In Organisationen mit KI experimentieren (Judith Andresen & Tobias Ranft)
Im BJA-Podcast spricht Tobias Ranft über die Implementierung von KI in Unternehmen, Herausforderungen, experimentelle Ansätze und Interdisziplinarität in Teams, mit Ausblick auf kommende Themen.
24.09.2024 33 min
Zusammenfassung & Show Notes
In dieser Episode des BJA-Podcasts befassen wir uns mit der Einführung und Implementierung von künstlicher Intelligenz (KI) in Organisationen. Gemeinsam mit Tobias Ranft, einem agilen Coach und Organisationsentwickler, diskutieren wir die Herausforderungen und Chancen, die sich während des Implementationsprozesses ergeben. Besonderes Augenmerk legen wir darauf, wie Organisationen die ersten Schritte zur praktischen Nutzung von KI gehen können und welche Experimente dazu sinnvoll sind. Wir starten mit der Feststellung, dass viele Unternehmen ein grundlegendes Verständnis für die Notwendigkeit von KI haben, jedoch oft durch Widerstände in der Umsetzung gehemmt werden. Hier bieten wir einen Ansatz, wie Organisationen durch Experimentieren und Erfahrungen mit der Technologie motiviert werden können, um produktive KI-Anwendungen zu entwickeln. Dabei ist es wichtig, Berührungsängste abzubauen und durch spielerisches Herangehen an die KI erste positive Erfahrungen zu sammeln. Ein zentraler Punkt unserer Diskussion sind konkrete Fragestellungen, die als Grundlage für experimentelle Ansätze dienen. Hierbei beleuchten wir, wie Organisationen einfache, aber relevante Tests aufsetzen können, um herauszufinden, ob die Implementierung von KI einen echten Nutzen bringt. Dazu gehört auch, kritische Fragen zu formulieren, wie zum Beispiel die Optimierung von Arbeitsabläufen durch automatisierte Protokollierungen oder die Verbesserung der Qualität von Code durch KI-gestützte Techniken. Wir betonen die Wichtigkeit, in einem frühen Stadium nicht sofort mit groß angelegten Pilotprojekten zu starten, sondern zunächst kleinere Experimente durchzuführen. Diese Experimente sollten klar definiert sein und entsprechende Testkriterien beinhalten. Nur so kann man valide Antworten auf die formulierten Fragen erhalten und die Richtung für weiterführende Schritte festlegen, sollte sich der Nutzen von KI zeigen. Ein weiterer Fokus liegt auf der kreativen Nutzung von Datenquellen und der Wichtigkeit von Interdisziplinarität in den Experimentteams. Hier gilt es, relevante Expertise zu bündeln, um die gestellten Fragen effizient beantworten zu können. Wir ermutigen dazu, in diesen Teams ein offenes Mindset zu fördern, welches sowohl die Möglichkeit des Scheiterns als auch das Lernen daraus akzeptiert. Das Mindset „Win or Learn“ transportieren wir als eine positive Einstellung, die für die Experimentierphase entscheidend ist. Im Verlauf der Episode thematisieren wir auch, wie wichtig es ist, die experimentelle Phase mit einer klaren Struktur und einem Zeitrahmen zu versehen, um nicht in bürokratischen Prozessen zu verstricken und den Fokus auf das Wesentliche zu bewahren. Nur so können schnelle Entscheidungen getroffen und fehlerbasierte Iterationen durchgeführt werden. Die Episode schließt mit einem Ausblick auf die nächste Folge, in der wir uns mit der Frage beschäftigen, wie Organisationen, sobald positive Ergebnisse erzielt werden, die Erkenntnisse in die Praxis umsetzen können. Hierbei geht es um die Gestaltung von Pilotprojekten und Prototypen, um letztendlich die erfolgreiche Implementierung von KI in den Arbeitsalltag zu integrieren.
Transkript
Moin und herzlich willkommen zum BJA-Podcast. Heute geht es wieder um künstliche
Intelligenz und zwar um die Frage, wie man erste Piloten implementiert und Leute
richtig ins Machen bekommt.
Und das werde ich mit Tobias Ranft diskutieren. Tobias, herzlich willkommen.
Hallo Judith.
Tobias, magst du drei Worte dazu sagen, wer du eigentlich bist?
Ja, mein Name ist Tobias Rand, wie Judith schon gesagt hat.
Ich bin agiler Coach in der Beratung Judith Andresen und begleite Teams,
Führungskräfte und Organisationen in der Veränderung.
Das, was uns da treibt, ist tatsächlich der Oberbegriff Zusammenarbeit und wie
gute Zusammenarbeit funktioniert.
Und Judith hat ja gerade ein schönes Buch geschrieben, das übrigens frisch rausgekommen
ist, Agile Organisationsentwicklung.
