue Daten rein die KI regiert sofort passt den Algorithmus für den Autopiloten an und das ist natürlich total spannend für einen Startup weil dass ja kontinuierlich neue Kunden gewinnen, kontinuerlich sich durch den Markt bewegt und neue Sachen erschafft, die vorher keiner erschafft haben und dadurch wie wir auch immer so gerne sagen, so ein USP oder so einen Edge erschaffen kann.

00:03:15: Und du hast es selber gesagt Es geht ja einmal darum um Automatisierung.

00:03:18: Das heißt es gibt Themen wo Menschen sich mal ganz platt Papier angeguckt haben Oder Sachen durchgelesen haben und dann vielleicht in eine Datenbank eingetragen haben Vielleicht bisschen verändert haben und versucht haben besser zu verstehen was das ist.

00:03:29: Also einfach Analyse diese Kombination und das ist natürlich gerade in der Serviceindustrie So.

00:03:33: ich meine ihr macht selber Beratung.

00:03:35: Ich war früher mal Unternehmensberater Da haben wir natürlich auch viel Daten analysiert und dann zusammengefasst.

00:03:41: Beispiel ist glaube ich so Buchhaltung, da gab es die ersten Wellen vor fünf Jahren plus hier auch im Berliner Ökosystem.

00:03:47: Also man denkt an Smack, man denkt vielleicht an Candice gibt's auch noch oder Zeitgold, die dann ja auch pivotiert sind wo einfach gesagt wurde na gut also da hat sich jemand Rechnungen durchgelesen und hat sie zum Beispiel ein Datif eingetippt und das kann doch eigentlich auch Computer Vision machen in der Kombination und sogar noch diese Daten analysieren Und dann braucht der Buchhalter das vielleicht gar nicht mehr machen.

00:04:06: und das Schöne ist ja meistens bei diesen Themen die wollen das auch gar nicht mitmachen wenn ich das den ganzen Tag

00:04:11: tue.

00:04:11: Ich glaube, dass ist ein super Punkt, den du da nennst, Jasper weil ich glaube es gibt eigentlich so zwei Treiber dafür KI in diesen Service Automation Themen einzusetzen.

00:04:19: Das eine ist eben, dass das langweilige Aufgaben sind, das heißt entweder die Leute... machen das nicht gerne bzw.

00:04:24: es ist überhaupt schwierig, Leute zu finden diesen Job ausführen oder es werden so viele Fehler gemacht und es ist sozusagen besser eine Maschine einzusetzen weil man weiß dass die Fehlerrate dann um einiges niedriger ist.

00:04:33: und ich denke das sind zwei große Gründe.

00:04:34: in Dritter vielleicht noch dass die Maschine auch schneller ist weil man natürlich als Mensch oft eben länger braucht um diese Taten zu verarbeiten.

00:04:39: wenn's um Geschwindigkeit geht das auch noch.

00:04:41: ein sicher wichtiger Drittertreiber ist Kaida einzusetzten.

00:04:44: Genau, ich glaube gerade wenn du so das Thema auch Extraktion von Daten hast von normalen Papier oder PDF.

00:04:48: Ich meine OCR-Technologie hatte halt doch irgendwann eine Grenze und ist ja viel über Templates gelaufen.

00:04:52: und dass er da schöne bei KI die können halt auch ein bisschen unscharfe ausgleichen und interpretieren wie das hier auch unsere Augen machen und dadurch sind halt wirklich einige Geschäftsmodelle entstanden geht ja auch in der Sprachanalyse.

00:05:02: wir hatten da auch schon im Podcast zu Taxi IO habe ich gesehen Art Funding bekommen.

00:05:06: die helfen ja auch Buchhaltern einfach leichter Daten die da draußen im Internet sind besser zusammenzufassen und zu analysieren.

00:05:11: aber was ich auch sehr spannend finde wenn man mal sagt jetzt weg von der Automatisierung, also wirklich Menschen besser machen.

00:05:18: Da gibt es ja... Du hast es angesprochen!

00:05:19: Also die Maschine ist schneller aber das macht dir auch den Mensch schneller und manche Entscheidungen sollte der Mensch ja vielleicht auch selber treffen.

00:05:25: ich meine gerade in der Medizin da will ich jetzt vielleicht auch nicht dass der Computer alles alleine macht sondern einer drauf schaut.

00:05:30: Und ihr habt da glaube ich ein schönes Modell mit Vara.

00:05:32: Vielleicht kannst du da kurz sagen was sie genau machen und warum das besser ist als vorher?

00:05:36: Genau,

00:05:36: Vara ist ein super Beispiel.

00:05:37: Vara unterstützt Ärzte also Radiologen ganz spezifisch In der Befundung von Buskrebsbilder Und das ist halt ein super Use Case, weil es sind radiologische Bilder und aktuell übersieht eben der Radiologe wahrscheinlich so über zwanzig Prozent sogar der Tumore die man eigentlich hätte sehen können.

00:05:53: dann in unserer Lösung von Vara den Arzt da unterstützt, aber natürlich der Arzt im Endeffekt immer noch die finale Entscheidung trifft.

00:05:59: Das ist allein schon rechtlich so und das ist auch gegenüber Patienten so dass sich die dann wohler fühlen wenn er noch ein Arzt ist, der zuletzt nochmal drauf guckt.

00:06:06: Und so ist es eigentlich besser für alle ja bessere Ergebnisse.

00:06:08: Der Arzt isst auch glücklicher dass er die Arbeit besser ausführen kann und schneller und eine ziemlich übrigen Situationen Es gibt ja auch andere Fälle also ich meine in der Medizin sind natürlich super Beispiel.

