Alexander Thamm - Wie wird man zum Data Scientist?

Intro: Digital kompakt. Heute aus dem Bereich digitale Transformation mit deinem Moderator Matthias Weigert. Los geht's!

Mathias Weigert: Hallo und herzlich willkommen zu einem neuen People-First-Podcast von Digital Kompakt. Mein Name ist Matthias Weigert und ich bin Geschäftsführer der Unternehmerschmiede. Die Unternehmerschmiede unterstützt Unternehmen dabei, digitale Innovationen erfolgreich umzusetzen, indem wir die richtigen Teams gewinnen und schmieden. Das heißt vor allem erfolgreich machen. Wenn das Thema auch für euch interessant ist, kommt gerne über LinkedIn direkt auf mich zu. In unserem Podcast People First geht es um das Thema Mensch in der digitalen Welt. Das heutige Thema bekommt aktuell viel Aufmerksamkeit und wird häufig kontrovers diskutiert. Viele Unternehmen, vom DAX-Konzern bis hin zum eigentümergeführten Mittelständler, wollen datenzentriertere Entscheidungen treffen. Dafür müssen neue Denkmuster entstehen. Es wirkt wie ein Datenwirbelsturm, der auf uns zukommt. Genau über dieses Thema werde ich in diesem Podcast sprechen. Nach dieser Folge weißt du, was hinter dem Datenwirbelsturm steht, was danach bleibt, was zusätzlich kommt und was verschwinden wird. welche Menschen mit ihren Kompetenzen und Persönlichkeiten helfen, diesen Wirbelsturm zu verstehen und gleichzeitig Unternehmen und Teams begleiten, das Positive für sich zu nutzen und dabei aufpassen, dass Wichtiges nicht weggefickt wird. Zu Gast im Podcast heute ist Alex Thamm. Alex ist Gründer und CEO der gleichnamigen Beratung Alexander Tam GmbH. Alex ist begeistert von Daten und künstlicher Intelligenz und scheint mit seinem Team still im Auge des Datenwirbelsturms zu stehen. Herzlich willkommen, Alex.

Alexander Thamm: Hallo, danke, dass ich hier sein darf.

Mathias Weigert: Ich freue mich sehr. Vielleicht am Anfang immer so eine kurze Vorstellung. Alex, was waren so zentrale Punkte in deinem Leben, die sich zu dem gemacht haben, was du heute wirklich bist?

Alexander Thamm: Keine leichte Frage für so eine Einführung. Also ich glaube, was mich auf jeden Fall geprägt hat, war, ich bin ja in der DDR geboren, in Leipzig und mit meinen Eltern, als ich noch ein junges Kind war, fünf, sechs Jahre, sind wir geflüchtet, nach Bayern gekommen, weil wir da Verwandte hatten. und ja, ich glaube, ich habe schon von klein auf dann irgendwie gelernt, Sachen aufzubauen und Dinge voranzubringen und das in einem sehr engen familiären Kontext auch. Ich glaube, das war so, was so einen gewissen Vorwärtsdrang irgendwo erzeugt hat. Mein erstes Business, was ich hatte, mit 18 bei uns dann in Olching ein Internet-Café aufgemacht. Das war der erste Internet-Hype, den ich dann noch so ein bisschen mitnehmen konnte. Grandios gescheitert, aber viel Spaß gehabt und viel gelernt. Und dann kam schon dieser Schwung Richtung Daten. dann im Studium, gerade auch im Statistik-Schwerpunkt und diese Liebe zu dem Thema Muster finden und bisschen wie so ein Detektivzu arbeiten, fast schon, so ein Forensiker,Spuren in den Daten zu finden und die Wahrheitherauszufinden, die andere schlaue Leute,ich habe ja dann auch viel am Anfang bei BMWeben gemacht, das war so ein bisschen meineInkubation für das Thema und diese Begeisterung,die hat nie wieder aufgehört, ja, und wird oftgefragt auch, ja, wie lange willst du das nochmachen? und wann ist ein Exit oder so? oder hey,willst du nicht die Firma verkaufen oder keine Ahnungund nee, weil das macht mir viel zu viel Spaß,also das ist, ich habe keinen Plan B.

Mathias Weigert: Sehr, sehr spannend. Schon mal so vom Hintergrund her, er kommt auch aus der Unternehmeraufbau-Werkelphase und dann aber auch das Ganze wieder in Daten gedacht. Kannst du noch mal so ein bisschen mehr erzählen, wie du zu diesem Datenthema gekommen bist? War das so in dir drin oder hast du irgendein Erlebnis gehabt, wo du sagst, Mensch, wenn ich da jetzt die Daten hätte, dann wäre das echt cool?