Und da gibt es so einen Teil, wie geht eigentlich Organisation voranzubringen
und was brauchen Organisationen an welcher Stelle?
Und das betrachten wir heute im Bezug auf KI.
Das heißt, wir schauen, wenn ihr unsere erste Folge gehört habt,
dann ist es hier so ein bisschen doppelt, dann wisst ihr das schon.
Falls ihr sie noch nicht gehört habt, lohnt es sich, da rein zu horchen.
Schauen wir, tauchen wir da ein, was braucht es eigentlich, um so im Bereich
KI als Organisation voranzukommen?
Was sind da gute Impulse, Anstöße? Wie ist die Vorgehensweise?
Wo sind vielleicht auch Schwierigkeiten? Was sind die Erfahrungen, die wir gemacht haben?
Ich freue mich davon, eben aus meiner Welt berichten zu können und freue mich
auf das, was Judith zu berichten hat.
Einiges haben wir im Vorgespräch schon besprochen, aber ich entdecke während
des Talks immer noch mal das eine oder andere, wie soll ich das sagen,
Besondere, das für mich weiterträgt.
Und genau, soviel zu mir und dem, was vor euch steht.
Aber vielleicht magst du auch noch was zu dir sagen, liebe Judith.
Ja, mein Name ist Judith Andresen. Ich bin agile Coachin und Organisationsentwicklerin.
Wir wollen echte Zusammenarbeit möglich machen in der Beratung Judith Andresen.
Und rund um KI finde ich hochgradig spannend, dass viele Organisationen eigentlich
wissen, dass sie KIs machen müssten oder sich damit beschäftigen müssen und
dass es viele Änderungswiderstände dagegen gibt.
Und wir, glaube ich, haben einen guten Weg gefunden, Organisationen da rein
zu begleiten, dass die bei ernsthaften KI-Produkten oder KI-gestützten Arbeitsprozessen landen.
Und darüber mag ich halt gerne erzählen, weil ich persönlich mag das total,
wenn Leute aus so einem Sumpf und so einer Erstarrung kommen und nach vorne kommen. haben.
Und wenn das gelingt, gerade in Bezug auf KI, da kommt ziemlich tolles Zeug daraus.
Und darüber glaube ich, wollen wir erzählen. Beim letzten Mal haben wir erzählt.
Ich finde, also das, was tolles Zeug, also was ist das tolle Zeug für mich daran,
das würde ich gerne nochmal einwerfen.
In den wenigsten Organisationen begegnen uns Menschen, die eigentlich keinen
Bock darauf haben, da zu sein, wo sie sind, sondern eigentlich wollen alle da
sein und etwas Gemeinsames schaffen und etwas beitragen.
Das gelingt nur nicht immer auf eine Art und Weise, die Freude bereitet.
Und ich finde, wenn dann plötzlich so die einzelnen Unterschiedlichkeiten plötzlich
sinnvoll ineinandergreifen und
sich gegenseitig befruchten und Synergien entwickeln, dann entsteht etwas,
was plötzlich alle begeistert.
Und in diesem Moment da einen Beitrag zu leisten, dass dieser Moment gelingen
kann, das finde ich total wertvoll.
Und das ist auch so einer meiner Visionen in der Organisationsentwicklung,
diese Momente zu schaffen, dabei zu unterstützen, die zu verfolgen.
Genau. Und bei KI, wir werden ja gleich so über konkrete Fragestellungen sprechen,
was Leute in ihren Arbeitsprozessen oder ihren Produkten relativ einfach vereinfachen, verbessern können,
sodass Leute mehr Wertschöpfung an Arbeit Beitrag leisten und womöglich auch
mehr Zeit und mehr Lust auf Strategisches verspüren können.
So und beim letzten Mal haben wir uns angeguckt, wie kann ich eigentlich so
Berührungsängste abbauen und das ist halt ein guter Weg, sich reinzuspielen
und sehr spielerisch so zu entdecken, was geht.
Während des Reihenspielens und so einer spielerischen Begegnung,
sehr lockeren Begegnung mit künstlicher Intelligenz, kriegen Leute ganz oft
so Ideen, was man tun könnte.
Und der nächste Schritt ist dann nicht, ein großes Pilotprojekt aufzusetzen und zu sagen,
das ist es jetzt, um das auszurollen, sondern der nächste Schritt ist dann,
Experimente zu machen im Sinne von, nützt uns das was, wenn wir das so tun?
Und darüber wollen wir heute berichten, nämlich über Experimente.
Und ich glaube, es fängt schon mit dem Wort an.