00:06:17: Aber vielleicht sagst du noch was zur I-to-X weil ich glaube dies hier auch eine Firma in einem ganz anderen Bereich, die ähnlich vorgeht.

00:06:21: Ich glaube es ist generell also AltoX-Customer Care hat Michael Brehm weil hier auch schon im Podcast die helfen halt Agenten einfach während des Telefonats dass sie die richtigen Antworten finden das sie nicht alles immer aus ihrem Kopf machen müssen oder schnell nochmal nachlesen.

00:06:33: Das ist ja im Prinzip bei Vara auch so.

00:06:35: Also klar ich kann mich immer hinsetzen und alles mir noch mal durch lesen Und ich habe natürlich auch ein tolles Studium gemacht.

00:06:40: aber es ist halt viel entspannter wenn Computer mich dabei unterstützt und ich glaube auch das Taxiaiobis spielt sich ja auch nicht unähnlich.

00:06:46: also bevor ich da jetzt ewig lange suche Vielleicht kann die AI das einfach schneller finden.

00:06:50: Und dann kann ich selber noch mal interpretieren, Legal Tech ist ja auch ein gutes Beispiel.

00:06:53: Ich mein Wahnsinn was man als Anwalt wahrscheinlich den ganzen Tag lesen müsste an neuen Urteilen aber auch aus seinem Studium sich daran erinnern müsste.

00:07:00: Ich glaube da macht einfach jeden am Ende des Tages besser.

00:07:03: Customer Care ist aber ein wunderschönes Beispiel weil da ist der Churn sehr hoch.

00:07:06: Da ist einfach der Druck auf die Agenten hoch.

00:07:08: du kannst sie nicht immer alle permanent coaching die ganze Zeit und vieles von den Themen die machen sind ja sehr sehr repetitiv und es geht wirklich einfach teilweise nur daran die Agentin zu erinnern.

00:07:16: Es gibt hier auch der Eric Pfann Möller hat ja mit Zauvmade auch ein Geschäftsmodell, wo man einfach die Agenten unterstützt.

00:07:21: Mit klassischen Standard-Lösungswegen, dass das nicht der Agent immer selber machen muss oder der Mitarbeiter sondern einfach die KI dir da helfen kann.

00:07:28: Genau und ich glaube das Interessante ist wenn es dann eben rüber geht Richtung Consumer.

00:07:31: wir hatten ja Google schon erwähnt.

00:07:33: jetzt ist du sagtest das Thema Empfehlung.

00:07:35: das kann ja nicht immer nur einen Mensch machen.

00:07:36: was sind eigentlich so die Geschäftsmodelle die eigentlich auf diesem Empfehlungen Algorithmen ganz gut funktionieren aktuell.

00:07:42: Ja, ich glaube ein super Beispiel in dem Bereich ist auf jeden Fall TikTok was ja nach wenigen Videos die du dir angeschaut hast ziemlich genau weiß was dir gefällt und was dir nicht gefällt wo du schnell weiter swipest oder wo du das Video dann doch zu Ende guckst.

00:07:53: Ich merke du kennst dich aus!

00:07:54: Ich habe das noch nicht installiert.

00:07:55: sollt ihr das machen?

00:07:58: Ich hab's zumindest mal kurz ausprobiert, aber es ist schon witzig wie es da nach ein paar Videos dann relativ gut die auch von den Videos mehr zeigt wo du halt irgendwie länger geguckt hast.

00:08:05: Und das Spannende ist ja nicht, dass nenn ich irgendwie drei Sätze Text sondern das ist ein relativ komplexes Video wo im Prinzip der Algorithmus automatisiert erkennt gehts jetzt irgendwie um keine Ahnung Urlaubsdestinationen um Essen um irgendwie schnelle Autos und manchmal sind diese Themen auch kombiniert.

00:08:19: d.h.

00:08:19: er kennt dann relativ so was passiert da wirklich dem Video und personalisiert das dann sehr schnell.

00:08:23: Was

00:08:24: misst ihr denn da eigentlich?

00:08:24: Habt ihr das Gefühl der misst auch wie lange ich auf den einzelnen Bild?

00:08:27: Also bei Instagram, ich kriege immer Lego ganz viel angezeigt.

00:08:29: Weiß auch nicht

00:08:30: warum?

00:08:30: Das sind wahrscheinlich deine Kinder die deinen Instagram-Account gehackt haben und da dann stundenlangen Legosachen angucken.

00:08:35: also es ist natürlich ein riesiges Geschäftsmodell weil einerseits führt das dazu dass die Nutzer einfach viel länger in der App bleiben weil sie eben genau das sehen was Sie wollen und andererseits dann eben auch aus Advertising Sicht kannst du dann auf viel besser im Prinzip die richtige Werbung ausspielen.

00:08:47: also da ist ein riesiger Use Case aber auch in anderen Bereichen als ich meine was Amazon alles in der Robotik macht in den Warehouses.

00:08:53: Im Prinzip ist es so dass eben alle diese großen Tech Konzerne verkaufen, sich sehr stark mit Carrier aufrüsten.

00:08:58: Weil sie halt eben auch merken dass das einer der größten Hebel ist ihr Business besser zu machen, besser auf den Kunden einzustellen aber auch eben intern zu automatisieren.

00:09:05: Ich glaube das spanne wenn man drauf guckt.

00:09:06: also eigentlich man kann ja ein Regelsystem bauen.

00:09:08: so hat es wahrscheinlich auch Amazon ursprünglich gemacht und Google ja sowieso auch.

