Simonetta Batteiger – Same same, but different

Stefanie:

Stefanie: Hallo und herzlich willkommen zu AI und Jetzt. Ich bin Stefanie und ich habe heute einen ganz besonderen Gast bei mir, Simonetta Batteiger. Simonetta ist Team Lead und Leadership Expertin. Sie verfügt über mehr als 20 Jahre Erfahrung in der Leitung von Produkt- und Business Development Teams im Tech-Umfeld in Deutschland und in den USA.

Stefanie: Die Produkte, die Simonetta gemeinsam mit ihren Teams, zum Beispiel für Io oder Sedo.com entwickelt hat, werden von Millionen von Menschen da draußen genutzt. 2022 hat sich Simonetta dann für die Selbstständigkeit entschieden und Inclusive Leaders gegründet, weil sie daran glaubt, dass der Aufbau einer inklusiven Teamkultur essentiell für leistungsfähige Teams ist und zudem der Treibstoff für Innovation.

Stefanie: Sie coacht leidenschaftlich gerne Führungskräfte und hilft Teams dabei, erfolgreiche Produkte zu bauen. Ihre Coaching-Ausbildung hat Simonetta am Coactive Training Institute, der weltweit größten Organisation für professionelle Coaching- und Führungsausbildung, erhalten.

Stefanie: Und für unseren Podcast heute nicht ganz unwichtig, Simonetta hat 17 Jahre in Cambridge, USA gelebt, im direkten Umfeld des MIT, und dort die Entwicklung von Data and AI hautnah mitverfolgt, schon lange bevor OpenAI Ende 2022 der weltweite Durchbruch mit Shared GPT gelungen ist. Simonetta, hi, schön, dass du da bist.

Stefanie: Simonetta Batteiger

Stefanie: Guten Morgen, Stefanie. Schön bei dir zu sein.

Stefanie: Stefanie

Stefanie: Habe ich irgendwas vergessen bei der Vorstellung? Oder fühlst du dich angemessen vorgestellt?

Simonetta Batteiger:

Simonetta Batteiger: Nein, das war schon gut so.

Simonetta Batteiger: Sehr schön, dann haben wir das schon mal gut hingekriegt. Ich freue mich, dass du heute da bist und mit mir über Leadership in Data and AI sprichst. Genauer über Leadership im Rahmen der Entwicklung, der Produktentwicklung, KI-Produktentwicklung. Worauf kommt es da an? Welche Fragen müssen sich Produktmanagers stellen? Und welche Werkzeuge stehen ihnen dafür zur Verfügung? Brauchen wir vielleicht sogar eine neue Rolle, die Rolle des AI-Produktmanagers?

Simonetta Batteiger:

Simonetta Batteiger: Sehr viele Fragen auf einmal, Stephanie.

Simonetta Batteiger: Stefanie

Simonetta Batteiger: Nein, also genau, darüber wollen wir heute in Ruhe reden. Wir haben uns ja ein bisschen Zeit mitgenommen, zum Glück. Die erste Frage, die ich mir stelle, ist, ob KI-Produktentwicklung, ist das eigentlich anders als Produktentwicklung oder sind KI-Produkte eben doch nur Produkte?

Simonetta Batteiger:

Simonetta Batteiger: Also ich glaube, es ist beides. KI-Produkte sind doch nur Produkte. KI-Produkte müssen die gleichen Rahmenbedingungen erfolgen, die andere Produkte auch erfüllen müssen. Also zum Beispiel, es muss irgendein Wert für irgendjemanden darstellen. Und es muss natürlich auch für das Unternehmen, für das man dieses Produkt baut, wertschöpfend sein. Also in irgendeiner Form einen wirtschaftlichen Output erreichen, der für das Unternehmen gut ist und in die Richtung geht, die auch die Unternehmensstrategie ganz prinzipiell definiert hat. In der Hinsicht sind KI-Produkte gar nicht anders als andere Produkte.

Simonetta Batteiger: Aber in der Erstellung, wie man ein KI-Produkt baut, gibt es natürlich schon Unterschiede. Also in einer normalen Produktsoftware-Entwicklung hat man nicht so sehr viel über Data Science und Machine Learning wissen müssen. Man hat wahrscheinlich auch keinen Machine Learning Engineer im Team gehabt, sondern einen ganz normalen Software Engineer. Und es stellen sich neue Fragen beim Bauen von KI-Produkten, die man bei traditionellen anderen Produkten so nicht im Kopf haben musste. Und deshalb ist es schon ein bisschen anders, aber prinzipiell das Gleiche.

Stefanie:

Stefanie: Welche Fragen sind denn das, die man da im Kopf haben muss?

Simonetta Batteiger:

Simonetta Batteiger: Na ja, wenn man ein KI-Produkt baut, das tatsächlich einen Machine Learning Algorithmus anwendet, dann braucht man ja erstmal Daten dafür und man muss sich Gedanken dazu machen, welche Daten sind das? Sind in den Daten irgendwelche Verzerrungen drin? Sind zum Beispiel nur Daten von Männern im Datensatz und keine von Frauen oder sind die Daten vom Alter her korrekt strukturiert für das, was ich mit meinem Produkt machen möchte. Also sind zum Beispiel nur Daten von Senioren drin, aber ich baue ein Produkt für Teenager, das wäre schlecht. Also ich muss mir da andere Fragen stellen, die vorher überhaupt nicht zur Debatte standen. Und ich glaube, da muss man einfach ein bisschen anders denken, in dem, wie man an das Produktentwickeln herangeht.

Stefanie:

Stefanie: Bevor man loslegt, muss man sich ja wahrscheinlich auch fragen, ist es überhaupt sinnvoll, KI einzusetzen für mein Produkt oder kann ich dasselbe Ergebnis auch anders erzielen? Ist das erstmal der erste Schritt?

Simonetta Batteiger:

Simonetta Batteiger: Richtig. Das ist einer der ersten Schritte in der Analysephase, ob man das Produkt mit KI baut oder mit einem ganz klassischen Algorithmus, der keine Machine Learning Elemente beinhaltet. Und natürlich kommen dann auch Kostenfragen mit ins Spiel. Aber da sind wir halt auch genau wieder bei dem Grund, warum ich gesagt habe, KI Produktentwicklung ist gar nicht anders als normale Produktentwicklung, weil diese Wirtschaftlichkeitsbetrachtungen, die hat man auch schon immer machen müssen. Und jetzt muss man natürlich andere Dinge vielleicht in die Wirtschaftlichkeitsrechnung mit einbeziehen. Also zum Beispiel, wie teuer ist es, diese Daten überhaupt zu generieren, diese Daten zu taggen, diese Daten immer verfügbar zu haben, diese Daten konstant zu updaten, immer weiter zu schauen, ob mein Input-Output immer noch der gleiche ist und der gewünschte ist. Das sind ja Dinge, die man mit einem klassischen Algorithmus gar nicht machen muss, weil der hat einen Pattern, den er immer abbildet, der bringt keine überraschenden Ergebnisse.

