Was macht ein KI-Geschäftsmodell aus?

Jasper Masemann: Willkommen zu einer neuen Folge von AI Unplugged, dem Podcast von Digital Kompakt mit Rasmus Rothe und Jasper Masemann. Rasmus, stellst du dich kurz vor?

Rasmus Rothe: Ja, genau. Ich bin Rasmus. Ich bin Mitgründer von Merantix. Wir sind ein Venture-Studio, das Machine-Learning-Firmen inkubiert. Und wir haben schon ein paar Firmen in den letzten Jahren gestartet, bauen jetzt auch demnächst einen KI-Campus in Berlin. Und ich freue mich sehr auf die Folge heute mit dir, Jasper.

Jasper Masemann: Ich freue mich auch, Jasper Masemann, ich bin von HV Capital Partner dort und kümmere mich um Software und AI-Investments. HV Capital ist ein Venture-Capital-Fund. Wir haben 535 Millionen, die wir gerne ausgeben, auch für AI-Geschäftsmodelle. Und darüber wollen wir jetzt auch sprechen, weil KI-Firmen sind ja eigentlich auch nur Firmen, Rasmus.

Rasmus Rothe: Genau, ich meine, KI-Firmen sind ganz normale Unternehmen, werden genauso finanziert, müssen genauso ein Geschäftsmodell finden. Und wir wollen heute darüber diskutieren, wie

Jasper Masemann: Ja, und ich glaube, da ist es total wichtig zu verstehen, weil ich meine, wir haben ja alle möglichen Software-Themen da draußen, wird ja auch gerade viel SaaS an der Börse hochfinanziert oder Software-Firmen. Was ist eigentlich anders an diesen Geschäftsmodellen? Und da glaube ich erst mal die Kernfrage, was macht eigentlich KI oder AI auf Englisch besonders? Was kann das eigentlich, was dann eben Geschäftsmodelle ermöglicht? Rasmus, vielleicht hast du da so ein bisschen nicht die ganz wissenschaftliche Variante, aber so ein bisschen die abstraktere für uns.

Rasmus Rothe: Genau, ich würde es jetzt einfach mal in drei Sätzen zusammenfassen. Im Endeffekt, was KI machen kann, ist einerseits Prozesse zu automatisieren. Also wir haben irgendwie einen Prozess von einem Menschen, der aktuell ausgeführt wird, den wir schneller machen, automatisieren und wo der Mensch dann weniger Aufwand hat oder den vielleicht gar nicht mehr machen muss. Und andererseits können wir KI nutzen, um Daten zu analysieren und neue Insights zu generieren.

Jasper Masemann: Cool. Und das ist ja eigentlich was, was es irgendwie gefühlt schon lange gibt. Ich habe jetzt verstanden, AI kann das einfach viel, viel besser machen. Und dann natürlich kam da viel aus der Forschung. Und wir haben uns mal ein bisschen gefragt, wer war eigentlich so der Erste, der ein AI-Geschäftsmodell gebaut hat? Und irgendwie war das gar kein Startup oder wenigstens zu dem Zeitpunkt nicht mehr, weil wir kamen eigentlich relativ schnell auf Google. Hast du da noch ein bisschen Insights? Es ist, glaube ich, viel in den Search-Algorithmus reingelaufen, was die gemacht haben.

Rasmus Rothe: Genau. Ich meine, Google hat schon vor 20 Jahren an diesen Themen gearbeitet und gerade in ihrem Suchalgorithmus, aber dann auch in ihrem ganzen Thema, wo es darum geht, wer welche Werbung sieht, sehr früh schon KI eingesetzt. Und jetzt mittlerweile hat Google ja viele tausend KI-Forscher, die an sehr vielen unterschiedlichen Stellen forschen. Oder auch Tesla, um ein weiteres Beispiel zu nennen, ist seit vielen Jahren im Bereich KI unterwegs. Und ich glaube, der gemeinsame Nenner ist eben, dass diese ganzen großen Konzerne KI vor allem auf ihren eigenen Daten angewandt haben. Und das Ist natürlich am einfachsten, weil wenn du selber Daten hast, dann kannst du auch sehr gut darauf direkt deine Algorithmen anwenden und musst jetzt nicht unbedingt erst noch eine externe Firma fragen. Und ich glaube, Jasper, vielleicht willst du dazu ein bisschen was sagen, aber jetzt haben wir ja eben auch eine Welle an Firmen, die KI nicht auf ihren eigenen Daten, sondern auch auf fremden Daten anwenden, oder?

Jasper Masemann: Genau, weil es ist ja so, jetzt weiß ich also, wenn ich ganz viele Daten bekomme, dann kann ich da auch Produkt draus machen, also etwas, was vorher irgendwie nicht ging, weil vorher musste ich das halt einfach statisch analysieren und jetzt kann ich das halt immer wieder live, du hast Tesla angesprochen, da kommen neue Daten rein, die KI regiert sofort, passt den Algorithmus für den Autopiloten an und das ist natürlich total spannend für ein Startup, weil das ja kontinuierlich neue Kunden gewinnt, kontinuierlich sich durch den Markt bewegt und neue Sachen erschafft, die vorher keiner erschafft haben und dadurch auch wie wir auch immer so gerne sagen, so ein USP oder so ein Edge erschaffen kann. Und du hast es selber gesagt, es geht ja einmal darum um Automatisierung. Das heißt, es gibt Themen, wo Menschen, ich sage es mal ganz platt, sich Papier angeguckt haben oder Sachen durchgelesen haben und dann vielleicht in eine Datenbank eingetragen haben, vielleicht ein bisschen verändert haben und versucht haben, besser zu verstehen, was das ist. Also einfach Analyse, diese Kombination. Und das ist natürlich gerade in der Service-Industrie so. Ich meine, ihr macht selber Beratung. Ich war früher Früher mal Unternehmensberater, da haben wir natürlich auch viel Daten analysiert und dann zusammengefasst. Und ein schönes Beispiel ist, glaube ich, so Buchhaltung. Da gab es die ersten Wellen so vor fünf Jahren plus. Hier auch im Berliner Ökosystem. Also man denkt an Smack, man denkt vielleicht an Candice, gibt es auch noch oder Zeitgold, die dann ja auch pivotiert sind, wo einfach gesagt wurde, na gut, also da hat sich jemand reduziert. Rechnungen durchgelesen, hat die zum Beispiel in so ein Dativ eingetippt und das kann doch eigentlich auch Computer Vision machen in der Kombination und dann sogar noch diese Daten analysieren und dann braucht der Buchhalter das vielleicht gar nicht mehr machen. und das Schöne ist ja meistens bei diesen Themen, die wollen das auch gar nicht mehr machen. Das ist ja relativ langweilig, wenn ich das den ganzen Tag tue.