00:09:11: wir haben eine Firma im Portfolio Lingo Kids.

00:09:13: das ist so Sprache auch.

00:09:14: also die individuelle Lernfahrt ist ja auch immer so ein heiliger Graal dass jeder irgendwie die perfekte Lernen Inhalt kriegt.

00:09:19: Das wird viel zu komplex mit Regeln und AI kann dann sehr flexibel entscheiden auf Basis meines Nutzerverhaltens.

00:09:24: habe ich das richtig verstanden?

00:09:25: Ja genau, das ist eben eine Sache.

00:09:26: Dein Nutzerfalten ist nicht so leicht in einer simplen Regel abzubilden sondern es ist ein sehr komplex Profil weil ich es ja im Endeffekt ja beschreib was dich als Person die du ja eine komplexe Person bist sozusagen interessiert und das kannst du nicht in zwei drei Setzen oder zwei drei Regeln irgendwie ausdrücken.

00:09:40: also... Und da auch jedes Prozent Performance ist halt eben Geld wert.

00:09:43: Also wenn du jede Sekunde die du länger an der App bist Prozentzahl, die du eher auf einen Ad klickst ist halt viel Geld wert und deswegen optimieren die da großen Firmen eben auch so viele an diesen Algorithmen.

00:09:52: Aber

00:09:52: Performance ist ja ein super Stichwort.

00:09:54: also ich meine wir sagen gerade es geht um sehr sehr individuelle Analytik auf Einzelnutzer-Ebene teilweise wahnsinnig viele Daten im Hintergrund und wir sehen jetzt ja ganz groß die zweite Welle der Schaufeln und Spitzhacken des Datengoldrausches auf uns zu laufen.

00:10:07: Also ist das jetzt grade erst so oder ging das eigentlich schon viel früher los?

00:10:11: Ja es gab ja schon vorher diesen ganzen Big Data Hype wo er irgendwie so acht bis zehn Jahre wo schon auf viel Software und viel Infrastruktur gebaut wurde.

00:10:18: Ich glaube, damals waren eben gerade viele klassische Unternehmen einfach noch nicht weit genug im Daten sammeln, im Daten standardisieren, die sozusagen alle in ein Data Lake zu tun.

00:10:26: Und da kommen wir jetzt eben hin!

00:10:28: Jetzt langsam haben die meisten Unternehmen ihre Daten mehr oder weniger... sortiert zumindest in bestimmten Geschäftsbereichen.

00:10:33: Und jetzt geht es darum halt da wirklich KI, Machine Learning auch Datenanalyse generell anzuwenden und da gibt's jetzt eben super viele Use Cases.

00:10:39: wo ist vielleicht dann nicht so das perfekte Produkt gibt was deinen spezifischen Use Case nutzt sondern wo es dann eher darum geht Tooling zu bauen also eben wie du gesagt hast Schaufeln und Spitzhacken die du sozusagen den Unternehmen gibst wo sie denn selber damit ihre KI Anwendung bauen können?

00:10:51: Da ist gerade ein riesiger Trend drin in Firmen die eben Tools da bauen entweder im Data Labeling da gibt´s ja Scale AI die riesig groß sind die helfen deine Daten zu anotieren Graphcore, die eher in der Hardware sind und Chips herstellen.

00:11:03: Sequoia fundet also auch relevante Firma aus Schottland glaube ich.

00:11:06: Und dann gibt es ja noch viele mehr.

00:11:07: Ich meine nicht weiß du hast dir den Bereich ja auch ein bisschen angeschaut wie siehst du das so aus?

00:11:10: Wie sie sich!

00:11:11: Also

00:11:11: ich glaub das Irrste wenn ich das zu sagen was wir in letzter Zeit gesehen haben war echt Databricks weil die haben eine Milliarde Funding gekriegt und das spricht ja genau dieses Thema Data Lakes an was Du gerade sagst also die ganze Infrastruktur da bereitzustellen und die haben sicherlich Vor-Fundings gekrieg die sind auch sicherlich anders gestartet.

00:11:26: aber das zeigt halt dass nicht nur eben paar Startups wie ich gar nicht despektiere sagen, aber auch einfach große Firmen voll auf das Thema AI wetten und eben die Infrastruktur dafür brauchen.

00:11:34: DataIQ ist auch so ein Thema, ich glaube die haben dreieinhalb Millionen Funding und da gibt es dann noch viel mehr.

00:11:38: Ich glaube auch so einen ScaleAI kommt ja noch vielmehr irgendwann dahinter.

00:11:42: klar am Anfang ist alles sehr manuell und ich muss erstmal das Problem vor der Nase lösen und dann gehe immer mehr Richtung Automatisierung weil ich kann jetzt das Datalabeling natürlich nicht nur mit Menschen machen, aber der Druck ist halt da, die Firmen wollen's halt machen niemand will hinten anhängen und deswegen ist glaube ich das Thema Tooling so wahnsinnig spannend und auch was wir in Europa sehen, gerade wahnsinnig relevant.

00:12:02: Weil du kannst eben nicht alles bruteforzen im AI-Bereich Und ich glaube das ist eine gute Überleitung um einfach mal drüber zu reden.

00:12:07: Was is eigentlich so die Herausforderung?

00:12:09: Und auch anders bei den AI Firmen versus den klassischen Firmen.

00:12:13: Ich setze da jetzt erstmal stark auf dich.

00:12:15: Du kannst es glaub' ich besser abstrakt oder auf der etwas theoretischeren Ebene erklären.

00:12:19: Es geht ja um Daten und die Verwendungen von Daten.

