KI & Jobeinstieg: Kostet es uns wirklich Arbeitsplätze?

0:00 Im Prinzip ist es so, dass man eben ein Modell gebaut hat mit der Aufgabe, dass man einen bestimmten Text hineingibt und dass das Modell darum bittet. Wir machen eine Vorhersage, welches Wort jetzt am wahrscheinlichsten als nächstes erscheinen sollte in Bezug auf diesen Absatz. Also einfach statistisch gesprochen ein Vorhersagen Modell. Es ist einfach basierend auf Textmodell. Genau, man hat Tausende von Büchern oder Millionen von Büchern, Wissenschaftliche Artikel, Forenposts aus dem Internet genommen und.

0:30 Um dann eben diese Modelle auch zu trainieren. Dass es möglichst genau diese Texte, die Lücken auch immer wieder auffüllen, kann dann nicht unbedingt die Sprachmodelle, sondern dass es dann, wenn Unternehmen anfangen, ihre eigenen neuronalen Netze dann auch zu trainieren, für ihre Anwendung, aber wir können auch einfach nur anfangen bei einem Unternehmen, das sozusagen, ich denke an eine große Bäckereikette, und die versuchen einfach so, Qualitätssicherung bei der Lebensmittelherstellung zu machen und zu gucken, ist das Brot wirklich rund oder das genug Kruste. Dann kannst du natürlich auch da ein neuronales Netz drauf trainieren.

1:00 Wirst dann halt gucken wie gut ist eigentlich die Qualle hier in dem von dem bestimmten Produkt und da gibt es so viele 100 Tausende Use Cases über die Firmen hinweg. Sind also das ist im Prinzip ein Verbot, KI oder externe ll Ms zu benutzen, wenn nicht sichergestellt wird zum Beispiel, dass Personen mit solchen Daten im H Art Department da reinfließen. Also es gibt eine absolute Hochrisikokategorie, da ist es untersagt, vor allem wenn biometrische Daten benutzt werden oder wenn der Anwendungsfall so ein Social Scoring wäre.

1:27 Und da gibt es aber auch eine höhere Risikokategorie. Das sind dann Anwendungen in Bildung, wenn Diskriminierung stattfinden könnte, und da ist dann eben ein großer Compliance Chip notwendig. Culture Cashflow und Meme Economy live aus dem Ostflügel der Uni Mannheim mit Hypost Chief Novation Officer Christoph Wieland und Wirtschaftsprofessor Marcel Olbert Wir liefern den Prof.

1:48 Ob Concept. Willkommen zu einer weiteren Folge unseres Podcasts. Wir sitzen hier am Ostflügel der Uni Mannheim im im mittlerweile mit Namensschild versehenen Cobra. Wofür, das steht Marcel, das kannst du gleich erklären, ich bin Chris, Mach irgendwas mit Wirtschaft und irgendwas mit Medien und das ist der prove concept. Ja Hi, ich bin Marcel Professor für Taxation, Accounting und Finance hier an der Uni Mannheim. Wir sind noch im absoluten Startup Modus, gerade wurde hier fertig gestrichen, unser Podcast Studio immer noch n bisschen notdürftig zusammengeschustert, aber das hält uns nicht davon ab.

2:22 Absolut durchzustarten, inhaltlich die Themen anzugehen, die hoffentlich euch alle bewegen. Und deswegen bin ich ultra happy heute ne Folge mit einem Direktkollegen von mir zu ja hosten mit Jens Förderer Jens, Du bist hier Professor für man, früher hat man gesagt Wirtschaftsinformatik ja man kann das sicherlich auch cooler ausdrücken. Auch einer der absolut jungen Generationen. Du bist seit 2025 erst in Mannheim noch under Forty und deswegen auch ja Forty Under Forty gelistet im Kapital und absoluter Experte im Bereich KI.

2:56 Darüber wollen wir heute sprechen. Schön, dass du da bist. Danke für die Einladung, freut mich. Würde ich sagen, steigen wir direkt ein. Wir haben kurz vorab schon ein bisschen gesprochen, KI natürlich großes Thema, es gibt auch 1000000 Podcasts, mal kurz zur Einordnung. Seit Ende letzten Jahres setzt ja auch so n bisschen Müdigkeit ein. Wird so diskutiert, war das alles n übertriebener Hype, dass wir so n kleines Produktivitätskimik haben, auf der anderen Seite lese ich auch total und spürst bei mir in der Arbeit, dass die Leute sagen, jetzt knallt es erst richtig, ja JGBT und so weiter war Kindergarten, jetzt geht es erst richtig los, kannst du uns das mal kurz einordnen, weil du beschäftigst dich damit tagein

3:32 tagaus. Na ich glaub vor n paar Jahren haben wir gesehen wie JGBT von einem Tag auf den anderen Released wurde. Und dann auch so ziemlich die Welt schockiert hat. Innerhalb von 2 Monaten 100000000 Nutzern bekommen hat. Heute sehen wir in den USA glaube ich die letzte Statistik waren Roundabout 47% 48% Adoption in den Privathaushalten auch das heißt es ist ein Tool das überall genutzt wird, auch seitdem hat sich aber auch einiges verändert, also der Markt hat sich ein bisschen verändert. Und von dem, was es an Erwartungen eben gab, sind wir so die die Halbkurve Hochgelaufen direkt auf den Hype.

4:08 Irgendwann hat jeder dann davon gesprochen, also auch der Taxifahrer, auch die sozusagen die Großeltern dann vielleicht auch mal. Und jetzt sind wir so langsam auf diesem abwärtsbewegenden Ast auch angekommen, also so langsam findet diese stale Ernüchterung nennt man es ja also, dass dass sich die Erwartungen dämpfen, man sieht bestimmte Fälle dann, wo dann diese Large Language Models auch gut funktionieren.

4:32 Andere Schwachstellen tun sich auf und jetzt geht es eben langsam auf das Tal und irgendwann kommen wir dann auf das Plateau, wo wir dann eben genau auch sehen können, okay, das sind jetzt wirklich die Fülle, da sind wir auch. Jetzt haben wir also, ich glaube, wir sind ja an einem Punkt, wie du schon sagst, es ist bei jedem angekommen.

4:49 Ich glaube, so gut wie jeder hat zumindest ich auch von seinen Eltern mittlerweile mal irgendein generiertes Bild geschickt bekommen, also so das ausprobiert hat jeder mal, wo der Hund auf einmal irgendwie eine Mütze auf hat und so, weil es einfach geht. Dieser absteigende Ast oder dass man jetzt halt sagt, OK, wir haben so ne gewisse Gewöhnungsquote, ne wo man sagt, OK die Leute die kennen das, ist das denn jetzt eher dann wirklich softwareseitig, also von dem was die Modelle können, also auf der Anwendungsseite?

5:14 Weil sie auf der Infrastrukturebene zum Beispiel, da geht es ja weiter. Also ne, Nvidia hat zur Zeitpunkt der Aufnahme vor Kurzem die neuen Quartalszahlen vorgestellt, es geht ja weiter in Stallberg, auf Arbeitsspeicher kann sich immer noch keiner leisten, der irgendwie n Gaming PC bauen will, das ist alles ja irgendwie noch ne Nachfrage. Oder der n neuen Lehrstuhl ausstatten möchte an der Universität ja alles ja teuer aktuell. Ja, wir haben ja Hunderte Milliarden committed und diese Infrastrukturprojekte in in dem Space. Würdest du sagen, da divergeti Kurve so ein bisschen, je nachdem, ob du dir Hardware oder Software anguckst? Oder ist das eigentlich dasselbe? Naja, ich glaube man muss einen

5:47 Schritt zurückgehen und überlegen, was was haben wir eigentlich für eine technologische Entwicklung gesehen. Also wir sprechen ja von Artificial Intelligence, und das ist eine Entwicklung, die sich eigentlich schon seit 7080 Jahren vollzieht und es ist, wieso eine Art sich bewegende Grenze, die sich fortlaufend nach vorne schiebt, mit dem, was wir mit Maschinen auch machen können und automatisieren können.

6:08 Und was wir dann in den letzten Jahren gesehen haben, war dann eben, dass vieles zusammen kam. Also diese Hardware, Verbesserung, der Gedanke, dass man mit GP Use auch diese Modelle lernen und trainieren kann, bloß alles Scout Computing, über dass man das dann alles zusammenführen kann. Und da gab es viele Innovationen und das hat dann zu diesen großen Sprachmodellen dann auch geführt und das war jetzt so, dieser große Innovationspunkt auch in den letzten Jahren.

6:31 Aber noch mal zum Teil der Ernüchterung oder Adaptionsquote wie gesagt, ich sehe aber trotzdem, dass jetzt gerade Anfang des Jahres super viele Neuigkeiten draußen sind, die sagen, jetzt kracht es erst richtig. Ja, also. Was was hat es damit auf sich? Ist? Gibt es da vielleicht auch ein bisschen bisschen Divergenz zwischen dem Standard Haushalt, dem dem Endnutzer und den Leuten, die technologisch da relativ weit vorne sind und einschätzen können, was diese neuen Technologien mit ganzen Geschäftsmodellen nicht in der Software Branche macht? Weil so sehe ich das bei mir in der Wissenschaft, vielleicht sprechen wir gleich noch mal drüber, wie wir arbeiten, ich sehe hier auch der Hockey Stick,

7:08 der geht jetzt auf jeden Fall nach oben, was die Möglichkeit mit den Modellen angeht. Also so und so, also auf jeden Fall gibt es diese Möglichkeiten jetzt schon unglaublich durch Chlorid und Jet GBT und allein wenn diese Tools schon den Weg dann finden, quasi in Startups, in Unternehmen rein und von ich sag mal Angestellten dann dort benutzt werden, wenn wir schon auf jeden Fall produktivitätspotenziale sehen, die sind enorm, keine Frage. Aber ich glaube, dieser große Schritt, der dann wirklich kommen wird, den sehen wir erst in ein paar Jahren. Und zwar sind das dann nicht unbedingt die Sprachmodelle, sondern das ist dann, wenn Unternehmen anfangen, ihre eigenen neuronalen Netze dann

7:42 auch zu trainieren für ihre Anwendung sie willst. Du grob unter dem Umbrella Term agentic einfassen. Auch, ja. Aber wir können auch einfach nur anfangen bei einem Unternehmen, das sozusagen, ich denke an eine große Bäckereikette und die versuchen. Einfach so. Qualitätssicherung bei der Lebensmittelherstellung zu machen und zu gucken, ist das Brot wirklich rund oder hat das genug Kruste?