Simonetta Batteiger: Und deswegen hat man da als Kosten mehr oder weniger nur das gehabt, was ursprünglich mal das Schreiben von der Software war, aber dieser Maintenance-Teil fällt weg. Und wenn man jetzt mal reinguckt in Dinge, die Unternehmen heutzutage machen mit LLMs, also zum Thema Chatbots zum Beispiel, da fallen ja auch laufende Kosten an für die Tokens, die man benutzt, um dieses LLM, was man im Hintergrund aufruft. Meistens macht man das ja nicht selbst zu bezahlen. Und je nach Größe von diesem Model, was man da aufruft, sind das halt kleinere oder größere Kosten. Also es kommen immer diese Wirtschaftlichkeitsrechnungen auch mit rein. Und diese Art von Kosten habe ich in einem Produkt vor zehn Jahren natürlich nicht gehabt, weil ich das, ich konnte gar kein LMLM aufrufen, was irgendeinen Bezahlstrom ausgelöst hätte. Dafür habe ich halt andere Kosten gehabt, die ich zu beachten hatte. Und das ist das, warum es eigentlich nicht so sehr viel anders ist. Es sind nur neue Dinge, die man dabei beachten muss und vielleicht auch neue Dinge, die man dabei können muss, um das zu beurteilen.

Stefanie:

Stefanie: Braucht ein Produktmanager bei der KI-Produktentwicklung technisches Wissen? Wie funktionieren Machine Learning-Algorithmen? Wie sieht es mit den Daten aus, mit dem Training der Modelle, solche Kenntnisse?

Simonetta Batteiger:

Simonetta Batteiger: Ich glaube, das ist auf jeden Fall hilfreich, wenn man da Kenntnisse mitbringt. Ich habe selbst mal BWL studiert und ich habe Produkte gebaut, die auf APIs aufgebaut haben. Ich habe das einfach lernen müssen und man arbeitet ja immer im Team. Man hat im Produktteam immer die Experten für solche Dinge. Das heißt, wenn ich jetzt ein KI Produkt baue, habe ich mit Sicherheit einen Data Scientist im Team. Ich habe Machine Learning Engineers im Team, mit denen ich das zusammen mache. Ich muss das nicht alles alleine beurteilen können, aber es hilft mir natürlich schon, wenn ich es beurteilen kann, also wenn ich mit einem technischen Background komme. Und ich baue ein KI-Produkt, dann fällt mir die technische Beurteilung des Machine Learning-Teils wahrscheinlich leichter. Aber man darf nie vergessen, Produktmanagement hat ja auch immer die wirtschaftliche Betrachtung mit dabei. Und einen von diesen beiden Themenkreisen muss ich dann halt lernen. Entweder komme ich aus der technischen Schiene und mir fällt der technische Teil leichter, dann muss ich den betriebswirtschaftlichen Teil lernen und den Markt, in dem ich mich überhaupt bewege, beurteilen können und strategisch denken können und muss mir das alles aufbauen oder umgekehrt.

Simonetta Batteiger: Also meistens sind wir Menschen hier keine Eier legenden Wollmichsäue, die alles besonders gut können und wir haben immer irgendwo eine Stärke und eine Schwäche und wir müssen einfach gucken, dass wir uns im Team da gut aufstellen, gut zusammenarbeiten, voneinander lernen und dann haben wir im Team das Wissen zusammen. Es muss nicht so sein, dass man als Produktmanager im Bereich KI unbedingt Software Engineering studiert haben muss.

Stefanie:

Stefanie: Ja, okay, in irgendeine Richtung muss man sein Wissen ergänzen, das ist richtig. Welche Rolle spielen denn Produktmanager so als, ja vielleicht als Bindeglied zwischen den Produktteams und der Organisation? Weil ich stelle mir so vor, wenn ich mir so Werte und Maßstäbe für die KI-Produktentwicklung überlege, dann müssen die ja an irgendwas Großes angelehnt sein, zum Beispiel an der Unternehmensphilosophie, an den Unternehmenswerten oder einer übergeordneten Strategie.

Simonetta Batteiger:

Simonetta Batteiger: Genau, das ist so eine ganz klassische Brücke, die man im Produktmanagement immer schlagen muss. Man guckt immer auf diese Themen. Was macht mein Unternehmen überhaupt? Was ist die Unternehmensvision? Was ist die Unternehmensstrategie? Gehen wir vielleicht gerade in ein neues Marktsegment? Gehen wir in ein neues Land? Wollen wir eine neue Art von Kunden mit erschließen? Und für

Simonetta Batteiger: KI-Produkte muss man sich ja trotzdem noch an diesen größeren Unternehmensstrategie-Themen orientieren. Also wenn ich jetzt zum Beispiel bisher nur in Deutschland tätig war und ich möchte jetzt auch in die USA expandieren, dann habe ich auf einmal eine neue Sprache mit dabei, was für mein KI-Produkt vielleicht bedeuten müsste, dass mein Datensatz, den ich habe, nicht nur deutsche Daten beinhalten darf, sondern auch englischsprachige Daten.

Simonetta Batteiger: Deswegen orientiert sich das immer hoch und runter zwischen Unternehmensstrategie und das, was man im Produktmanagement macht, genauso wie in allen anderen Unternehmensbereichen auch. Eine Marketingstrategie oder eine Salesstrategie richtet sich ja auch an diesen Unternehmenszielen aus, zumindest idealerweise.

Stefanie:

Stefanie: Ich habe in einem Artikel, in der FHZ habe ich interessante Zahlen gelesen, dass gut die Hälfte der deutschen Unternehmen lauter einer Bitkom-Studie aktuell nicht, also nicht mit KI-Produkten planen oder mit dem Einsatz von generativer KI.

Stefanie: Also ein Drittel plant den Einsatz, 15 Prozent arbeiten bereits damit und die restliche Hälfte, die macht nichts und der Grund dafür ist, dass keine übergeordnete Strategie quasi vorliegt. Was meinst du, woran das liegt?

