Verena Weber – Once upon a time in data science. Spielt Deutschland im Sand? Women in Data and AI

**Stefanie:**

Hallo und herzlich willkommen zu einer neuen Ausgabe von AI und Jetzt. Heute mal wieder mit mir, Stefanie, und ich freue mich auf meinen Gast heute, Verena Weber. Hi Verena, schön, dass du da bist.

**Verena:**

Hi Stefanie, freu mich auch.

**Stefanie:**

Ich habe mir mal Hilfe von Perplexity und CHatGPT geholt, um dich jetzt hier gleich mal gebührend vorzustellen. Ich habe hier so einen kleinen Monolog vorbereitet. Ich trage den jetzt mal vor. Ich hoffe, du fühlst dich damit gut vorgestellt. Wenn nicht, dann reden wir danach drüber.

**Stefanie:**

Okay. Verena ist selbstständige Beraterin und Chief AI Officer für GenAI und unterstützt Unternehmen dabei, die Möglichkeiten dieser Technologie optimal zu nutzen und die Transformation erfolgreich zu gestalten. In ihren beruflichen Stationen war sie als Data Scientist in verschiedenen Rollen bei mobile.de und Oetker Digital tätig und hat wertvolle Erfahrungen als Beraterin für Data Science beim Deloitte Analytics Institute in Berlin gesammelt. Bei Amazon Alexa arbeitete sie schließlich als Research Scientist mit den Schwerpunkten NLP, Deep Learning und Gen AI. Mit mehr als acht Jahren Erfahrung im Machine Learning, insbesondere im Bereich des Natural Language Processing, bringt Verena umfassendes Wissen mit, das sie jetzt als strategische Beraterin an ihre Kunden weitergibt. Verena engagiert sich zudem aktiv für mehr Genderdiversität in der Tech-Branche. Unter anderem bringt sie einen eigenen Newsletter heraus, Women in AI, und setzt sich auch darüber hinaus für die Sichtbarkeit und Vernetzung von Frauen im KI-Bereich ein.

Tada!

**Verena:**

Ja, da war eigentlich so das Wichtigste drin, würde ich sagen.

**Stefanie:**

Sehr schön, dann danke ich Plexity für diese gute Zusammenfassung. Was ich toll finde ist, du bist seit mehr als acht Jahren im Bereich Machine Learning als Data-Scientist tätig. Das ist ja richtig lange vor dem GenAI-Hype, der so seit 2022 mit der Einführung von ChatGPT herrscht. Da interessiert mich natürlich gleich, wie kam es dazu?

**Verena:**

Ja, also ich habe auf jeden Fall lange vor dem Hype angefangen. Ganz am Anfang meiner Karriere damals mussten wir auch noch echt viel mehr Überzeugungsarbeit leisten als jetzt. Warum man denn KI nutzen sollte oder damals eher Machine Learning hat man es noch genannt und was es für Vorteile hat. Genau, ja, wie kam es dazu? Ich muss ganz ehrlich sagen, das war so ein schrittweiser Prozess bzw. hat sich ein bisschen so ergeben. Also ich habe nach dem Abi ehrlich gesagt nicht so genau gewusst, was ich eigentlich studieren soll und hab eigentlich immer gerne Sprachen gelernt, war aber auch sehr gut in Mathe. Wollte jetzt nicht so ganz klassische Sprache studieren, weil mir dann irgendwie nicht so klar war, was ich danach machen soll. Das heißt, ich hab erstmal VWL gewählt, weil das so ein Ding ist, wo man sich viele Möglichkeiten offen hält und sich noch nicht so festlegen muss.

**Stefanie:**

Mhm.

**Verena:**

Und genau, habe dann VWL in Kombination mit Sinologie, also Chinesisch im Nebenfach gehabt, also so konnte ich dann quasi das Mathe und die Sprachen wieder zusammenbringen. Und ja, dann mit VWL gestartet, habe dann aber doch gemerkt, ja, irgendwie ist es nicht so ganz meins, weil man ja dann doch da sehr viele Annahmen trifft, irgendwelche Modelle durchrechnet und dann am Ende zu Ergebnissen kommt. Aber je nachdem, wie man halt die Annahmen vorne verändert, kommt man hinten wieder zum anderen Ergebnis. Und ich fand es bei VWL irgendwie so ein bisschen ja nicht greifbar, weil man diese Annahmen nicht so gut überprüfen konnte. Dann hatte ich eben sehr viel Statistik auch in VWL und da war das natürlich anders. Da haben wir auch viele Annahmen getroffen, aber anhand der Daten konnte ich die dann auch überprüfen. Und bin dann eben der Statistik treu geblieben, habe meine Bachelorarbeit in dem Bereich geschrieben, habe dann einen Master gemacht in Statistik und kam dann über die Wahlfächer auf eben Data Science und Machine Learning. Also habe dann eben beim Master erste Kurse da belegt, fand das dann auch viel spannender als die klassische Statistik, weil man so ein bisschen kreativer unterwegs war, man hat einfach sich die Daten angeguckt, sich überlegt, okay, was könnte funktionieren, hat das dann ausprobiert und war dann nicht irgendwie wieder in so einem rigorosen Framework wie in der klassischen Statistik. Genau, und dann habe ich einfach entschieden, okay, ich möchte bei der Sache bleiben und möchte da meinen Berufseinstieg schaffen oder machen und habe das dann auch nach dem Studium direkt so umgesetzt.