Gegenüber Kundinnen bin ich mit dem Wort Experiment immer total vorsichtig,
weil, auch wenn das aus einer Organisationsentwicklungsseite stimmt,
Experiment klingt ja erstmal so wie, die haben keine Ahnung von nichts.
Und deswegen weigern sich auch viele Leute organisationell relativ.
Das stimmt, wobei es ja durchaus Branchen gibt, in denen erstmal das Wort Experiment
an sich nicht negativ vorgeprägt ist, aber das kommt eben genau auf den Kontext an.
Ich würde gerne auch nochmal so ein bisschen skizzieren, wo kommen wir her,
thematisch sozusagen her.
Also beim Reinspielen und spielerischer Auseinandersetzung, Da ging es uns um Leichtigkeit.
Da ging es uns auch eben nicht um die Frage, wo ist ernsthafter Nutzen,
irgendwie am Horizont oder so.
Also da können bestimmte Fragestellungen durchaus relevant sein,
sowas wie, was gibt es eigentlich?
Aber da ist jetzt noch keine Fokussierung da drin. Also in dem Reinspielen ist
erstmal, kann man sagen, alles erlaubt.
Sehr weites Feld unter der Fragestellung, was fällt uns denn leicht und unter
der Fragestellung, was verschafft uns eigentlich Überblick.
Und wenn uns das gelungen ist, diesen Überblick zu verschaffen,
dann ist die Frage, wie geht es eigentlich weiter?
Was brauchen wir auf der, man könnte sagen, Ernsthaftigkeitsskala als nächsten
Schritt, um langfristig tatsächlich zu einer Adaption zu kommen?
Das ist so ein bisschen die Zielrichtung, in die wir uns bewegen.
Das könnte so eine Art Nordstern sein.
Wie kriegen wir jetzt weitere Ernsthaftigkeit rein? Und die nächste Art von
Ernsthaftigkeit ist eben, man könnte sagen, Experimente, Ernsthaftes ausprobieren.
Also ich habe eine Idee davon,
hier könnte ein tatsächlicher Benefit liegen und vielleicht habe ich aus dem
Überblick heraus gewachsen,
eine Fragestellung, ein Mehrwert,
der am Horizont liegt, der muss jetzt noch nicht erreichbar sein,
aber im Bereich des Möglichen liegen.
Und das könnte ja eine echte Frage sein. Also zu sagen, wäre es eigentlich möglich,
XY mit KI unterstützend zu erreichen?
Genau. Und das ist halt eine klassische Ja-Nein-Frage, weil das tut ein Experiment,
das beantwortet eine Frage.
Und es ist meistens eine geschlossene Frage. Also nützt uns das, wenn wir M-Machen?
Man braucht dafür auch irgendwie was Messbares. Also nützt uns das was und wir
messen das an? Braucht irgendwie ein Testkriterium?
Also die Testkriterien habe ich gerade genannt. Und man braucht irgendwie einen
Zeitraum, in dem das läuft. Also das ist wirklich wie...
Ein echtes Experiment. Viele Organisationen möchten in dieser Phase schon den
harten Business Case haben und das möglichst weit ausrollen.
Im Ergebnis tun die nichts, weil sie analysieren die ganze Zeit.
Das ist in einem komplexen Raum, aber sagen wir mal, total schwer.
Und da ist die Ursache-Wirkungsbeziehung ja erstmal nicht geklärt,
sondern die wird ja nur nachträglich offenbar, wenn man irgendwo angekommen ist.
Insofern macht es halt total Sinn, Fragen zu stellen. Und wir haben mal so ein
paar Fragen mitgebracht, ich muss kurz auf mein Zettelchen gucken,
die wir schon so erlebt haben.
Für ein Softwareunternehmen könnte eine Frage sein, reduzieren wir unsere Fehlerquote,
wenn wir uns von der KI Codestellen zeigen lassen, die zu dem fachlichen Kontext gehören?
Schöne Frage. Total praktisch gedacht.
Und da steht halt nicht, wir nehmen eine KI, um uns als SoftwareentwicklerInnen
abzuschaffen, sondern die Frage ist, kann uns das Ding irgendwie nicht nützlich sein? Nein. So.
Mit einer konkreten fachlichen Frage, da sind wir auch wieder bei,
aus einer Angst eine Sorge machen.
Das haben wir beim letzten Mal schon thematisiert beim Reinspielen.
Es ist halt total wichtig, dass die Beteiligten Lust darauf haben.
Das ist halt eine Nützlichkeitsfrage. Antwort kann auch Nein sein.
Aber vielleicht nützt es einem Softwareunternehmen auch, sich die Frage zu stellen,
verschnellt sich unsere Leadtime,
wenn wir grundsätzliche Codeentwürfe von der KI generieren lassen?
Kann man ausprobieren? So?