00:12:22: Nimm gesagtes Neue Öl Ja, das ist der neue oder Goldrausch.

00:12:25: Aber so einfach ist es ja nicht!

00:12:26: Also ich kann ja nicht einfach nur Daten analysieren mit meinem SPSS.

00:12:30: Gerade vor ein paar Jahren war noch so die ganz klare Meinung, dass Daten eben das neue Öle sind und wer Daten hat der gewinnt.

00:12:36: Und gerade auch als Start-up wenn man irgendwie einen Datensatz bekommen hatte oder zusammengebaut hat dann ist man irgendwie super viel wert und ich glaube da ist mittlerweile auf jeden Fall die Ernüchterung gekommen, dass natürlich ein Vorsprung ist, wenn man einen tollen Datensatze hat weil jemand anders den im Zweifel auch akquirieren muss um genauso gute Algorithmen zu bauen.

00:12:50: aber das kann man meistens mit Geld und Zeit lösen und es gibt sehr wenige Bereiche vielleicht irgendwo in einer Farmerbranche wo man dann sagt okay dieser Datensats hat mich halt irgendwie hundert Millionen gekostet klinische Studien machen musste und sehr komplizierte, teure Experimente in den meisten Fällen.

00:13:04: Keine Ahnung wenn es irgendwie darum geht E-Commerce Daten zu analysieren und ich jetzt mit fünf Unternehmen zusammen arbeite so dann habe ich halt einen Vorsprung weil ich halt irgendwie auf diesen Insets Algorithmen trainieren kann.

00:13:11: aber da kann sofort jemand anderes um die Ecke kommen und Unternehmen im gleichen Bereich bauen und auch irgendwie fünf andere Unternehmen markieren und dann sind die Algorithme genauso gut.

00:13:18: also glaube sich da auf Defensibility von Daten irgendwie nur zu berufen ist ein bisschen wenig.

00:13:22: Und das ist ja unser großes Thema wenn du die Daten mal hast dass du sie auch aufbereiten musst.

00:13:26: Also ich meine das ist auch ein Thema was du dir viel angeschaut hast wo ihr auch noch zusätzlich Kosten kommen.

00:13:29: Ich meine, wie stehst du dazu und auch mit euren Firmen?

00:13:32: Wie gehen die davor, wie sie ihre Daten anotieren?

00:13:34: Genau ich glaube Daten aufbereiten vielleicht kurz mal für die Hörer zum erklären.

00:13:36: also nur weil ich da irgendwelche Rohdaten habe heißt ja noch lange nicht dass der Algorithmus die lesen kann und viel muss halt erst einmal interpretiert werden.

00:13:43: Ich glaub das ist doch dieses Thema Feature Engineering was gar nicht... Das hatten wir in einem Podcast oder ganz kurz mal wenigstens erwähnt.

00:13:48: Du musst halt einfach einen Experten dir auch holen der sagt das heißt es eigentlich das sagen die Daten aus und was kann das Modell damit machen was kann als Produkt damit machen?

00:13:55: und der Schritt davor war auch das reine Labeling sie auch putzen der Daten, damit ein Algorithmus damit arbeiten.

00:14:00: Das müssen halt Menschen machen aktuell und ich glaube es gibt immer mehr sicherlich auch Softwareanwendungen die das können.

00:14:06: aber ich brauche zum Beispiel im Bereich Accounting schon mal jemanden der das versteht den dann dem Data Engineer in dem Data Scientist sagt dass ist jetzt oder im Bereich Liegel da kann nicht einfach nur der NLP-Algorithmus rübergehen.

00:14:16: Ja ich glaube das sind super Beispiele was du gerade gesagt hast weil zb im Accountingbereich ist eben auch so Du musst die dann alle anotieren Und du hast dabei eben ein riesiges Thema mit der Longtail dass du halt ein paar Vorgänge hast in der echten Welt, die du dann relativ schnell gelernt hast.

00:14:28: Also das haben wir auch bei uns im Medizinbereich ja und so die Standard-Tumore, die findest du relativ schnell aber du hast ab und zu halt Tumore die so anders aussehen und im Accounting wahrscheinlich auch Belege, die so komisch aussehen... Einmal vorkommen!

00:14:37: In drei Jahren

00:14:38: genau.

00:14:38: Genau.

00:14:39: Aber als Produkt willst du da natürlich trotzdem gut funktionieren d.h.

00:14:41: Du musst halt diese ganze Long Tail an Daten eben sammeln, anotieren und auch sicherstellen, dass du da auch performst.

00:14:46: Und das ist halt gerade bei echten Anwendungen wenn du nicht mehr in der Forschung bist eine riesige Herausforderung, die dann auch sehr viel Geld kostet weil du halt diese Daten alle sammelt muss, anottieren musst Und

00:14:54: gerade halt zum Start, weil du kennst die Daten ja noch nicht.

00:14:56: Also du schaust hier grad sozusagen zum ersten mal an und dann hast du natürlich – und wir nennen das dann diese Grossmargin-Effekte.

00:15:01: also kann man jetzt buchen wie man will aber de facto muss ich dafür Geld zahlen um überhaupt Umsatz machen zu können dass das Produkt funktioniert.

00:15:06: Das heißt ich muss anotieren da müssen Menschen drüber schauen.

00:15:08: bei diesen Sachen also im Medizinischen oder im Accounting Bereich sind es ja auch teure Leute die das machen müssen und das heißt am Anfang habe ich wahrscheinlich gar keine guten Grossmarchen vielleicht sogar negativer.