Alexander Thamm: Das lief jetzt ja alles nicht so geplant, aber wenn man jetzt mal zurückschaut, jetzt bin ich in meinem 40. Lebensjahr. Ich war als Kind sicherlich auch, dadurch, dass ich am Anfang viel alleine war mit der Flucht und so, habe ich einfach für mich Dinge getan. Also man würde sagen, ich war irgendwie ein Nerd. Ich habe irgendwie Dosen gesammelt und habe die dann sortiert und habe die dann kategorisiert und habe Blöcke beschriftet. Und ich habe sehr viel Spaß gehabt, so Strukturen irgendwie zu machen für mich. Dann hatte ich viel Spaß im Internet, so auch mit irgendwie Online-Spielen. Und das zu verstehen und da, obwohl ich jetzt kein guter Programmierer bin, aber da irgendwie in dieses Thema reinzukommen. Ich habe eigentlich immer nach einem Vehikel auch gesucht, wo ich irgendwie richtig gut drinnen bin. Und im Studium am Anfang, ich hatte ein super grottiges Vordiplom und irgendwann habe ich aber dieses Thema entdeckt. Data Mining hieß es damals, das war so vor knapp 15 Jahren ungefähr. Da gab es den Big Data Hype nicht und Data Science gab es so noch nicht und KI war auch nicht da. Groß Thema. Das hat sich dann irgendwie verfestigt. Ich hatte dann die Möglichkeit bekommen, bei einer Tochter von BMW und dann auch bei BMW zu arbeiten. Und da wurde ich dann mit einer Fragestellung konfrontiert, wie loyal sind eigentlich BMW-Fahrer, was Wartung und Verschleiß angeht. Und damals gab es ein neues Gesetz, dass man nicht mehr zu BMW selber gehen musste, sondern man konnte dann eben auch zu, was ich, Pitstop und ATU, zu diesen ganzen Freien. Werkstätten gehen und hat trotzdem noch seine Kulanz und Gewährleistung und so bekommen. und da habe ich dann durch Zufall eigentlich herausgefunden, dass das ganz anders war, wie die meisten bei BMW dachten, dass die Leute halt nicht loyal sind für Bremsen oder so, wo man denkt, boah, das ist ja sicherheitsrelevant, wenn ich da mit meinem M4 irgendwie oder M3 über die Autobahn fahre, sondern es war eben genau andersrum, nämlich sowas wie ein Mikrofilter oder so, der eigentlich total billig ist normalerweise und einfach zu wechseln. und das war dann so eine Erkenntnis. und dann dachte ich so, boah, geil, das habe ich jetzt irgendwie durch Zufall dann mit den Daten herausgefunden und so die Wahrheit durch die Daten zu und anerkannt zu sein, ja, gehört zu finden und das fand ich halt irgendwie cool. und das ist eigentlich nach wie vor, was ich toll finde. Ich mag Wahrheit, ich mag Offenheit, ich mag das Forschen und was ich nicht mag, sind halt so, das haben wir immer schon so gemacht. oder ja, das ist jetzt halt der Chef und der sagt halt, wie es ist. Ja, ich hatte immer Probleme mit meinen Chefs und dann habe ich immer erzählt meinen Eltern und allen so, hey, wie schlimm eigentlich die ganzen Chefs sind und so. und dann haben die irgendwann mal einer mal gesagt, eine Freundin von mir, hey Alex, weißt du, was die alle gemeinsam hatten? Ich so, ja, die waren alle scheiße. So, nee, dich. Und dann wurde mir klar, okay, vielleicht liegt es ja auch an mir, ja, Und das war dann so der Weg zu sagen, okay, wahrscheinlich macht es einfach Sinn, ich mache mich selbstständig und versuche es irgendwie anders. Und wenn man dann selber Chef ist, merkt man, es ist gar nicht so einfach. Aber das waren so diese zwei Aspekte, so irgendwie was Eigenes zu machen, diese Liebe zur Technologie, zu Daten, zu Innovationen. Ich hatte, glaube ich, einfach Glück, mit so einem Thema zur richtigen Zeit am richtigen Ort zu sein. Weil KI und Daten an sich gibt es ja auch schon seit 50, 60 Jahren in der Forschung. Da waren wir ja auch in Deutschland Vorreiter mal, was die Forschung auch anging. Aber dass es dann alles möglich wurde, wirklich daraus Geschäft zu machen und wirklich Lösungen zu bauen, das kam natürlich erst durch den Fortschritt in der Computertechnologie und in der Geschwindigkeit der Rechner. Die Möglichkeit, auch große Datenmengen, komplexe Datenmengen wirklich auch kostengünstig zu speichern und auf der anderen Seite eben auch Algorithmen zu haben, die daraus was tun. tun können, was uns dann sozusagen auch wirklich geschäftlich hilft. Und da bin ich sehr, sehr dankbar.

Mathias Weigert: Jetzt bist du ja schon so ein bisschen auf dem Weg in Richtung Daten und Daten. Da kommen wir gleich noch mal ein bisschen zu ich mich. Was mich noch interessieren würde und Alexander Tam, jetzt heißt die Firma so wie du. Was macht ihr?

Alexander Thamm: Ja, das ist immer so der Running Gag. Die Leute, wir waren damals in dem Shared Space, wo Roland Berger auch drin war, gemietet. Und dann dachten immer alle so, ja, dieser Alex Tam, der will jetzt der neue Roland Berger. Berger werden oder so, ja. Nee, ich habe dann Roland Berger auch mal kennengelernt, wollte ich nicht, aber das Problem war halt einfach, ich war damals als Werkstudent unterwegs und dann wurde ich Freelancer und um dann weiter mit BMW arbeiten zu können, damals war dann 2008 auch Finanzkrise und dann habe ich da keinen Job bekommen. und dann hieß es, ja, aber das ist ja geil, was du machst, das musst du irgendwie weitermachen, aber ja, wir dürfen jetzt keine Freelancer mehr beschäftigen, du brauchst jetzt halt eine GmbH. Dann brauchte ich einfach schnell eine GmbH und so kam es zu diesem Namen. Mittlerweile reden wir ja von AT oder aktuell von Alexander Impfen. Nee, aber was die Firma macht, wir sind jetzt so um die 400 Leute in Summe. Wir helfen einfach Firmen, dass sie aus Daten Mehrwert generieren, ganz platt. Und meine persönliche Mission, auch das Buch, was ich geschrieben habe, den Data AI Guide oder auch die Arbeit im KI-Bundesverband, das Data Festival als größte Konferenz für das Thema in Europa gerade, beim Beitrag. Wirtschaftsministerium, darf ich als KI-Experte in dem Gremium mitarbeiten, komme ich nachher auch noch dazu, aber meine persönliche Mission ist, ich sage mal Europa retten, das klingt immer so krass, aber dass wir in Europa einfach mehr aus Daten machen und damit auch erfolgreich und anerkannt sind in der Welt. Weil aktuell ist halt leider so, dass da USA und auch China sehr stark kommend deutlich voran sind und das muss eigentlich nicht so sein, weil wir haben eigentlich alles, was es braucht, wir müssen es halt nur machen. Machen bedeutet aber vor allen Dingen, glaube ich, machen in der Gemeinschaft und dafür braucht es halt vor allen Dingen nicht nur coole Standards, die braucht es auch auf jeden Fall, aber vor allen Dingen auch gerade Mittelstand und das Bestehende, was wir haben, das Rückgrat der Gesellschaft, das Rückgrat der sozialen Marktwirtschaft, dass wir die halt mitnehmen.

Mathias Weigert: Genau, jetzt habe ich so ein bisschen ja auch geguckt bei euch, was ihr macht. Ihr habt auch neben dem Beratungsgeschäft, glaube ich, eine Akademie, also auch so dieses Lernthema Wissen weitergeben. Ist das auch eins deiner Themen in dem Datenbereich, in diesem Kontext?

Alexander Thamm: Genau, also das war von Anfang an, sage ich mal, Teil der DNA. Auch erstmal so notgedrungen, weil als wir angefangen haben 2012, habe ich ja die AT gegründet. Da konnte man Data Science oder Machine Learning, Engineering oder Data Engineering, das konnte man gar nicht studieren. Das gab es nicht als Schwerpunkt oder noch nicht mal als Mischform oder so. Und damals kam so die erste Idee von diesen Data Scientists so hoch, aber keiner wusste so richtig, was das war. Und so die ersten Definitionen, da musste man so fünf Studiengänge absolviert haben, um dann als Junior durchzugehen. Also das war noch alles sehr, sehr vage und wir waren die Ersten, die ein Trainee-Programm in Europa angeboten. haben und wirklich ein einjähriges Programm, wo wir anhand von einer Definition, die wir mehr oder weniger auch gemeinsam mit den Kunden und Partnern entwickelt haben, den Datenkompass, erstmal so eine Grundausbildung überhaupt generiert haben. Und auf der anderen Seite haben wir halt gemerkt, so diese, was man oft zu Beratungen so ein bisschen nachsagt oder Agenturen, dass die einen so abhängig machen, das bringt überhaupt nichts, weil das wichtigste Thema, um erfolgreich zu sein mit diesen Datenprojekten, ist Vertrauen. Die Quote des Scheiterns ist auch heute noch extrem hoch. Und wenn du am Anfang nicht ein gewisses Vertrauen hast und einen gewissen Mut und auch eine Offenheit, was steht denn in den Daten drin? Wo kommen die her? Wie entstehen die? Und auch den Leuten, die Angst nimmst, dass jetzt eine KI in Zukunft den Job macht, weil das sehr, sehr, sehr, sehr selten wirklich nur passiert, was in den Medien deutlich anders dargestellt ist. Das kannst du aber halt nur schaffen, wenn du eben auch befähigst, wenn du den Leuten das erklärst. Wenn du sagst, hey, guck mal, so geht das. Einfach mal eine Stunde zusammensetzen, per Programming, Popo an Popo und den Leuten das zeigen. Seeing is believing. Und das geht halt nur durchs Machen. Und ich glaube, das ist das, vielleicht auch jetzt im Nachhinein, was hat uns jetzt die zehn Jahre so erfolgreich gemacht, dass wir auch so wachsen konnten aus eigener Kraft. Ja, eben genau das. Dieses Vertrauen zu schaffen und mit den Leuten gemeinsam halt was zu bauen und das dann zu feiern und genau.