Simonetta Batteiger:

Simonetta Batteiger: Ich glaube, es ist auch ein noch relativ neues Thema, zumindest für die meisten Menschen. Also ich glaube, es ist so richtig losgegangen mit dem Thema AI in der breiten Masse der Bevölkerung, ist das wahrscheinlich erst so seit anderthalb Jahren ungefähr. Unternehmen sind manchmal ziemlich langsam. Die haben natürlich auch schon andere Dinge auf dem Zettel stehen, die sie auch verfolgen und dann Platz zu schaffen. Zu sagen, wir machen jetzt irgendwie irgendein anderes Thema nicht und dafür fokussieren wir uns darauf, Wissen zum Thema KI aufzubauen und zu beurteilen, wie wir KI-Produkte einsetzen und oder vielleicht sogar bauen können. Das ist einfach so ein Schwenk im Fokus, der, glaube ich, manchmal seine Zeit braucht. Ich sehe auch ganz oft, dass viele Leute zwar sagen, sie interessieren sich für dieses Thema, aber noch nie wirklich angefasst haben und irgendwie macht es auch ein bisschen Angst dem einen oder anderen. Also lustigerweise, wenn man es schon länger macht irgendwie, dann kann man sich gar nicht vorstellen, warum es schwierig sein soll, so einen Chat-GPT mal mit irgendeiner Frage zu befragen.

Simonetta Batteiger: Aber es gibt trotzdem Berührungsängste und ich glaube, das ist einfach auch draußen in der Wirtschaft immer noch so. Es gibt ganz viele Menschen, die schon begriffen haben, dass es irgendwie ein wichtiges Thema ist, aber nicht wissen, in welchem Maß, in welchem Umfang und wie überhaupt sie das für sich gut einsetzen können. Und ich glaube, da ist einfach wichtig, dass man so ein bisschen neugierig ist und einfach mal was ausprobiert, die Angebote wahrnimmt, die es ja auch glaube ich inzwischen in fast jeder größeren Stadt zumindest gibt. Es gibt fast überall irgendwo einen AI Hub oder irgendein Lernangebot auch, dass man wahrnehmen kann oder auch online, dass man sich einfach mal anschauen kann, um einfach mal zu gucken, was ist das überhaupt und es auszuprobieren, um sich dann zu überlegen und wie könnte das für mich eingesetzt werden.

Simonetta Batteiger: Stefanie

Simonetta Batteiger: Ja, interessanterweise fragt man Manager deutscher Unternehmen, sehen die ja durchaus die, also die Ergebnisse, die man mit generativer KI erzielen kann, zu Gewinnern, Effizienz, vielleicht Kostenreduktion liegen ja erstmal auf der Hand. Aber der Plan, wie man das umsetzt, fehlt halt. Und woran es ja als erste scheitert, halt tatsächlich Use-Cases zu identifizieren in den Unternehmen halt. Wie würdest du dein Unternehmen beraten, wenn die vorgehen und sagen, also wie sie vorgehen sollen bei der Use-Case-Findung? Das ist ja der erste Punkt. Brauche ich KI für diesen Anwendungsfall, um ein besseres Ergebnis zu erzielen?

Simonetta Batteiger: Simonetta Batteiger

Simonetta Batteiger: Ja, ich glaube, es ist ein bisschen wie ein Chicken und ein Egg, weil man einmal begriffen hat, was es ist, dann kann man sich auch besser vorstellen, was der Use-Case vielleicht sein könnte. Und ich glaube, deswegen ist der erste Schritt wirklich einfach, Leute da abzuholen, wo sie neugierig sind und einfach mal was anzubieten, was auszuprobieren. Ich glaube, es ist auch immer einfacher, Use-Cases zu finden. Ganz am Anfang hat jeder nur gesagt, ah, hier ist dieses Ding, der GPT musst du unbedingt mal ausprobieren, aber ich wusste nicht, wofür. Jetzt gibt es ja schon ganz viele Angebote, wie man zum Beispiel GenAI-Produkte für Effizienzsteigerungen im Marketing und Sales benutzen kann, dediziert auf diesen Use-Case und dafür gibt es Schulungen. Also, damit kann man anfangen, irgendwie zu gucken, irgendwie, okay, was macht denn mein Unternehmen hauptsächlich? Wo habe ich denn im Moment vielleicht Dinge, die sehr personalintensiv sind? Wo könnte ich denn da mal schauen? Gibt es in dem Bereich schon etwas? Und einfach da mal hingehen und sich was anzuschauen. Und ich glaube, ganz vieles wird sich, gestaltet sich jetzt erst. Also ich glaube, in einem halben Jahr oder in einem Dreivierteljahr wird es noch sehr viel mehr Angebot geben und dann wird dieses Problem, für welche Use Cases könnte das denn gut sein, gar nicht mehr die erste Hürde sein, sondern dann geht es eher darum, okay, welches Produkt macht bei mir Sinn und wie möchte ich das einsetzen.

Simonetta Batteiger:

Simonetta Batteiger: Und ich glaube, es ist nochmal was ganz anderes, AI-Produkte einzusetzen, um zum Beispiel im Sales sich das Leben einfacher zu machen. Also ganz praktisches Beispiel zum Beispiel, es gibt hier in Köln eine Firma, die heißt TLDV. Die nehmen Sales Calls, die Videocalls auf, machen einen Transkript daraus und stellen direkt das, was in dem Call besprochen wurde, als Summary in den Notes in dein CRM mit rein. Das natürlich für den Sales Mitarbeiter ein super Effizienzgewinn ist, weil man muss sich nicht mehr hinterher hinsetzen und irgendwie in Sales Calls Handy diese Sachen eintippen, sondern man muss nur noch einmal drüber lesen, zack, ist das in CRM drin. Und dann kann man Auswertungen machen darüber hinaus, wie über 50 Sales Calls welche Objections immer gekommen sind oder welche Fragen immer wieder gestellt wurden oder welcher Sales Mitarbeiter besonders gute Quoten mit welchem Argument erreicht hat, sodass der Rest von der Sales Organisation davon lernen kann.

Simonetta Batteiger: Es gibt so viele Dinge, die man dann praktisch damit machen kann, für die es jetzt auch schon Lösungen gibt. Und ich glaube, ganz oft einfach nur entdecke mal so eine Lösung, mach mal so ein Free Demo mit denen mit. Das kostet zum Beispiel gar nichts, sich bei denen mal anzumelden und es einfach mal auszuprobieren, um dann zu sehen, was könnte das denn für mich sein, könnte das für mich gut funktionieren.

Stefanie:

Stefanie: Das heißt aber auch, dass wahrscheinlich, ja, jeder und jede gefragt ist, sich weiterzubilden in diesem Bereich. Also nicht nur das Management, sondern von unten nach oben oder oben nach unten. Alle halt back to school. Alle müssen nochmal die Schulbank drücken, was KI angeht, oder? Ja.