Rasmus Rothe: Ich glaube, das ist ein super Punkt, den du da nennst, Jasper, weil ich glaube, es gibt eigentlich so zwei Treiber dafür, KI in diesen Service-Automation-Themen einzusetzen. Das eine ist eben, dass das langweilige Aufgaben sind. Das heißt, entweder die Leute machen das nicht gerne, beziehungsweise es ist überhaupt schwierig, Leute zu finden, die diesen Job ausführen. Oder es werden zu viele Fehler gemacht und es ist sozusagen besser, eine Maschine einzusetzen, weil man weiß, dass die Fehlerrate dann um einiges niedriger ist. Ich denke, das sind zwei große Gründe. Ein dritter vielleicht noch, dass die Maschine auch schneller ist, weil man natürlich als Mensch oft eben länger braucht, um diese Daten zu verarbeiten. Und wenn es um Geschwindigkeit geht, das auch noch ein sicher wichtiger dritter Treiber ist, KI da einzusetzen.

Jasper Masemann: Genau, ich glaube, gerade wenn du so das Thema auch Extraktion von Daten hast, von normalem Papier oder PDF. Ich meine, OCR-Technologie hatte halt auch irgendwann eine Grenze und ist ja viel über Templates gelaufen. Und das ist ja das Schöne bei KI, die können halt auch so ein bisschen Unschärfe ausgleichen und interpretieren, wie das ja auch unsere Augen machen. Und dadurch sind halt wirklich einige Geschäftsmodelle entstanden. Geht ja auch in der Sprachanalyse. Wir hatten da auch schon ja einen Podcast zu. Taxi.io habe ich gesehen, hat Funding bekommen. Die helfen ja auch Buchhaltern, einfach leichter Daten, die da draußen im Internet sind, besser zusammenzufassen und zu analysieren. Aber was ich auch sehr spannend finde, wenn man mal sagt, jetzt mal weg von der Automatisierung, also wirklich Menschen besser machen. Da gibt es ja, du hast es angesprochen, also die Maschine ist schneller, aber es macht ja auch den Mensch schneller. Und manche Entscheidungen sollte der Mensch ja vielleicht auch selber treffen. Ich meine, gerade in der Medizin, da will ich jetzt vielleicht auch nicht, dass der Computer alles alleine macht, sondern einer draufschaut. Und ihr habt da, glaube ich, ein schönes Modell mit VARA. Vielleicht kannst du da kurz sagen, was die genau machen und warum das besser ist als vorher.

Rasmus Rothe: Genau, VARA ist ein super Beispiel. VARA unterstützt Ärzte, also Radiologen ganz spezifisch, in der Befundung von Brustkrebsbildern. Und das ist halt ein super Use Case, weil das sind radiologische Bilder. Und aktuell übersieht eben der Radiologe wahrscheinlich so über 20 Prozent sogar der Tumore, die man eigentlich hätte sehen können. Und da ist es jetzt so, dass eben die KI dann in unserer Lösung von Vara den Arzt da unterstützt, aber natürlich der Arzt im Endeffekt immer noch die finale Entscheidung trifft. Das ist allein schon rechtlich so und das ist auch gegenüber Patienten so, dass sich die dann wohler fühlen, wenn da noch ein Arzt ist, der zuletzt nochmal drauf guckt. Und so ist es eigentlich besser für alle, bessere Ergebnisse. Der Arzt ist auch glücklicher, dass er die Arbeit besser ausführen kann und schneller und eigentlich eine ziemliche Win-Win-Situation. Und es gibt ja auch andere Fälle. Also ich meine, in der Medizin ist es natürlich ein super Beispiel, aber vielleicht sagst du auch noch was zu I2X, weil ich glaube, die ist ja auch eine Firma in einem ganz anderen Bereich, die ähnlich vorgeht.

Jasper Masemann: Ich glaube, es ist Also I2X Customer Care, der Michael Brehm war ja hier auch schon im Podcast, die helfen halt Agenten einfach während des Telefonats, dass sie die richtigen Antworten finden, dass sie nicht alles immer aus ihrem Kopf machen müssen oder schnell nochmal nachlesen. Das ist ja im Prinzip bei Vara auch so. Also klar, ich kann mich immer hinsetzen und nachlesen. alles mir nochmal durchlesen. Und ich habe natürlich auch ein tolles Studium gemacht. Aber es ist halt viel entspannter, wenn Computer mich dabei unterstützt. Und ich glaube, auch das Tech-CIO-Beispiel ist ja auch nicht unähnlich. Also bevor ich da jetzt ewig lange suche, vielleicht kann die AI das einfach schneller finden. Und dann kann ich das selber nochmal interpretieren. Legal Tech ist ja auch ein gutes Beispiel. Ich meine, Wahnsinn, was man als Anwalt wahrscheinlich den ganzen Tag lesen müsste an neuen Urteilen, aber auch aus seinem Studium sich daran erinnern müsste. Ich glaube, das macht einfach jeden am Ende des Tages besser. Customer Care ist aber ein wunderschönes Beispiel, weil da ist der Churn sehr hoch, da ist einfach der Druck auf die Agenten hoch, du kannst die nicht immer alle permanent coachen die ganze Zeit und vieles von den Themen, die die machen, sind ja sehr, sehr repetitiv und es geht wirklich einfach teilweise nur daran, die Agenten zu erinnern. Es gibt ja hier auch, der Erik Pfannmüller hat ja mit Softmate auch ein Geschäftsmodell, wo man einfach die Agenten unterstützt mit klassischen Standardlösungswegen, dass das nicht der Agent immer selber machen muss oder der Mitarbeiter, sondern einfach die KI, der da helfen kann. Genau, und ich glaube, das Interessante ist, wenn es dann eben rübergeht Richtung Consumer. Wir hatten ja Google schon erwähnt. Du sagtest das Thema Empfehlung. Das kann ja nicht immer nur ein Mensch machen. Was sind eigentlich so die Geschäftsmodelle, die eigentlich auf diesem Empfehlungsalgorithmen ganz gut funktionieren aktuell?