00:15:17: mit jedem Euro Umsatz den ich mache verliere ich vielleicht sogar zwei und das muss sich halt über die Zeit irgendwie automatisieren erleichtern.

00:15:23: Natürlich werden meine Daten besser, das heißt ich muss weniger drüber schauen und so weiter.

00:15:27: aber eigentlich im besten Fall hilft mir der Kunde dabei.

00:15:29: Das ist immer so schön.

00:15:30: also im laufenden Betrieb sollte man eigentlich diese Modelle bauen es natürlich auch manchmal kritisch was die Qualität angeht.

00:15:36: da können wir gleich noch mal drauf eingehen.

00:15:37: aber ich brauche eigentlich echtes Feedback vom Kunden um dann über die Zeit wirklich auf eine Software Marge zu kommen.

00:15:43: Und das ist die große Herausforderung, weil das kostet natürlich auch wahnsinnig viel Geld.

00:15:46: Ich glaube es ist ein super Punkt und auch ein super Weg jetzt ins nächste Thema überzuleiten, weil eine große Frage, die man sich immer erstellen muss wenn man KI in einem Prozess einsetzen will, ist die Frage wie integriert man sich da an dem bestehenden Workflow?

00:15:58: Will man den komplett neu machen?

00:15:59: Willen wir ihn komplett automatisieren oder isst er noch einen Mensch mit in dem Workflow?

00:16:02: und dass ich eben auch sehr eng damit verzahnt mit dem letzten Thema, mit dem Thema wie ich die Daten annotiere, weil wenn ich sozusagen smart meine Software in den Workflow integriere kann ich damit vielleicht sogar das Annotationsthema gleich miter schlagen.

00:16:12: also... dann ein konkretes Beispiel zu geben.

00:16:14: Auch bei VARA, unserer Brustkrebslösung können wir eben einen Produkt was einfach nur den Radiologen es erlaubt die Bilder anzuschauen, den Radiologen geben und sozusagen diese Daten sammeln wie sie dann im laufenden Betrieb befunden ohne KI.

00:16:26: und wenn wir dann genug Daten gesammelt haben, trainieren wir unsere Algorithmen.

00:16:29: Und fangen dann erst an vielleicht erst ein Jahr später wirklich die KI-Algorithmen live zu schalten.

00:16:33: So nutzen wir eigentlich den Nutzer im Betrieb diese Daten zu notieren.

00:16:36: Ich glaube du hast ja auch so ein paar Beispiele, die in die Richtung gehen.

00:16:38: Das ist glaube ich sehr smart weil du dir damit halt diese großen Abfrontkosten einfach spaßen.

00:16:42: Ja ich glaube es wichtig für die Zuhörer, wenn sie jetzt überlegen was dazu bauen oder auch einfach zu testen der Nutzer, der Kunde möchte davon ja eigentlich nichts mitkriegen.

00:16:50: Also, nehmen wir das Beispiel Customer Care und NLP.

00:16:52: Was ich machen kann ist schon... Ich mache einen Vorschlag.

00:16:54: also da kommt ein Chatnachricht und dann sage ich hey guck mal das wird eine Antwort die du geben könntest und dann sagt oh die nehme ich mal oder ich veränder die ein bisschen?

00:17:00: Dann kann die Maschine ja lernen.

00:17:02: was ich aber nicht haben will parallel ist so ne Nachricht die sagt ich habe gerade verstanden dass der das und das gesagt hat.

00:17:07: stimmt das also den Intent.

00:17:08: Das distracted also das lenkt den Argetten ab.

00:17:10: das kennt er auch nicht hat er noch nie vorher gemacht.

00:17:12: also man muss ein bisschen aufpassen wie diese Selbstanotierung oder weiß glaube ich was man nennen darf.

00:17:16: Aber wie das passiert es darf einfach nichts stören muss man alles intern machen.

00:17:20: Dann ist natürlich wieder teuer, aber ich glaube ein wichtiger Teil ist dann ja auch wie mit diesen Daten wirklich umgegangen wird was da wirklich passiert wann welche Qualität ... wie gut geliefert werden will.

00:17:30: Ich glaube, das ist dieses Precision Recall-Thema.

00:17:32: Vielleicht kannst du es kurz erklären den Unterschied und einfach... ...wie ihr da vielleicht auch gerade im medizinischen Bereich drauf achtet?

00:17:36: Ja genau!

00:17:37: Also das ist ein super spannendes Thema.

00:17:39: Bei jedem Use Case muss man sich überlegen was es sozusagen die Genauigkeit, die man erreichen muss.

00:17:43: Und andererseits muss man irgendwie dann eben schauen geht in Automatisierung.

00:17:46: Es gibt bestimmte Use Cases wo du im Prinzip nichts übersehen darfst also hundertprozentige Präzision haben musst.

00:17:51: Dann gibt's andere Use Case wo es gar nicht so schlimm ist wenn du auch mal was übersiehst weil es vielleicht nicht so kritisch ist.

00:17:55: In einer Medizin musst du halt eben sicherstellen dass du nichts übersiehst und deswegen die Algorithmen auch so einstellen, dass wenn du dir halt sagst okay da war jetzt kein Tumor dann musst du dir auch hundertprozentig sicher sein.

00:18:05: Also im Zweifel vielleicht was richtig zu erklären?

00:18:06: Im Zweifeln der Algorithmus sich unsicher ist immer eine Menschen zeigen versus bei anderen Cases wo du sagst naja ganz ehrlich also kannst du dem User schon zeigen es nicht so schlimm wenn da mal einen Fehler drin ist.