Mathias Weigert: Lass uns einmal so ein bisschen über das Thema Daten sprechen. Weil am Ende, und das war ja auch so die Einleitung dieser Datenwirbelsturm, der ja doch für viele so sehr nebulös noch ist. Und dann gibt es einige, die eher ruhig sind in diesem Thema und sagen, lass uns das mal irgendwie ein bisschen sortieren. Kannst du uns ein bisschen mehr geben, wenn so Unternehmen kommen und sagen, ich habe ganz viele Daten gefühlt in verschiedenen Töpfen, ich bin vielleicht ein Zwischenhändler, ich habe Produkte, die ich aus Asien herhole und dann sammeln wir alles und dann verkaufen wir das wieder an andere. Was Ist für dich Daten wirklich, dass du uns da vielleicht mal so ein bisschen so einen Einblick gibst und was sind Daten vielleicht auch nicht?

Alexander Thamm: Man kann schon sagen, dass wir aktuell eigentlich an der größten Veränderung der Menschheitsgeschichte stehen. Und ich würde gerne jetzt Daten oder Data und KI, AI in einem Zug sagen. Ja, weil das ist so ein bisschen so zwei Seiten der Medaille. Das eine geht wenig oder schlecht und das andere, dass wir eben kognitiv besser entscheiden. Also es gab halt irgendwie mal industrielle Revolutionen, da hat man dann gemerkt, man kann jetzt Maschinen nehmen, um mechanische Arbeit zu verrichten. und jetzt merken wir, wir können Maschinen nutzen, um auch kognitive Arbeit besser zu verrichten. Und das Futter für diese Maschinen, dass die halt lernen. Ja, ich habe einen eineinhalb Jahre alten Sohn, da ist es auch so, der lernt auch anhand von Daten, anhand von Erfahrungen, die er macht. Ja, Herdplatte heißt, ein paar Mal ausprobieren, dann irgendwann ist es vernetzt im Kopf, ist schlecht, tut weh. Und so ist es halt mit den Maschinen auch. Und das ist sozusagen jetzt diese große Veränderung, die wir gerade erleben. Man kann es auch vergleichen, weil ich vorher meinte mit dem Internetcafé, ist so ein bisschen wie das Internet. Also wir sind heute. mit dem Thema Daten und KI sind wir heute ungefähr da, wo wir mit dem Internet vielleicht zu Mitte, Ende der 90er waren. Deshalb kann ich auch noch sagen, ja, was arbeitest du? Ja, ich bin Daten- und KI-Experte. Das ist so, wenn heute einer sagen würde, was arbeitest du? Ja, ich bin Internet-Experte. Dann würden alle sagen so, hä, warte, was hat der denn geraucht oder die denn geraucht? Weil man würde natürlich sofort fragen, ja, was denn genau? Was machst du? Machst du einen Podcast, E-Commerce-Shop, Webseiten und wenn ja, welche Programmiersprachen? Und das erleben wir jetzt zunehmend eher öfter. auch mit diesem Thema, dass es eine zunehmende Spezialisierung gibt. Das heißt, Daten sind quasi eben dieser Rohstoff, um Algorithmen lernen zu lassen. Das heißt, Daten an sich bringt erstmal gar nichts. Also als ich angefangen hatte, da war noch dieses Thema Data Mining und da gab es so diesen Glaubenssatz, so ja, hey, du brauchst nur alle Daten und die musst du dann in den Data Lake kippen. Also ein Data Lake ist einfach nur eine logische Struktur, wie man Daten speichert. Ist halt bekannt geworden, vor allen Dingen durch, die Techniker werden mich jetzt bewerfen, aber so für den Otto-Normal-Menschen, Google und Co. Warum war Google so erfolgreich und Yahoo nicht? Warum war das so? Weil damals gab es noch Alta Vista, also wir haben, kennt man, du nix, du bist auch alt genug. Und Google war dann auf einmal da und es gab ja schon gute Suchmaschinen, zumindest dachte man das. hat Google dann gemacht? Google hat halt einfach einen schlauen Move gemacht, die haben das Internet kopiert und so wie ich mit meiner Dosensammlung kategorisiert, indexiert und damit war auf einmal die Suche viel schneller. Was ist das Problem beim Kopieren vom Internet? Ist halt scheiße groß. Wenn du das mit den damaligen Strukturen gemacht hättest, da war Speicher, man weiß das noch, da war das echt noch so ein Unterschied, ist mittlerweile auch noch so, aber das ist eigentlich dann eher Pricing-Politik, früher war es wirklich noch ein Kostenthema und da hat halt, gab es eine Technologie, die nach diesem Elefanten von dem einen Gründer, Hadoop, dass man das mal gehört hat und diese Hadoop-Technologie hat es einfach ermöglicht, dass man halt ganz viele billige Festplatten kauft und die hängt man irgendwie hintereinander und dann kann man ganz viele Daten speichern, ganz platt gesagt. Und die dann so unstrukturiert, also ohne eine feste Kategorie, so ein bisschen wie der Unterschied, habe ich einen sauber aufgebauten Ikea-Schrank oder habe ich einfach einen Wäschekorb. Ja, und so ein Data Lake ist quasi wie so ein Datenwäschekorb. Ich schmeiße alles rein, egal was es ist und im Nachhinein schaue ich mir an, was da eigentlich so alles drin liegt. Ist auch wieder nicht technisch nicht ganz richtig. Ja, bitte kein Shitstorm, aber dass man halt mal ein Gefühl hat. Das ist ein Data Lake, also einfach nur die Möglichkeit, ganz viele Daten einfach irgendwie zusammenzukippen, egal ob es jetzt Bilder sind oder ob das irgendwie Text ist oder in dieser klassischen Datenwelt Data Warehouse. Da musste man vorher mal sagen so Hallo, hier ist ein Platz für eine Socke. Ich habe hier eine Socke und jetzt schiebe ich diese Socke in den Platz für die Socke. Vielen Dank. Beim Data Lake nimmst du einfach die Socke und wirfst sie halt rein und weißt gar nicht, ob es eine Socke ist oder ob es vielleicht eine Unterhose ist oder so. Und der nächste Trend nach diesem Data Mining, da gab es dann dieses, ich sage mal das Märchen von dem Big Data Dukatenesel. Vorne Daten rein und dann kommen hinten Münzen raus und das war so dieses Versprechen, was uns auch Technologieanbieter halt