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

Jasper Masemann: Ich merke, du kennst dich aus. Ich habe das noch nicht installiert. Sollte ich das machen?

Rasmus Rothe: Ich habe es zumindest mal kurz ausprobiert, aber es ist schon witzig, wie es dann nach ein paar Videos dann relativ gut, die auch von den Videos mehr zeigt, wo du halt irgendwie länger geguckt hast. Und das Spannende ist ja, das ist ja nicht, das nenne ich irgendwie drei Sätze Text, sondern das ist ein relativ komplexes Video, wo im Prinzip der Algorithmus automatisiert erkennt, geht es da jetzt irgendwie um, keine Ahnung, Urlaubsdestinationen, um Essen, um irgendwie schnelle Autos. Und manchmal sind diese Themen auch kombiniert. Das heißt, er erkennt dann relativ gut so, was passiert da wirklich im Video und personalisiert das dann sehr, sehr schnell.

Jasper Masemann: Was misst der denn da eigentlich? Ich habe immer das Gefühl, der misst auch, wie lange ich auf den einzelnen Bildern bin. Also bei Instagram, ich kriege immer Lego ganz viel angezeigt. Weiß auch nicht, warum.

Rasmus Rothe: Das sind wahrscheinlich deine Kinder, die deinen Instagram-Account gehackt haben und da dann stundenlang Lego-Sachen angucken. Also aus deren Sicht ist es natürlich ein riesiges Geschäftsmodell, weil einerseits führt es dazu, dass die Nutzer einfach viel länger in der App bleiben, weil sie eben genau das sehen, was sie wollen. Und andererseits dann eben auch aus Advertising-Sicht kannst du dann auch viel besser im Prinzip die richtige Werbung ausspielen. Also da ist ein riesiger Use Case, aber auch in anderen Bereichen. Also ich meine, was Amazon alles in der Robotik macht, in ihren Warehouses. Im Prinzip ist es so, dass eben alle diese großen Tech-Konzerne, die eben an Endkunden verkaufen, sich sehr stark mit KI aufrüsten, weil sie halt eben auch merken, dass das einer der größten Hebel ist, ihr Business besser zu machen, besser auf den Kunden einzustellen, aber auch eben intern zu automatisieren.

Jasper Masemann: Man kann ja ein Regelsystem bauen, so hat das wahrscheinlich auch Amazon ursprünglich gemacht und Google ja sowieso auch. Wir haben eine Firma im Portfolio Lingokids, das ist so Sprache auch, also der individuelle Lernpfad ist ja auch immer so ein heiliger Gral, dass jeder irgendwie die perfekte Lerninhalt kriegt. Das wird viel zu komplex mit Regeln und AI kann dann sehr flexibel entscheiden auf Basis meines Nutzerverhaltens. Habe ich das richtig verstanden?

Rasmus Rothe: Ja genau, das ist eben eine Sache, weil dein Nutzerverhalten ist eben nicht so leicht in einer simplen Regel abzubilden, sondern das ist ein sehr komplexes Profil, weil es ja im Endeffekt ja beschreibt, was dich als Person, die du ja eine komplexe Person bist, sozusagen interessiert und das kannst du nicht in zwei, drei Sätzen oder zwei, drei Regeln irgendwie ausdrücken. Und da ist auch jedes Prozent Performance ist halt eben Geld wert, also wenn du jede Sekunde, die du länger in der App bist oder jede Sekunde, Die Prozentzahl, die du eher auf eine Ad klickst, ist halt viel Geld wert. und deswegen optimieren die da großen Firmen da eben auch so viel an diesen Algorithmen.

Jasper Masemann: Aber Performance ist ja ein super Stichwort. Also ich meine, wir sagen gerade, es geht um sehr, sehr individuelle Analytik auf Einzelnutzerebene, teilweise wahnsinnig viele Daten im Hintergrund. Und wir sehen jetzt ja ganz groß die zweite Welle der Schaufeln und Spitzhacken, das Datengoldrausch auf uns zu laufen. Also ist das jetzt gerade erst so oder ging das eigentlich schon viel früher los?

Rasmus Rothe: Ja, es gab ja schon vorher diesen ganzen Big Data Hype, wo irgendwie so acht bis zehn Jahren, wo schon auch viel Software und viel Infrastruktur gebaut wurde. Ich glaube, damals waren halt eben gerade viele klassische Unternehmen einfach noch nicht weit genug im Datensammeln, im Datenstandardisieren, die sozusagen alle in einen Data Lake zu tun. Und da kommen wir jetzt eben hin. Jetzt langsam haben die meisten Unternehmen ihre Daten mehr oder minder sortiert, zumindest in bestimmten Geschäftsbereichen. Und jetzt geht es darum, halt da wirklich KI, Machine Learning, auch Datenanalyse generell anzuwenden. Und da gibt es jetzt eben super viele Use Cases, wo es vielleicht dann nicht so das perfekte Produkt gibt, was deinen spezifischen Use Case nutzt, sondern wo es dann jetzt eher darum geht, Tooling zu bauen. Also eben wie du gesagt hast, Schaufeln und Spitzhacken, die du sozusagen den Unternehmen gibst, wo sie dann selber damit ihre KI-Anwendung bauen können. Und da ist gerade ein riesiger Trend drin in Firmen, die eben Tools da bauen. Entweder im Data Labeling, da gibt es ja Scale AI, die riesig groß sind, die dir helfen, deine Daten zu annotieren.