**Stefanie:**

Und ich nehme an, damals das war gar nicht so, also heute hört man ja den Begriff Data Scientist, Data Science, Machine Learning, das ist ja wie Sand am Meer. Das war damals noch eine andere Geschichte, oder? Überhaupt einen Job zu finden oder den Einstieg ins Berufsleben.

**Verena:**

Total, also es war echt krass, weil, also ich wollte unbedingt in Berlin bleiben, bin für den Master nach Berlin gekommen, wollte dann dableiben. Und man kann sich es heute nicht mehr vorstellen, aber damals, also 2017 war das, oder nee, 2016 habe ich angefangen zu suchen, da hat noch nicht mal Zalando einen Data Scientist in Berlin angestellt. Also da haben die eine Stelle ausgeschrieben in Dublin, also eine einzige Stelle. Und wenn man jetzt oder vor ein, zwei Jahren irgendwie da reingeguckt hat, dann Amazon, Zalando, was weiß ich, wer alles Data Scientist eingestellt hat, aber damals, ja, gab es fast nichts, also weder von Amazon noch Zalando, noch Delivery Hero und wie sie sonst jetzt alle hier heißen. Es gab so ein paar kleinere Start-ups, die dann so eine Data Scientist Rolle ausgeschrieben haben. Meistens aber hatten die ja schon Leute gesucht mit ein bisschen Erfahrung und ich kam halt direkt von der Uni und tatsächlich die einzige Möglichkeit war dann eben bei Deloitte als Beraterin für das Thema Data Science.

**Stefanie:**

Da hast du dir schon mal die Beraterkompetenz eingeholt.

**Verena:**

Genau, ich habe in der Beratung angefangen, also das war mein erster Vollzeitjob damals am Analytics Institute, war auch innerhalb der Deloitte Organisation so eine relativ neue Einheit eben mit diesem Fokus, thematischen Fokus auf Data Engineering oder Big Data und Data Science hat man halt damals noch gesagt. Und genau, da bin ich dann eingestiegen und wie gesagt, man hat auch gemerkt…

**Stefanie:**

Gab es damals schon so Projekte, die von Beratungen übernommen wurden?

**Verena:**

Ja, also es gab schon Projekte, haben wir auch welche gemacht, aber das, was ich auch gerade schon mal angeschnitten habe, es war wirklich noch, ja, also es war jetzt so ein bisschen mehr, man war in irgendwelchen Innovation Labs unterwegs und hat mal hier und da irgendwie so ein Pilotprojekt gemacht und auch noch viel so, ja, okay, wie schaffen wir es denn überhaupt, Kunden von dem Thema Machine Learning oder KI so zu überzeugen und denen verständlich zu machen, was das ist und was die Vorteile sind. Also es war natürlich noch nicht so wie jetzt, dass die Leute auf einen Zug kamen oder weniger auf einen Zug kamen und gesagt haben, wir wollen das Thema jetzt unbedingt angehen.

**Stefanie:**

Du hast also deine Anfangsjahre in der Beratung verbracht und bist dann aber gewechselt auf die andere Seite sozusagen, erzähl mal, was es da für Herausforderungen gab.

**Verena:**

Na ja, also ich meine, so meine Beratungszeit war auf jeden Fall spannend. Man hat da irgendwie, wie es halt so ist in der Beratung, man macht da viele Sachen in kurzer Zeit und irgendwie einmal so ein Ritt durch verschiedene Industrien und auch gleichzeitig verschiedene Machine Learning Themen, also von der Bilderkennung zu Spracherkennung zu Predictive Maintenance und Dashboards, was dann natürlich nicht so richtig Machine Learning ist, aber es war so alles mit dabei. Aber sehr viel halt auf der Proof-of-Concept-Ebene. Man hat da irgendwie wenig Produktionssysteme gesehen, auch weniger so die Möglichkeit gehabt, mal irgendwie, ja, neun Monate wirklich konstant an einem Thema zu arbeiten. Und ich habe mir dann einfach gedacht, na ja, ich würde gerne technischer auch nochmal tiefer reingehen und habe das dann einfacher realisiert gesehen auf der Unternehmenseite und bin dann eben in so eine klassische Data Science-Rolle gewechselt. Zuerst bei Oetker Digital, also so eine In-House-Beratung im Prinzip, also In-House-Beratung bis Inkubator, alles für die Oetker Gruppe. Ja, und hab dann da, das war dann eher so wirklich klassisches Data Science mit Demand-Forecasting, Zeitreihen, ja, wie schaffen wir es, bestimmte Nachfrage vorherzusagen, solche Themen, sehr klassisch. Hab dann aber doch noch mal gemerkt, so okay, Oetker ist halt ein Unternehmen, was irgendwo diese Transformation schaffen muss, hin zu einem datengetriebenen Mindset und Kultur. Und was ich dann eigentlich schon sehen wollte, ist, wie sieht es denn aus, wenn man wirklich mal datengetrieben ist? Und wie ist sozusagen dieses Zielbild, wo die älteren Unternehmen alle hinwollen?