gegeben haben, so dem Manager, hey pass mal auf, digitale Transformation kein Problem, weil jetzt gibt es ja irgendwie Big Data und wir haben hier halt den Watson und so und der macht das für dich. Ja, deshalb einfach gib uns deine Daten, der Rest gibt es die magischen Algorithmen, musst du nicht verstehen, wie das funktioniert. Dass wir jetzt was demystifizieren müssen, liegt ja daran, dass es vorher mystifiziert wurde. Die Frage ist, warum wurde es mystifiziert? Ja, weil es halt ein mega Geschäftsmodell war. Also daher kommt es am Ende des Tages auch dieses Data-Mining-Versprechen mit, die Daten sind dann irgendwo und die Algorithmen finden so. Es gibt so ein paar Beispiele, wo das mal geklappt hat, durch Zufall irgendwas zu finden, was dann total viel Nutzen gebracht hat, aber das ist meistens eben nicht der Fall. Data Mining war dann so ein bisschen schwierig. Man hat gemerkt, man muss sich schon vorher überlegen, was man mit den Daten machen möchte. Da komme ich nachher dazu, das Thema Datenschutzgrundverordnung, GDPR, ist jetzt nicht per se nur schlecht. Weil es generell so ist, dass es Sinn macht, sich vorher zu überlegen, was man machen möchte mit den Daten. Aber nichtsdestotrotz, man braucht die Daten natürlich schon auch. Man hat eben so ein Henne-Ei-Problem im Sinne von, habe ich keine Daten, kann ich nichts analysieren, weiß ich nicht, was ich analysieren möchte, sammle ich zwar Daten, aber vielleicht die falschen oder falschen Format oder in einer schlechten Auflösung. Machine Learning, KI, wenn ich damit Mehrwert erzeugen möchte, dann muss ich sozusagen von diesem Use Case, von der Anwendung her kommen und dann sagen, welche Daten kann ich dafür verwenden. Ich kann dir eine Story erzählen vom ersten BMW Projekt, wenn du magst. Sehr gerne. Das ist auch irgendwann mal, glaube ich, publiziert worden oder es ist so alt, dass es eh keiner mehr interessiert, egal. Aber da sieht man so ein bisschen das Problem. Das war halt so ein großer amerikanischer Anbieter. Ich war damals noch so ein kleines Werkstättenwürstchen sozusagen, durfte aber irgendwie mit ins Meeting. Dann war damals der neue 7er rausgekommen, der E60 für die Autofreaks oder E70. E60, E70, der hinten so ein bisschen amerikanisch ausgesehen hat mit diesen langen Leuchten und der dieses iDrive, glaube ich, hieß das oder so, als erstes hatte, dieses Knubbelding in der Mitte. Da gab es super krasse Probleme damals, Qualitätsprobleme und Leute waren unhappy, hatten Wiederholreparaturen und so weiter. Dann kam da so ein amerikanischer Anbieter und meinte so, hey, kein Problem, wir haben jetzt Data Mining. Gib uns einfach die Daten von der Produktion und von dem Auto und so weiter und von den Gewährleistungsfällen und dann machen wir der Voodoo-Zauber und nach drei Monaten kommen wir wieder und erzählen euch was ab. Dann waren alle gespannt, aber klang cool. Und wir waren alle so, die bisschen wussten, wie das funktioniert, so schwierig, wenn die nicht mal einmal mit den Leuten aus dem Werk mal reden oder dann auch mal sich so ein bisschen wirklich Inhaltswissen holen. zu den Daten. Ja, wir reden von Metadaten, Daten, die die Daten beschreiben. Oft in irgendeiner Datenbank steht dann drin, was weiß ich, Durchschnittsgeschwindigkeit 42. Da musst du ja wissen, in der Stadt, auf dem Land oder welche Baureihen und so weiter und so fort. Und das haben die halt nicht gemacht. und dann waren wir schon so ein bisschen skeptisch. Dann kam es zur Ergebnispräsentation. große Wirbel und so, alle eingeladen, vorher noch teuer essen gegangen. Und dann so, ja, also wir haben da krasse Signale in den Daten, wir wissen eigentlich, woran es liegt. Und alle so, boah, krass. Und dann, was kam raus? Dann war eben eine Präsentation und dann hieß es, ja, also wir haben rausgefunden, alle schadhaften Sieber-BMWs, die kommen aus Dingelfing, aus dem Werk. Und dann erstmal so, alle schauen sich so an und dann brach so komplett Lachen aus in dem Raum. Die amerikanische Dienstleiste, die wussten jetzt gar nicht, was das Problem ist. Also in den Daten, der Statistiker hat jetzt nichts falsch gemacht, Was war das Problem? natürlich? Von dem 7er, alle betroffenen Fahrzeuge, die wurden eh nur in den Golf-Filmen produziert. Das Signal war da, die Statistiker hatten ihren Job gemacht, man hatte die Niedel in the haystack, nur das wusste halt schon jeder. Und das ist so ein bisschen das Problem, man muss dann immer eng zusammenarbeiten mit den eigentlichen Experten, wenn wir auch danach zum Thema People und Personal und so kommen, aber nur schon mal vorneweg, dass jetzt eine KI, so von mir nichts dir nichts, irgendwie den Job besser macht als jemand, der 40 Jahre lang, mein zweites Projekt war dann in der Gießerei, dass es dann besser funktioniert als so ein Gießereimeister, der das 40 Jahre macht, ist sehr, sehr unwahrscheinlich. Man hat dann noch weiter analysiert, natürlich der Dienstleister war erstmal raus, ist dann noch tiefer reingegangen. Man hat dann auch überlegt und hat auch die Daten, die man hatte, musste man stärker dokumentieren und Interviews führen. Und so kam man dann irgendwann auf verschiedene Fehler, Muster. Und das ist auch heute ehrlicherweise noch meistens so, dass es immer ein Zusammenspiel ist aus Mensch und Maschine.

Mathias Weigert: Das ist, glaube ich, ganz zentraler Aspekt auch. Das ist nämlich, was macht das mit Menschen? Was bedeutet das mit Menschen? Zu sagen, wo kommen die Daten her? Was sind die Daten? Auf der einen Seite hast du Daten, die nicht von Menschen generiert werden, aber du hast auch Daten, die aus Gesprächen heraus von Menschen generiert werden.