Jasper Masemann: Sequoia Funded, also auch relevante Firma aus Schottland, glaube ich.

Rasmus Rothe: Und dann gibt es ja noch viele mehr. Ich meine, ich weiß, du hast dir den Bereich ja auch ein bisschen angeguckt. Wie siehst du das so aus?

Jasper Masemann: Also ich glaube, das Irreste, wenn ich das so sagen darf, was wir in letzter Zeit gesehen haben, war echt Databricks, weil die haben eine Milliarde Funding gekriegt. Und das spricht ja genau dieses Thema Data Lakes an, was du gerade sagst. Also die ganze Infrastruktur da bereitzustellen. Und die haben sicherlich vorher Funding gekriegt. Die sind auch sicherlich anders gestartet. Aber das zeigt halt, dass nicht nur ein paar Startups, will ich gar nicht despektierlich sagen, aber auch einfach große Firmen voll auf das Thema AI wetten und eben die Infrastruktur dafür brauchen. Data IQ ist auch so ein Thema. Ich glaube, die haben 300 Millionen Funding und da gibt es ja noch viel, viel mehr. Ich glaube, auch so ein Scale AI, da kommt ja noch viel mehr irgendwann dahinter. Klar, am Anfang ist alles sehr manuell und ich muss erst mal das Problem vor der Nase lösen und dann gehe ich ja immer mehr Richtung Automatisierung, weil ich kann jetzt das Data Labeling natürlich nicht immer nur mit Menschen machen, aber der Druck ist halt da, die Firmen wollen es halt machen, niemand will hinten anhängen und deswegen ist, glaube ich, das Thema Tooling so wahnsinnig spannend und auch, was wir in Europa sehen gerade, wahnsinnig relevant, weil du kannst eben nicht alles bruteforcen im AI-Bereich. Und ich glaube, das ist eine gute Überleitung, um einfach mal drüber zu reden, was ist eigentlich so die Herausforderung und auch anders bei den AI-Firmen versus den klassischen Firmen. Ich setze da jetzt erstmal stark auf dich. Du kannst es, glaube ich, besser abstrakt oder auf der etwas theoretischeren Ebene erklären. Es geht ja um Daten, um die Verwendung von Daten. Du hast gesagt, das neue Öl, das ist der neue oder Goldrausch. Aber so einfach ist es ja nicht. Also ich kann ja nicht einfach nur Daten analysieren mit meinem SPSS.

Rasmus Rothe: Ja, genau. Ich glaube, gerade vor ein paar Jahren war noch so die ganz klare Meinung, dass Daten eben das neue Öl sind und wer Daten hat, der gewinnt. Und gerade auch als Startup, wenn man irgendwie einen Datensatz bekommen hat oder zusammengebaut hat, dann ist man irgendwie super viel wert. Und ich glaube, da ist mittlerweile auf jeden Fall die Ernüchterung gekommen, dass das natürlich ein Vorsprung ist, wenn man einen tollen Datensatz hat, weil jemand anders den im Zweifel auch akquirieren muss, um genauso gute Algorithmen zu bauen. Aber das kann man meistens mit Geld und Zeit lösen. Und es gibt sehr, sehr wenige Bereiche, vielleicht irgendwo in der Pharma-Branche, wo man dann sagt, okay, dieser Datensatz hat mich halt irgendwie 100 Millionen gekostet, weil ich klinische Studien machen musste und sehr komplizierte, teure Experimente. In den meisten Fällen, keine Ahnung, wenn es irgendwie darum geht, E-Commerce-Daten zu analysieren und ich jetzt mit fünf Unternehmen zusammenarbeite, so, dann habe ich halt einen Vorsprung, weil ich halt irgendwie auf diesen Insights Algorithmen trainieren kann, aber da kann sofort jemand anderes um die Ecke kommen und Unternehmen im gleichen Bereich bauen und auch irgendwie fünf andere Unternehmen akquirieren und dann sind die Algorithmen genauso gut. Also ich glaube, sich da auf Defensibility von Daten irgendwie nur zu berufen, ist ein bisschen wenig. und Dann ist ja auch das große Thema, wenn du die Daten mal hast, dass du sie auch aufbereiten musst. Also ich meine, das ist ja auch ein Thema, was du dir viel angeschaut hast, wo ja auch noch zusätzliche Kosten kommen. Ich meine, wie stehst du dazu und auch mit euren Firmen? Wie gehen die da vor, wie sie ihre Daten annotieren?

Jasper Masemann: Genau, ich glaube, Daten aufbereiten, vielleicht kurz mal für die Hörer zum Erklären. Also nur, weil ich da irgendwelche Rohdaten habe, heißt ja noch lange nicht, dass der Algorithmus die lesen kann und finanziert. Viel muss halt erstmal interpretiert werden. Ich glaube, das ist auch dieses Thema Feature Engineering. Ich weiß gar nicht, das hatten wir in einem Podcast oder ganz kurz mal wenigstens erwähnt. Du musst halt einfach einen Experten, die auch holen, der sagt, das heißt es eigentlich, das sagen die Daten aus. Und was kann das Modell damit machen? Was kann das Produkt damit machen? Und der Schritt davor war auch das reine Labeling und das ganze Putzen der Daten, damit ein Algorithmus damit arbeitet. Das müssen halt Menschen machen. Und ich glaube, es gibt immer mehr, sicherlich auch Software-Anwendungen, die das können. Aber ich brauche zum Beispiel im Bereich Accounting schon mal jemanden, der das versteht, der dann dem Data Engineer, dem Data Scientist sagt, das ist es jetzt. Oder im Bereich Legal, da kann ich einfach nur der NLP-Algorithmus rübergehen.