**Stefanie:**

Mhm. Ja.

**Verena:**

Ich habe mich dann entschieden, zu mobile.de zu wechseln, also E-Commerce-Plattform für Gebrauchtwagen, war damals noch Teil von eBay, ich glaube 1996 oder so was, gegründet. Das heißt, die sind natürlich schon viel mehr in dieses Datenthema rein gewachsen und mussten nicht irgendwie so eine Transformation hinkriegen. War dementsprechend für mich als Data Scientist auch eine ganz andere Experience.

**Stefanie:**

Mhm.

**Verena:**

Ich kam quasi kam am ersten Tag, dann hieß es so, hier ist unser Data Warehouse, kannst du die Daten ziehen und dann kannst du loslegen so quasi. Und das hatte ich halt davor auch noch nicht erlebt. Davor war es halt so, okay, wo liegen die Daten? Wie kriegen wir jetzt die Daten hin? Und dann teilweise wurden uns die Daten per E-Mail in Excel geschickt. Also es heißt jetzt auch nicht wahnsinnige Mengen von Daten, die wir da verarbeitet haben.

**Stefanie:**

Das ist so ein bisschen hemdsämlich.

**Verena:**

Nicht immer, aber das kam auch manchmal vor. Ja, und das war natürlich so ein Data Warehouse schon echt nochmal ein anderes Gefühl. Genau, da habe ich mich dann eher so mit dem Thema kausale Inferenz beschäftigt, also geguckt, wenn so eine Werbekampagne rausgeschickt wird, und der Kunde hat danach irgendein zusätzliches Feature gekauft, hat er das aufgrund der Kampagne gekauft oder hätte er es sowieso gekauft?

**Verena:**

Aber typische Korrelation ist nicht gleich Kausalität. Genau, das, ja, und dann... Genau, ja, am Markt. Genau, das tatsächlich, ja, die hatten auch sonst viele Themen, die so im Bereich Marketing waren. Natürlich auch viel, wenn es darum geht, wie... Customize... Was sagt man denn auf Deutsch? Weiß ich jetzt gerade gar nicht, wie customize ich so ein...

**Stefanie:**

Also quasi im Marketing.

**Verena:**

Webseite für den jeweiligen Nutzer, der gerade ankommt, basierend auf dessen Plattform. Ja, und es war dann auch das erste Mal tatsächlich, wo ich mal PySpark benutzt hatte, weil wir tatsächlich mehr Daten hatten.

**Stefanie:**

Sagt mir jetzt persönlich nichts, aber das muss nichts heißen. Vielleicht erklärst du kurz, was das ist.

**Verena:**

Also es ist im Prinzip so eine Mischung aus Python und Spark und Spark ist eben eine Programmiersprache, wo man dann viel besser mit großen Datenmengen umgehen kann, weil man viel bessere Parallelisierungsmöglichkeiten hat.

**Stefanie:**

Okay, also mit anderen Worten viel professioneller. Ja, und dann kam ja Amazon als nächste Station, da warst du als Research Scientist, das heißt irgendwie in der Forschung, oder?

**Verena:**

Ja, das war tatsächlich eine spannende Rolle. Also es war ein bisschen anders als diese klassischen Data Science und Machine Learning Science Rollen, die man so kennt. Genau, es hieß Research Scientist und es war so ein bisschen zweigeteilt die Rolle. Also auf der einen Seite hatten wir tatsächlich so Research Projekte, wo es darum ging, dann eben das Alexa NLU, also Natural Language Understanding Modell, zu verbessern und… Also da waren wir auch wirklich sehr an, also wir haben da wirklich wissenschaftliche Paper gelesen, so die neuesten Entwicklungen verfolgt, wir hatten selber Ziele, eigene Paper zu veröffentlichen, waren viel mehr oder waren eigentlich nur auf den akademischen Konferenzen. In den Rollen davor war ich halt immer auf den Industry Conference, also Industriekonferenzen, sowas wie PiData oder sowas, während dann mit Amazon halt wirklich auf so im NLP oder ACL, was so bekannte akademische Konferenzen für Natural Language Processing eben sind. Und das war super spannend, weil mir tatsächlich manchmal so ein bisschen, ja, doch der inhaltliche Anspruch manchmal gefehlt hat, weil ich meine oder dann auch manchmal auch so, man ist ein bisschen begrenzt in den Technologien, die man halt auch nutzen kann, weil bei meinen Jobs davor und den Erfahrungen davor hat ganz oft auch der Business Case gefehlt, irgendwas Komplexeres zu nutzen. Insbesondere war es ja dann wirklich auch noch… Ja, Forest GPT und so. Ich meine, es gab zwar auch schon vortrainierte Modelle, die man hätte nutzen können, aber alleine dann so ein Modell auf so einer Grafikkarte laufen zu lassen, ist natürlich teurer, als wenn ich irgendwie einen Random Forest da auf meinem CPU laufen lassen kann.