Alexander Thamm: Fast alle Daten werden am Ende, also zumindest in dem Geschäftskontext, halt auf Basis von Geschäftsprozessen generiert. Und wichtig ist auch als Data Scientist, ja, also das ist ja der so, der meistens so als Erster an so einem Use Case irgendwo dran ist, der muss verstehen, zumindest rudimentär, wie der Prozess ist, in dem die Daten entstehen. Und das ist meistens nicht so gut dokumentiert, weil Daten halt, und das ist so ein bisschen das Problem, was wir halt haben, eher so immer so ein Abfallprodukt sind dieser Prozesse. Man sagt ja auch, die Daten sind die neue Elektrizität, das neue Öl oder so, aber man wertschätzt Daten noch nicht ausreichend. Das kommt jetzt gerade, also noch ein weiteres Schlagwort ist Data Governance, also die macht man, was sind die Regeln, wer ist zuständig? und dafür gibt es dann auch Datenkataloge, also wo genau eben diese Metadaten wieder drinstehen, wo drinstehen, pass mal auf, Pi-Spalte bedeutet eigentlich XY. Beispiel BMW, man wollte ja wissen, wie gut sind wir denn? Wie viele Fehler machen wir denn? Was heißt denn, wir machen 100.000 Fehler? Naja, müssen wir ja gucken auf die pro 100 Fahrzeuge, müssen das irgendwie relativieren auf die Population. Das war so gar nicht ganz naiv hergegangen. Ich sagte ja, okay Leute, dann was ist denn die Population? Ja, wissen wir nicht so genau. Ja, warum wissen wir das nicht? Naja, wissen nicht genau, welche Autos wirklich draußen jetzt noch so rumfahren. Weil manche gehen ja kaputt oder macht einer Unfall oder so. Okay, wie viel haben wir denn produziert? Wissen wir das denn so? Ich so, ihr müsst doch wissen, wie viele Autos ihr produziert habt. Warum wisst ihr das nicht? Naja, was heißt denn produziert? Dann dachte ich mir so, Hä, was ist das für eine blöde Frage, Mann? Und dann habe ich herausgefunden, es gibt fünf, sechs verschiedene Definitionen, wann ein Fahrzeug produziert ist. Das kann sein, wenn die Fahrgestellnummer im System angelegt wird. Das kann sein, die sogenannte Hochzeit. Hochzeit ist, das wusste ich damals auch nicht, wenn der Motor in die Karosserie kommt. Das kann sein, wenn das Auto wirklich das Werk verlässt. Das kann aber auch sein, wenn das Auto zugelassen wird. Dann wird es ja endlich benutzt. Turns out, wie kommt ein BMW nach China? komplett die Knockdown, also das Auto wird erst zusammengebaut, komplett fertig und dann wird es wieder auseinandergebaut, in einzelnen Teilen rübergeschifft, nur damit es dann drüben wieder zusammengebaut werden kann. Dieser Prozess dauert dann manchmal irgendwie so ein Jahr oder so. Wenn man das nicht richtig in die Daten reinnimmt und man ist gerade beim Thema Pannen, wo man sehr niedrige Fallzahlen hat, dann heißt es auf einmal mit dem Typen, der das verbrochen hat, der muss entlassen werden oder nee, der muss befördert werden. Weil entweder ist er tiefrot in seiner Kennzahl Oder er ist halt tiefgrün. Das hängt aber nur davon ab, ob einer das gecheckt hat, dass wenn da so CKD in irgendeiner Spalte in der Datenbank drinsteht, dass das bedeutet, dass das eben anders zugelassen wurde. Und das meine ich mit Metadaten. Wenn jetzt aber irgendeinem nach USA oder wo auch immer hin, der irgendwie halt noch nie ein Auto von innen gesehen hat, das einfach rüberkippst, wie soll der das wissen? Und noch blöder, wie soll die KI das wissen? Wenn wir von künstlicher Intelligenz sprechen, dann gibt es drei verschiedene Aspekte oder Unterkategorien. Die meisten Leute denken bei KI immer an das, was man als Machine Learning bezeichnet. Das ist auch das, was cool ist, der Hot Shit so aktuell. Es gibt aber auch die sogenannte traditionelle KI, also sowas wie dein ABS-System im Auto, Fensterheber auf Basis von Sonneneinstrahlung oder was auch immer. Das sind einfach von Menschenhand programmierte und parametrisierte Systeme. Da hat sich irgendeiner halt überlegt, hey, wenn der Schlupf am Rad irgendwie Faktor X übersteigt, dann müssen wir irgendwas machen. Dann müssen wir irgendwie einmal kurz stoppen oder so. Wenn man sagt, künstliche Intelligenz bedeutet, dass quasi eine Maschine so handelt, wie es auch ein Mensch tun würde. Also da gibt es immer diesen Turing-Test von diesem Mathematiker. Ich sitze dir gegenüber und ich merke nicht, dass du eine Maschine bist. Dann ist es künstliche Intelligenz. Also auch da kann man wieder streiten, aber das ist so die landläufige Definition. Und das gibt es schon die ganze Zeit. diese von Menschenhand parametrisiert und gebaut. So, Machine Learning heißt, der Mensch baut auch noch den Algorithmus und programmiert die Maschine, aber die Parameter, also ab wann das ABS dann regelt, das lernt das Auto selbst, weil das halt irgendwie, keine Ahnung, 100 Mal gegen den Baum fährt. und irgendwann, wenn man ihm halt sagt, du darfst nicht so oft gegen den Baum fahren, dann lernt es das von selbst. Und dann gibt es das, wovor alle Angst haben, das ist die sogenannte starke KI oder Artificial General Intelligence, also dass die Maschine selber denkt und sich denkt so, hey, ich könnte doch mal sowas wie bremsen auf nasser Fahrbahn, weil dann überlebe ich irgendwie länger als Auto. So zu denken, kreativ zu sein, Intuition, zu träumen davon, länger zu leben, das kann die Maschine nicht. Und es sieht auch aktuell nicht danach aus, dass das bald funktionieren wird. Und weißt du warum? Gerade dieses Thema Machine Learning oder neuronale Netze, von denen wir alle reden. Deep Learning sind übrigens einfach nur sehr komplexe, tiefe neuronale Netze. Und auch neuronale Netze ist nur eine Methode des Machine Learnings. Aber wo kommt es her? Was war die Inspiration für die neuronalen Netze? Also es kommt halt vom Menschen, weil wir selber auch, unser Gehirn, das sind auch eben solche neuronalen Netze. und das hat sich dann irgendwann mal einer überlegt, hey cool, können wir das nicht irgendwie nachbauen. Dass es möglich war, war, weil halt Leute irgendwie Köpfe aufgeschnitten haben und irgendwann herausgefunden haben, wie so ein Gehirn funktioniert. und man hat also dann verstanden, wie das funktioniert und hat das nachgebaut. Und jetzt, wenn wir sagen, wie funktioniert Träumen, kannst du genau erklären, warum du geträumt hast, was du geträumt hast?

Mathias Weigert: Kann ich nicht.