00:18:15: Ja also wenn du zum Beispiel sagst du bausten Tool für Investoren ja die irgendwie in Immobilien investieren sollen und das Tool analysiert draußen mögliche Häuser, die du investieren kannst und versuchst sie vorzuklassifizieren.

00:18:27: Und jeden Tag schlägst du dem Investor irgendwie zwanzig neue Häuser vor dann ist es komplett egal ob da auch mal ein zwei dazwischen sind, die vielleicht nicht so spannend sind weil da am Endeffekt eh noch einen Mensch entscheidet und das auch genauso in die andere Richtung nicht so schlimme Nummer ein gutes Haus verpasst und den Menschen gar nicht vorgeschlagen hast, weil gibt ja noch genug andere Opportunities.

00:18:43: Google-Resultate

00:18:44: beim Suchen wahrscheinlich ne?

00:18:45: Dann klick ich.

00:18:46: aber was anderes!

00:18:47: Da experimentiert Google ja sogar auch viel mit dem Nutzer, dass sie dann sagen wir machen mal so ein bisschen AB-Testing.

00:18:51: Drehen bei Jasper mal ein bisschen die Suchergebnisse um und gucken aber dann vielleicht auf was anderes klickt, um ihn besser zu verstehen.

00:18:56: also da wird sogar sozusagen auch aktiv mit dem Nutzern gespielt.

00:18:59: Aber

00:18:59: bei Tesla wäre das nicht so.

00:19:00: ne?

00:19:00: Bei Tesla wäre es jetzt nicht so, da ist eine Ampel oder auch nicht?

00:19:03: keine Ahnung

00:19:04: Ich hoffe nicht, aber Elon ist crazy.

00:19:07: Aber ich glaube bisher geht es noch nicht in die Richtung zum Glück.

00:19:11: Und wie ist das?

00:19:12: Es gibt ja auch immer mehr so dieses Thema Haftung.

00:19:13: also was hat der Algorithmus eigentlich entschieden?

00:19:15: und was hast du entschieden?

00:19:16: des wo wir gerade über Autonomous Driving reden?

00:19:18: seht ihr das auch immermehr?

00:19:18: Wir haben halt bei uns vieles Thema Datenspeicherung aber es wird immer noch nicht.

00:19:22: vielleicht auch an den Geschäftsmodellen aber es werden immer noch nie verlangt dass man das Modell Wie sagt man, rekursiv erklären kann warum die Entscheidung so getroffen wurde?

00:19:29: Genau ich glaube einerseits ist es so dass man oft eben dann in den Anwendungsfällen wie zum Beispiel der Medizin wo das Thema Haftung eine große Rolle spielt.

00:19:36: Dann einfach schon noch ganz klar sagt Die Entscheidung liegt beim Arzt in diesem Fall.

00:19:39: In dieses Thema halt gar nicht reingeht weil der Arzt Vorbehalt ist eines der sozusagen wichtigsten Grundparadigmen in der Medizin, da es wird man jetzt nicht eben mal so als Start-up morgen ändern.

00:19:49: Das ist nur das eine und das andere ist das Thema Explanability also sozusagen zu erklären wieso der Algorithmus zu der Entscheidung gekommen ist.

00:19:54: Es hat einerseits eine regulatorische Komponente also zum Beispiel im Finanzbereich ist es ja auch sehr wichtig wenn du kreditentscheidungen triffst dass dann erklärt werden kann woran das liegt.

00:20:01: Das is aber auch oft wichtig für den Nutzer also dem Nutzer der Software.

00:20:04: also wenn du zb jetzt auch wieder in der medizin dem Radiologen halt erklären kannst wie du zu dieser entscheidung gekommen bist dass du da jetzt was tun wir gesehen hast Dann fühlt er sich auch wohler die software zu nutzen weil Eigentlich auch selbst in der Buchhaltungsanwendung, wenn du eben jenigen der so eine Buchhaltung Software mit KI nutzt nochmal erklärst wieso du jetzt diesen Beleg oder so verbuchst und da vielleicht irgendwie sogar Sachen im Beleg noch mal Highlight ist.

00:20:24: Wenn er Nutzer das wissen will dann gibt ihm das hat auch mehr Gefühl dass diese Algorithmus dahinter sinnvoll entscheidet.

00:20:29: Ich glaube das Interessante ist vor allen Dingen es ist ja Vertrauen in den Algorithmus genau also unabhängig von der Regulatur Das Interessant ist.

00:20:35: die AI macht andere Fehler als der Mensch.

00:20:38: Das heißt Selbst wenn die AI aus unserer Erfahrung besser ist als der Menschen sind die Fehler halt seltsam weniger vertrauen.

00:20:44: Ich glaube so zwei Punkte sind noch ganz interessant, die wir vielleicht am Ende besprechen können.

00:20:48: Richtung also wenn jetzt sagen wir mal ich habe ein Modell oder ein Produkt was funktioniert.

00:20:51: super Toll, habe ich gefunden.

00:20:53: Und jetzt will ich ja groß werden.

00:20:54: und es gibt ja so zwei Grenzen die man aktuell im Markt sieht.

00:20:57: das eine sind Menschen und das andere ist aber auch Kosten, Hardware, Compute... Ich glaube Menschen ist klar ne?

00:21:03: Wir sehen auch immer mehr Geschäftsmodelle Richtung Recruiting die da entstehen.

00:21:06: Aber es gibt einfach noch nicht genug Data Scientists und Data Engineers.

00:21:09: Siehst du dass sich das vielleicht zwanzig-einzwanzig mal besser wird oder dauert das einfach

00:21:13: ein bisschen?