Oder finden wir Codestellen beim,
Bugfixing schneller? Und das kann dazu führen, dass unser Experiment so aussieht,
dass wir den Bug sowohl KI unterstützt fixen lassen, als auch KI nicht unterstützt fixen lassen.
Also eigentlich den doppelten Aufwand haben. Und also...
Ich nehme das Beispiel nur, um deutlich zu machen, dass ein Experiment durchaus
erstmal mit Mehraufwand und ohne konkreten, ohne sofortigen Nutzen durchgeführt werden könnte.
Um dann genau diese, im Anschluss diese Frage nach, was ist da eigentlich für ein Potenzial drin?
Können wir dieses Potenzial auf diese Art und Weise heben?
Oder ist das gar nicht schneller? Also denken wir nur, das sei schneller.
Genau, das ist ja Teil von Test-Setting. Also ich kann in so eine AB-Konstruktion gehen.
Könnte auch eine saubere Nullmessung
machen und einfach einen bestimmten Testlauf durchgehen lassen.
Also in der Lead-Time ist durchaus, genau, brauche ich jetzt kein AB-Setting.
Da kann ich einfach schauen, was ist in der Vergangenheit der Standard.
Und dann nehme ich vielleicht ein Team, das das mal austestet. Für einen.
Genau, das Einzige, was mir einfällt, wenn man dann merkt, dass das unendlich
lange wird. So ein Experiment braucht halt auch ein klares Abbruchkriterium. Ja, genau.
Also auch das ist Teil von Experimenten, zu sagen, wann steigen wir aus?
Und man kann auch steigen im totalen Erfolgsfall.
Also wenn man merkt, wir brauchen ja nichts weiter testen, läuft.
Also und ist super und ist ein riesen Hebel drin. Wir brauchen hier die nächste
Ernsthaftigkeitsstufe. Ja, genau.
Also im Experiment will ich eigentlich so schnell wie möglich etwas herausfinden.
Denn das Experiment selber schafft nicht zwingend den Mehrwert.
Das ist eher eine Fragestellung, eine Klärung einer Fragestellung meiner Hypothese,
eine Unterstützung oder eine Widerlegung.
Und in dem Moment, wo ich genau die Antwort auf meine Frage habe,
hat das Experiment die Aufgabenstellung erfüllt, die es erfüllen soll.
Genau. Im Zusammenhang von so hybriden Organisationen, die einen Teil ihres
Produktes analog haben, einen Teil digital haben, könnte auch eine interessante
Frage sein, die man im Experiment prüfen kann.
Dann werden wir signifikant schneller in der Auslieferung, wenn wir unsere User-Stories
durch KIs erstellen, Schrägstrich überprüfen lassen oder verbessern lassen.
Das wären alles so Fragestellungen, die sich da so ergeben.
Da haben wir auch schon total schöne Beispiele gesehen, wo Leute wirklich vorangekommen
sind, weil so eine KI zum Teil sehr gut die Komplexität einer,
die fachliche Komplexität eines Produkts erfasst und damit umgehen kann.
Ja, ja.
Genau. Aber lass uns mal wegkommen von den Beispielen für Experimenten rein
aus der Softwareentwicklung oder sehr softwarenah.
So für Arbeitsabläufe in Organisationen lohnt sich immer die Frage zu stellen,
nützt es uns eigentlich, wenn wir alle Meetings automatisch protokollieren und
zusammenfassen lassen?
Zum Beispiel.
So.
Wer in der Wesentliche Inhalte erfasst, also ist es eigentlich hilfreich,
könnten wir vielleicht zukünftig an der Stelle auf Protokollantinnen verzichten.
Also da könnten Qualitätsfragen reinspielen.
Das, wonach es fragt an der Stelle ist, ist hier eine mögliche Ressourcenersparnis möglich.
Ja, oder eine Optimierung und dass Leute einfach ihre Zeit wertschöpfer verbringen
können, als ein Protokoll zu schreiben.
Ja, hier kann auch eine Qualitätsverbesserung reinspielen.
Ich bin jetzt aber von hochwertigen Protokollantinnen ausgegangen.
Aber das kann natürlich auch sein, dass wenn Menschen das Gefühl haben,
ich bin eigentlich jetzt nicht als Protokollantin geeignet oder überqualifiziert,
dass hier eine KI-generierte Zusammenfassung hochwertiger ist als das, was wir hier haben.
Was sonst quasi gang und gäbe wäre.
Also ich kenne Organisationen, die diese Frage mit Ja beantwortet haben und
die inzwischen im Großteil aller Gespräche, also auch der informellen Gespräche,
sich zusammenfassen lassen und damit einen ziemlich coolen Track Record auf
bestimmten Produkten und Projekten kriegen.