Simonetta Batteiger:

Simonetta Batteiger: Ein bisschen schon, aber wir haben alle auch schon mal die Schulbank gedrückt und haben gelernt, wie das Internet funktioniert oder wie ein Smartphone funktioniert. Also ich bin alt genug, dass ich aufgewachsen bin in der Zeit, wo es die beiden Dinge auch nicht gab. Ich habe, wie gesagt, BWL studiert und trotzdem gelernt, wie ich E-Mails schreiben kann und mit Google Maps von A nach B finde. Ich glaube, die Bedienung eines KI-Produktes ist ähnlich einfach, wie diese Dinge lernen und ich glaube, man muss da gar nicht so viel Angst davor haben, das nicht zu verstehen oder nicht lernen zu können. Das ist gar nicht so schwierig. Ich glaube, hier in Deutschland kommt noch dazu, dass auch sehr viel berechtigterweise debattiert wurde und wird, wo vielleicht auch die

Stefanie:

Stefanie: Und warum tun sich denn so viele Unternehmen trotzdem schwer, es zu implementieren und einzusetzen?

Simonetta Batteiger:

Simonetta Batteiger: Das liegt auch an den Risiken dieser Produkte und ich glaube, ganz viele Menschen haben da sehr viel gehört und haben Angst oder haben auch eines der früheren Versionen einer dieser Produkte mal ausprobiert und gesehen, dass es noch nicht so gut funktioniert hat, dann beschlossen, naja, das ist ja alles Quatsch, das brauche ich nicht, das funktioniert sowieso nicht so gut und haben nicht weiter mitverfolgt, was sich alles verbessert hat in den letzten zehn Monaten, um die Ergebnisse von einem größeren, neueren Modell heute mal anzuschauen und dann nochmal zu überlegen, was würde das denn jetzt bedeuten für mich? Kann ich das vielleicht zum Einsatz bringen?

Stefanie:

Stefanie: Ja, das merke ich auch in meinem unmittelbaren Umfeld. Tatsächlich nutzen viele die kostenfreie Version von JetGPT und damit hat man ja nicht Zugriff auf das neueste Modell, sondern halt ja eigentlich eine ältere Version, die halt auch nicht so gut performt und nicht so gute Ergebnisse liefert. Und wenn man darauf seine Erfahrung fußt, dann kann man natürlich sagen, es taugt alles nichts, brauche ich nicht für mich so.

Stefanie: Wie viel kostet ein Account von ChecheBT-Monat? 20 Euro? 20 Dollar? Irgendwie so. Genau. Also von daher, ich würde jedem raten, das mal auszuprobieren, weil das schon nochmal ein Unterschied mit Tag und Nacht ist.

Simonetta Batteiger:

Simonetta Batteiger: Zehn oder zwanzig, ich weiß es nicht genau, so was in der Größenordnung, ja. Ja.

Stefanie:

Stefanie: Genau. Wir haben es ja schon ein bisschen angerissen, Thema Ethik bei KI-Produkten. Wo liegt denn da, wo liegen denn da die Gefahren oder warum sind die Gefahren vielleicht nochmal größer als bei anderen Produkten?

Simonetta Batteiger:

Simonetta Batteiger: Ich glaube, es kommt ein bisschen darauf an, ob man ein KI-Produkt als Nutzer nutzt oder ob man ein KI-Produkt baut. Das sind für mich zwei verschiedene Risikoprofile. Wenn ich als Nutzer ein KI-Produkt baue, dann oder ein KI-Produkt nutze, also wenn ich jetzt einfach nur der GPT nach einer Antwort zu etwas frage, dann sehe ich ja die Antwort, kann die nochmal beurteilen, meinem gesunden Menschenverstand und entweder einsetzen oder halt auch nicht einsetzen. Wenn ich ein KI-Produkt baue, ein Foundational Model baue zum Beispiel und ich habe Datensätze benutzt, die in irgendeine Richtung ein

Simonetta Batteiger:

Simonetta Batteiger: ja nicht gut gewichtet sind, dann passieren halt Dinge, dass zum Beispiel, wenn ich die KI befrage, zeige mir ein Arzt im Krankenhaus, dass immer nur Männer gezeigt werden zum Beispiel und keine Frauen, weil wir in unserer Gesellschaft in all unseren Texten, in den Trainingsdaten von dieser KI einfach mehr männliche Ärzte drin haben zum Beispiel.

Simonetta Batteiger:

Simonetta Batteiger: Und da kann ich mir und darf ich mir als Unternehmen, was solche Produkte zur Verfügung stellt und baut, schon Gedanken machen, möchte ich da bestehende Stereotypen weiter produzieren, indem mein Model diese Sachen als Output auch immer mitproduziert oder kann ich Dinge tun, schon im Vorfeld, keine Ahnung, 50% der Outputs Frauen zeigen, 50% zeigen Männer oder was auch immer ich in meinem Modell mit eingebaut habe, um diese Fairness mit drin zu haben. Vielleicht auch schon an den Daten, mit denen ich das Modell gefüttert habe, zu gucken, wie fair sind die verschiedenen Themen darin dargestellt.

Simonetta Batteiger:

Simonetta Batteiger: Und was mit KI-Produkten natürlich auch möglich ist, man kann Dinge, die für einen Use-Case gebaut wurden, auch für andere Dinge benutzen. Und dazu muss ich mir halt Gedanken machen. Das war auch mit anderer Software schon möglich, wenn ich die auf GitHub veröffentlicht habe und die war zur Verfügung für alle. Dann konnte natürlich auch jeder damit irgendwas anderes weiterbauen, auch Dinge, die ich vielleicht nicht gut finde. Aber ich glaube, es ist im Rahmen von KI-Produkten schon nochmal, ja, etwas, worüber sich jedes Team, was so ein Produkt baut, Gedanken machen sollte. Meine Bilderkennungssoftware, die kann natürlich lustige Katzenbilder erkennen. Die kann aber auch ein Targeting-Algorithmus werden. In einem militärischen Kontext möchte ich das, möchte ich da in meinem Licensing Agreement vielleicht bestimmte Dinge regeln und habe ich in irgendeiner Form irgendeinen Kill Switch eingebaut in meine Software, sodass wenn Dinge passieren, die ich nicht beabsichtigt habe, die ich definitiv nicht möchte, dass ich dann die Möglichkeit habe, eine Software auch abzustellen. Und ich glaube, das muss man sich schon mit überlegen, wenn man so ein Produkt baut, was unter Umständen für Dinge benutzt wird, die man gar nicht auf dem Schirm hat.