00:21:14: Ja, ich glaube es sind immer mehr Leute auf dem Markt.

00:21:16: Die Uni stellen da ja auch ihre Programme herum.

00:21:18: Nicht nur die Computer Science-Programme, sondern auch in anderen Fächern.

00:21:21: also selbst wenn man jetzt irgendwie weiß nicht Biologie und Physik studiert hat man mittlerweile viel mehr Informatikkurse, auch in selbst, wenn man BWL studiert.

00:21:27: das heißt generell gibt es viele Leute auf dem Markt jetzt als vor fünf Jahren.

00:21:30: aber es gibt eben auch viel mehr Nachfrage aus der Industrie diese Leute anzustellen.

00:21:34: ich glaube diese Kurven sind sozusagen immer noch beide exponentiell wachsend und laufen noch so ein bisschen auseinander, also sozusagen Nachfrage- und Angebot.

00:21:40: Und deswegen gibt es ja auch viele Businesses entweder Dienstleister oder Recruiting Firmen die da unterstützen und die da auch sehr gute Geschäftsmodelle aufbauen.

00:21:46: Aber

00:21:46: ich glaube da können wir vielleicht auch nochmal in Detail zu rechnen Data Scientist vs Data Engineer das Setup, würde das wahrscheinlich gesehen den Rahmen sprengen?

00:21:52: Vielleicht einmal so abschließend... ... so ein bisschen auch Richtung unseren Ausblick gehen.

00:21:56: Es gab ja so am Anfang, also auch aus der VC sich zu viele ... ... Modelle die gesagt haben, wir machen jetzt das gleiche aber mit AI... ... da sind wir ja so ein bißchen durch.

00:22:02: Also die Leute haben glaube ich schon verstanden dass man auch am Ende einen Produkt bauen muss oder?

00:22:06: Ja

00:22:06: auf jeden Fall!

00:22:06: Ich glaube im Endeffekt wenn VC das finanziert will er genauso Umsatz sehen und will sehen dass es ... ... Product Market Feed gibt und dann nutze auf der anderen Seite und vielleicht ist mal noch bereit bei einer KI-Firma ... ... ein bischen mehr zu finanzieren bis die ersten Umsätze kommen.

00:22:17: Aber es muss schon Geschäftsmodell geben.

00:22:18: und diese Queer Hire Zeit wo man irgendwie mit fünf Leuten tolle Algorithmen baut und dann einfach aufgekauft wird, sind es seit einigen Jahren glaube ich vorbei.

00:22:25: Das ist

00:22:25: auch für die meisten Leute nicht so spannend.

00:22:27: also ich weiß nicht ob du die Preise kennst aber das letzte was ich gehört habe war dann so eine Million bis zweieinhalb Millionen pro Kopf für einen AI-Engineer.

00:22:34: der arme Kerl wird da verkauft.

00:22:35: Ja das fühlt sich fast an wie Menschen haben.

00:22:37: Also ein Thema was ich noch mit dir besprechen wollte ist das ganze Thema Services vs Product weil klar als wir sie über den Produktfirmen finanzieren Aber viele KI Firmen machen ja dann auch ein bisschen Service Business.

00:22:48: gleichzeitig gibt's auch ne ganze Serviceindustrie die immer größer wird.

00:22:50: Bist du das ganz so?

00:22:51: Und was ist da gut und vielleicht auch nicht so

00:22:53: gut?".

00:22:53: Ich glaube, es ist wie beim Enterprise Softwarebereich.

00:22:55: Also je komplexer ein Produkt ist aufgrund der komplexen Anforderungen der Kunden oder im Falle in der individuellen Anfordung der Kunden, dass so servicenah ist eigentlich eine Geschäftsmodellentwicklung am Anfang aber desto schwieriger ist es dann auch zu wechseln Richtung.

00:23:08: Was ist jetzt eigentlich Standard?

00:23:09: Was is' jetzt eigentlich Produkt?

00:23:10: Also ich gebe mal so ein paar Beispiele.

00:23:11: So einen Medaillar die jetzt an der Börse sind, ganz große Choir-Funded oder Chorechics Das sind ja schon zum Teil Produkte gewesen, die sehr, sehr individuell für den Kunden gebaut wurden.

00:23:20: SAP auch als schönes Beispiel.

00:23:21: Und die werden auch immer eine Service Komponente haben, Customization aber du brauchst halt einen Standard so im AI Bereich.

00:23:26: Wir haben es erwähnt gerade das Data Labeling anotieren.

00:23:29: Feature Engineering da sind halt viele fach Themen oder auch Experten Themen drin, Experten Wissen vor allen Dingen, die ja in diese Modelle einfließen müssen und man kann meiner Meinung nach gar nicht ohne dass solche Modelle groß machen.

00:23:40: Man muss aber natürlich immer auf eine Standardisierung kommen, sonst wird die Skalierung einfach nicht schnell genug.

00:23:45: aus der VC Sicht jedenfalls plus.

00:23:47: ich habe natürlich auch ganz andere Margen wenn ich ein reines Service-Business hab versus im Software-Wissen.

00:23:50: Also ich glaube es ist auch um Eigeninteresse ne?

00:23:52: Es ist halt einfach weiß das vielleicht besser bei Mirantics oder die Nicole man muss einfach immer mehr Menschen führen irgendwann.

00:23:57: Ja

00:23:57: skaliert natürlich ganz anders ja Ja,

00:23:59: und auch heiern.