Also lohnt sich da mal hinzugucken, ob man sich mit einer automatischen Protokollierung was wird.
So eine andere Frage, die man auch stellen kann, ist, wenn man in einer sehr
dezidierten CI ist, also wo man guten,
Rahmen hat. Ich glaube, wir haben ja mal schon darüber geredet,
dass wenn gute Richtlinien da sind und ein guter, zum Beispiel ein guter Style
Guide oder Sachen, die sehr repetitiv sind, dass die immer KI-verdächtig sind,
dass sie gut funktionieren.
In diesem Sinne wäre so eine Frage, wie können wir uns unsere CI-Grafiken direkt
produzieren lassen, also auf einen sprachlichen Prompt hin.
Also sind wir dann schneller, kommen da interessante Sachen bei raus,
die erhöhen wir damit eine Ausspielqualität an bestimmten, eine Ausspielfrequenz
an bestimmten PR-Tools zum Beispiel.
Da kann man schöne experimentelle Fragen dran kleben, also wie eine automatische
Grafikgenerierung so einer Organisation behilflich sein kann im täglichen Arbeitsablauf.
Und der Nutzen, der dahinter steckt, ist Verfügbarkeit. Also ich kann in der
Regel dann schneller so eine Grafik generieren lassen, vielleicht mit einer
gewissen Misserfolgsquote.
Nichtsdestotrotz kann ich das mehrfach durchlaufen lassen.
Ich kann es nachts durchlaufen lassen. Ich muss nicht x Zeit darauf warten,
dass das produziert wird.
Ein anderer Case, den ich mir vorstellen kann, der jetzt auch mehr und mehr
Einzug hält, sind einfach interne Wissens, internes Wissen zur Verfügung zu stellen.
Wissen über Prozesse, Wissen über Abläufe, Wissen über einzelne Daten intern im Unternehmen.
Und da steht nicht nur die Large Language Models hinter,
sondern tatsächlich auch so Wissenserfassungsmodelle, die einfach das Wissen
nochmal neu strukturieren und dann über das Large Language Model,
also über die Spracheingabe verfügbar machen und abfragbar machen und dann zur Verfügung stellen.
Auch hier ist das Hauptthema Verfügbarkeit, kann ich eigentlich für neue Menschen,
für Menschen, die oder kann ich einfach Prozesse, die nicht durchgängig benutzt werden,
klar machen und deutlich machen für die, ja, einfach für alle Menschen,
damit ich hier eine Einheitlichkeit zum Beispiel erzeuge.
Mhm. Genau. Ich hatte jetzt noch so eine kleinere Idee, die schon so sehr eine Experimentfrage ist.
Also du hast ja sozusagen den Themenbereich aufgemacht, wo man suchen kann nach einem Experiment.
Ich hatte sowas wie, werden unsere Blogbeiträge attraktiver,
also häufiger gelesen, wenn wir aus jedem Beitrag eine Infografik automatisch erzeugen lassen?
Ich finde, wir haben jetzt ganz viel über Erzeugung auch gesprochen.
Ich finde das wichtig, dass natürlich ist gerade der generative KI-Bereich auch total gehypt.
Vielen Dank auch für die Feedbacks, die wir zum Teil gekriegt haben.
Uns ist klar, dass das zum Teil in juristischen schwierigen Bereichen stattfindet.
Nochmal, ich will hier, wir betrachten hier vor allem nicht den juristischen
Teil oder den legislativen Teil und blenden auch zum Teil den moralischen Teil aus,
weil der für uns schwer zu erfassen ist und schauen sehr konkret auf das,
was Unternehmen beschäftigt und was Unternehmen an der Stelle brauchen.
Ich finde es wichtig, neben dem generativen KI-Teil auch den ganzen Machine
Learning, auch Big Data Teil nochmal mit zu betrachten.
Ich weiß zum Beispiel, dass Unternehmen im Bereich Produktvorhersage,
also Liefervorhersage, welche unserer Filialen braucht eigentlich welche Ware zu welcher Zeit,
sehr große Erfolge erzielt haben.
Ich kenne da eine Kette, die da mehrere tausend Filialen.
Mit versorgt und von KIs diese Vorhersage generieren lässt,
um eben die Lagerhaltung auf der Filialseite zu optimieren und da sehr schnell
quasi die Cola, die ich dann als Endkunde in der Filiale kaufen möchte,
zur Verfügung stellt und dafür sorgt, dass die dann auch da ist und auch in
ausreichender Menge und da mehrere Datenpunkte auch mit einfließen lässt.
Wie ist eigentlich das Wetter gewesen?
Wann muss eigentlich welches Sortiment wie aufgefüllt werden?
Und das betrifft natürlich auch alle Bereiche wie Lagervorhersagen.