Stefanie:

Stefanie: Das Problem ist wahrscheinlich, das ist jetzt alles noch so neu, dass dieses Thema Ethik ja auch beliebig groß sein kann. Also man kann noch gar nicht abschätzen, was in der Zukunft alles mit den Produkten, die ich heute baue, möglich ist, oder? Ist das auch die Krux in der Geschichte?

Simonetta Batteiger:

Simonetta Batteiger: Ja, das ist Teil der Krux der Geschichte natürlich. Aber ich kann mir trotzdem Gedanken machen, was sind denn die Dinge, die ich damit erreichen möchte? Welchen Impact möchte ich haben? Und es gibt zum Beispiel von der OECD ein ganz tolles Modell dazu, wie man sich laufend im Bauen der KI-Produkte, aber auch in der Maintenance und im kontinuierlichen Betrieb immer wieder daraus damit auseinandersetzen kann und darf. Welchen Use-Case sehen wir denn jetzt? Den wir vorher gar nicht auf dem Schirm hatten und eine laufende Bewertung dazu zu machen, um zu sehen, möchte ich das weiter mit anbieten, ja oder nein. Dazu muss ich nicht wissen, was vielleicht in Zukunft kommen wird, aber ich muss ein Monitoring haben, um zu verstehen, hier ist auf einmal sehr viel Usage für irgendwas, was ist das überhaupt, ist das noch im Rahmen dessen, was ich gut finde, oder ist das jetzt ein Use-Case, den ich überhaupt nicht unterstützen will und

Simonetta Batteiger: Deswegen kann ich A, B oder C direkt in meiner Software machen, ohne dass ich dann mich hinsetzen muss und erst in dem Moment erkenne, ah, hier ist jetzt irgendwas. Ich habe aber gar keine Möglichkeit, in meine Software eingebaut zu reagieren. Und das kann man vorher schon mit einbauen und berücksichtigen. Wird das perfekt sein? Natürlich nicht, aber es ist ein Schritt weiter als naiv anzunehmen, dass die Software wirklich nur für den einen Use Case benutzt werden wird, den ich mir am Anfang ausgedacht habe. Das war mit klassischen Produkten noch nicht so und das wird mit KI-Produkten auch nicht so sein.

Stefanie:

Stefanie: Ja, okay. Also so anders sind KI-Produkte dann eben doch nicht. Was würdest du denn Produktmanagern oder Produktteams raten, wie sie da strukturiert vorgehen? Du hast ja zum Beispiel einen Canvas entwickelt, an dem man sich, je nachdem, in welcher Phase des Produktlebenszyklus man sich befindet, orientieren kann. Erzähl mal, was du da entwickelt hast.

Simonetta Batteiger:

Simonetta Batteiger: Ja, ich habe mich einfach intensiv damit beschäftigt, was sind eigentlich die ethischen Fragen, die beim Entwickeln von KI-Produkten auftreten und an welcher Stelle des Produktlebens oder Produktentwicklungszyklus sollte ich mich mit welchen dieser Fragen beschäftigen.

Simonetta Batteiger: Und ich habe dazu ein ganz klassisches Produkt-Lebenszyklus-Modell benutzt, was von Discovery über Analysis, Development, Marktintroduction und Growth and Maturity und am Schluss irgendwann vielleicht auch Produkt abschalten.

Simonetta Batteiger: Diesen ganz klassischen Produktlebenszyklus beschreibt und habe mir dann einfach mal überlegt, okay, an welchem Teil könnte ich mir welche Fragen stellen und welche Tools habe ich dann auch schon gefunden, die zum Beurteilen dieser Fragen an diesem Teil des Prozesses gut wären, um dafür mal ein Beispiel zu geben, wenn ich noch in der Analysephase bin, ganz am Anfang und mir überlege, was baue ich denn hier überhaupt. Dann kann ich da halt schon anfangen, mir zu überlegen, Datasheets für meine Datensätze mit einzusetzen, sodass es von Anfang an klar ist zu beschreiben, welche Daten habe ich hier überhaupt drin, was können die, für was sind, wie sind die strukturiert. Wenn ich das dann entwickle, dieses KI-Produkt, dann kann ich mir eine Modelcard mit anlegen und auch genau dokumentieren, was dieses Modell eigentlich machen soll. Kann definieren, wie, mit welchen Inputs, welche Outputs generiert werden sollen, sodass ich hinterher dann, wenn es dann im Markt ist, dieses Monitoring machen kann, von dem ich ja schon gesprochen habe, um herauszufinden, ob Dinge so genutzt werden, wie es gedacht ist und auch, ob die KI noch die Outputs so generiert, wie es im Training vielleicht mal angedacht war oder ob sich irgendwas verschoben hat. Vielleicht habe ich ja neue Daten irgendwoher bekommen, die mein gesamtes Modell im Output fragwürdig werden lassen.

Simonetta Batteiger: Und um dieses Monitoring halt mit zu bedienen kann, muss ich mir halt schon während dem Entwickeln des Produktes Gedanken machen, was möchte ich eigentlich tracken, wie schreibe ich diese Sachen mit, wie mache ich mein Monitoring und was mache ich dann überhaupt, also an welchen Stellen werde ich tätig und dazu kann ich mir halt auch schon Gedanken machen, welche Welt will ich gestalten, was möchte ich sehen als Impact von meinem Produkt und was möchte ich nicht sehen. Sodass ich weiß, was ich monitoren möchte. Also ich möchte dann bestimmte Dinge natürlich positiv sehen und wenn ich die nicht positiv sehen kann, dann muss ich neugierig werden und mir die Frage stellen, was passiert hier denn eigentlich? Ist das noch im Rahmen dessen, was ich will oder ist das was anderes? Dazu muss ich dann nämlich nicht wissen, was dieses andere neue Ding ist, was dann vielleicht kommt, was ich nicht vorhersehen kann, aber ich kann wissen, dass es nicht das ist, was ich mal positiv definiert hatte.

Stefanie:

Stefanie: Ja, das spielt ja so ein bisschen rein in die Prinzipien der Produktentwicklung, die man sich vielleicht vorher als Produktteam überlegen sollte und dann regelmäßig kontrolliert, passt mein Produkt noch zu den Prinzipien, die ich mal formuliert habe.

Simonetta Batteiger:

Simonetta Batteiger: Ja, genau. Und dazu gibt es auch schon ganz viele Modelle und Tools. Da muss man zu nichts diesen Dingen, muss man das Rad komplett neu erfinden. Man kann sich einfach an dieser Canvas, die ich auch über meinen Blog veröffentlicht habe, orientieren und damit anfangen und starten, sich Gedanken zu machen.