Alexander Thamm: Genau. Und warum nicht? Because we don't fucking know. Also wir wissen das einfach nicht. Wir haben nicht verstanden, in der Wissenschaft, in der Neuroscience, whatever, wie Träume, wie Intuition, wie eigentlich Menschsein funktioniert. Mein Sohn, der Leonard, der macht irgendwelche Sachen. Auf einmal probiert er aus und das habe ich ihm nicht gezeigt, da hat er keine Daten und trotzdem macht er auf einmal irgendwas. Da ist irgendwas, was in dem abläuft, göttliches, keine Ahnung, Universum, whatever. Und jetzt haben wir aber Angst, dass aber jetzt eine Maschine davon selber draufkommt. Ein Guru aus der Szene hat mal gesagt, diese Angst vor dieser starken KI, vor diesem Terminator, das ist so ein bisschen wie, wenn wir uns aktuell Sorgen machen über die Überbevölkerung auf dem Mars. ist nicht unendlich weit weg, der Maß. Wir sind noch so weit weg davon, dass da überhaupt jemand leben kann. Und jetzt haben wir Angst und müssen, wir regulieren jetzt die Überbevölkerung. Das ist, was wir gerade machen, wenn wir über KI-Regulierung in Europa sprechen. Warum kommt das? Weil halt keiner Ahnung hat, was das eigentlich ist.

Mathias Weigert: Du hast eben schon ein bisschen über die Teams gesprochen, über die Menschen, die dahinter stecken, die genau das helfen zu übertragen. Und das würde ich gerne nochmal mit dir konkreter verstehen. Was für Menschen arbeiten hier? Wer hilft das zu verstehen und dann zu übersetzen und daraus wieder Mehrwerte auch zu generieren? Wie arbeiten die auch zusammen?

Alexander Thamm: Was ich jetzt eigentlich meistens den ganzen Tag mache, ist, ich beschäftige mich mit menschlichen Problemen in der Personalführung. Also die Menschen, die bei uns arbeiten, das sind auch einfach ganz normale Menschen. Wir sind nicht alle irgendwie turboschlau oder so. Also ich würde nicht sagen, dass ich sonderlich schlau bin oder so. Also wenn wir auch mit Kunden und Partnern immer arbeiten, ist es immer auf Augenhöhe. Und es ist immer ein gegenseitiges Erklären und ein gegenseitiger Respekt. Und wenn Leute kommen, die halt meinen, sie haben die Weiße mit Löffeln gefressen oder so, also die werden relativ schnell eingenordet, weil sie irgendwie auch bei uns merken, was sie alles nicht wissen. Oder sie passen halt nicht zu uns und gehen immer anders hin. Also bei uns zählt auch einfach das Umsetzen. Deshalb werden wir manchmal auch die Handwerker der KI genannt. Das ist so ein bisschen langweilig. Aber mir ist ganz wichtig, dass wir wirklich, weil unser Nutzenversprechen ist ja Mehrwert. Den erzeugen wir nur im Team. So ein Team heißt nicht für uns ausschließlich, sondern immer gemeinsam mit demjenigen, dem am Ende halt das Gericht schmecken soll. Das ist halt eine Hol- und eine Bringschuld, weil auf der anderen Seite haben wir manchmal auch so Kunden, die dann sich mit verschränkten Armen reinsetzen und dann so sagen, na dann erzählt mal, dann sagt mir mal, was ich brauche, dann zeigt mal eure KI oder dann guckt mal, was mit den Daten geht. Und das ist so ein bisschen, wenn du zum Arzt gehst und der Arzt sagt, naja, wo tut es Ihnen denn weh? Und du sagst, weiß ich nicht, du bist doch der Experte. Wie kann man das kategorisieren? Also erstens mal akademischer Hintergrund. Denkt man oft, ja, das sind ja alles irgendwie Informatiker oder Statistiker oder so. Das stimmt nicht. Also wir haben viele Ingenieure, wir haben viele Physiker, auch Sozialökonomen, auch BWLer.

Mathias Weigert: Brauche ich denn Studium oder kann ich das auch alternativ machen?

Alexander Thamm: Aktuell schon noch, weil die Ausbildung ohne Studium einfach zu wenig in die Richtung geht. Wir sind gerade zum Beispiel mit der IHK dran, in Oberbayern so eine Art Fachinformatiker-Programm für Daten und für KI zu machen. Problem ist so ein bisschen die Ausbildung in der Schule. Wenn du guckst, wer ist denn wirklich richtig, richtig erfolgreich geworden mit dem Thema KI und Data und so. Das sind oft Leute, die ihr Studium abgebrochen haben, aber die haben sich dann halt selber beigebracht. Auch das Thema Programmieren und so weiter. Die Arbeit an sich lässt sich, sage ich mal, ganz pauschal in drei verschiedene oder vier verschiedene Gruppen sortieren. Das sind einmal so, wir nennen das dann Datenstrategen. Das sind Leute, die halt Design machen, so hey, die so Fragen stellen, wo wollt ihr denn mit Daten arbeiten? Also was sind so eure Themen aktuell? Wollt ihr mehr verkaufen? Wollt ihr weniger Ausschuss haben? Wollt ihr wirklichere Kunden haben, also erstmal so ein bisschen grob so herausfinden und die auch die Firmen begleiten dabei, die Fähigkeiten, können wir gleich noch darauf eingehen, die man braucht, um eben da erfolgreich zu sein. So, dann gibt es halt so was, so. der größte Hype, nach wie vor immer ist diese Data Scientists, die sehr gut darin sind, quasi zu überprüfen, ob eine Idee funktionieren kann. Also die arbeiten nach diesem Datenkompass zum Beispiel, das heißt also erstmal Problem verstehen, Daten selektieren, die dafür relevant sein könnten, Algorithmen selektieren, die mit den Daten Ergebnisse generieren können und dann eine Art von Visualisierung bauen oder irgendwas, was dann wieder mit den Menschen spricht. Sei es ein Dashboard oder irgendwie eine Sprachausgabe oder was auch immer. Und die sind aber meistens nicht die besten Programmierer. Das heißt, es braucht dann noch so die Engineers, also die Ingenieure von den Daten und der KI. Das sind dann eben Data Engineers oder Machine Learning Engineers. Die bauen dann wirklich das fertige Produkt. Und aktuell ist so das Thema, die Software dann aktuell zu halten. DevOps, MLOps, DataOps, das ist aktuell das spannendste Wachstumsfeld. Die Herausforderung ist halt, solche Teams interdisziplinär zusammenzubauen und zwar auch schon aus drei, vier, fünf Leuten, damit die halt wie so kleine Einsatzkommandos, wie so Navy Seals halt einfach schnell was bauen, was funktioniert.

Mathias Weigert: Also ähnlich wie eine Produktorganisation sozusagen, dass das aus verschiedenen Hintergründen immer wieder kleine Teams sind, die genau an den Problemstellungen arbeiten, gemeinsam.