Was muss wie wo gelagert werden, um Wege zu optimieren?
Und ja, bei all dem ist es natürlich hilfreich,
nicht bei dem Großen zu verbleiben, sondern dann konkret zu fragen,
was ist eigentlich mein kleines Experiment?
Also wenn ich jetzt von Lieferketten spreche oder der Liefervorhersager,
dann ist das vielleicht ein großes Ziel, da hinzukommen, aber die Frage jetzt
fürs Experimentieren ist natürlich, wie fange ich da im Kleinen an? Genau.
Und KIs sind immer dann stark, wenn die mehrere Datenquellen zusammenfassen
dürfen, die sich nicht so gut erschließen.
Also aus mathematischer Sicht, immer wenn ich in einer dünnen Matrix bin,
also in einer schwach besetzten Matrix, dann werden KIs total stark,
weil die daraus sinnvolle Prognosen machen können.
Und da wäre zum Beispiel die Frage, ich werde halt nicht mein gesamtes Sortiment
sofort als experimentell in den Lieferzeitpunkt rüberbringen und das umbauen,
sondern ich könnte mich fragen, ob ich für einen bestimmten,
einen geschränkten Bereich von Filialen, die zum Beispiel von einem bestimmten
Auslieferzentrum abhängig sind, ob ich da bestimmte Produkte schon mal in so ein Experiment kriege.
Also die Frage ist halt, muss ich auf der Filialseite irgendwie kleiner werden
oder muss ich im Sortiment kleiner werden, damit ich dieses… Wahrscheinlich sowohl als auch.
Um ins erste Experiment zu kommen, würde ich sagen, sowohl als auch.
Und ich hätte jetzt erwartet, das ist so ein bisschen die Frage,
welche Art von Organisation finden wir vor und welche Fähigkeiten zu experimentieren
sind eigentlich vorhanden.
Also Unternehmen, die verstanden haben, dass sie diese Art von Experimente regelmäßig
brauchen, haben da schon Mechanismen.
Mir schweben welche vor, die sagen, das ist unsere Musterfiliale,
da probieren wir Dinge aus.
Da rollen wir das das das Erste aus. Da sind wir eher schon,
finde ich, in dem nächsten Bereich, weil das natürlich dann auch die Frage,
wie gehen eigentlich Piloten bei uns, berührt schon mal so ein bisschen als Ausblick.
Aber an der Stelle ist, glaube ich, um ins Experiment aus. Jede Reduktion will kommen.
Also erstmal so viel wegstreichen, wie es geht, weil am Ende des Tages möchte
ich eine kleine Frage beantworten.
Und dafür brauche ich ein kleines Experiment, das machbar ist.
Das kann in den Datenmengen ruhig groß sein, weil die, sag ich mal,
die Rechenleistung an der Stelle ist verfügbar und die ist jetzt nicht,
macht das Vorgehen nicht aufwendiger.
Aber wenn ich die Alternative habe, ich mache es jetzt groß und dafür gar nicht,
dann ist das kein gelungenes Experiment.
Also klein machen, kleine Frage beantworten und dann lieber mit zwei Experimenten,
würde ich sagen, als mit einem, das ich dann gar nicht auf die Straße bekomme.
Genau. Und das eine ist so Lieferzeitprognosen oder was total interessant ist.
Dann gibt es natürlich, wie bestücke ich meine Filiale, kann dann auch über
so Experimente nachdenken, wie kann ich mithilfe von KI und der Kombination mit BI irgendwie,
digital, Werbung vor Ort oder online besser nutzen im Sinne von,
dass die produktiver ist, also mehr Abverkäufe generiert.
Auch das ist so eine Geschichte, das werde ich nicht in allen Filialen gleichzeitig
machen, sondern ich werde mich vielleicht auf bestimmte Produkte beschränken
oder ich werde mich auf bestimmte Örtlichkeiten beschränken.
Und auch für die Online-Geschichten muss man sich halt überlegen,
wie kriege ich es so hin, dass ich nicht sofort komplett in allen digitalen Abhängigkeiten bin,
die es so gibt.
Wir haben es mehrfach gesehen, dass Organisationen sich eigentlich im Experimentstatus
befinden, total verhoben haben, weil die schon zu diesem Zeitpunkt eine totale
Integration in die bestehende IT-Landschaft haben wollten.
Und um das kurz zu machen, da kann man sich ganz schön verfranzen.
Und dann kriegt man womöglich, hat man dann was voll integriert,
was wenig Sinn für einen macht. Also in beide Richtungen.
Also Integration kann sowohl Abhängigkeit als auch tatsächlich wieder dieses
Reinspielen rein oder rein einfließen lassen.