Simonetta Batteiger: Das ist kein Rocket Science, das ist einfach eine zusätzliche Compliance Aufgabe auch. Also man muss sich ja auch zum Beispiel Gedanken dazu machen, was darf ich überhaupt bauen als KI Produkt. Es gibt ja in Europa mit dem EU AI Act auch eine Regulation dazu und da kann es für die Firma ja auch extrem teuer werden, wenn ich Dinge baue, die vielleicht nicht erlaubt sind.

Simonetta Batteiger: Und gerade da ist ja, also vielleicht auch aus Marketing und Selbstsicht zum Beispiel, sind ja Dinge unter Umständen wünschenswert, die aber speziell in diesem AI Act verboten sind, nämlich das Profiling von Menschen. Und da könnte man schnell auf die Idee kommen, ach das wäre doch praktisch, wenn ich irgendwie Menschen nach einem bestimmten Thema sortieren könnte, um dann im Sales bessere Erfolge zu haben, aber so ein Produkt darf ich halt zum Beispiel gar nicht bauen. Und wenn das dann irgendwann bei einer Prüfung herauskäme, dann entstehen halt auch fette Strafen. Das möchte ich natürlich das Unternehmen vermeiden.

Stefanie:

Stefanie: Ne, das heißt, da muss man auch ganz einfach seine Hausaufgaben machen und die Fakten kennen halt. Thema EU-EI-Act, das klingt ja erstmal wie so ein Behördenmonster. Was ist deine Meinung dazu?

Simonetta Batteiger:

Simonetta Batteiger: Ich finde das eigentlich gut, weil es entsteht eine Debatte, die wichtig ist. Und ich glaube, wir haben schon oft genug gesehen, dass gerade auch Tech-Unternehmen so einen Ansatz fahren, disrupt und dann apologize later. Und ich glaube, ja, es ist schon eine gute Sache, bestimmte Dinge vielleicht nicht zu tun.

Stefanie:

Stefanie: Genau, erstmal loslegen und hinterher aufräumen.

Simonetta Batteiger:

Simonetta Batteiger: die technisch möglich wären, die aber für uns als Menschen Auswirkungen hätten, die wir einfach wirklich nicht wollen.

Simonetta Batteiger: Und ich glaube, darüber überhaupt ein Gespräch zu führen, einen Dialog zu führen und mal zu sagen, okay, es gibt auch Grenzen, Dinge, die wir wirklich nicht wollen. Das ist ja auch mit dem AI-Thema jetzt nichts Neues. Also wir haben ja schon immer Gesetze gemacht für Dinge, die sich vielleicht besser als Gruppe regeln lassen, auch wenn es Einzelne gäbe, denen es lieber anders wäre.

Simonetta Batteiger: Aber ich meine, ganz klassische Dinge wie Urlaubstage, ein Recht auf Urlaubstage zu haben, ja, also Arbeitgeber hätten vielleicht ein Interesse daran, nicht so viele zu geben, aber wir alle haben einen großen Vorteil davon, dass wir ein Recht auf Urlaubstage haben als Arbeitnehmer. Und ich glaube, so kann man das mit dem EU-AI-Act auch sehen. Es gibt einfach Dinge, wo es gut ist, wenn man sagt, okay,

Simonetta Batteiger: In dem Rahmen wollen wir spielen und in dem Rahmen wollen wir nicht spielen, ist das jetzt schon perfekt? Nein, natürlich nicht. Das wird sich noch weiter verbessern und schärfen. Aber ich finde es prinzipiell richtig, dass man sich Gedanken zu diesen Themen macht und das auch gesetzlich regelt.

Stefanie:

Stefanie: Ja, interessant, weil vor diesem Hintergrund kann man ja auch so Umfrageergebnisse wie die ich vorhin schon zitiert habe, dass 50 Prozent der deutschen Unternehmen eben noch keine generative KI-Einsatz ja auch positiv interpretieren, dass man sich vielleicht Zeit lässt bei der Entwicklung einer Strategie und evaluiert, bevor man einfach loslegt, um da vielleicht auch

Stefanie: ja, Governance-Themen, ethische Themen mit einzubeziehen in die Überlegungen.

Simonetta Batteiger:

Simonetta Batteiger: Aber ich glaube, das weiß jedes Unternehmen schon selbst. Sind wir einfach nur vorsichtig und überlegen wir klug oder überlegen wir gar nicht und haben noch nicht mal gestartet? Also wenn man da in den Spiegel guckt, dann weiß man schon, in welchem Team man da gerade unterwegs ist. Und wenn man in dem Status ist, dass man einfach noch gar nicht angefangen hat und vielleicht auch gar nicht weiß, wo man anfangen soll, dann wäre mein Tipp einfach neugierig sein und mal ein LLM ausprobieren, also sowas wie Inter-GPT ausprobieren und vielleicht auch mal eine Bildgenerierungssoftware ausprobieren, irgendwie ein Dali oder ein Mid Journey oder irgendein anderes, ist ja total egal welches, einfach mal ausprobieren, um zu sehen, was es überhaupt ist. Weil ich glaube, dann kann man sich besser vorstellen, wie könnten wir sowas vielleicht auch benutzen.

Stefanie:

Stefanie: Und wenn es darum geht, selber KI-Produkte zu entwickeln, dann kann man sich ja auch an klassischen Prinzipien orientieren. Erzähl mal, wo kann man sich da lang hangeln als Produktmanager?

Simonetta Batteiger:

Simonetta Batteiger: Naja, also wenn ich jetzt ein KI-Produkt baue, wahrscheinlich wird ein Bauunternehmer, der bis jetzt Dachdecker war, nicht anfangen ein KI-Produkt zu entwickeln. Also wenn ich wirklich selbst ein KI-Produkt entwickeln will, dann bin ich wahrscheinlich ein Unternehmen, was bis jetzt auch schon Software gebaut hat. Wenn ich schon ein bestehendes System habe, was weiß, wie man Software baut, dann habe ich ja schon Produktteams im Unternehmen, die prinzipiell agil arbeiten können, die prinzipiell in der Lage sind, einen Markt zu verstehen, die prinzipiell in der Lage sind, im Discovery mit Kunden ein Problem zu erkennen, was es sich vielleicht lohnt zu lösen, das auch noch in die Unternehmensstrategie passt.