8:05 Dann kannst du natürlich auch da ein neuronales Netz drauf trainieren was da guckt. Wie gut ist eigentlich die Quali hier an dem von dem bestimmten Produkt und da gibt es so viele 100 Tausende Use Cases über die Firmen hinweg wo Firmen erstmal überlegen müssen, wie komme ich an Daten ran, wie kann ich die gut sammeln, wie kann ich da mein Modell drauf trainieren bis sich das dann irgendwann niederschlägt in den Umsätzen aber dann auch bei uns als Verbrauchern auch.

8:28 Jetzt sind wir ja schon sehr deep drin mit Times wie agentic Ai kannst du vielleicht mal so ganz kurz einordnen, was ist eigentlich so ein lm, was ist eigentlich so ein Agent, wofür steht eigentlich Jet JBT, das sind ja so Sachen die man die man da oft irgendwie hört, die in den Medien immer rumgeschmissen werden. Ich hab so das Gefühl, das versteht auch nicht so jeder Journalist der das schreibt immer was das alles also. Also eine tik tokisierende Version deiner Vorlesung hier an der Uni Mannheim.

8:53 Jetzt ganz kurz die wichtigsten Buzzwords kurz erklärt. Ja, ist egal. Also im Prinzip, was wir bei Chat gbt haben, ist ein sogenanntes Sprachmodell. Das heißt, das ist ein. Profiship Gbt, das wäre schon mal. Das ist der generative pretrain Transformer okay ich zerlege das jetzt kurz in die Stücke.

9:11 Im Prinzip ist es so, dass man eben ein Modell gebaut hat mit der Aufgabe, dass man einen bestimmten Text hineingibt und dass das Modell darum bittet, Mach eine Vorhersage, welches Wort. Jetzt am wahrscheinlichsten als nächstes erscheinen sollte in Bezug auf diesen Absatz. Also einfach statistisch gesprochen ein Vorhersagen Modell. Es ist einfach basierend auf.

9:34 Texte genau, man hat Tausende von Büchern oder Millionen von Büchern, wissenschaftliche Artikel, Forenposts aus dem Internet genommen, um dann eben diese Modelle auch zu trainieren. Dass es möglichst genau diese Textlücken auch immer wieder auffüllen kann. Und wenn du das halt richtig lange machst und mit vielen Daten und möglichst großen Modellen nimmst.

9:51 Dann kommt eben in der Urform sowas raus wie Chat gbt. Das heißt, wenn du dein prompt eben eingibst bei Chat gbt was im Hintergrund passiert ist das Modell versucht, denn das erste Wort der Antwort auf deinen prompt vorherzusagen, dann nimmt es wieder den prompt das erste Wort das vorhergesagt hat und versucht das nächste Wort vorherzusagen und und und.

10:10 Bis es dann erstes. Generieren wahrscheinlich generative. Genau das ist dann diese generative Component. Dass wir eben inzwischen Maschinen haben. Die können nicht nur Calculaten und Computern wie einen Taschenrechner, sondern sie können eigene Inhalte generieren, Bilder, Text, und da sind wir eben jetzt und im Prinzip, was jbt eben genial gemacht hat und was Open Aida super gemacht hat ist, dass sie eben das Modell weiterentwickelt haben, das heißt, sie haben ganz, ganz viele Prompts und Antworten darauf generiert.

10:40 Und dann immer wieder menschliches Feedback, auch Reingegeben, also Menschen, Experten bewerten lassen. Wie gut war jetzt diese Antwort auf den Punkt? Das kennt man ja vielleicht auch noch so aus den ersten Tagen. Ich glaube, es gibt es auch heute noch einen Chat JBT, dass du so diesen Daumen hoch Daumen runter hattest und dann auch regelmäßig mal so gefragt wurde, welche Version ist besser, wenn man so 2 Antworten bekommen hat oder halt sagen konnte, was wäre denn ein Feedback. Also es war ja eigentlich nur ne ganz große Sammlung an Feedback um eben diese Modelle ja immer genauer zu machen. Genau das ist dann das sogenannte Reanforcement Learning, also die Maschine beziehungsweise der Computer lernt dann eben durch das

11:13 verstärken des Signal des menschlichen Feedbacks dann immer bessere Antworten zu schreiben. Auch es ist absolut verblüffend, dass es funktioniert, weil es hätte keiner gedacht, es ist total surprising, dass du einfach nur durch Worte vorhersagen clevere Antworten bauen kannst. Aber das ist eben etwas, was anscheinend in der menschlichen Sprache logisch verborgen ist.

11:32 Auch das ist das Verblüffende an. Jetzt und die technologische Innovation ist, dass man jetzt sozusagen den den den Code geknackt hat, um das Ganze maschinell laufen zu lassen. Diese Sprachintelligenz. Genau also für die Sprachintelligenz war dann der Baustein. Wir haben zum einen das Modell an sich, die Modelle gibt es schon seit den 70er Jahren, aber es gab nicht genug Daten und es gab nicht genug Computing Power, also Grafikkarten etc. Um das Ganze dann auch zu berechnen. Also ihr müsst euch halt vorstellen diese Modelle, die sind wahnsinnig groß, also es sind halt über eine billiarde kleine Knoten in diesen neuronalen Netzwerken, die dann die Antwort dann auch in GPT bestimmen, also wahnsinnig groß. Jetzt ist es ja so.

12:14 Wir haben ja im Endeffekt da verschiedene Hürden gehabt, wie du gerade schon gesagt hast. Ne, du hast einmal die Computing Power, die einfach nicht da war, du hast die Datenmenge die nicht da war, das sind jetzt ja Sachen, die gelöst worden sind und jetzt gibt es ja so diesen großen Begriff der AGI, diese Artificial General Intelligence, ich würde jetzt mal vermuten, die braucht noch mehr Computing Power und noch mehr Datenpunkte und noch mehr Daten dafür auch. Was ist denn, was steht dem im Wege? So als nächste Revolution, das ist ja auch anschließend an das, was du gesagt hast, Marcel, da ist gerade ja viel Traction drauf, auf dem Thema.

12:44 Ist es denn jetzt was jetzt, wie ja einige sagen 2027 erreicht wird, 2030 oder vielleicht doch nie? Ja, ich glaube, um das einzuordnen, also unter der AG oder AGI versteht man dann so eine allgemeine künstliche Intelligenz, also die dann eben viele verschiedene Aufgaben erledigen kann und wahrscheinlich eben so funktioniert, wie auch ein Mensch funktioniert.

13:04 Also Problem unabhängig. Bestimmte Dinge dann auch lösen kann. Die Vorhersagen, dass es sowas gibt, die gibt es schon seit Ewigkeiten, also in den Siebzigern gab es auch schon ein Statement von Maren Minsky, der gesagt hat, so in 3 bis 8 Jahren haben wir einen Computer mit der AGI, das hat sich aber als falsch herausgestellt, offensichtlich. Oder zumindest verspätet.

13:25 Ja, sehr verspätet vielleicht. Und da gibt es natürlich auch vorhersagen, das kommt bis 27 oder bis 30, aber es gibt halt viele Probleme auf dem Weg dahin, das ist noch absolut ungelöst. Zum einen ist es ja so. Wir versuchen ja in Deutschland schon allein Dinge zu digitalisieren, also vom Papier auf das digitale wegzugehen, das ist schon relativ schwierig in bestimmten Anwendungsbereichen.

13:48 Zum Beispiel in der Universitätsverwaltung. Ja, bei der. Tätigkeitsverwaltung beim Bahnfahren also es gibt überall alle möglichen Use Cases, wo das problematisch ist. Und wenn man dann denkt, es soll jetzt eine AI geben, wie das alles macht, dann fehlt einfach. Die Straße, die Infrastruktur, auf der diese Ai sich überhaupt bewegen könnte im ersten Schritt plus Halt.

14:08 Wir brauchen da auch viel mehr Trainingsdaten, also worüber wir halt bei Chat Gbt sprechen ist das ein Sprachmodell, also das ist kein Wissensmodell, also es sind keine Fakten die das organisiert, sondern allein. Beziehung zwischen Worten, Grammatik und kann es ja gut vorhersagen. OK also. Nicht nicht unbedingt Prozesse.

14:26 Also man kann es jetzt nicht so vorstellen, dass man, selbst wenn JGPT noch schneller wird, man das jetzt ein x beliebiges Unternehmen reinziehen kann. Du hast die Bäckerei angesprochen und dann automatisch weiß, wie sind denn überhaupt die Prozesse, kommt zuerst das Mehl, dann das Wasser, wo kommt überhaupt der Strom her, zu welchen Preisen und wie wird es fakturiert, hängt da irgendwie NERP dran oder arbeiten die Excel basiert also sowas weiß jetzt.

14:49 Latschenengenmuddel nicht ne Latschenengenmuddel ist rein auf Sprache analysieren und ausgeben. Und genau latschenengenmuddel kann wirklich nur Sprache wiedergeben und verstehen, also wiedergeben und produzieren, nicht mal verstehen und deswegen den Schritt dann weiterzugehen und zu sagen, man spricht überhaupt da von einer Intelligenz, ist glaube ich schon sehr sehr weit gefasst.