Rasmus Rothe: Ja, ich glaube, das ist ein super Beispiel, was du gerade gesagt hast, weil zum Beispiel im Accounting-Bereich ist es eben auch so, du musst die dann alle annotieren und du hast aber eben ein riesiges Thema mit der Long-Tail. dass du halt ein paar Vorgänge hast in der echten Welt, die du dann relativ schnell gelernt hast. Das haben wir auch bei uns im Medizinbereich. Die Standard-Tumore, die findest du relativ schnell, aber du hast ab und zu halt Tumore, die so anders aussehen und im Accounting wahrscheinlich auch Belege, die so komisch aussehen.

Jasper Masemann: Einmal vorkommen in drei Jahren.

Rasmus Rothe: Genau. Genau. Aber als Produkt willst du dann natürlich trotzdem gut funktionieren. Das heißt, du musst halt diese ganze Longtail an Daten eben sammeln, annotieren und auch sicherstellen, dass du da auch performst. Und das ist halt gerade bei echten Anwendungen, wenn du nicht mehr in der Forschung bist, eine riesige Herausforderung, die dann auch sehr, sehr viel Geld kostet, weil du halt diese Daten alle sammeln musst, annotieren musst, double check.

Jasper Masemann: Und gerade halt zum Start, weil du kennst die Daten ja noch nicht. Also du schaust dir gerade sozusagen zum ersten Mal an und dann hast du natürlich und wir nennen das dann diese Grossmargin-Effekte. Also kann man jetzt buchen, wie man will, aber de facto muss ich dafür Geld zahlen, um überhaupt Umsatz machen zu können, dass das Produkt funktioniert. Das heißt, ich muss annotieren, da müssen Menschen drüber schauen. Bei diesen Sachen, also im medizinischen und im Accounting-Bereich sind es ja auch teure Leute, die das machen müssen. Das heißt, am Anfang habe ich wahrscheinlich gar keine guten Grossmargen, vielleicht sogar negative. Also mit jedem Euro Umsatz, den ich mache, verliere ich vielleicht sogar zwei. Und das muss sich halt über die Zeit irgendwie automatisieren, erleichtern. Natürlich werden meine Daten besser. Das heißt, ich muss weniger drüber schauen und so weiter. Aber eigentlich im besten Fall hilft mir der Kunde dabei. Du sagst es immer so schön, also im laufenden Betrieb sollte man eigentlich diese Modelle bauen. Ist natürlich auch manchmal kritisch, was die Qualität angeht. Da können wir gleich nochmal drauf eingehen. Aber ich brauche eigentlich echtes Feedback vom Kunden, um dann über die Zeit wirklich auf eine Softwaremarge zu kommen. Und das ist die große Herausforderung, weil das kostet natürlich auch wahnsinnig viel Geld.

Rasmus Rothe: Ich glaube, das ist ein super Punkt und auch ein super Weg, jetzt ins nächste Thema überzuleiten, weil eine große Frage, die man sich immer stellen muss, wenn man KI in einem Prozess einsetzen will, ist die Frage, wie integriert man sich da in den bestehenden Workflow? Will man den komplett neu machen? Will man den komplett automatisieren? Oder ist da noch ein Mensch mit in dem Workflow? Und das ist eben auch sehr eng damit verzahnt mit dem letzten Thema, mit dem Thema, wie ich die Daten notiere, weil wenn ich sozusagen smart meine Software in den Workflow integriere, kann ich damit vielleicht sogar das Annotationsthema gleich mit erschlagen. Also um da ein konkretes Beispiel zu geben, auch bei VARA, unserer Brustkrebslösung, können wir eben ein Produkt, was einfach nur den Radiologen es erlaubt, die Bilder anzuschauen, den Radiologen geben und sozusagen diese Daten sammeln, wie sie dann im laufenden Betrieb befunden, ohne KI. Und wenn wir dann genug Daten gesammelt haben, trainieren wir unsere Algorithmen und fangen dann erst an, vielleicht erst ein Jahr später, wirklich die KI-Algorithmen live zu schalten. Und so nutzen wir eigentlich den Nutzer im Betrieb, diese Daten zu annotieren. Und ich glaube, du hast ja auch so ein paar Beispiele, die in die Richtung gehen. Das ist, glaube ich, sehr smart, weil du dir damit halt diese großen Upfront-Kosten einfach sparst.

Jasper Masemann: Ja, und ich glaube, es ist wichtig für die Zuhörer, wenn sie jetzt überlegen, was da zu bauen oder auch einfach zu testen, der Nutzer, der Kunde, der möchte davon ja eigentlich nichts mitkriegen. Also nehmen wir das Beispiel Customer Care und NLP. Was ich machen kann, ist schon, ich mache einen Vorschlag, also da kommt eine Chatnachricht und dann sage ich, hey, guck mal, das wäre eine Antwort, die du geben könntest. und dann sagt der, oh, die nehme ich mal oder ich verändere die ein bisschen, dann kann die Maschine ja lernen. Was ich aber nicht haben will, parallel ist so eine Nachricht, die sagt, ich habe gerade verstanden, dass der das und das gesagt hat. stimmt das, also den Intent. Das Distracted, also das lenkt den Agenten ab, das kennt der auch nicht, hat der noch nie vorher gemacht. Also man muss ein bisschen aufpassen, wie diese Selbstannotierung oder ich weiß gar nicht, ob man das so nennen darf, aber wie das passiert. Es darf einfach nichts stören, sonst muss man alles intern machen und dann ist es natürlich wieder teuer. Aber ich glaube, ein wichtiger Teil ist dann ja auch, wie mit diesen Daten wirklich umgegangen wird, was da wirklich passiert, wann welche Qualität wie gut geliefert werden will. Ich glaube, das ist dieses Precision Recall Thema. Vielleicht kannst du es kurz erklären, den Unterschied und einfach, wie ihr da vielleicht auch gerade im medizinischen Bereich drauf achtet.