Simonetta Batteiger: Also diese ganz klassischen Dinge zu beurteilen, welches Problem im Markt möchte ich überhaupt lösen und wie löse ich dieses Problem so, dass es auch gut für meine Organisation ist. Das können diese Produktteams ja schon. Was sie jetzt zusätzlich noch lernen dürfen, wenn sie bis jetzt noch kein KI-Produkt gebaut haben, ist, dass sich wahrscheinlich die Teamzusammensetzung noch mal ein bisschen ändern darf, dass man

Simonetta Batteiger: Wie habe ich ja vorhin auch schon erwähnt, vorher hatte man wahrscheinlich keinen Data Scientist in dem Team, das das Produkt gebaut hat. Den brauche ich jetzt als Rolle in diesem Team und ich werde wahrscheinlich auch Software Ingenieure brauchen, die Erfahrung mit Machine Learning im Software Engineering haben. Das heißt, ich muss entweder mein Team schulen oder ich hole mir jemand rein, der das schon kann, der dann anfängt mit dem Team so zu arbeiten. Das ist wahrscheinlich der schnellere Weg.

Simonetta Batteiger: Aber es ist im Prinzip auch nur eine Software, die man baut mit einem speziellen Einsatz einer KI-Technologie. Und das können diese Teams schon. Also es gibt natürlich Produkte, die

Stefanie:

Stefanie: Das ist nämlich die Frage, ist KI das Produkt oder ist KI nur ein Feature, das Produkt sozusagen oder ein Teil des Produkts?

Simonetta Batteiger:

Simonetta Batteiger: komplett auf KI basiert sind. Also der GPT zum Beispiel ist ein KI Produkt. Aber es nutzt KI als Technologie, um dieses Problem zu lösen, mehr oder weniger. Also sie versuchen ja zumindest, sie sind noch nicht an dem Punkt zu sagen, wir haben eine dem Menschen ähnliche Intelligenz geschaffen. Aber sie wollen ja mehr oder weniger das Problem lösen. Du kannst die Maschine mit Sprache, so wie wenn du mit einem anderen Menschen redest, eine Frage stellen und die gibt dir eine richtige Antwort zurück, die basiert auf sehr viel mehr Daten, als ein einzelner Mensch sich jemals in seinem Leben aneignen könnte. Das ist ja das Problem, was sie versuchen zu lösen. Und sie versuchen das natürlich auch so zu tun, dass die Firma OpenAI mit diesem Subscription Model Geld verdient. Also es ist ein klassisches Produkt, was KI zum Einsatz bringt. KI als Produkt, also für mich ein Produkt, ist etwas, was ein Problem löst und für die Firma Wert schafft.

Simonetta Batteiger: Und KI an sich nur als Algorithmus für sich selbst, als Selbstzweck, ist kein Produkt. Ein KI, die ein Problem löst, und eine Wirtschaft ist ein Produkt. Das ist für mich so der Unterschied. Genau.

Stefanie:

Stefanie: Und das muss man halt eben im Vorfeld evaluieren, ob dieser Wert durch den Einsatz von KI-Technologie dann tatsächlich geschaffen wird. Ja, genau. Wir haben kurz diese Prinzipien der Produktentwicklung angerissen. Das geht ja auf Marty Kargen zurück, richtig? Genau, erzähl mal, worum es da geht und warum die so wichtig sind.

Simonetta Batteiger:

Simonetta Batteiger: Ja. Ja, Martin Kagan arbeitet mit der Silicon Valley Group schon seit sehr, sehr langer Zeit daran zu verstehen, wie arbeiten eigentlich große Tech-Unternehmen so, dass sie so erfolgreich sind? Und da hat er sich angeguckt, so ein Amazon, Netflix, Microsoft, Salesforce, diese ganzen großen Tech-Unternehmen, die wir alle kennen, die schon sehr lange erfolgreiche Tech-Produkte bauen. Um herauszufinden, was haben die eigentlich alle gemeinsam, wie machen die das, wie entwickeln die Produkte, sodass am Ende gute Ergebnisse dabei herauskommen. Und der hat schon vor ziemlich langer Zeit ein Buch geschrieben, das heißt Inspired, wo er gesagt hat, alle diese Teams, wenn die ein Produkt bauen, haben vier Dinge im Blick. Die haben im Blick, ist das, was man ein Produkt macht für irgendjemanden valuable, also gut für irgendetwas,

Simonetta Batteiger: Ist es für diese Person usable, also nutzbar in irgendeiner Form? Ist es feasible, dieses Ding zu bauen? Also ist es machbar, es herzustellen? Und ist es viable für das Unternehmen? Also ist es geschäftsfördernd für das Unternehmen, in dem ich gerade bin und zu dieser Betrachtung von Viability gehört auch das Thema Compliance, also darf ich dieses Ding überhaupt so bauen? Welche Gesetze gibt es zu beachten? Es geht natürlich auch um das Thema Profitabilität. Und diese Themen als Aufgabe eines Produktentwicklungsteams werden geteilt zwischen dem Produktmanager im Team, dem

Simonetta Batteiger: UX Researcher im Team und dem UX Designer im Team und einem technischen Engineer im Team, der sich dem Thema Feasibility zum Beispiel widmet. Man hat noch nie eine Person gehabt, die alle diese Risiken alleine beurteilt. Man macht das immer im Team in der Produktentwicklung und diese Beurteilung dieser Dimension löst sich überhaupt irgendein Kundenproblem. Ist es für den User nützlich? Also wenn du jetzt mal der GPT zum Beispiel als Produkt anschaust, ja, also welches Problem löse ich für meinen User? Okay, der hat irgendeine Frage und er bekommt eine Antwort. Also Antworten bekommen ist ja schon mal eine super Sache. Ist es nützlich? Ist es nutzbar? Ja, es ist eigentlich super einfach nutzbar. Ich muss meine Frage nur wie in Google fällt halt da eintippen und dann kommen meine Antworten zurück und dann kann ich noch mal sagen, ja war gut oder war nicht so gut oder ich möchte noch ein bisschen mehr wissen. Also im Prinzip ist es nützlich für mich und nutzbar für mich, verstehe sofort, wie das funktioniert. Das könnte meine Oma benutzen. Es ist nicht schwer. Ist es feasible zu machen, da wird es jetzt natürlich schon schwieriger, wenn man da mal reinschaut, was bedeutet das eigentlich, so ein LLM zu bauen? Ja, also das ist ja ein riesiger Aufwand. Deswegen kostet es ja auch so ein Schweinegeld, so ein Model selbst zu bauen. Und dann ist es viable. Das ist die Betrachtung, der stets im Moment tatsächlich zur Debatte. Also es ist nicht klar, inwiefern zum Beispiel Open AI im Moment sustainable wirtschaftlich arbeiten kann. Sam Altman versucht ja gerade, sieben Milliarden einzutreiben für die Weiterentwicklung des nächsten Models.