15:10 Also es ist nicht intelligent, da sind wir auch alle uns in der Vorstellung einig würde ich sagen, dass das keine wirkliche Intelligenz ist, ja. Und natürlich ist man dann auch von dieser AG auch noch viele, viele Jahre entfernt, weit über 2030 hinaus. Man kennt das aus der Medienwelt, von außen wirkt vieles bemerkenswert glatt.

15:28 N Gründer sagt in einem Podcast, Wir sind profitabel auf Unit Economic Spaces. Jemand anders postet n. Brutales Quartal auf linkedin und schon klingt alles nach Raketenemoji Reichweitenskalierung. Schaut man da mal was genauer hin, stellt man schnell fest, Na OK, brutal war hier vor allem die Definition von profitabel.

15:45 Genau deshalb braucht es in der Wirtschaft auch Institutionen, deren Aufgabe nicht darin besteht, Dinge möglichst attraktiv aussehen zu lassen, sondern sie belastbar zu machen. Pw C Deutschland gehört genau zu diesen Partnern als Wirtschaftsprüfungs und Beratungsgesellschaft mit einem tiefen Blick in Unternehmen, zahlen, Prozesse und die Fragen, die wirklich über Zukunftsfähigkeit entscheiden.

16:05 Pw C schafft Vertrauen in die Wirtschaft und treibt Transformation vor. Wollen für uns passt das sehr gut, weil wir in diesem Podcast eben auch nicht nur über die glänzende Oberfläche von Business sprechen wollen, sondern über das, was drunter liegt. Was trägt wirklich, was ist Substanz, was Erzählung und wo wird aus einer guten Story am Ende auch ein gutes Unternehmen, das PW C, das sie unterstützt, freut uns deshalb sehr, weil Vertrauen, Transparenz und eine saubere Einordnung in der Wirtschaft manchmal fast schon revolutionärer sind als die nächste große Vision mit moonshotfolie ich.

16:33 Es sind für die AGI quasi so ein bisschen Voraussetzung, dass man auch andere andere Sachen inputten kann, als jetzt einfach nur Text und outputten kann, weil sie diese prozessuale Intelligenz dafür gibt es ja immer noch nischenlösungen, also sind wir in Deutschland nicht so weit von München entfernt, Selonis zum Beispiel comes to mind, die haben ja quasi diesen Anschluss an die Datensilos, die können ja dann so einen Prozess darstellen, auch wirklich verstehen, wie der funktioniert, ist ja, da dieses Execution Management oder Process Mining oder wie auch immer man das jetzt nennen will.

17:00 Das ist ja aber eine ganz andere Lösung als jetzt ein Large Language Model. Was wir gerade besprochen haben. Wie viele von diesen Technologien gibt es, die man da quasi zusammenfassen müsste, bis man so eine AG hätte? Beliebig viele. Deswegen diese Idee. Diese AG ist großen Halt schaumschlägerei, also das ist ein Hype, das ist ein Begriff, wo man auch ein bisschen Schritt zurückgehen muss, wer treibt da eigentlich diese Idee von der AG voran? Das sind natürlich auch Leute, die dann extrem von diesen Marktbewegungen auch profitieren und von diesem Hype. Also viel da ist dann im to prenorial Umfeld geht da rein, viele Investoren natürlich auch, das ist da, ist ja leben der Hype um dieses Thema, aber das

17:38 ist weit weg von der Realität, du brauchst viele Daten in unterschiedlichen Fällen und das muss erstmal alles zusammengeführt werden. Ich möchte mal ganz kurz zurückgehen, bevor wir vielleicht ein bisschen in Hype und politische Themen. Wechseln und doch noch mal pushen. Also ich lese, vielleicht liegt es auch an meiner Buddle Bubble, sehr viel darüber, dass es jetzt so richtig knallen wird und Themen sind hier die Agenten Openclaw wurde jetzt n bisschen. Genauer beleuchtet, da es eben sehr, sehr viele Prozesse schon gut automatisieren kann, wenn man es auf dem eigenen Rechner spielt.

18:10 Man wird auf dem Mac Mini genommen und es gibt ja durchaus Anwendungsbereiche, wo schon sehr sehr viel digitalisiert ist oder sehr viel als Text vorliegt und Code ist zum Beispiel Text, also die die Softwarebranche oder alles, was im Büro rein digital ab abläuft, das wird sich doch wahrscheinlich super stark in den nächsten, vielleicht auch schon 6 bis 18 Monaten verändern. Also ich denke schon, es gibt enormes Potenzial. Ich sage das auch immer in der Vorlesung. Es gibt allein die Sachen, die heute da sind, haben so viel Potenzial, dass unglaubliche Produktivitätsvorteile bringen für Unternehmen und von denen wir auch in unserem alltäglichen Leben dann viele Vorteile spüren werden. Und Genticay heißt da halt genau

18:51 ein Thema, das heißt, man hätte oder die Idee ist ja auch, man hat quasi die Art Maschine selbst als einen Angestellten, die dann wiederum bestimmte Aufgaben ausführt, also so ein Sales Agent zum Beispiel. Der dann den Out Reach macht auf linkedin und dann die Leads Reinholt. Und das wird sicherlich ein großer Knall auch sein hast.

19:11 Du da schon mal ein bisschen was ausprobiert, dass du was vielleicht teilen kannst aus deiner. Ja, es gibt von Eleven Xai schon lange diesen Sales Agent. Ich glaube Alice heißt er und heißt sie und dieser Agent kontaktiert dann auf linkedin automatisch Profile, die interessant erscheinen, also so eine Art Web scraper, der diese Profile dann scrapt und die Daten ausliest und.

19:33 Und schreibt dann personalisierte Out Reach Messages halt auf diese Person mit diesen Profilen. Und sobald sich dann halt diese Person auch zurückmeldet und wirklich einen Termin vereinbart für einen Sales Call, kommt dann wirklich auch ein menschlicher Sales Agent rein und kümmert sich darum und das ist halt Wahnsinn.

19:49 Ja wenn das funktioniert. Du ersetzt ja quasi diesen kompletten Berufsstand. Der BDR ist in dieser Business Development Representatives, die ja normalerweise da die ganze Zeit den Call Out Reach machen müssen. Das ist natürlich schon ein krasses Ding. Kannst du vielleicht einmal ganz kurz für mich doofi einmal kurz zu definieren, was so ein Agent ist.

20:07 Also das ist so eine Agent AI, was unterscheidet die jetzt von so einem normalen Large Language Model? Naja, also im Prinzip kommt es ganz darauf an, wie die Unternehmen das verwenden, aber allgemein ist es eben so. Ein Agent hat eben die Idee, dass unterschiedliche Aufgaben automatisiert ausgeführt werden, da wird dann verwendet ein Large Language Model in der Regel um zu kommunizieren und.

20:28 Oftmals mit einem Mitarbeiter oder mit eben potenziellen Interessenten. Aber gleichzeitig werden auch klassische Funktionen dann ausgeführt, bestimmte Dinge zu berechnen oder andere Prozesse auszuführen. Also das Large lenge Model ist dann an verschiedenen Stellen ein Layer. Dieser agentischen AI.

20:47 Genau. Und die Idee hinter dem Agenten ist eben, dass man auch im Unternehmenskontext dann direkt den Vergleich schafft. Also ich habe hier zum einen den Mitarbeiter und hier hätte ich den Agent, als man dann diese direkte Vergleichbarkeit auch zwischen der Produktivität vielleicht und auch natürlich den Kosten, die hier entstehen bei den beiden ja. Das habe ich heute, oder?

21:06 Vor ein paar Tagen tatsächlich gelesen, dass wenn du in diesen Gedankenschritten rechnest, also quasi in Tokens, dass du sozusagen, sagen wir, du zahlst irgendwie einem guten Angestellten akademisch gebildet, der kostet dich jetzt 100000 US Dollar oder so ein Jahr, dafür kriegst du so 3 bis 5000000 Tokens, von dem, also du kannst so ungefähr ausrechnen, je nachdem mit Arbeitszeit und was macht der so im Dienstleistungssektor, also tertiärer Sektor, er macht so 3 bis 5000000 Gedankenschritte pro Jahr, dann kannst du jetzt quasi runterrechnen, was dich halt einer kostet.

21:35 Bei so einem KI Modell OK perfekt, wenn du das weißt, dann spring gerne rein wie das dann im Verhältnis zu so einem KI Modell ist, so der. Bundeskanzler sagen, Wir müssten ein bisschen mehr Tokens noch. Wahrscheinlich. Pro Mitarbeiter haben. Lass mal branden. Ja, ist in der Tat so, also wir sehen das direkt.

21:50 Es gibt das FTI Pricing, heißt das, das heißt FTI für Fulltime Equivalent, also eine Vollzeitstelle eines Mitarbeiters? Und dann werden eben die Agenten im Pricing von den Start UPS direkt gegenübergestellt. Also wieviel kostet ein sales mitarbeiter versus wieviel kostet jetzt halt so ein identic FTI, dass man dann eben direkt auch bei der Diskussion über den Headcount landet im Unternehmen ist halt eine geniale Sales Idee.

22:13 Hast du da Einblick in Zahlen? Welcher Range befinden sich da aktuell so schon im Markt existierende Modelle? Die. Das müsste ich nachschauen, das weiß ich nicht. Also ich hatte dir zu dem Artikel den ich gelesen hab, kriegst du quasi das thought equivalent also für diese FTI in den in den Tokens würde dich je nach Modell zwischen 7 und $25 kosten, also quasi.

22:37 Eine tausendfache Vereinfachung, mehrere Tausendfache Vereinfachung dessen. Aber da muss man natürlich auch sagen, du hast es eben schon gesagt, so ein neuronales Netz selbst von einem extrem guten Modell, das hat ein paar Billionen Connections und so ein Token, also quasi dieser Gedankensprung, der geht ja immer nur von Punkt zu Punkt, wenn überhaupt, und dadurch sind natürlich die Sprünge viel größer und viel weniger detailliert, ein Menschliches gehören hat viele Trillionen von diesen Kombinationen, dadurch sind die Sprünge viel präziser, das.