Rasmus Rothe: Ja, genau. Also das ist ein super spannendes Thema. Bei jedem Use Case muss man sich überlegen, was ist sozusagen die Genauigkeit, die man erreichen muss. Und andererseits muss man irgendwie dann eben schauen, geht eine Automatisierung. Es gibt bestimmte Use Cases, wo du im Prinzip nichts übersehen darfst, also hundertprozentige Präzision haben musst. Und dann gibt es andere Use Cases, wo es gar nicht so schlimm ist, wenn du auch mal was übersiehst, weil es vielleicht nicht so kritisch ist. Und in der Medizin musst du halt eben sicherstellen, dass du nichts übersiehst und deswegen die Algorithmen auch so einstellen, dass wenn du dir halt sagst, okay, da war jetzt kein Tumor, dann musst du dir auch hundertprozentig sicher sein.

Jasper Masemann: Also im Zweifel, vielleicht um das richtig zu erklären, im Zweifel, wenn der Algorithmus nicht unsicher ist, immer eine Menschen zeigen versus bei anderen Cases, wo du sagst, naja, ganz ehrlich, also kannst du dem User schon zeigen, ist nicht so schlimm, wenn da mal ein Fehler drin ist.

Rasmus Rothe: Ja, also wenn du zum Beispiel sagst, du baust ein Tool für Investoren, die irgendwie in Immobilien investieren sollen und das Tool analysiert draußen mögliche Häuser, die du investieren kannst und versuchst sie vorzuklassifizieren und jeden Tag legst du dem Investor irgendwie 20 neue Häuser vor. dann ist es komplett egal, ob da auch mal ein, zwei dazwischen sind, die vielleicht nicht so spannend sind, weil da im Endeffekt eh noch ein Mensch entscheidet. und es ist auch genauso in die andere Richtung nicht so schlimm, wenn du mal ein gutes Haus verpasst und dem Menschen gar nicht vorgeschlagen hast, weil es gibt ja noch genug andere Opportunities.

Jasper Masemann: Google-Resultate beim Suchen wahrscheinlich, ne? Dann klicke ich einfach was anderes, ja.

Rasmus Rothe: Genau. Da experimentiert Google ja sogar auch viel mit dem Nutzer, dass sie dann sagen, wir machen mal so ein bisschen AB-Testing, drehen bei Jasper mal ein bisschen die Suchergebnisse um und gucken, ob er dann immer vielleicht auf was anderes klickt, um ihn auch besser zu verstehen. Also da wird sogar sozusagen auch aktiv mit dem Nutzer gespielt.

Jasper Masemann: Aber bei Tesla wäre das nicht so, ne? Bei Tesla wäre das jetzt nicht so, so nach dem Motto, oh, da ist eine Ampel oder auch nicht, keine Ahnung.

Rasmus Rothe: Guck mal. Ich hoffe nicht, aber Elon ist crazy, also man weiß nicht, aber genau, ich glaube, bisher geht es noch nicht in die Richtung, ja, zum Glück.

Jasper Masemann: Ja, aber es ist ein gutes Beispiel. Und wie ist das, es gibt ja auch immer mehr so dieses Thema Haftung, also was hat der Algorithmus eigentlich entschieden, was hast du entschieden, wo wir gerade über Autonomous Driving reden. Seht ihr das auch immer mehr? Wir haben halt bei uns viel das Thema Datenspeicherung, aber es wird immer noch nicht, vielleicht ist es auch in den Geschäftsmodellen, aber es wird immer noch nicht verlangt, dass man das Modell, wie sagt man, rekursiv erklären kann, warum die Entscheidung so getroffen wurde.

Rasmus Rothe: Genau, ich glaube, einerseits ist es so, dass man oft eben dann in den Anwendungsfällen, wie zum Beispiel in der Medizin, wo das Thema Haftung eine große Rolle spielt, dann einfach schon noch ganz klar sagt, die Entscheidung liegt beim Arzt in diesem Fall. In dieses Thema halt gar nicht reingeht, weil der Arztvorbehalt ist eins der sozusagen wichtigsten Grundparadigmen in der Medizin. Das wird man jetzt nicht eben mal so als Startup morgen ändern. Das ist so. das eine, das andere ist das Thema Explainability, also sozusagen zu erklären, wieso der Algorithmus zu der Entscheidung gekommen ist. Es hat einerseits eine regulatorische Komponente, also zum Beispiel im Finanzbereich ist es ja auch sehr wichtig, wenn du Kreditentscheidungen triffst, dass dann erklärt werden kann, woran das liegt. Das ist aber auch oft wichtig für den Nutzer, also den Nutzer der Software, also wenn du zum Beispiel jetzt auch wieder in der Medizin dem Radiologen halt erklären kannst, wie du zu dieser Entscheidung gekommen bist, dass du da jetzt was einen Tumor gesehen hast, dann fühlt der sich auch wohler, die Software zu nutzen. und wahrscheinlich auch selbst in der Buchhaltungsanwendung, wenn du demjenigen, der so eine Buchhaltungssoftware mit KI nutzt, nochmal erklärst, wieso du jetzt diesen Beleg so oder so verbuchst und da vielleicht irgendwie sogar Sachen im Beleg nochmal highlightest, wenn der Nutzer das wissen will, dann gibt dem das dann auch mehr Gefühl, dass irgendwie dieser Algorithmus dahinter sinnvoll entscheidet.