**Verena:**

Ja, und das war halt dann bei Alexa anders. Da hatte man dann komplett die Möglichkeit, sich da auszutoben mit Cutting-Edge-Technology. Es gab natürlich auch innerhalb von Amazon eine riesen Machine-Learning-Community. Ja, wirklich jede Art von Machine-Learning-Algorithmus wird da irgendwo angewandt in den verschiedensten Formen. Und das war natürlich super spannend. Und auf der anderen Seite, also das war so der Research-Charakter der Rolle. Der andere Teil war schon auch, also Amazon ist ja so, die schreiben sich ja immer auf die Fahne, das alles, es geht immer um Customer Problems und so weiter. Das heißt, es gibt keine reinen Research Rollen, wie jetzt zum Beispiel bei DeepMind oder Google Brain oder so, oder auch Microsoft hat so ein paar Rollen, wo man wirklich nur Research macht, gibt es bei Amazon nicht. Es gibt immer diese Anwendung und diesen Bezug zu einem Produktionssystem. Ja, und das heißt, wir hatten schon dann als andere Teil der Rolle waren wir halt einfach verantwortlich dafür, dieses Modell zu maintainen, also zu gucken, dass die Datenqualität über die Zeit konstant bleibt, dass neue Releases rausgehen, dass wenn die Releases rausgehen, dass die Modelle auch mindestens genauso gut sind wie das Vorgängermodell, wenn irgendwelche Probleme auch mit dem Produktionsmodell waren, mussten wir die lösen. Also wirklich auch diesen operational, diese operationelle Seite abgedeckt. Ja, absolut. Also da habe ich extrem viel gelernt.

**Stefanie:**

Also stelle ich mir als eine sehr spannende Zeit vor, in der man wahrscheinlich auch total viel gelernt hat, oder?

**Verena:**

Also ja, aus ganz vielen verschiedenen Gründen. Also da ist natürlich einmal so eine Riesendynamik dahinter. Die Leute sind extrem kompetent. Also wirklich, wirklich Wahnsinn. Was für Leute, mit was für Leuten man also auch in der breiten Menge so zusammenarbeitet, nicht so irgendwie vereinzelt mal, sondern wirklich fast jeder, ist da irgendwie echt richtig gut, wo man so denkt, okay, wow. Auch so manchmal, okay, wie habe ich es jetzt hier reingeschafft? Aber ja, das hat sich schon auch an manchen Stellen ausgelöst, ja.

**Stefanie:**

Imposter-Syndrom.

**Verena:**

Ja, also einerseits natürlich von der fachlichen Ebene, aber dann auch wirklich, und das habe ich im Vorfeld unterschätzt, auch weil du gerade Imposter Syndrom gesagt hast, es gab super viele auch so Persönlichkeitsentwicklungs-Sessions.

**Verena:**

Zum Beispiel zum Thema Imposter Syndrom oder auch wie gehe ich strategisch vor in meiner Karriere? Was ist wichtig, um eine Beförderung zu bekommen? Und das hat mich auch auf einem, also natürlich die fachliche Herausforderung in Kombination mit diesem ganzen persönlichen Input fand ich extrem wertvoll. Und ansonsten auch natürlich einfach mal zu sehen, wie strukturiere ich Dinge gut, wie setze ich gute Prozesse auf? Weil Amazon ist ja ein Riesenkonzern. Ich glaube, irgendwie so 1,3 bis 5 Millionen Mitarbeiter weltweit. Und dass da alles so läuft, wie es läuft, ist schon echt krass.

**Stefanie:**

Ja, kommt einem fast wie ein Wunder vor, wenn da so viele Zahnräder ineinandergreifen müssen. Okay.

**Verena:**

Ja, und wenn man halt davor auch mal gesehen hat, wie es teilweise bei deutschen Konzernen ist. Also ich glaube, das ist ja auch kein Geheimnis, ne? Also da sind die Amerikaner auf jeden Fall effizienter. Das Gefühl hatte ich auch schon schon bei eBay damals. Ich glaube auch so von der Kultur her fand ich es halt auch angenehm, weil man richtig gemerkt hat. Also klar, auf der einen Seite hat man natürlich schon diesen Performance-Druck und der Leistungsdruck ist auf jeden Fall da. Aber auf der anderen Seite ist es halt auch so, dass jeder irgendwie Lust hat, was beizutragen und mitzumachen und dementsprechend man da auch viel Unterstützung finden kann.