Simonetta Batteiger: Die große Frage ist, werden die das jemals zurückverdienen? Aber diese Fragestellungen, die sind natürlich schon immer da gewesen. Es war für Unternehmen schon immer so, dass man irgendwie wirtschaftlich haushalten musste. Eine Zeit lang konnte man auch schon immer mit einem neuen, coolen Produkt erst mal nicht wirtschaftlich arbeiten, um später wirtschaftlich zu werden. Also auch, wenn man in die Anfänge von Amazon zurückdenkt, die waren ja auch nicht immer von Anfang an profitabel. Die wurden es irgendwann.

Simonetta Batteiger: Aber diese Betrachtung, die wird natürlich weiterhin da sein. Und wir haben alle den neuen Markt auch gesehen, wie viele Tech-Unternehmen damals in diesen Tech-Hype an den Markt gekommen sind. Viele von denen sind auch nicht mehr da. Und die besten sind natürlich geblieben. Und ich glaube, mit KI werden wir den gleichen Zyklus sehen. Im Moment ist das ein Riesenhype. Es gibt ganz viele KI-Startups. Und die, die es schaffen, einen Nutzen zu bauen und wirtschaftlich zu arbeiten, die werden überleben und die anderen nicht.

Stefanie:

Stefanie: Ja, okay, also jetzt ist wahrscheinlich erst mal so ein Wettrennen um die besten Ideen und die besten Produkte und einige davon werden sich letztendlich durchsetzen und andere halt hinten überfallen. Genau und so ähnlich wird es dann ja auch mit den Nutzenden sein, die dann am Ende jetzt sind alle ganz aufgeregt und probieren sich aus und wissen vielleicht auch nicht so genau. Aber das wird sich alles konsolidieren wahrscheinlich am Ende.

Simonetta Batteiger:

Simonetta Batteiger: Ja.

Simonetta Batteiger: Stefanie

Simonetta Batteiger: Also wenn wir mal so einen Blick in die Glaskugel werfen, was ist denn deine Prognose für so in fünf Jahren? Wo stehen wir denn da?

Simonetta Batteiger:

Simonetta Batteiger: Ich habe diese Glaskugeln auch nicht, aber ich glaube schon, dass Technologie und auch KI immer weiter in unser Leben eindringen werden und in eine immer größere Rolle spielen werden. Und es ist ja auch nicht so, dass wir alle nicht schon seit Jahren KI-Produkte nutzen. Wir haben ein Smartphone, auf dem ist sowas drauf wie Google Maps. Das ist mit unserem Auto verbunden, in dem wir während wir fahren schon hören, ach, auf dieser Strecke wird wahrscheinlich jetzt ein Stau kommen. Du kannst so und so um diesen Stau herumfahren und dann kommst du schneller ans Ziel. Das ist ja auch ein KI-Produkt. Das haben wir schon ewig im Einsatz und viele von uns wissen gar nicht, dass wir ein KI-Produkt benutzen. Also wenn du in diese Statistik guckst, wenn Leute, die sagen, sie benutzen alle kein KI-Produkt, die benutzen wahrscheinlich alle ein KI-Produkt, ohne es zu wissen.

Stefanie:

Stefanie: Genau, aktuell ist die Diskussion vor allem um generative KI, aber es gibt ja auch noch nicht generative KI und die nutzen wir natürlich schon länger, vielleicht ohne es so genau zu wissen.

Simonetta Batteiger:

Simonetta Batteiger: Richtig. Ja, und ich glaube, das wird einfach weiter fortschreiten. Also es wird weiter Dinge geben, wie verschiedene Technologien auch zusammenspielen. Also es wird viel über KI geredet, aber es gibt ja auch noch das Thema Blockchain. Es gibt auch noch die Web3-Produkte und alles, was in die Richtung weiterentwickelt wird. Und ich glaube, da werden wir einfach in diesem Zusammenspiel von allen diesen Technologien noch sehr viel mehr sehen und Dinge ganz anders benutzen, als wir uns das heute vorstellen können. Aber dass das Thema weggeht, dass wir irgendwie in fünf Jahren weniger Technik nutzen als heute, das glaube ich nicht.

Stefanie:

Stefanie: Nee, das glaube ich auch nicht. Ganz im Gegenteil, Simonetta ist ein schönes Schlusswort eigentlich, unser Blick in die Glaskugel. Kai ist gekommen, um zu bleiben und er war vielleicht auch schon seit langem da, jetzt halt in neuen Facetten.

Simonetta Batteiger:

Simonetta Batteiger: Das war's.

Stefanie:

Stefanie: Simonetta, wir sehen uns ja spätestens Ende September auf dem Women Plus in Data & AI Festival, wo du eine Session leitest, genau zu diesem Thema. Da freue ich mich schon drauf für alle, die nicht wissen, was das Women Plus in Data & AI Festival ist. Das ist eine Data & AI Konferenz, die ausschließlich Frauen und Gender Minorities auf der Bühne als Speaker hat. Alle sind natürlich herzlich willkommen daran teilzunehmen, Männer, Frauen, unabhängig vom technischen Background. Das findet am 27. September in Berlin im Radialsystem. Stadt Simonetta hält, wie gesagt, einen Vortrag und ich möchte eigentlich alle unsere Hörerinnen und Hörer dazu einladen, sich das mal anzuschauen und daran teilzunehmen. Es lohnt sich wirklich. Wir haben das letztes Jahr zum ersten Mal gemacht. Simonetta, du warst auch vor Ort. Was war dein Eindruck?

Simonetta Batteiger:

Simonetta Batteiger: Das hat einfach Spaß gemacht. Das war ein tolles Programm. Es gab super viele spannende Gespräche, total spannende Vorträge und für mich auch zu dem Zeitpunkt wieder so was, wo ich einfach viel gelernt habe. Und ich glaube, jeder, der in einem technischen Umfeld arbeitet oder auch nur neugierig ist, kann bei dem Festival viel lernen und wird auch viel Offenheit treffen.

Stefanie:

Stefanie: Ja, und wird auch sehen, wie auch weiblich diese Szene ist, die sich mit DTNT-Ithemen beschäftigt. Jung und weiblich, möchte ich dazu sagen. Von daher, ja, schaut's euch an und kauft ein Ticket im medialen Fall. Es lohnt sich wirklich. Simonetta, vielen Dank für das Gespräch. Ich hoffe, dir hat's auch Spaß gemacht. Genau, und ich sage tschüss und bis zum nächsten Mal.

Simonetta Batteiger:

Simonetta Batteiger: Ja, vielen Dank, Stefanie. Tschüss.