Jasper Masemann: Ich glaube, das Interessante ist vor allen Dingen, es ist ja Vertrauen in den Algorithmus, genau, also auch unabhängig von der Regulatorik. Das Interessante ist, die AI macht andere Fehler als der Mensch. Das heißt, selbst wenn die AI, also aus unserer Erfahrung, besser ist als der Mensch, sind die Fehler halt seltsam und das führt halt so ein bisschen zu weniger Vertrauen. Ich glaube, so zwei Punkte sind noch ganz interessant, die wir vielleicht am Ende besprechen können, Richtung, also wenn jetzt Sagen wir mal, ich habe ein Modell oder ein Produkt, was funktioniert. Super, toll, habe ich gefunden. Und jetzt will ich ja groß werden. Und es gibt ja so zwei Grenzen, die man aktuell im Markt sieht. Das eine sind Menschen und das andere ist aber auch Kosten, Hardware, Compute. Ich glaube, Menschen ist klar. Wir sehen auch immer mehr Geschäftsmodelle Richtung Recruiting, die da entstehen. Aber es gibt einfach noch nicht genug Data Scientists und Data Engineers. Siehst du, dass sich das vielleicht 2021 mal besser wird oder dauert das einfach noch ein bisschen?

Rasmus Rothe: Ja, ich glaube, es sind immer mehr Leute auf dem Markt. Also die Uni stellen da ja auch ihre Programme rum, nicht nur die Computer Science Programme, sondern auch in anderen Fächern. Also selbst wenn man jetzt irgendwie, weiß nicht, Biologie, Physik studiert, hat man mittlerweile viel mehr Informatikkurse, auch selbst wenn man BWL studiert. Das heißt, generell gibt es viel mehr Leute auf dem Markt jetzt als vor fünf Jahren, aber es gibt eben auch viel mehr Nachfrage aus der Industrie, diese Leute anzustellen. Ich glaube, diese Kurven sind sozusagen immer noch Beide exponentiell wachsen und laufen auch so ein bisschen auseinander, also sozusagen Nachfrage und Angebot. Und deswegen gibt es ja auch viele Businesses, entweder Dienstleister oder Recruiting-Firmen, die da unterstützen und die da auch sehr gute Geschäftsmodelle aufbauen.

Jasper Masemann: Aber ich glaube, da können wir vielleicht auch nochmal im Detail zu sprechen. Data Scientist versus Data Engineer, das Setup, würde jetzt wahrscheinlich ein bisschen den Rahmen sprengen. Vielleicht einmal so abschließend so ein bisschen auch Richtung unseren Ausblick gehen. Es gab ja so am Anfang, also auch aus der VC-Sicht, so viele Modelle, die gesagt haben, so wir machen jetzt das Gleiche, aber mit AI. Da sind wir ja so ein bisschen durch. Also die Leute haben, glaube ich, schon verstanden, dass man auch am Ende ein Produkt bauen muss, oder?

Rasmus Rothe: Ja, auf jeden Fall. Ich glaube, im Endeffekt, wenn ein VC das finanziert, will der genauso Umsatz sehen und will sehen, dass es Product-Market-Feed gibt und da einen Nutzer auf der anderen Seite. Und vielleicht ist man noch bereit, bei einer KI-Firma ein bisschen mehr zu finanzieren, bis die ersten Umsätze kommen. Aber es muss schon ein Geschäftsmodell geben. Und diese Queer-Hire-Zeit, wo man irgendwie mit fünf Leuten tolle Algorithmen baut und dann einfach aufgekauft wird, sind seit einigen Jahren, glaube ich, vorbei.

Jasper Masemann: Das ist auch für die meisten Leute nicht so spannend. Also ich weiß nicht, ob du die Preise kennst, aber das Letzte, was ich gehört habe, war dann so eine Million bis zweieinhalb Millionen pro Kopf für so einen AI-Engineer. Der arme Kerl wird da verkauft.

Rasmus Rothe: Ja, das ist ein bisschen wie, das fühlt sich fast an wie Menschenhandel. Also ein Thema, was ich noch mit dir besprechen wollte, ist das ganze Thema Services versus Product. Weil klar, als VC, wir wollen irgendwie Produktfirmen finanzieren, aber viele KI-Firmen machen ja dann auch so ein bisschen Service-Businesses, gleichzeitig gibt es auch eine ganze Service-Industrie, die immer größer wird. Wie siehst du das Ganze und was ist da gut und was ist vielleicht auch nicht so gut?

Jasper Masemann: Ich glaube, es ist wie beim Enterprise-Software-Bereich. Also je komplexer ein Produkt ist, aufgrund der komplexen Anforderungen der Kunden, aber auch vor allem der individuellen Anforderungen der Kunden, desto servicenah ist eigentlich eine Geschäftsmodellentwicklung am Anfang. Aber desto schwieriger ist es dann auch zu wechseln Richtung, was ist jetzt eigentlich Standard, was ist jetzt eigentlich Produkt. Also ich gebe mal so ein paar Beispiele. Auch so ein Medaille, die jetzt an der Börse sind, ganz groß Sequoia-Funded oder Qualtrics, das sind ja am Anfang schon zum Teil Produkte gewesen, die sehr, sehr individuell für den Kunden gebaut wurden. Auch SAP, auch ein schönes Beispiel. Und die werden auch immer eine Service-Komponente haben, Customization, aber du brauchst halt einen Standard. So im AI-Bereich, wir haben es erwähnt, gerade das Data Labeling, Annotieren, Feature Engineering, da sind halt viele, sag ich mal, Fachthemen oder auch Expertenthemen drin, Expertenwissen vor allen Dingen, die ja in diese Modelle einfließen müssen. Und man kann meiner Meinung nach gar nicht ohne das solche Modelle groß machen. Man muss aber natürlich immer auf eine Standardisierung kommen, sonst wird die Skalierung einfach nicht schnell genug aus der VC-Sicht hier. Jedenfalls plus, ich habe natürlich auch ganz andere Margen, wenn ich ein reines Service-Business habe versus ein Software-Business. Also ich glaube, es ist auch im eigenen Interesse. Es ist halt einfach, du weißt das vielleicht besser bei Mirantix oder die Nicole, man muss einfach immer mehr Menschen führen irgendwann.