**Stefanie:**

Ja, es ist viel Licht, aber auch viel Schatten bei diesen amerikanischen Konzernen, wenn man so an Hire- und Feierpolitik denkt oder so. Ich kenne das nur von Adobe oder so, da wird dann auch nicht lange gefackelt am Ende des Tages. Aber trotzdem ist es eine andere Kultur, die sehr auf diesen Outcome und Produktivität abzieht.

**Verena:**

Das ist richtig. Genau, und genau, am Ende muss man sich halt fragen, was ist einem so wichtig? Und für mich war jetzt Jobsicherheit oder so jetzt nicht so ein Riesenkriterium, weil also erstens in Deutschland, ich meine, ich war ja da während der Big-Tech-Krise, wann war das jetzt, glaube ich, vor ein oder zwei Jahren schon? Vor zwei Jahren dann wahrscheinlich, wo dann auch wir alle... Genau, und in Deutschland haben sie tatsächlich nicht nur die Leute in der Probezeit rausgeschmissen, weil es ihnen dann auch zu teuer war, irgendwie Abfindungsangebote zu machen.

**Stefanie:**

Wo viele Layoffs waren und so. Ja, genau.

**Verena:**

Aber klar, also wenn natürlich einem jetzt irgendwie Jobsicherheit so der oberste Wert ist, dann ist es vielleicht nicht das Beste. Bei mir war es halt so, ich dachte mir so, naja, okay, also wenn ich irgendwie fünf Jahre bei Amazon oder vier Jahre bei Amazon gearbeitet habe und die mich dann rausschmeißen, neuer Job. Ich war dann letzten Endes dreieinhalb da, genau.

**Stefanie:**

Genau. Und wie lange warst du da? Dreieinhalb Jahre?

**Stefanie:**

Ja, genau. Und hast dann ja den Schritt in die Selbstständigkeit gewagt als Chief AI Officer und Beraterin.

**Verena:**

Genau. Ja, also das war dann tatsächlich auch während dieser Big-Tech-Krise mehr oder minder. Also ich war dann irgendwie dreieinhalb Jahre in dem gleichen Team und hatte dann aber schon so ein Plateau auch irgendwo erreicht, was Weiterentwicklung angeht, hatte dann schon irgendwie immer wieder gehofft, dass da sich jetzt intern noch was öffnet und ich dann irgendwie das Team wechseln kann. Aber es war halt, wie gesagt, echt lange auch diese Krise, wo die Leute rausgeschmissen haben und intern halt auch alles zugemacht haben. Also gab es intern auch keine offenen Positionen, um zu wechseln.

**Stefanie:**

Hm. Hm.

**Verena:**

Naja und irgendwann hatte ich dann auch keine Lust mehr, das auszusitzen und habe mir aber schon auch gemerkt, so okay, also war jetzt eine tolle Experience und ich hätte auch noch mal ein, zwei Jahre in einem anderen Team mitgenommen, wenn es sich denn ergeben hätte. Aber langfristig habe ich mich dann doch auch einfach nicht mehr in einem Konzern gesehen, weil ich einfach, also Amazon ist riesig und das hat super viele Vorteile, aber das hat halt auch zur Folge, dass so dieser Einfluss, diesen Einflussgrad, ist halt super klein.

**Stefanie:**

Einflussbereich und die Möglichkeiten, Einfluss zu nehmen.

**Verena:**

Man ist so ein winziges Rad in einer riesigen Maschine und irgendwann hat sich dann halt so insbesondere, dann ist man auf so einem leeren Plateau und entwickelt sich da gerade nicht mehr weiter und dann hat sich halt irgendwann einfach nur noch so angefühlt, als würde man da einfach irgendwelche Sachen ausführen. Und dadurch, dass natürlich auch die Zeiten nicht so einfach waren, war es heute so, morgen wieder so. Und dann rennt man da irgendwie in alle verschiedenen Richtungen.

Und da habe ich mir so gedacht, naja, also auf die Dauer, glaube ich, ist es nichts. Und auch je senioriger man dann wird, desto weniger technischer wird es ja auch und desto eher politisch. Und dann ist es natürlich auch bei Amazon so, ja, das Zentrum ist halt immer noch in den USA. Man kann in Deutschland schon auch coole Sachen machen und da irgendwie vorankommen. Ja, so diese ganz krassen Dinge passieren halt in den USA und die krassen Entscheidungen werden auch in den USA getroffen. Das heißt, wenn man natürlich da mitwirken will, müsste man da auch hingehen. Das habe ich halt so für mich nicht gesehen und hatte dann tatsächlich auch überlegt, irgendwie nochmal zu einem Startup zu gehen und zu gucken, wie das da ist, weil man da dann wahrscheinlich, denke ich, einen größeren Einflussbereich auch hat, auch nicht so riesige Hierarchien natürlich, aber hatte dann doch gedacht, so Mensch, eigentlich wäre es auch cool, so ein bisschen mehr Flexibilität und Freiheit zu haben. Und so ein bisschen dachte ich dann auch so, hey, es wäre irgendwie cool, auch verschiedene Themen zu machen. Und also gerade, ne, Women in AI, so diese Tech-Diversität ist was, was mir sehr wichtig ist und ich finde, in so einem Vollzeitjob irgendwie hatte ich da nie Energie, da so richtig viel Zeit reinzustecken und dann dachte ich, okay, wenn ich mich selbstständig mache, kann ich das ein bisschen besser steuern. Ja, und genau, dementsprechend habe ich mir gedacht, ich probiere es einfach mal aus und wenn es nicht klappt, dann kann man sich ja auch wieder einen Job suchen, so.