Genau. Und beides würde ich eher parallelisieren, auch aus technischer Sicht
zu sagen, hier sind doppelte Daten erstmal
erwünscht, weil es nicht um ein Produktivergebnis an der Stelle geht,
sondern das, worum es geht im Experiment, ist tatsächlich eine Validierung der eigenen Hypothese.
Also können wir nicht häufig genug sagen, immer wieder Richtung,
ihr wollt es nicht, im Experimentstatus wollt ihr es nicht produktiv haben,
sondern ihr wollt vielleicht produktive Berührung.
Also wenn das passiert, dann freut man sich wie Bolle, aber das ist halt Wesen
eines Experiments. Genau.
Werft ihr das Experiment erstmal als Ganzes am Ende weg und lasst höchstens
einen sehr kontrollierten Produktivkontakt an spezifischen Stellen zu.
Auch das ist Teil der Redaktion des Aufwandes und der Komplexität an der Stelle,
weil ihr, glaube ich, mit der Komplexität der Fragestellung häufig auch genug zu tun habt.
Also je mehr Anforderungen, Produktivanforderungen ihr in dieses Experiment
einladet, desto geringer ist die Wahrscheinlichkeit, dass ihr das erfolgreich umsetzen könnt.
Genau. Und bevor man ein Experiment macht,
erstmal für einen bestimmten KI-Anbieter den Rahmenvertrag für alle Mitarbeitenden
aushandeln muss, dann geht halt viel Zeit ins Land und keiner weiß,
ob die KI einem wirklich hilft.
So, und dann ist man im, ich sag mal, Cost-Fallacy und kommt nicht weiter und
das macht alles keinen Sinn, deswegen erstes Experiment, so, ähm.
Das heißt, ich fasse das nochmal zusammen, wir brauchen eine Frage,
die wir in einem Experiment beantworten wollen, wir brauchen Testkriterien,
mit denen man das ablesen kann,
wir brauchen einen Zeitraum, in dem es geprüft wird, wir brauchen Abbruchkriterien,
mit denen man sagt, es ist so super, dass wir durchmarschieren oder das geht
gar nicht, wir gehen raus.
Und man sollte sich einen Kontext suchen, in dem man sinnvoll abhängig von der
bestehenden IT-Landschaft ist.
Also nicht zu viel und nicht zu wenig.
Also kleine, komplett grüne Wiese wird in vielen Fällen nicht gehen,
aber da muss man halt sehr genau gucken.
Und da hilft auch dieser Testzeitraum. Also zu sagen, wir wollen jetzt innerhalb
von zwei Monaten rauskriegen das, Das führt halt dazu,
dass ich irgendwie mir schon in vielen Fällen einen unabhängigeren Zugang ermöglichen
muss, als ich ihn aktuell vielleicht habe.
So, das braucht man für ein Experiment. Fragetest-Kriterium,
Zeitraumabbruch-Kriterien und eine genügend sinnvolle Einbindung in die bestehenden Systeme.
Und jetzt ist die Frage, wer kümmert sich dann eigentlich darum?
Also was braucht es denn eigentlich, dass Experimente in dieser Art gehen?
Wen oder was braucht man da?
Da machen wir für manche Unternehmen, glaube ich, das nächste Fass auf.
Weil ich glaube, häufig reden wir hier nicht über homogene Teams,
sondern eher über cross-funktional zusammengesetzte Teams, also Teams mit unterschiedlichen Fachexpertisen.
Und da wir hier in so einem, ich sag mal, in einem Modus sind,
wahrscheinlich ein Wegwerfprodukt zu produzieren, wäre die Empfehlung,
nicht mit zu vielen Leuten daran zu arbeiten.
Denn je mehr Leute daran arbeiten, desto schwerer fällt es, den Menschen Dinge
loszulassen und das wieder wegzuwerfen.
Genau, um auch die Breitschaft wegzuwerfen.
Wenig Leute mit breiter Expertise in einen,
in eine Gemeinschaft zu packen, die Verantwortung für, also die,
die verstanden hat, was ist eigentlich das Nutzen, also die,
die das Experiment verstanden hat und auch den Experimentmodus verstanden hat.
Das ist, glaube ich, nicht bei allen Unternehmen von vornherein gegeben.
Genau, die auch so ein Win-or-Learn mitbringen, also sagen, Experiment hat fachlich
funktioniert oder eben auch nicht und auch bereit sind, das anzuerkennen, wenn das so ist.
Und was ich fände, was da total hilft, wenn die Beteiligten eher in so einem
Satisfyer-Entscheidungsmodus sind und nicht so Maximizer sind da drauf.
Also die nicht alle Optionen prüfen müssen, sondern sagen, komm,
hier, das sind die drei, die am augenfälligsten sind, let's try it.