Rasmus Rothe: Ja, es skaliert natürlich ganz anders, ja.

Jasper Masemann: Ja, und auch Hire. Also von daher, ich glaube, es ist gut, diese Komponente nicht loszuwerden. Das ist genauso wie Founder-Led-Sales, also immer nah dran zu sein am Kunden, immer zu sehen, was da passiert. Aber auch mal Nein zu sagen und zu sagen, das Feature gibt es jetzt halt nicht. oder nee, da trainieren wir das Model jetzt auch mal nicht drauf, weil sorry, dann wird es halt auch teuer. Wir sehen das sicherlich bei, also der Michael Brehm war ja hier I2X, große Kunden. Das ist ja natürlich eine Challenge, aber dann, wenn man es geschafft hat, wird das schnell groß. Aber ich glaube, es werden noch viele, viele Service-Businesses durch AI stärker automatisiert oder verbessert werden. Und ich kann jedem einfach nur sagen, wenn Sie nicht aus dem Hintergrund kommen im Service-Bereich, dann sollten Sie wenigstens für das Modell schon Beratung anbieten für den Kunden.

Rasmus Rothe: Ja, ich glaube, das war jetzt guter letzter Punkt für diesen Podcast heute. Wir wollen jetzt ja noch vielleicht noch ein letztes Thema ganz kurz besprechen und zwar, was sind so die Geschäftsmodelle, die wir in 2021 sehen? Gibt es da Veränderungen? Gibt es da neue Themen, die wir sehen, wo wir denken, da kommt mehr, da wird sich was revolutionieren? Wie siehst du das?

Jasper Masemann: Also ich glaube, wir sind immer noch nicht da, wo wir eigentlich dachten sein zu können im Consumer-Bereich. Also das, was wir so ein bisschen abfällig vielleicht gesagt haben, dieses wir machen das Gleiche, aber mit AI, das wird es sicherlich geben im Consumer. Weil ich muss natürlich erstmal meine Dateninfrastruktur alles haben. Also auch LinkedIn, weiß nicht, wie du das siehst, aber die Empfehlungen bei LinkedIn sind immer noch nicht gut. Die können auch besser werden. Jetzt brauche ich natürlich die Dateninfrastruktur von LinkedIn jetzt nicht einfach auf. Aber da werden wir sicherlich was sehen. Das wird, glaube ich, gerade so ein. TikTok ist ein schönes Beispiel. Da gibt es auch noch andere, die da einfach spannendere Geschäftsmodelle machen. Auch die Empfehlungen bei Zalando können besser werden und Zalando weiß, dass sie da angreifbar sind. Also da können wir alle nur ermutigen, ruhig reinzugehen, aber sich immer zu fragen, was bringt das dem Kunden jetzt eigentlich? Ist es wirklich, wirklich besser oder ist es nur irgendwie nice to have? Ich glaube, Dateninfrastruktur muss besser werden. oder für AI, oder?

Rasmus Rothe: Ja, genau. Ich glaube, das ist das zweite große Thema. Es gibt so viel Dateninfrastruktur, die man noch bauen kann. Also wir sehen das auch, dass so viele Unternehmen eigentlich so das Rad immer wieder neu erfinden, um ihre KI-Projekte und Lösungen umzusetzen. Und da jetzt zu sagen, wir bauen Dateninfrastruktur, die ihr alle einfach nutzen könnt, egal ob im Labeling, um Im Managen von fertigen Modellen, im Datenmanagement, also da gibt es viele verschiedene Richtungen. Die Tooling-Landschaft ist natürlich auch sehr komplex, weil es einerseits da sehr viel Open Source gibt, das Feld geht schnell voran. Es gibt auch ein paar große wie Databricks, die in dem Bereich sind. Also ich glaube, man muss da so seinen richtigen Spot finden, wo man auch einen klaren USP hat und dann von da wachsen. Aber da wird noch so viel passieren, weil sonst erfinden wir das Rad an jeder Stelle immer wieder neu.

Jasper Masemann: Und ich glaube, ein kleiner Teil da drin oder vielleicht auch ein überraschend großer ist halt das Thema Datennutzbarkeit. Also viele Daten dürfen ja gar nicht genutzt werden. Also selbst ein Salesforce darf ja nicht die Nutzerdaten einfach auswerten. Und Banken und Versicherungen, das ist ein Riesenthema, die würden gerne viel mehr machen. Also wie kann ich eigentlich meine KI-Modelle mit meinen Nutzerdaten trainieren, ohne Data Privacy zu verletzen? Und auf der anderen Seite aber auch sicherzustellen, dass Data Privacy eingehalten wird. Da gibt es ja auch wieder Modelle. Also Synthesize, Data und ich weiß nicht, vielleicht gibt es ja noch ein paar andere Themen. Aber ich glaube, da einfach ranzukommen, die Zugänglichkeit von Daten, sehen wir sicherlich auch noch was.

Rasmus Rothe: Gut, dann machen wir hier einen Punkt, oder? Hat wieder Spaß gemacht, war eine lebendige Diskussion und damit würden wir gerne diese Folge zu AI Business Models beschließen. Vielen Dank, dass ihr zugehört habt und wir freuen uns, euch auch nächstes Mal wieder dabei zu haben.

Jasper Masemann: Vielen lieben Dank und wenn euch irgendwas besonders interessiert, schreibt uns gerne, dann können wir da auch nochmal vertiefen. Bis dann.

Rasmus Rothe: Bis dann, danke, ciao.