**Stefanie:** Aber es klappt gut, bist ja jetzt schon eine Weile dabei. Mich würde mal interessieren, so als Beraterin in dem Bereich, was sind denn so die Probleme bei den Kunden, also ohne das jetzt alles im Detail auszuwälzen, aber so, wenn man dem so ein Thema, so ein Stempel gibt, wo stehen denn die Unternehmen in Deutschland oder die auch deine Kunden sind gerade?

**Verena:**

Ja, also ich meine, wenn man jetzt mal diese Zalandos der Welt irgendwie so ein bisschen außen vorlässt, ich glaube, bei den allermeisten ist es halt immer noch wirklich ein großer Bedarf an erstmal Aufklärung, erstmal Verständnis schaffen, also einerseits, was ist diese Technologie, was kann die, aber dann auch was bedeutet es überhaupt, wenn ich jetzt wirklich so eine Technologie-Lösung mir bauen würde oder vielleicht auch nur irgendwie Tools einsetze. Also was ich tatsächlich auch mit welchen Kosten verbunden, was bedeutet es für meine Infrastruktur, was bedeutet es für meine Dateninfrastruktur, was bedeutet es auch für Leute, die ich eventuell einstellen muss und so weiter. Also ich habe das Gefühl, da ist eigentlich noch sehr viel Aufklärungsbedarf erst…

**Stefanie:**

Also klassische Beratung tatsächlich immer noch anstatt Projekte umzusetzen als Externe sozusagen?

**Verena:**

Ich meine, das gibt es natürlich auch, ja. Also ich persönlich habe mich jetzt in den letzten Monaten ein bisschen mehr auf so Strategie und Education fokussiert, einfach weil es so für mich auch eine schöne Abwechslung ist. Ich habe jetzt irgendwie bei Amazon viel implementiert und war da viel so in dieser Entwicklerrolle finde ich es jetzt auch ganz spannend mal was Neues zu machen. Ich meine, das gibt es natürlich schon, aber das sind dann eben hauptsächlich so große Konzerne, die jetzt auch nicht komplett irgendwie gerade erst mit dem Thema anfangen, sondern ich glaube, bei vielen geht es auch erstmal darum, Grundlagen zu schaffen, also Voraussetzungen zu schaffen, sowas wie eine Datenstrategie und eine Dateninfrastruktur, weil man kann ja das Pferd nicht von hinten aufzäumen sozusagen. KI ist schon wirklich so sozusagen dann die Kirsche auf der Torte.

**Stefanie:**

Da kann die Daten nicht mehr per E-Mail verschicken. Genau.

**Verena:**

Ja, die Daten nicht mehr per E-Mail verschicken und dann auch eine gewisse Menge an Daten zu haben, eine gewisse Qualität, aber eben auch eine gewisse Kompetenz schon bei den Mitarbeitern, weil es bringt ja auch nichts, wenn da jetzt ein Team von Externen da ein System aufbaut, was sie dann selber nicht maintainen können.

**Stefanie:**

Deiner Einschätzung nach: spielen wir in Deutschland noch so im Sand oder viele Unternehmen im Vergleich zum Beispiel zu den USA.

**Verena:**

Ja, ich glaube in Deutschland grundsätzlich haben wir halt immer eine große Angst vor Veränderungen. Wir sind jetzt nicht unbedingt ein Land, was sich mit Innovationen leicht tut. Da ist immer sehr viel Skepsis, da ist immer sehr viel auch erstmal Trägheit. Genau.

**Stefanie:**

Im Grunde genommen hatten wir ja schon vor dem GenAI Hype mit der digitalen Transformation zu kämpfen. Das kommt ja jetzt quasi noch on Top.

**Verena:**

Genau, genau. Also absolut. Digitalisierung ist immer noch ein Thema, was halt nicht abgeschlossen ist. Und ja, dann gibt es halt so die, die irgendwie da noch an dem Thema dran sind, die, die so irgendwo in der Mitte sind zwischen Digitalisierung und wir machen jetzt KI und dann halt eher so die größeren Konzerne oder größeren Unternehmen, die tatsächlich auch schon ein paar KI-Lösungen in Produktion haben.

**Stefanie:**

Wie ist denn so dein Eindruck, wie gehen denn Unternehmen vor, diese Kompetenz aufzubauen? Bauen die interne Kompetenz auf oder brauchen die Beratungen von außen zum Beispiel von dir?