Alexander Thamm: Genau. Und dann, wenn es halt um große Lösungen geht, was ich zum Beispiel vorweg ist, eine schöne Geschichte mit dem Netflix fürs Kochen, also diese Empfehlung für Rezepte. Da stecken natürlich auch große Teams, die auch dann stärker spezialisiert sind. Auf die einen bauen eben die Plattform, die anderen bauen halt den sogenannten Recommender, also diese Empfehlungsalgorithmus, der dann lernt und dir halt dann das richtige Gericht vorschlägt auf Basis von dem, was du halt magst. oder was andere, die so ähnlich sind wie du, mögen. Und da wird es dann schon auch größer und stärker spezialisiert. Aber was uns immer erfolgreich gemacht hat, war halt, diese Teams sehr interdisziplinär aufzubauen und dass die als kleine Mannschaft halt schnell Lösungen umsetzen können. Weil auch heute noch so ist es, dass viele von diesen Vorhaben erstmal nicht funktionieren. Weil die Daten nicht in der guten Qualität sind, weil man dachte, es könnte gehen und es geht halt doch nicht. Das ist so ein bisschen, wo wir jetzt in Deutschland manchmal noch schwer tun, das zu akzeptieren.

Mathias Weigert: Ich würde gerne nochmal aufs Team zurückkommen und die Zusammenarbeit des Teams und das Lernen im Team. Wie stellt ihr sicher, dass ihr das, was ihr lernt in den Projekten, auch wieder anderen Teams zur Verfügung stellt? Ich erlebe viele Firmen, die so dieses Fail Fast, Fail Cheap, klar Geschwindigkeit, aber wie haben wir das dokumentiert?

Alexander Thamm: Ist eine super Frage. Tatsächlich, also wir haben ein Produkt gebaut dafür, weil uns das auch immer geärgert hat, dass man was ausprobiert und das funktioniert nicht und das kann man nirgendwo nachlesen. Oder man weiß noch nicht mal, hat das schon mal irgendjemand im Unternehmen ausprobiert? Hat das funktioniert oder nicht? Mit welchen Daten hat der oder diejenige gearbeitet? Und dafür, das Produkt heißt casebase.ai, das ist ein sogenannter Use Case Katalog. Also es ist einfach wie so eine Art gelbe Seiten, wo man eben nachgucken kann, wer. Wir hatten schon was umgesetzt in dem Umfeld. Und du wirst es nicht glauben, wir haben auch bei BMW immer gesagt früher, wenn BMW wüsste, was BMW weiß, wie viel eigentlich an Mehrarbeit entsteht, weil man das halt eben nicht teilt oder nicht weiß, wo man es hinschreiben soll. Das ist eine Lösung, wir nutzen das auch selber für uns. Wir haben von den über 1000 Projekten, die wir gemacht haben, 800 wissen wir irgendwie, dass wir sie gemacht haben und 500 sind sauber dokumentiert. Also du hast auch immer einen gewissen Verschleiß, aber

Mathias Weigert: Also das heißt, es gibt Tools und ihr nutzt Tools, die dann auch sehr gut geeignet sind, um genau das zu dokumentieren sozusagen.

Alexander Thamm: Unbedingt, weil was du natürlich auch, also ich hatte letzte Woche ein Gespräch mit Kollegen von der Deutschen Bahn zu dem Thema, die gesagt haben, hey, das ist doch irgendwie so doof, gerade mit dieser neuen Generation. Die Leute wollen nicht fünf Jahre irgendwie an einem Thema arbeiten. Und erst recht nicht, wenn die irgendwie aus der Beratung kommen. Und was kann man denn da machen, dass die dann länger an so einem Thema bleiben? Weil die haben das Wissen und wenn die dann weg sind, dann müssen wir wieder neu jemanden erklären, wie eigentlich das jetzt hier funktioniert, was wir hier gerade tun. Das ist halt noch das Problem, was dazu kommt. Also du hast einfach eine hohe Variabilität, auch eine hohe Fluktuation. Bei uns die zum Glück mit 8% super niedrig, aber trotzdem ist sie da. Mein Papa war sein ganzes Leben bei Siemens, bevor ich ihn dann eingestellt habe. Da gab es das Problem nicht, weil du wusstest halt, okay, pass auf, der ist halt Experte dafür und der ist jetzt irgendwie, keine Ahnung, 30 und der ist halt in 30 Jahren immer noch da. Dann kannst du ihn immer noch fragen. Aber das ändert sich ja auch in dieser Arbeitswelt.

Mathias Weigert: Wir haben viel gesprochen über was sind Daten, was steckt dahinter, wie generiere ich sie, Beispiele gehabt. Wir haben über Team gesprochen. und jetzt so ein bisschen, wo geht die Zukunft hin aus deiner Sicht? Du hattest ja auch nochmal den Bezug zur Governance gemacht. Was sind Zukunftsthemen, die du siehst, die in diese Richtung weisen?