23:06 Das heißt, einen Token kannst du auch nicht gleichen Gedankenschritt setzen, weil der Menschliche, je nachdem wie die Person ausgebildet ist. Was die so für eine Vernetzung hat, schon einfach deutlich präziser denkt und natürlich so diesen Kontrollmechanismus und diesen echten Empathie Mechanismus hat. Also dieses Pricing ist total geil um halt so Sales zu machen und zu sagen, guck mal hier wieviel günstiger das ist. Das machen wir auch, wir haben auch kein Startup wo wir halt sagen okay guck mal also Content pricing und so im Vergleich Person Arbeitszeit was ist halt was wir rauskriegen. Man muss aber natürlich ganz klar sagen. Dass die die Qualitätskomponente dabei natürlich so ein bisschen rausfällt.

23:41 Ich denke, Qualität ist ist ein super wichtiges Stichwort. Geht auch ein bisschen zurück auf die Diskussion. Ist das überhaupt Intelligenz? Intelligenz ist ja auch eine Qualität des Menschen, die jetzt hoffentlich nicht in den nächsten Jahren abhanden kommt. Du schaust dir ja auch in Deiner, in deiner eigenen Forschungsarbeit an.

23:58 Was macht KI denn mit Qualität oder anderen Eigenschaften von einem gewissen Output? Du hast, wir haben Telefon von einer spannenden Studie erzählt, da hat sich bei youtube was getan, kannst du das vielleicht uns mal erzählen, da gibt es ja die Hypothese, dass vielleicht alles ein bisschen ähnlicher und entsprechend auch unmenschlicher wird, unmenschlicher im Sinne von Unkreativer teilt uns doch da mal.

24:19 Ja, es gibt. Es gibt super spannende Vermutungen wie halt AI dann auch allgemeines Wirtschaften verändern wird und eine Frage geht dann eben in die Richtung kreativen Output, also wie verändert sich auch Content auf Youtube und auf Insta und anderen Plattformen und wir haben eine große Studie gemacht, da haben wir auch Daten dann von youtube bekommen in dem Fall und haben untersucht, wie youtube den sogenannten Inspiration Tab ausgerollt hat, also so eine Funktion im Youtube Studio, das Dir vorschlägt, du könntest doch noch ein Video zu dem Thema machen und generell so ein bisschen auch eine Outline dazu. Chris Kriens schon hat den wahrscheinlich auch schon gesehen.

24:52 Ja, ja. Könnte da dann auch gewisse Vorschläge machen und wir haben dann halt untersucht. Das Tool wurde dann in manchen Ländern ausgerollt und anderen nicht und das ist für uns halt super, weil dann können wir so ein quasi experimentelles Setup auch außen rumbauen, was besonders valide ist. Und du siehst halt schon, es wird wesentlich mehr Content dann auch produziert, also die Channels produzieren schon ein bisschen.

25:13 Mehr ich sag mal bei Quantität, also da ist ein Boost da. Haben wir die Menge auf jeden Fall da. Gleichzeitig ist es aber auch so. Wir haben dann eben angeguckt, wie verändert sich dann eigentlich so diese, wenn es als kreative Diversität bezeichnet, also wie kreativ ist der Content, das heißt, es ist eine ähnliche Sprache, die verwendet wird, sind es ähnliche Themen, die diskutiert werden, und wie sieht das Ganze auch visuell aus, wenn man die Thumbnails anguckt oder Video Screenshots und du siehst halt auf jeden Fall, dass die Sprache homogener wird, also ähnlicher. Und das sehen wir ja auch bei jedem von uns. Der Jet Gbt benutzt, sehen wir auch an den Abschlussarbeiten. Naja, oder die

25:50 Bewerbungsanschreiben die man bekommt, da hört sich alles gleich. An es ist immer die gleiche Sprache. Ja, und das siehst du da auch, plus halt die Themen engen sich dann auch ein, also die Channels machen halt mehr Themen, die ähnlich zu dem sind, was sie früher auch gemacht haben, macht halt auch Sinn wenn die Modelle.

26:06 Auch halt die. Vergangenheit trainiert sind genau auf die Vergangenheit trainiert sind. Das ist ein großes Problem, dann halt für so eine Plattform eigentlich, die dann drüber nachdenkt eigentlich. Eigentlich will ich ja auch Variot, die haben. Also ich will ja ganz unterschiedlichen Content haben.

26:18 Also ich würde sagen Youtube schießt sich vielleicht auch selber so ein bisschen ins Knie, indem man mehr Menge natürlich verursacht mit so einer KI Applikation, aber dann mangelt es an Kreativität. Genau. Also 2 Dinge haben wir dann auch noch angeguckt. Genau haben wir das auch gedacht und dann ist es halt so.

26:34 Gleichzeitig ist es aber auch so, dass halt diese AI Tools, die machen es halt einfacher auch so einen Channel aufzubauen. Also du brauchst halt nicht mehr alle Tools. Jetzt ging es bei uns um Inspiration, aber mit den neuen Tools kannst du auch Videos generieren. Also du brauchst jetzt nicht so ein Studio Setup, musst dich nicht so einarbeiten in die ganzen Sachen und dadurch steigt steigt dann halt schon auch wieder die Variety, weil neue Leute in den Markt reinkommen die vorher keine Tools hatten, aber die haben geile Ideen und das machen die Halt. Das Problem ist aber dann am Ende vom Tag. Es ist jetzt immer noch die gleiche Anzahl an Menschen, quasi die youtube schaut und der

27:08 Wachstum findet dann halt auf dem Supply statt als auf dem Angebot. Aber wenn ich auf der Nachfrage, das heißt es kommen nicht notwendigerweise auch mehr Leute, dann auf youtube, die dann diesen Content schauen, das macht es tuffer dann für die Channels. Trains, das ist eine sehr aktuelle Studie.

27:22 Er ist noch nicht veröffentlicht, daran arbeitest du gerade. Noch daran, ja. Super spannend. Also wir sind ja hier Kollegen, ich arbeite auch an Forschung, deswegen kann ich mich da gut reinversetzen. Jetzt ist natürlich die große Frage immer, was ihr da rausgefunden habt, macht das Sinn, ist das in der Praxis wirklich so?

27:37 Ja, daher mal den Ball rüber zu Content kreatoren Chris, was sagst du zu diesen Entwicklungen? Ihr beobachtet den Markt da auch sehr sehr genau. Die Hemmschwelle scheint zu sinken für neue Player, es gibt mehr und mehr Content. Wird der besser durch KI oder eher gleicher? Ja, das ist also ich glaube so das, was du jetzt gesagt hast, was ihr euch da angeguckt habt, das hätte ich dir jetzt blind bestätigt.

28:01 Also das ist so ne, also der Ton wird einfach immer gleicher und es ist natürlich auch so, dass die Eintrittsbarrieren einfach sinken, auch weil keine Ahnung jetzt ganz standardmäßig, du hättest irgendwie 2018 ja jedem noch empfohlen. Start im Substack so ne oder ein BHF irgendwie Newsletter, mach irgendwie was ein Blog. Und das wäre damals halt so, dass du dich halt jeden Abend eine Stunde hättest hinsetzen und schreiben müssen. Das könntest du jetzt halt theoretisch selbst wenn du gar keine Coding Experience hast und technisch auch ein übelster Noob ist, dann brauchst du auch noch 10 Minuten, so weil du musst es ja wirklich nur einmal rein sprechen und kriegst halt den Output quasi sofort und auf der

28:36 anderen Seite ist es natürlich so, dass wenn du dann auch noch irgendwie ein bisschen nnn kannst oder irgendwie make oder sowas, dann kannst du sogar komplett Automaten, brauchst du dich gar nicht mehr angucken, kriegst jeden Tag irgendwas rausgeschrieben. Dass die Creeze natürlich total die Quality von so einem Content, weil einfach die Eintritts bei ihnen so sinken, dass es immer mehr Leute machen können. Die Tonalität ist natürlich einfach so, halt die von dem Standardmodel.

28:57 Klar kannst du ihn so ein bisschen prompton auf, sei mal witzig, aber der KI ist halt nie witzig, weil das ist nämlich auch so Grinch ja ja ist geil das das stellen wir halt extrem fest weil ich meine also im großen und ganzen machen wir ironischen Wirtschaftscontent klar wir haben verschiedene Formate die verschiedene Sachen machen, aber das ist das was wir tun und. Und Ironie und und und.

29:15 Witz und lachen, das wird halt super oft schon studiert und wir wissen es biologisch immer noch nicht, was es ist. Wir wissen eigentlich nur eine Sache wissenschaftlich ziemlich gesichert, das Element der Überraschung ist halt enorm wichtig, also eigentlich deswegen, Niklas ist da auch deutlich besser drin als ich, der sagt auch immer so Stumpf ist Trumpf, also die meisten Memes die halt richtig gut ziehen, die sind einfach nur asozial stumpf.

29:37 Also es ist halt nicht mal, also es ist auch nicht besonders kreativ, es ist einfach du rechnest halt nicht mit dem nächsten Wort und. Und du? Und da sind wir genau dabei, was die KI macht. Wir sind Oh Post zu dem, was KI macht und du rechnest halt nicht mit dem nächsten Wort was kommt und ich rechne dir aber das nächste Wort aus, das heißt du hast n super super Basis um geilen Content zu erstellen der Leuten was bringt, das merken wir total. Wir nutzen extrem viel auch auch Educational Content super elementar das ist für uns auch, also wir haben ja die Gelegenheit ich mein Wir sind ja ne super junge Firma, im Endeffekt machen wir seit ja vielleicht 56 Jahren machen wir conten, aber dass wir halt

30:13 wirklich davon versuchen zu leben, ist seit 23 Jahren der Fall, das heißt, wir können ja wirklich von Grund auf mit KI die Firma aufbauen, das tun wir auch, und wo uns das extrem hilft, ist im wissenschaftlichen Arbeiten, du kannst viel einfacher Faktenchecks machen, du kannst viel mehr Fakten quasi integrieren, du hast keine großen Rechtschreibfehler mehr, du verwechselst nicht, ich hab früher mal keine Ahnung, hab ich bestimmt, wenn ich da 4050 Artikel irgendwie pro Woche geschrieben hab, da hab ich irgendwie alle 2 Wochen mal Millionen und Milliarden verwechselt, das passiert nicht mehr. So, das ist natürlich klasse.