**Verena:**

Ja, also es kommt auch immer darauf an, was wollen die jetzt genau machen. Also wenn es jetzt erstmal nur darum geht, vielleicht so ein paar Tools zu nutzen oder schon existierende Lösungen, dann reicht es, glaube ich, einfach aus, sich vielleicht mehr externe Expertise zu holen und sich da irgendwie gut aufschlauen zu lassen oder einführen zu lassen. Wenn es jetzt wirklich darum geht, dass man eigene Lösungen baut, dann glaube ich führt kein Weg dran vorbei, auch darin eigene Leute einzustellen. Das muss dann jetzt nicht gleich ein riesiges Team sein, aber so zwei, drei Leute bräuchte man dann glaube ich schon einfach, weil sonst ja auch die Instandhaltung eines solchen Modells gar nicht möglich ist.

**Stefanie:**

ist dieses GenAI Thema, wenn man jetzt zum Beispiel eine Entwicklungsabteilung hat, ist er wahrscheinlich noch viel, viel dankbarer, das miteinander zu kombinieren als jetzt zum Beispiel klassisches Machine Learning oder sowas. Ist dieser Graben da vielleicht nicht so groß? Ja, da ist ja auch ganz viel Engineering dabei, das einzubinden quasi in bestehende Systeme.

**Verena:**

Also du meinst, es ist einfacher, Gen-AI dann zu nutzen als... Ah, verstehe. Jaja, auf jeden Fall. Und ich meine, genau, also das kann natürlich auch sein. Man muss vielleicht auch einfach nur Leute finden, die sich in dem Bereich so ein bisschen weiterbilden. Es muss jetzt vielleicht nicht jemand neu eingestellt werden. Auf jeden Fall. Und das stimmt total. Also so ein Trend, den ich total sehe, ist,

wir machen immer weniger Science, wir machen immer mehr Engineering. Also dieses ganze Science ist ja im Prinzip abgeschlossen durch das Pre-Training der Modelle. Dadurch, dass ich mir ein Modell einfach runterlade oder über API nutze und dann damit arbeite, ist da eigentlich nicht mehr so viel Science gefragt. Vielleicht noch ein bisschen, wenn ich es feintunen will oder wenn ich ein RAG-System aufbaue. Aber es ist definitiv sehr, sehr viel engineeringlastiger geworden.

**Stefanie:**

Du hast es ja eben schon angedeutet, es war dir wichtig, auch Zeit für so ein ganz wichtiges Thema für dich zu haben, dieses Women in Tech oder auch Women in Data and AI damit. Das eine kommt ja nicht ohne das andere sozusagen. Vielleicht erzählst du mal kurz, warum dir das Thema wichtig ist. Vermutlich auch aus eigenen Erfahrungen nehme ich mal an. Aber erzähl doch mal, wie du darauf gekommen bist.

**Verena:**

Ja, also ich meine, klar, die eigene Erfahrung ist natürlich, dass man da sehr oft total in der Minderheit ist, wenn nicht sogar ganz alleine. Also ich meine, im KI-Bereich geht es noch, aber wenn man dann so in Richtung Data Engineering oder Software Engineering guckt, gibt es noch viel weniger Frauen.

**Verena:**

Ja, mit der Zeit habe ich dann doch auch festgestellt, dass es nicht immer ganz so angenehm ist, wenn da so ein extremes Geschlechterungleichgewicht ist. Das ist doch einfach eine andere Dynamik, als wenn man da ein bisschen ausgeglicheneres Verhältnis hat. Habe ich zum Beispiel ja dann auch den Kontrast noch mal stärker gemerkt, als ich bei Amazon war. Da war es nämlich tatsächlich so, dass wir einigermaßen ausgeglichen waren in unserem Team zumindest. Also klar, wenn man dann wieder Richtung Senior Leadership guckt oder so, die alte Geschichte. Aber zumindest in unserem Team, in unserer Einheit erst mal war das so, dass durchaus die Hälfte ungefähr Frauen waren. Das so von der eigenen Erfahrung. Und dann kam 2023 diese McKinsey-Studie raus.

**Verena:**

Ja, ich meine, also genau, ich glaube, dass wir zu wenig Frauen in Tech bekommen, das ist irgendwie so was, das haben alle mitbekommen und darum dreht sich diese Diskussion gefühlt auch ständig. Aber das war für mich nochmal so ein richtiger Augenöffner, weil ich dann eben gelesen habe, dass auch über 50 Prozent der Frauen ihre Karriere im Tech-Bereich verlassen, in der Mitte, also so um die 35, 37 rum.