Alexander Thamm: Es ist immer schwierig, Vorhersagen zu machen, vor allem wenn sie über die Zukunft sind. Man kann, glaube ich, schon so ein bisschen gucken auf die Entwicklung vom Internet. Wie ich es vorher auch gesagt hatte und was man ja auch gesehen hat bei dem Internet, erstens mal, es ist KI, Daten, es ist eine Basistechnologie, die sich in allen Geschäftsprozessen und in allen persönlichen Feldern wiederfindet. Wir machen manchmal so eine Übung, ich auch mit meinen Kumpels oder mit meiner Familie, meine Oma letztens auch wieder und ich sage immer, hey, sag mir mal irgendwas und ich sage dir irgendeinen Weg, wie man mit Daten das besser machen kann. Und ich gewinne fast immer. Das muss man erst mal akzeptieren und erst mal sacken lassen. Auf der anderen Seite wird es natürlich dann aufgrund von dieser breiten Demokratisierung von diesen Fähigkeiten zu einer Spezialisierung führen. Wie beim Internet auch. Zu sagen, ich bin Internet-Experte, da lachen heute nur alle. Heute kannst du noch sagen, ich bin Data-AI-Expert, aber auch jetzt fragen schon die Leute, was machst du genau? Machst du Spracherkennung oder machst du mit Bildern? Die Leute fragen entweder, welche Art von Daten verwendest du oder welche Art von Algorithmen oder welche Art von Industrie bist du tätig? Also wir merken auch eine Industrie-Spezialisierung. Und wir merken auch eine funktionale Spezialisierung. Zum Beispiel, wenn du im Marketing mit Daten arbeitest, dann hast du viel mehr Themen Richtung Datenschutz, Richtung Anonymisierung. Wenn du in der Produktion einfach Ausschuss vermeiden willst, also weniger Teile, die kaputt gehen, weniger Autos, die falsch lackiert sind, dann hast du höchstens das Thema, okay, kann man irgendwie auf die Performance von den Mitarbeitern am Band zurückführen, aber ansonsten hast du da keine Datenschutzthemen. Übrigens auch lustig, weil da wird dann trotzdem irgendwie erstmal stundenlang diskutiert über das Thema Datenschutz, wo irgendeiner sagt so, wir reden doch eigentlich nur über Maschinen. Und da finden sich ganz viele Berufe. und ich meine, ein lustiger Beruf zum Beispiel ist wirklich, der jetzt gerade kommt, ist so ein Algorithmentrainer. In Europa ist, und das ist auch unsere Chance, glaube ich, das Thema Erklärbarkeit von Algorithmen, Freiheit von Diskriminierung oder Bias, wie es heißt, also Verzerrung, ist ein ganz wichtiges Thema. Und es ist auch super, dass wir da Gas geben, weil es kann auch unser Pitch für die Zukunft sein, dass wir in Europa halt aufholen, so AI made in Europe, KI aus Deutschland, deutsche Ingenieure machen jetzt auch Software, geil, kann ich darauf vertrauen, ist nachhaltig, ist nicht irgendwie verzerrt oder so und dafür gibt es eben diese Algorithmen. mit Trainern, die quasi die Daten auswählen. Also ein bisschen wie so jemand, der so ein Kind die richtige Lektüre beibringt. KI, die nehmen alles auf, was ihnen halt gefüttert wird. Da gab es ja so Chatbots, die dann rechtsradikal wurden, weil sie ja die ganze Zeit nur mit irgendwelchen rechtsradikalen Parolen gefüttert wurden und so. Und da ergeben sich ganz viele neue Jobs. Es werden auch alte Jobs halt nicht mehr da sein. Der Typ, der früher immer die Gaslaternen angemacht hat, den gibt es halt jetzt auch nicht mehr. oder die beste Kutscherin ist jetzt vielleicht eher im Leisure-Bereich relevant und so wird es schon bei dem Thema KI auch werden. Weil das ist immer eine große Angst so, ja, KI vernichtet ja ganz viele Jobs. Jein. Wir mit unserer Academy haben natürlich ein recht spitzes Profil, wo wir Leute ausbilden, aber wir haben zum Beispiel ganze große Konzerne auch in den Basics geschult. Zum Beispiel mit ADAC machen wir da ein Programm, wo wir Führungskräfte schulen, wo wir auch ganz normale Mitarbeiter schulen. Aber im KI-Bundesverband, da geht es uns jetzt noch viel breiter darum, wirklich schon in den Schulen anzufangen oder vielleicht sogar eine Stufe vorher schon im Kindergarten. Weil das ist halt schon was, wo wir aktuell noch so, ich will extra immer keinem Angst machen, aber wir sitzen uns noch so ein bisschen den Poppes breit auf dem Erfolg der Ärzte. Erfinder, der Ingenieure, Werner von Siemens und so weiter. Und wenn man mal guckt, wie fleißig zum Beispiel eben auch in China Kinder programmieren, Kinder rechnen lernen und so weiter, dann ist das schon was, wo man sich fragt, okay, wieso bleiben wir dann so lange erfolgreich, wenn wir doch eigentlich viel weniger dafür tun langfristig.

Mathias Weigert: Auch ein, glaube ich, ein ganz schöner Schluss nochmal, um zu sagen, wo wir ansetzen können auch zukünftig und müssen noch stärker, um eben uns auch an diese zukünftigen Situationen zu gewöhnen.

Alexander Thamm: werden es vor allem eher traditionelle Firmen sein, die aktuell physische Autos bauen, Versicherungen, also die eher in traditionellen Geschäftsmodellen sind, die KI für sich nutzen können. Und von denen haben wir ja sehr viele. Überall in Deutschland gibt es so viele Weltmarktführer, die irgendwas geiles machen, mit Hardware meistens. Die haben jetzt eine große Chance, eben auch Software für sich zu nutzen. Und der zweite Punkt ist halt, der Trend geht ganz klar Richtung Privatsphäre schützen. Also ich möchte nicht mehr alle Daten teilen, ich möchte nicht komplett gläsern sein. Auch in den USA gibt es das, Kalifornien übernimmt unsere Datenschutzregeln und so weiter. Und auf der anderen Seite halt diese Erklärbarkeit und diese Verlässlichkeit, also diese Vertrauen in KI. Und da haben wir in Europa, da sind wir sehr weit, was das Gedankengut, die Regeln angeht. Und jetzt müssen wir es halt schaffen, mit diesem Regelwerk geile Produkte zu bauen, die wir dann selber auch nutzen können. Und das ist eine ganz essentielle Aufgabe auch für die neue Regierung jetzt, um unsere Souveränität für die nächsten zehn Jahre wirklich sicherzustellen. Und die Talente, weil du es gesagt hast, auch dann hier zu halten. Mei, wenn du München anschaust, Berlin anschaust, da geht ja auch was. Also große Konzerne auch international investieren. Jetzt müssen wir halt nur was draus machen. Und das tun wir schon.

Mathias Weigert: Bevor wir jetzt komplett aufhören, Alex, vielen Dank für die wirklich guten Insights, auch das Erklären dessen, was Datenmodell ist. Drei Fragen zum Schluss. Wie hältst du dich persönlich digital? Wie bleibst du am Puls der Zeit? Nicht nur Datentrends, vielleicht aber auch. Also gibt es irgendwas, was du besonders machst, wo du sagst, Mensch, das wäre auch für andere interessant, das so ein bisschen zu übernehmen, um auch da agil zu bleiben?

Alexander Thamm: Eigentlich nichts besonders, glaube ich. Also ich lese zum Beispiel gar keine Zeitung oder so. Also ich beschäftige mich nicht viel mit so allgemeinem Buzz. Ich meditiere, um irgendwie mein Hirn darauf vorzubereiten, die relevanten Informationen rauszupicken. Und ansonsten bekomme ich eigentlich in meinem Umfeld automatisch viel mit von so Themen. Aber ich bin jetzt nicht einer, der jedes neue Gadget irgendwie im Internet kauft und dann ausprobiert, da bin ich gar nicht so ein Early Adopter oder so. Sich nicht zu viel den ganzen Mainstream-Medien hingeben, sondern eher wirklich fokussiert Platz schaffen im Hirn durch Achtsamkeit, glaube ich.

Mathias Weigert: Das ist auch gut, weil es ist genau das Gegenteil eigentlich von digital so ein bisschen wieder da zu entlernen und so ein bisschen Detox zu haben. Dafür vielen Dank, Alex, wenn Hörerinnen und Hörer mit dir in Kontakt treten wollen. Wie können sie das machen?

Alexander Thamm: Wahrscheinlich am besten über LinkedIn. Das ist das, wo ich am aktivsten bin als Plattform. Ja, ansonsten auf der Webseite. Da haben wir auch ganz viele Beispiele. AlexanderTam.com. Also ich bin eigentlich gut erreichbar und freue mich über jeden, der irgendwie Fragen hat und quatschen will.

Mathias Weigert: Nochmal ganz vielen Dank für das Gespräch.

Alexander Thamm: Danke auch. Hat Spaß gemacht.

Outro: Danke fürs Zuhören beim Digital Kompakt Podcast. Du merkst, hier ziehst du massig Wissen für dich und dein Unternehmen heraus. Wenn du mit uns noch erfolgreicher werden möchtest, abonniere uns auf den gängigen Podcast Plattformen. Und hey, je größer wir werden, desto mehr Menschen können wir helfen. Also erzähl doch auch deinen Kolleginnen und Kollegen von uns. Bis zum nächsten Mal.