00:24:00: Also von daher... Ich glaube es ist gut diese Komponente nicht loszuwehren, das genauso wie Founder Let's Sales also immer nah dran zu sein am Kunden, immer zu sehen was da passiert aber auch mal nein zu sagen und zu sagen hier das Feature gibt jetzt halt nicht.

00:24:10: oder nee, da trainieren wir das Model jetzt auch mal nicht drauf als sorry dann wirds halt auch teuer.

00:24:14: Wir sehen das sicherlich bei der Michael Brehm weil hier i-to-X große Kunden Das ist ja natürlich eine Challenge Aber wenn man es geschafft hat wird das schnell groß.

00:24:22: ich glaube es werden noch viele viel Service Business durch AI stärker automatisiert oder verbessert werden.

00:24:26: Und ich kann jedem einfach nur sagen Wenn Sie nicht aus dem Hintergrund kommen im Servicebereich, dann sollten sie wenigstens für das Modell schon Beratung anbieten.

00:24:33: Ja ich glaube, das war jetzt guter letzter Punkt für diesen Podcast heute!

00:24:36: Wir wollen jetzt ja noch vielleicht nach ein letztes Thema ganz kurz besprechen und zwar was sind so die Geschäftsmodelle, die wir in den Jahr einen zwanzig sehen?

00:24:42: Gibt es da Veränderungen, gibt's da neue Themen, wo wir denken, da kommt mehr, da wird sich etwas revolutionieren... wie siehst du

00:24:48: das?!

00:24:48: Also

00:24:48: ich glaube wir sind immer noch da, wo wir eigentlich dachten sein zu können im Consumer-Bereich.

00:24:52: Also das was wir so ein bisschen abfällig vielleicht gesagt haben dieses Wir machen das gleiche aber mit AI.

00:24:56: Das wird es sicherlich geben im Consumer Bereich weil ich muss natürlich erstmal meine Dateninfrastruktur alles haben also auch einen LinkedIn.

00:25:03: weiß nicht wie du das siehst Aber die Empfehlungen bei LinkedIn sind immer noch nicht gut.

00:25:05: Die können auch besser werden.

00:25:06: jetzt brauche ich natürlich die Dateninfastruktur von LinkedIn jetzt nicht einfach auf aber Da werden wir sicherlich etwas sehen.

00:25:11: dass wird glaube ich gerade so'n.

00:25:12: TikTok ist ein schönes Beispiel.

00:25:13: da gibt's auch noch andere spannende Geschäftsmodelle machen, auch die Empfehlung bei Zalando können besser werden und Zalano weiß dass sie da angreifbar sind.

00:25:20: Also da können wir alle nur ermutigen ruhig reinzugehen aber sich immer zu fragen was bringt das den Kunden jetzt eigentlich?

00:25:26: Ist es wirklich wirklich besser oder ist es nur irgendwie nice to have.

00:25:28: ich glaube Dateninfrastruktur muss besser werden oder für AI, oder?

00:25:32: Ja genau.

00:25:33: Ich glaube das ist das zweite große Thema.

00:25:35: es gibt so viel Dateninfrastruktur die man noch bauen kann.

00:25:37: also wir sehen dass auch dass so viele Unternehmen eigentlich so das Rad immer wieder neu erfinden um ihre KI Projekt und Lösungen umzusetzen.

00:25:43: und da jetzt zu sagen wir bauen Dateninfastruktur die alle einfach nutzen können egal ob im Labeling im Managing von fertigen Modellen, im Datenmanagement.

00:25:52: Also da gibt es viele verschiedene Richtungen und die Toolinglandschaft ist natürlich auch sehr komplex.

00:25:55: ja weil es einerseits da sehr viel Open Source geht das Feld geht schnell voran.

00:25:58: Es gibt auch ein paar große wie Databricks die in dem Bereich sind.

00:26:00: also ich glaube man muss da so sein richtigen Spot finden wo man auch einen klaren USB hat und dann von da wachsen.

00:26:06: aber der wird noch soviel passieren weil sonst erfinden wir das Rad an jeder Stelle immer wieder neu Und ich glaube

00:26:10: ein kleiner Teil darin oder vielleicht auch raschend großer ist halt das Thema also Datennutzbarkeit.

00:26:15: also viele Daten dürfen ja gleich genutzt werden Salesforce darf ja nicht die Nutzerdaten einfach auswerten und banken.

00:26:20: Und Versicherung ist das ein Riesenthema, die würden gerne viel mehr machen.

00:26:23: Also wie kann ich eigentlich meine KI-Modelle mit meinen Nutzerdaten trainieren ohne Data Privacy zu verletzen?

00:26:28: Und auf der anderen Seite aber auch sicherzustellen dass Data Privicy eingehalten wird.

00:26:31: da gibt es ja auch wieder Modelle also Thinsize Data und vielleicht gibt's noch ein paar andere Themen.

00:26:35: aber ich glaube da einfach ranzukommen die Zugänglichkeit von Daten sehen wir sicherlich auch noch.

00:26:39: was

00:26:40: Gut, da machen wir hier einen Punkt oder?

00:26:41: Hat wieder Spaß gemacht.

00:26:42: Das war eine lebendige Diskussion und damit würden wir gerne diese Folge zu AI Business Models beschließen.

00:26:47: Vielen Dank dass ihr zugehört habt und wir freuen uns euch auch nächstes Mal wieder dabei zu haben.

00:26:51: Vielen

00:26:51: lieben Dank!

00:26:52: Und wenn euch irgendwas besonders interessiert schreibt uns gerne dann können wir da auch nochmal vertiefen.

00:26:56: bis dann.

00:26:57: Bis dann danke ciao.