Das, glaube ich, ist für so ein Expeditionsteam, die sich da auf die Suche machen,
oder Experimentteam, je nachdem, wie man sie nennt,
so die bessere oder die leichtere Variante,
damit man sich nicht zum Beispiel in so technischen Details verliert oder den
Markt vollständig analysiert haben möchte oder doch die perfekteste Variante
für das Experiment sucht.
Sondern… Genau, sich in der Verwaltung verliert. Das ist eine Variante,
die ist mir auch schon mehrfach begegnet,
sich dann erstmal zu investieren, zu fragen, was ist denn jetzt hier eigentlich
der geeignete Zusammenarbeitsprozess und welche Projekte in unserem Ticketverwaltung,
wie wollen wir das eigentlich anlegen und wie sind da die Epics geschnitten?
Das sind alles Fragen, die eigentlich irrelevant sind zur Beantwortung des Experiments
und insofern möglichst weggelassen werden, wenn sie nicht zwingend gebraucht
werden. Also da wäre wirklich die Frage, was braucht ihr denn eigentlich?
Und auch da, wenig Leute brauchen weniger Verwaltungsteil.
Also wenn wir hier jetzt von drei oder vier sprechen, dann haben wir einen deutlich
geringeren Teil an Verwaltungsaufwand, als wenn wir von sieben,
acht, zwölf, 15 sprechen.
Und insofern Plädoyer für sehr kleine Menschengruppen.
Wenig Verwaltung, sich nicht ablenken lassen und da kann eine künstliche Zeitknappheit
dazu beitragen, das bewusst zu machen.
Also ich würde da jetzt nicht einen Zeitraum einsetzen, zu sagen,
ja, wir haben dann in sechs Monaten was, sondern eher fragen,
was kann ich in zwei Wochen kriegen?
Was kann ich in, also vielleicht was kann ich in zwei Wochen kriegen und in
vier Wochen wollen wir auch schon fertig sein.
Oder vielleicht das sogar noch kürzer, je nach Fragestellung zu machen,
in jedem Fall knapp. Knapp, knapp, knapp.
Genau, da bin ich total bei dir. Und dann mit Entdeckergeist oder mit Expeditionsfreude
ins Unbekannte wandern auf der Frage mit, nützt uns das was?
Und damit kann man halt Produkte, Services oder Arbeitsprozesse verändern.
Und wie man dann weitermacht, wenn irgendwann die Antwort darauf ja ist und
die Antwort sollte ja schnell passieren, das ist ja auch sehr im Sinne des agilen
Manifestes, weil wir ja kurz Zeitzyklen für Vorzügen verlangen,
das machen wir in der nächsten Folge.
Da werden wir uns um die Frage kümmern.
Wenn die Antwort auf irgendeine Frage ja ist, wie kriege ich denn das jetzt ins Leben?
Und der erste Schritt ins Implementieren sind oft Pilotprojekte oder so können
auch über so einen Prototypenweg gehen.
Und die Frage, wie das genau funktioniert, machen wir in der nächsten Folge.
Darauf freue ich mich schon sehr.
Ich mich auch.
Bis dann.
Bis auf Wiederhören.
Bis auf Wiederhören.
Tobias Ranft
00:00:52
Judith Andresen
00:00:56
Tobias Ranft
00:00:59
Judith Andresen
00:02:35
Tobias Ranft
00:03:32
Judith Andresen
00:04:35
Tobias Ranft
00:06:10
Judith Andresen
00:08:18
Tobias Ranft
00:10:28
Judith Andresen
00:11:19
Tobias Ranft
00:11:28
Judith Andresen
00:11:46
Tobias Ranft
00:12:12
Judith Andresen
00:12:38
Tobias Ranft
00:13:24
Judith Andresen
00:13:25
Tobias Ranft
00:13:46
Judith Andresen
00:13:47
Tobias Ranft
00:13:48
Judith Andresen
00:14:12
Tobias Ranft
00:14:19
Judith Andresen
00:14:53
Tobias Ranft
00:16:23
Judith Andresen
00:17:57
Tobias Ranft
00:18:23
Judith Andresen
00:20:57
Tobias Ranft
00:21:46
Judith Andresen
00:23:10
Tobias Ranft
00:24:39
Judith Andresen
00:25:18
Tobias Ranft
00:25:26
Judith Andresen
00:26:00
Tobias Ranft
00:27:54
Judith Andresen
00:28:34
Tobias Ranft
00:28:37
Judith Andresen
00:29:02
Tobias Ranft
00:29:56
Judith Andresen
00:31:26
Tobias Ranft
00:32:21
Judith Andresen
00:32:23
Tobias Ranft
00:32:24
Judith Andresen
00:32:27