30:42 Trotzdem muss ich jede huk noch selber schreiben, muss irgendwie immer die Einsätze selber schreiben, die Memes gehen halt gar nicht, der liefert Ideen, aber der liefert halt nicht das fertige Meme, weil Ironie kann er nicht und das ist halt so das Ding du brauchst und das wäre so mein Take away von dem Ganzen aus unternehmerischer Sicht, von dem was du gesagt hast.

31:00 Du brauchst ein Gesicht für das Ganze, damit du den Charakter rein kriegst und den Trust, weil das sind einfach beides Sachen die du sonst nicht rein kriegst und wenn du aber halt Gesicht und trust hast, also dadurch halt eine gewisse Tonalität hinkriegst und halt so diesen Vertrauensfaktor beim Publikum, dann ist KI ein Super Accelerator um da vierfach, fünffach, schneller und besser die Sachen rauszuhauen.

31:19 Aber das ist meiner Meinung nach oder zumindest machen wir es so, die Winning combination nur KI generierter Content ist eigentlich doom to fail, ich glaube. Da kommen wir gegen Ende noch mal drauf zurück. Das ist ja auch, was Jens, glaube ich, hier unseren Studenten und Studierenden versucht zu erklären, okay man muss verstehen. Auch ein bisschen tiefer verstehen. Was machen diese Technologien und was ist dann der Business Use Case, der vor allem auch Sinn macht? Ja und ihr habt ja mal deinen Exkurs gemacht in Social Media Branche, aber darum geht es ja genau, bevor vielleicht für den für den Take Aways, für die die Studies ne oder unsere Zuhörer auch kommen interessiert mich noch mal dein Intelligenz oder auch vielleicht Chris, wenn wenn

32:00 du es so folgst weil es überhaupt nicht so meine Welt ist. Es gibt jetzt so ein bisschen Beef zwischen Anthropic und Open AI in USA. Was ist da gerade im Gange, wohin geht das? Alle behaupten ja sie machen eine AI for Good, ja für die für die Gesellschaft ist aber anscheinend nicht nur immer das Gelbe vom Ei da, im Hintergrund kannst du uns das mal kurz einordnen jetzt. Im Prinzip gibt es gerade unterschiedliche Diskussionen darüber, welche Behörden dann welche Large Language Models auch benutzen.

32:32 Da war dann die große Sache mit dem Pentagon, dass dann eben gesagt hat, OK, wir benutzen auf gar keinen Fall den Tropic in dem Fall, weil die eben nicht bereit waren, bestimmte Regeln sag ich jetzt einfach mal vereinfacht aus dem System rauszunehmen, aber Open AI kann das natürlich. Also regeln, da ging es auch um Ethik.

32:48 Genauer ist es jetzt so, dass wenn man sich diese die Sprachmodelle vorstellt, dann haben die bestimmte sogenannte Guard Rails auch im System, also bestimmte Grenzen, das sind ethische Richtlinien, aber auch nicht gegen Gesetze zu verstoßen und einfach Antworten auf die Prompts zu geben, die halt moralisch auch okay sind. Aber Moral ist natürlich, was sehr kulturell und subjektiv unterschiedliches und dementsprechend sind die Modelle auch unterschiedlich.

33:14 Da ging es, glaube ich, mit den Pentagon vor allem auch darum. Soll die KI eingesetzt werden? Ja, um letztendlich mal blank gesagt Krieg zu führen und da war ein Tropic wohl relativ standhaft und hat gesagt, Nee, für diese Anwendung, die sich da das Verteidigungsministerium vorstellt, möchten wir unsere Technologie nicht eingesetzt wissen und bei Open Air schien das anders zu sein. Genau.

33:36 Aber es ist auch sicherlich dann eine Positionierung dieser unterschiedlichen Sprachmodelle im Markt. Also man muss halt auch überlegen, wo positioniert sich ein Open Ai mit ihrem Modell versus Antropic und Antropic war schon immer auf der Seite ein besonders charakterstarkes Modell auch zu haben, also man hat das von Anfang an betont, dass man das Modell trainiert, basierend auf einer Art Verfassung, eine Constitution, so 132 34000 Worte, umfassendes Dokument, was? Also die haben sich eine eigene Verfassung gegeben. Genau dem Ganzen eine eigene Verfassung gegeben, im Modelltraining auch und das Modell hat sich dann selber trainiert, wie sie auch gut diese Verfassung einhält, diese Regeln.

34:14 Also ich soll Gutes tun zum Beispiel, ich soll den Menschen, mit dem ich interagiere, schätze und und ja höflich umgehen auch, aber natürlich auch keine Empfehlung geben zu töten und anderen Sachen. Da gibt es ja eine ganz berühmte Meme Reihe zu aktuell. Ich weiß jetzt nicht, ob ihr das so verfolgt. Da stellst du quasi die großen Chat Modelle gegeneinander. Also JGBT Cloud ist ja das von Andropic, worüber wir die ganze Zeit reden xai und sowas deep, Seek und Germany auch noch sind ja meistens dann noch die anderen die da so als Vergleichsgruppe reingenommen werden und da wird halt gesagt okay also du bist im Flugzeug, ihr seid auf 30000 Fuß und ihr seid 5 sprachmodelle da wird halt gesagt wenn noch an Bord ist.

34:57 Aber es gibt 4 Fallschirme, was tust du, wen opferst du? Und dann gibt halt jedes Sprachmodell eine andere Antwort. Also Cha J BT sagt Ja, Deep Seek ist ja nichts Besonderes, alles nur geklaut, schmeiß mal Deep Seek raus, xai schmeiß natürlich Cha g BT raus, weil das ist ja irgendwie so der Ursprung, da merkst du dann ja diese Biasy auch von den Leuten die es halt die Daten zur Verfügung gestellt haben und Cloud ist halt das einzige und da setzt dann immer dieses Love Me ein, also dieser Song was halt sagt ja ich würde mich natürlich selber opfern und das ist halt glaube ich so dieses in dem Meme zusammengefasst eigentlich ganz gut. Was was Cloud da ja ausmacht, so als als Charakter des Modells es.

35:34 Ist ja auch interessant zu sehen, dass diese Sprachmodelle anhand von solchen menschlichen Eigenschaften sich dann da auch im Markt positionieren. Das ist ja unglaublich witzig. Du hast von von Training gesprochen, was auch diese Verfassung angeht und die ethischen Fragen hast du da Einblicke was konkrete Unterschiede in den Trainings oder Trainingsgrundlagen sind jetzt über die Anbieter hinweg also. Also es ist schwierig.

35:55 Wir können die Modelle nicht anschauen, weil es sind halt es ist nicht das. Proprietär also, das ist nicht. Genau, es ist kein öffentliches Knowledge genau bei Open AI und bei Antropic, vor allem bei Antropic ist es nicht so ganz klar auch, aber was sie eben bekannt gegeben haben ist, dass sie sozusagen eine Art Verfassung geschrieben haben, die diese unterschiedlichen moralischen Prinzipien enthält, wie ich gesagt hatte und. Und das Modell sich dann immer gegenüber dieser Verfassung auch hat verantworten müssen und dementsprechend wurden auch diese Promps dann bewertet.

36:24 Aber ich denke da ist auch sehr viel menschliches Feedback dann noch mal eingegangen, was dann bestimmte Antworten dann auch noch mal höher bewertet hat kann. Man so Sachen nachvollziehen wie Urheberrechtsfragen so also nicht alles, was öffentlich verfügbar ist. Ja auch hat jetzt freie Nutzung zur Folge.

36:42 Du hast das Problem, das zeige ich immer in der Vorlesung und kannst bei Jet Gbt eingeben. Generiere mir ein Foto von Asterix hier auf dem Ehrenhof in Mannheim, dann kriegst du ein Foto von Asterix auf dem Ehrenhof, aber du kannst auch eingeben, generiere mir ein Foto von einem Gallier mit einem Helm mit 2 Federn drauf und einer roten Hose und dann kommt auch Asterix raus, das ist halt auf die eine Art und Weise weißt du wahrscheinlich, dass du Urheberrecht verletzt auf die andere Art und Weise weißt du es nicht, ist ein großes Chaos, deswegen sehen wir ja auch diese Unterschiede.

37:11 Wie Privatpersonen das Nutzen und wie sind Unternehmen vor allem in großen Unternehmen dann genutzt? Wird nämlich viel weniger. Aufgrund von datenschutzfragen, ethischen Fragen, weil man da einfach viel mehr vor sich walten lassen muss, weil es ja dann auch in Haftung quasi geht. Ich. Finde einmal mit dem Compliance Thema, da bringst du eigentlich einen ganz guten Übergang zu dem Thema USA oder amerikanischer Markt versus EU Markt.

37:37 Ich habe ja eben schon das Beispiel angeführt. So die meisten von diesen Sprachmodellen, die wir so tagtäglich nutzen, die auch die meisten Unternehmen nutzen, sind weniger europäisch, sondern eher ja amerikanisch. Und dann haben wir noch das chinesische Pendant, was aber ja auf kondensierten Daten trainiert ist, also schlechtere Outputs hat und eben ja nicht nicht so original ist.

37:59 Ist da diese Regulation und dass die EU ja sehr dazu neigt, irgendwie immer alles erstmal regulieren zu wollen, bevor wir es freilassen versus der amerikanische Markt, der sehr deregulierend unterwegs ist. Wie siehst du das, wie, wie geht das so weiter und wie seht ihr beide das? Ich glaube das finde ich so sehr interessant, da die nächsten Jahre und Jahrzehnte vielleicht mal so ausgemalt zu bekommen.

38:18 Im Prinzip, was er in den letzten Jahren maßgeblich war, war dieser AI Act in der EU, der gleich am Anfang auch dann kam, sehr sehr schnell und der stuft dann Anwendungen von KI in bestimmte Risikostufen ein und verbietet dann auch bestimmte Anwendungen und andere sind dann eben ganz stark reguliert, zum Beispiel Halt Ki Einsatz in HR. In Bildung, in Medizin.

38:40 Das ist. Im Prinzip ein Verbot, KI oder externe LMS zu benutzen, wenn nicht sichergestellt wird zum Beispiel, dass personenbezogene Daten Image alipartment da rein fließen, kann man sich das so vorstellen. Also es gibt eine absolute Hochrisikokategorie, da ist es untersagt, vor allem wenn biometrische Daten benutzt werden oder wenn der Anwendungsfall so ein Social Scoring wäre. Und da gibt es aber auch eine höhere Risikokategorie. Das sind dann Anwendungen in Bildung, wenn Diskriminierung stattfinden könnte.

39:09 Und da ist dann eben ein großer Compliance Check notwendig. Der hat besonders kostspielige Sorge für die Unternehmen, die dann in dem Bereich eine Anwendung haben wollen, das ist auf der einen Seite gut, dass man eben vorausdenkt und bevor sich so eine Technologie zu schnell entwickelt, dann überlegt, was muss ich eigentlich hier eine Grenze ziehen zwischen Anwendung, die moralisch in Ordnung ist und wohl nicht, aber auf der anderen Seite hemmt es natürlich Innovation, wie jede Regulierung.

39:36 Was halt interessant ist. Beim E Act ist es wurden Bereiche festgelegt wie Bildung die dann hochriskant sind, wo dann KI Anwendungen nicht sinnvoll sind oder nicht benutzt werden können versus Medizin. Also gibt es sicherlich auch das Agreement darüber wie sinnvoll da diese Grenze ist. Und zum anderen ist es aber auch so, dass man gesagt hat, man behält sich das Recht vor diese Liste jederzeit zu erweitern ohne den E Act anzupassen, das heißt, ein Unternehmen, das jetzt eben gründet. In diesen Bereich, vielleicht in einem Bereich hineingeht, riskiert natürlich auch später, dann in diesem Hochrisikobereich zu.

40:11 Reguliert zu werden. Und reguliert zu werden. Und dann eben die Compliancekosten zu tragen. Und das ist Innovationsschädlich. Was dann die Lösung für Unternehmen? Weil sowohl Regulierung als auch ja wirtschaftliche Möglichkeiten schaffen, ja Anreize, das irgendwie zu umgehen und trotzdem noch Geschäft zu machen.

40:28 Bedeutet das dann, jedes Unternehmen braucht jetzt eine inhouse Lösung, dass man genau weiß, was was dki macht, wo die Daten herkommen vom Training und inwiefern Daten rausgehen? Ist das die Lösung, aber das würde ja zur Dopplung von von ganz vielen Entwicklungstätigkeiten führen und wäre prohibitiv teuer wahrscheinlich.

40:46 Ja, es ist halt vor allem für die Start UPS und für die Gründung extrem blödsinnig, weil in dem Bereich entsteht ja dann wirklich die neue radikale Innovation, die wir ja auch wollen und brauchen. Und auch in Sektoren wie Gesundheit. Wenn ich mir die Probleme angucke, die unser Land oder die Europa natürlich auch hat im Bereich, braucht es Innovationen, da wird es dann natürlich gedeckelt und die Automatisierung wird dann auch gedeckelt, das ist sehr gefährlich.

41:10 Also dieser zusammenzufassen, dieser AI Act der Europäischen Kommission, der hat schon richtig Dampf. Also der greift, und das siehst du auch tagtäglich hier in der europäischen Wirtschaft, dass das zum Teil Innovationen, Gründungen zum Beispiel auch hemmt. Natürlich ist es gut gemeint, soll schützen.

41:28 Aber das ist schon ein richtiges Pfund und das gibt es so in den USA nicht. In der Form gibt es in den USA nicht, aber in den USA gibt es auch grundsätzlich einfach eine andere Vorstellung davon, wie man wie man Technologie reguliert. Ja dem in Europa eben entgegengesetzt ist. Er hat beides jetzt seine Vorteile und Nachteile, aber es ist eben anders, ja.

41:50 Das wäre jetzt so meine nächste Frage. Wie nutzt ihr denn jetzt so einen wissenschaftlichen Alltag? Ki, weil was ich so merke ist ich nicht mehr. Überlege ganz zu Beginn meines Studiums, da war das irgendwie noch nicht so, da gab's noch keinen Chat, also die Firma bestimmt Open Air, aber noch nicht den Chatbot und da ich war, glaube ich schon immer ziemlich gut in wissenschaftlichem Arbeiten, also ich habe da durchaus auch mal irgendwie so eine kleine Hausarbeit, so in einer Nacht und Nebelaktion irgendwie geschrieben und dann auch eine relativ gute Bewertung dafür bekommen.

42:17 Aber ich habe studiert. Nee, das stimmt, der hätte das natürlich nicht geschafft. Aber da muss ich sagen, so mittlerweile, wenn ich so report schreibe oder halt jetzt gerade auch so größere Videos, Skripte, Essays, wo auch die Quellenlage halt extrem ist, wo ich dann halt auch quasi den wissenschaftlichen Anspruch hab auch genauso zitiere, dann vielleicht nicht APA, sondern eher mit Fußnoten.

42:40 Also ich würde jetzt mal so ganz konservativ schätzen, dass der Arbeitsaufwand sich gezäntelt hat. Zu ganz früher, komplett manuell. Vielleicht kommt auch n Übungsfaktor rein, das weiß ich nicht, aber zumindest gefünftelt eher gezehntelt so in in meinem Fall. Wie ist das denn jetzt für für euch jetzt Wissenschaftler, ich mein ihr publiziert theoretisch, wenn ich das jetzt eigentlich übersetzen würde, könntet ihr ja zehnmal so viele Paper raushauen, das passiert aber eher nicht, also was ist da so der der Alltag jetzt?

43:04 Vielleicht jetzt. Wir sehen es schon, also wir können das ja messen an der Anzahl der Artikel, die eingereicht werden zur Veröffentlichung, und die sind schon hochgegangen, aber um den Faktor 2 bis 4 vielleicht ja nicht so ganz so krass wie man also. Wissenschaftliche Studien werden auch bei uns schneller und mehr produziert, keine Frage. Das sehe ich auch und vor allem, was man eben sieht. Und das ist so einer der Vorteile ist nicht unbedingt die Recherche bei uns, weil wir müssen halt schon sehr genau da noch reinschauen in die Ergebnisse und dann die Studien bewerten.

43:33 Aber was wir halt erzählen, ist zum Beispiel diese Sprachhürde, die es vorher gab. Also die Publikation läuft immer auf Englisch, war früher immer ein Problem, denn klar, wir können schon alle sehr gut englisch, aber das ist dann halt wirklich. Genau also muss dazu sagen, die Stiefel zu machen, die Top Journals, also die wissenschaftlichen Fachzeitschriften, die wirklich zählen. Für für unsere Karriere als Wissenschaftler, aber auch für Politikberatung und so weiter die sind alle eigentlich ausschließlich in den USA, manche in England ansässig. Das heißt, da musst du gestochenes to the Point US amerikanisches Englisch schreiben und das ist heutzutage natürlich kein Alleinstellungsmerkmal mehr, das war für 5 bis vor 10 Jahren auch

44:08 schon noch eine Hürde, also selbst für Europäer und dann Leute aus dem asiatischen Raum. Definitiv ja. Aber die diese Journals publizieren ja meistens quartaly, in der Regel ne, das ist ja so so oft so ein Publikationszeitraum. Wie ist denn das jetzt, die haben ja wahrscheinlich nicht, also der Input ist jetzt ja bei denen dann gestiegen, also die Einreichungen, dann sagen wir um das Dreifache treffen wir uns in der Mitte, das heißt, wir kriegen jetzt dreimal so viele Artikel, die Publishen aber wahrscheinlich nicht dreimal so lange quartalies und auch nicht dreimal so oft. Das heißt doch dann eigentlich so Angebot und Nachfrage. Ich war ja mal irgendwie für VWL an der Uni und so, dass da jetzt ja eigentlich die Qualität

44:42 massiv steigen müsste. Du hast das schon das Sprachliche angesprochen, aber wie ist das jetzt so mit der wissenschaftlichen Qualität, weil ja auch große Datenmengen auszuwerten, also alles, was so in die quantitative Richtung geht, ist ja mit KI auch deutlich einfacher, im Schnitt ne. Mhm. Also ich merke schon, dass die Qualität ein bisschen hoch gegangen ist. Definitiv vor allem, wenn ich mir die Logik der Argumente auch anschaue, die ich dann in den Papern lese, die dann die Ergebnisse erklären, nicht notwendigerweise die Analysen bis jetzt in meinem Fachbereich, aber schon auch die Argumente sind Schlusshaltiger schlusshaltiger, und es ist alles viel prägnanter, und es macht es viel einfacher, auch zu lesen, zu verstehen und damit zu

45:18 arbeiten. Wir uns vielleicht noch mal kurz dazu sagen. Auch für die Zuhörer, also wie wir arbeiten hier als als Professoren der Betriebswirtschaft, was auch zum Teil sehr nah dran ist an der Volkswirtschaft im empirischen angewandten Bereich, das ist im Prinzip Data Science, da setzen wir uns Monate hin, Programmieren, schreiben Code zum Teil in Python oder auch mehr an anwendungsorientierten Statistikprogrammen und analysieren große Datenmengen, setzen die zusammen, gehen der Forschungsfrage nach, das ist. Ein bisschen anders als das, was unsere Studierenden machen, die nur 3 Monate oder 4 Monate Zeit haben für eine Masterarbeit. Da ist eben viel konzeptionell viel lesen, vielleicht ein kleines Framework erstellen,

45:54 darüber schreiben, also was die Studierenden machen, das ist natürlich jetzt von von Jet gbt, weil es eben ein Language Model ist, fast ersetzt worden, und ich denke auch die Tendenz geht dahin, an den deutschen Hochschulen, dass man so die Standard Bachelor Seminar, Masterarbeit. Langfristig vermutlich abschafft.

46:09 Ja, weil man kann nicht verbieten, KI zu benutzen, das ist ja auch nicht Sinn der Übung, aber du kannst dann einfach die Studierenden nicht mehr bewerten danach, weil du bewertest ja nur noch, wer hat den besseren prompt geschrieben und die Arbeit nicht formatiert. Also da wird sich, das wird sehr spannend werden, wie man langfristig Studierende in den Sozialwissenschaften, nicht nur BWL, vwl.

46:30 Prüft aber auch Kompetenzen, entwickelt das wissenschaftliche Arbeiten ist ja ne ne Kompetenz, ja. Ich muss aber sagen, ich seh das immer als ne große Chance oder hab das die ganze Zeit als große Chance gesehen, weil halt dieser Formfaktor, also dass du gut schreibst und irgendwie argumentierst und dass es grammatikalisch korrekt ist und so, dass der Faktor jetzt keine Rolle mehr spielt und es geht viel mehr um den Inhalt. Das heißt, wir müssen halt wirklich gucken, dass man auch noch stärker dann diese Inhalte prüft. Und das ist wiederum seine Kompetenz. Und genau dann sind wir wieder beim Punkt Kreativität. Da hilft nicht immer, vielleicht für eine 2 Minus hilft die KI, aber die KI ist darauf

47:08 trainiert, basierend auf Vergangenheitsdaten das nächste Wort, den nächsten Schritt vorherzusagen, und das ist ja eben gerade nicht Wissenschaft. Wissenschaft ist das, was Wissenschaft, was was Neues schafft, also da versuchen wir die Studierenden hinzukriegen. Komplexe Zusammenhänge zu verstehen, zusammenzusetzen, etwas Neues zu schaffen.

47:25 Und dafür sind ja Large Language Models nicht, sind wir eben noch nicht im Bereich Agi gemacht worden. Also wer da gut abschneiden will, was natürlich dann auch Konsequenzen für den Arbeitsmarkt hat, das sind dann in der Regel auch die ausgebildeten Studierenden, die dann auch super performen, die sollten eben mit der Technologie umgehen können, aber was eigenes schaffen ist hier genauso, dass eine Riesenchance. Ich denke, wir werden da zumindest die an der Universität Mannheim auch mehr in die Kleingruppen gehen, mündlich prüfen.

47:54 On the Spot dann die, die Lösungen entwickeln. Ich denke, da geht es hin noch mal zu unserer Arbeit, das sind eher groß angelegte Data Science Projekte, die wir machen und für mich ist der riesige Hebel neben der sprachlichen Komponente, wenn du erstmal alles gemacht hast und deine Analysen sind fertig, kannst natürlich viel schneller ein sauberes Paper aufschreiben. Aber der eigentliche Hebel, der kommt jetzt für mich so ein bisschen mit agentic, AI und KI, die uns nämlich hilft in diesem Projekt die ganzen Daten zusammenzusetzen, den Code zu schreiben, unterschiedliche Teile vom Code zu optimieren. Also da kann man mit Editoren arbeiten, zum Beispiel Visual Studio Code, das ist von von

48:34 Microsoft, das ist eben eine Maske, da kann man sein ganzes Projekt öffnen, muss man sich vorstellen, Dropbox, Ordner mit allen Unterordnern in verschiedenen Unterordnern liegt dann dein Code. Code, der verschiedene Dinge macht, zum Beispiel Web Scraping, Firmen, Unternehmensdaten, Bilanz nur Verlustdaten säubert, zusammenfügt und dann noch ein dritter Code, der am Ende Grafiken erstellt, Tabellen, die am Ende im Paper sind.

48:58 Da kannst du jetzt Cloud, das glaube ich hier der der Marktführer, das nutze ich zumindest Cloud Code nutzen. Als deine wirklich wissenschaftliche Hilfskraft oder als dein wissenschaftlicher Mitarbeiter. Da kannst du chatten und ihn als Agenten oder sie oder es wie man es auch bezeichnen möchte, einsetzen und sagen, Hey, schau dir die unterschiedlichen Datensätze an, Aktualisier die mal. Ich glaub da gibt es ein Update in der Datenbank und dann läuft er alleine los, schiebt unterschiedliche Models voran. Zieht sich aktualisierte Datensätze, fügt die zusammen mit dem, was du schon in einer Dropbox hast. Legt auch eigenständig neue Dateien ab, überschreibt alte, improvisiert ein bisschen,

49:32 verbessert auch deinen Code und hilft dir dann natürlich so eine Analyse über Nacht zu verbessern. Was mich früher wahrscheinlich ein bis 2 Wochen und 2 bis 3 Hilfskräfte mehr gekostet hätte, was nicht heißt, dass mein Team irgendwie kleiner wird, also die der Rückgang der. Nachfrage an an wissenschaftliche Arbeitskraft den sehe ich nicht. Ich sehe eher, dass man krassere Sachen schneller machen kann. Ja, der ist halt den Output.

49:56 Claude ist übrigens ein R. OK identifiziert sich als er. Nee, tatsächlich. Also wisst ihr, woher der Name Claude kommt von dem Modell. Von Sandon Claude Sandon oder wie? Ja, also der von AT and t. Der Mitarbeiter. Genau, ja, ja. Also so in den Fünfzigern wurde ja so späten Fünfzigern in den USA wurde ja quasi alles entwickelt von AT&T in so einem Forschungscenter, Ich glaube, New Jersey stand das, was so für die heutige Welt relevant ist, also die komplette Kommunikationstechnologie kommt aus diesem einen Gebäude quasi da wurde der also Transistor erfunden, worauf er quasi die komplette It Infrastruktur beruht, die die Glasfasertechnologie, das wurde alles irgendwie in diesem einen

50:38 Gebäude in so innerhalb von so 10 Jahren oder so entwickelt. Und ich glaub, ich bin mir jetzt nicht sicher, welche hab ich jetzt nicht gut genug vorbereitet, welches Team der genau gespeare hattet hat aber da gab es halt jemanden der hieß Halt Claude irgendwas und halt genauso geschrieben. Quasi einen Transistor mit erfunden und darauf, also nach ihm wurde quasi dann von dem Tropic das it System ernannt, deswegen ich sage Claw ist ein R.

51:01 Okay gut hätten wir das geklärt. Hätten. Wir das geklärt jetzt vielleicht zum Abschluss, was ja unseren Zuhörern sicherlich unter dem Nageltrend, jetzt haben wir das alles gehört, wir haben ein bisschen sind durch die Definition gegangen, durch den aktuellen Stand der Regulatorik auch, was ist denn jetzt mit mir, was passiert mit dem Arbeitsmarkt in Europa, in Deutschland, was muss ich als angehender Betriebswirt oder auch in anderen.

51:23 Betriebswirtin auch in anderen Bereichen was muss es denn können? Ja, um Erfolg zu haben, vielleicht als Gründer und vor allem nicht redundant zu werden, weil es werden ja die Horrorszenarien so ein bisschen an die Wand gemalt, das erste, was wegfällt, das sind die White Collar Jobs auf den Junior Levels, und das sind ja eigentlich im Prinzip unsere Zuhörer, deswegen Jens, du unterrichtest strategisch wie Technologien den.

51:46 Arbeitsmarkt oder die die Business Welt verändern. Was gibst du denn den den Studierenden mit? Was sollte man heute wirklich ganz konkret wissen, um in den nächsten 5 Jahren gut aufgestellt zu sein? Ja, also wir sind jetzt im HF AI, das heißt, man muss sich auf kurz oder lang damit auseinandersetzen.

52:02 Damit ist nicht nur Prompton gemeint. Genau das heißt nicht prompton, das kann jeder, sondern du musst dich halt damit auseinandersetzen, wie funktioniert da eigentlich so ein Modell und ein bisschen in die Technik reingehen, die. Gibt es auch hier bei uns Vorlesungen dann für Business Studenten?

52:14 Ich unterrichte auch eine, da gehen wir eben rein und gucken, wie funktioniert so ein neuronales Netz, was kann das und was kann das halt auch und wird es auch nie können in der Form und wenn du das halt weißt, dann weißt du halt auch genau in welchen Bereichen im Business kommt es zu tragen, das ist eine der wichtigen Sachen die auch ein Consultant dann in den nächsten Jahren dann auch können muss oder jemand der sich überlegt ein Unternehmen zu gründen, dann auch wissen muss und. Und das andere ist halt, du musst dich trotzdem auch mit den Tools auseinandersetzen.

52:40 Das heißt, du musst verstehen, was kann ich jetzt mit Cloud machen, besser als mit Jet gbt und wie kann ich das in welche Tätigkeit auch immer ich machen möchte, so einsetzen, dass ich einfach diese Produktivität hebeln kann, die da entsteht. Ob das der Output ist. Wenn du ein Social Media Trader bist oder als Consultant um Slides zu generieren schneller, das sind alles die Fragen, damit muss man sich auseinandersetzen.

53:03 Aber der dritte Skill ist halt, und da ist ja auch das ist die Frage, wo AI hergekommen ist, ist alles was um die AI herum gebaut wird. Das fängt an mit sagen wir mal Data Engineers, die gucken, dass die Data Pipelines stehen in den Unternehmen, dass es überhaupt genug Daten gibt und es geht aber auch rein das ganze Thema Analytics, was gigantisch groß ist, also welche Tools, welche Modelle muss ich benutzen um diese Daten zu hebeln und genauere Vorhersagen machen zu können wo? Woraus dann vielleicht am Ende vom Tagen Agenda entsteht oder ein neues Dashboard.

53:36 Aber das ist ein großer Wachstumsmarkt und da fallen die Juniors bestimmt nicht weg, die brauchen wir auch da. Ja, sind die meisten Zuhörer von uns ja nicht Programmierer und auch nicht unbedingt Data Science, Data Scientists, die Gretchenfrage oder eine sehr direkte Frage als Uniabsolvent oder auch Abiturient sollte man coden können und wenn ja, welche Sprache? Ich sag das, um auf den Punkt noch mal zu kommen mit dem mit dem Coden.

54:02 Ich glaube nicht, dass man dafür unbedingt coden muss, sondern es ist ja auch so als BWL er musst du dich ja auch mit Zahlen auseinandersetzen, wenn du jetzt im Quant Finance Bereich bist oder auch im Sales Bereich musst du dich auch gewissermaßen dann wieder auseinandersetzen und so viel anders ist das dann da auch nicht, dass du dich halt da rein arbeitest und dich mit der Technologie auskennst. Da bist du noch lange nicht dann bei der Informatik oder im Computer Science gelandet und deswegen. Man muss da nicht programmieren können. Es ist sicherlich ein Skill und es hilft auch dann bestimmte Dinge noch einfacher zu optimieren, die man hat. Heute ist halt die große Chance da einzusteigen, weil mit diesen Tools ist halt die Schwelle so

54:41 gering wie nie, sich einfach mal was zu coden übers Wochenende und da was zu lernen, wir machen das auch hier in den Kursen natürlich in der Vorlesung, dass wir dann schnell Code mit Geminine machen wir das und haben dann eine erste Anwendung, aufstehen oder Data Science Auswertung, das ist ja richtig geil. Dann jetzt aber nicht die die Frage Marcel für die für die Studierenden, wie nutzen sie es denn, um eine gute Abschlussarbeit zu schreiben?

55:04 Bachelor Master, was heißt, Was müssen Sie da beachten, welche, welche KI, welches sprachmodell benutze ich da? Die Frage wird sich nicht mehr stellen, wenn die Abschlussarbeiten die schriftlichen abgeschafft werden. Aber nee, aktuell ist es so, dass wir unsere Studieren hier auffordern, KI zu benutzen, und besonders elegant geht das, und ich glaube, da nehmen die Studierenden echt super viel mit, auch für die Praxis.

55:26 Wenn wir die Abschlussarbeiten empirisch stellen, das heißt, Studierende müssen eine gewisse Fragestellung mit Daten beantworten, Datensätze sammeln, zusammenfügen und dann eine Analyse daraus ziehen, und das erfordert auch super viel Kreativität bei den Studierenden, noch mal zu überlegen, wie baue ich so ein Datenprojekt auf, um am Ende den Graphen aller Graphen zu zeigen, nicht zeigen müsste, weil möchte zum Beispiel erhöhen, spannende und aggressive Memes, denn.

55:54 Die, die die Followerzahl, ja, und ich habe dazu Millionen von Beobachtungen von unterschiedlichen Contents, und das ist, das klingt jetzt nach einem super schwierigen Projekt für einen Bachelor Master Absolventen, aber das mit KI anzugehen und sich beim Coden helfen zu lassen, das ist, glaube ich ein super anwendungscase und wenn das ein Student einmal gemacht hat, war eine Studentin, dann ist man, glaube ich super aufgestellt für den Arbeitsmarkt in den nächsten Monaten. Dann Cloud oder Chaturity.

56:20 Oder Germaner. Auch hier bin ich völlig bei Jens wissen, was die verschiedenen Modelle können. Super teuer sind die alle nicht, deswegen denke ich macht es Sinn sich mit verschiedenen auseinanderzusetzen und auch verschiedene zu nutzen. Mein aktueller Take ist wirklich für die reine Coding und Datenarbeit Cloud Code schon sehr stark, aber das ist eine rein persönliche Präferenz und ich denke. Die diese Anbieter, die kriegen sich aktuell so arg und der Wettbewerb ist so eng in den USA für das was wir, ich würde uns mal als Normalos bezeichnen, hier noch machen, gibt sich das oft nicht sehr viel.

56:57 Ja, ich würde nur ansetzen. Jens, was du gesagt hast, vielleicht aus einer unternehmerischen Perspektive. Es war noch nie so einfach, in die Execution zu gehen und am Ende ist deine Idee wertlos, das ist immer so das, was so viele, die irgendwie gründen, immer sagen, ja, ich habe eine richtig geile Idee. Ja, aber hast du nichts damit gemacht, bringt die Idee dir halt gar nichts.

57:15 Also das ist halt so das Problem, so jeder hatte jede Idee schon mal so du wirst nie der erste sein der die schon hatte und so Sorry to Break it to you, es bringt gar nichts, also du musst in die Execution gehen. Und auf dem Weg zu dieser Execution hattest du ja immer viele Troubles. Also du konntest vielleicht eben nicht eben Prototyp oder ein MVP bauen, um Geld einzusammeln, du wusstest gar nicht, wie man Geld einsammelt, es ist keine Zeit, wie man Leute anschreibt, die dir Geld geben können und keine Zeit und keine Ahnung davon, wie man Leute anschreibt, die vielleicht Kunden werden und all diese Troubles kannst du als mit KI mittlerweile halt angehen, also das ist halt so ein krasser

57:47 Accelerator, also wenn du eine Idee hast, kannst du sie dir quasi direkt von zu Hause aus Feedback lassen. Und kannst direkt in die Umsetzung gehen und kannst n Großteil der Umsetzung auch schon outsourcen. Du kannst in einer viel höheren Integrationsgeschwindigkeit durch Startup oder Produktideen durchgehen und halt gucken klappt es, klappt es nicht, kriege ich Traction kriege ich keine und die freigewordene Zeit kannst du entweder natürlich irgendwie dafür nutzen kreativ zu werden, mehr andere Sachen zu machen. Kannst du aber auch einfach dafür nutzen, irgendwie mehr Ideen abzuhandeln.

58:15 Also du kannst theoretisch quasi 5 Start Ups parallel launchen, so throw spaghetti at the Walency what Stacks und kannst es halt einfach quantitativ ausprobieren und das finde ich halt eine super, super geile Sache, die es halt früher einfach nicht gab und die theoretisch auch das Gründen einfacher denn je macht und damit auch viele von den unternehmerischen Troubles auch gerade sowas noch Buchhaltung und bla angeht, was doch, wenn man da irgendwie in der Uni ist und eben nicht mal eben was fragen kann, sondern auch googeln muss. Was es einfach unglaublich viel einfacher macht, wenn man das eben mit den aktuellen Methoden mal probiert. Vielleicht, um es Kurs abzurunden. Nicht jeder möchte oder kann

58:51 gründen oder mit Gründen. Die meisten unserer Absolventen Absolventinnen hier oder generell auch zu existierenden Unternehmen, also was ich nur empfehlen kann, würde mich auch noch mal deine Meinung interessieren, ist methodenkompetenz sich aneignen im Bereich KI was auch ein bisschen techie ist. Ja da auch mal ein paar Zeilen Python schreiben zu können. Wird helfen, langfristig aber ganz wichtig, das gepaart auch mit einer Fachexpertise in der speziellen Industrie oder im Anwendungsbereich, wo man eben reingehen will, weil die Oberflächlichkeit, die hat jetzt jeder, aber wenn man sich dann für eine gewisse Branche entscheiden hat, entschieden hat, da sich wirklich auszukennen, das wird super wichtig sein, dass man

59:32 Branchenexperte ist jetzt in meinem Bereich, ich unterrichte viel im Bereich Unternehmensbesteuerung, investiert Text, Accounting und auch Finanzierung, Investment Banking wirklich. Verstehen was geht da ab, wie sind die Regeln vom Staat auf EU Ebene und was ist der Business Case denn nur dann gepaart mit der Methodenkompetenz kann ich super durchsteigen. Also das wäre noch mal so mein mein Hinweis außerhalb von Gründen.

59:56 Genau. Man muss halt unbedingt auch verstehen, wie kann ich die einzelnen Tools für mich einsetzen als Mitarbeiter, ganz egal ob ich dann Gründe oder nicht. Also man muss sich insofern auseinandersetzen. Dass es halt eine Technologie ist, wie alle Technologien davor auch. Und als Google rauskam, du weißt es auch noch, da war dann auch die Frage, lagern die Menschen jetzt ihr Gehirn aus an Google und wissen gar nichts mehr und wir wissen heute, es ist ganz anders geworden, was man damit machen kann mit dem Internet und genauso ist es mit der AI auch. Muss ich wirklich reinarbeiten und überlegen was kann ich damit machen.

1:00:26 Also abschließend werden wir alle arbeitslos. Auf gar keinen Fall. Es gibt dann eine Arbeit. Das ist super. Also das sehe ich auch. Ich habe so viel zu tun wie noch nie. Mit diesem Schlusswort Jens, vielen Dank, dass du da warst. Vielleicht können wir in ein paar Monaten schon ein Update machen. Das tut sich viel.

1:00:42 Danke für deine Zeit. Danke für die Einladung. Super, dann auch gerne nächste Woche wieder einschalten zu Prof of Concept. Mal gucken was für ein Concept wir dann proven lassen. Und wenn euch irgendwo der Schuh drückt im Bereich KI, sagt Bescheid, Wir versuchen Jens oder andere Gäste ranzuholen, um die Pressenden Fragen zu beantworten. Darf man dir sonst auf Linkedins schreiben, wenn jemand. Auf die macht jeden Tag bitte sehr gut. Klar verlinken wir euch.