Und das fand ich dann schon echt erschreckend, weil ... Ja, also ich meine, ich find's nach wie vor problematisch, dass wir zu wenig weibliche Führungskräfte generell, aber insbesondere auch in dem Bereich haben. Und auch wenn man jetzt immer überlegt, die AI ist die einflussreichste Technologie unserer Zeit. Wenn die jetzt wieder von einer komplett homogenen Gruppe entwickelt wird, also die weißen Männer oder zumindest Männer, dann werden wir da als Frauen wieder nicht repräsentiert. Und ich hab's halt auch gemerkt bei Amazon zum Beispiel, also wer sind dann die Leute, die sich tendenziell für das Thema Bias und Ethik interessieren? Das sind halt dann meistens doch die Frauen, die dann solche Aspekte ins Spiel bringen.

**Verena:**

Und deswegen finde ich es einfach wichtig, dass mehr Frauen auch bei der Entwicklung dieser Technologie eine Rolle spielen.

**Stefanie:**

Ja, das ist ja bei der Entwicklung von, ich sage mal in Anführungsstrichen, normalen Softwareprodukten auch schon so, dass die halt von einer Gruppe von Menschen programmiert wird oder entwickelt wird und dann aber von allen genutzt werden soll, sozusagen. Und das ist bei KI-Produkten oder Anwendungen ja auch nicht anders. Genau. Aber was sind denn die Gründe? Was waren die Zahlen? 22 Prozent aller Tech-Rollen sind von Frauen besetzt in Europa, mit Tendenz, dass es sinkt in den nächsten Jahren. 50 Prozent der Frauen verlassen ihre Jobs in der Mitte ihrer Karriere. Was sind denn die Gründe dafür?

**Verena:**

Ja, also in der Studie werden zwei Hauptgründe genannt. Also das erste ist, fehlender Management Support oder Entwicklungsmöglichkeiten. Das heißt, man steckt dann halt so ein bisschen fest in der aktuellen Rolle und kann sich nicht weiterentwickeln, sieht da irgendwie auch keine Perspektive und ist dann eben dementsprechend irgendwie gezwungen, wenn ich dann hier weiterkommen möchte, dann muss ich quasi den Arbeitgeber wechseln. Was auf die Dauer, glaube ich, einfach dazu führt, dass man so ein bisschen genervt davon ist, dass die eigene Arbeit nicht gewertschätzt wird und nicht anerkannt wird und auch das eigene Potenzial nicht gesehen wird und man da immer so ein bisschen klein gehalten wird. Und ansonsten, also ich glaube, das Thema ist total vielschichtig und es gibt sehr viele Gründe. Ich meine, ich kann einfach nur mal ein paar nennen. Also eine Sache, glaube ich, ist auch dieser unconscious bias, also der unbewusste bias, wo es schon erstmal so ist, dass man als Frau erstmal nicht unbedingt mit analytischen Fähigkeiten und technischer Kompetenz assoziiert wird, sondern eher mit so Qualitäten wie Kommunikation, Nurturing und so weiter. Und dagegen muss man so ein bisschen ankämpfen. Man muss sich gefühlt schon beweisen, immer und immer wieder. Cheryl Sandberg hat es auch mal gesagt, Männer werden aufgrund ihres Potenzials befördert, Frauen aufgrund ihrer Achievements, also dessen, was sie geleistet haben. Und das ist natürlich auch ein bisschen frustrierend, sowas dann auf die Dauer sich immer mit anzugucken.

**Stefanie:**

Ich fand, ein interessanter Aspekt war auch, ich habe mir das auch durchgelesen, das fehlende Netzwerk. Das fand ich interessant, weil ich das schon öfter gelesen habe, dass Frauen in der Regel nicht so erfolgreich netzwerken wie zum Beispiel Männer.

**Verena:**

Ja, und ich glaube, es hat zwei Gründe. Also das eine ist, das wollte ich auch gerade noch mal sagen, Frauen sind sich oft nicht bewusst, wie dieses Konzernspiel funktioniert oder dieses Karriere-Spiel. Ich nenne es einfach mal Spiel, weil es gibt bestimmte Regeln und wenn man die Regeln befolgt, dann kommt man voran und wenn nicht, dann wird es halt schwer. Und eine dieser Regeln ist eben Netzwerk aufbauen.

**Verena:**

Das unterschätzen Frauen oft, einerseits von der Wichtigkeit, andererseits, glaube ich, gibt es noch zwei andere Punkte. Der zweite ist, dass sie zu sehr sich in dem verfangen lassen, was sind die Erwartungen an mich und dann versuchen, jede einzelne Erwartung zu erfüllen. Ja, wir werden es auch gerade sich dann zu sehr im operationellen Geschäft verfangen oder dann irgendwie so Aufgaben annehmen, die also zum Beispiel Events organisieren oder so was. Das dann halt auch immer und immer wieder. Ja.

**Stefanie:**

Das typische Orga-Thema, das nicht Ruhm und Ehre bringt, aber viel Arbeit machen kann.

**Verena:**

Ja, genau, genau. Sich darin so ein bisschen verlieren. Ja, und dann das dritte, glaube ich, ist tatsächlich, und das habe ich zum Beispiel auch gemerkt, insbesondere als ich Ende 20 war, als ich da in diese Tech-Branche eingestiegen bin. Ja, und dann ist natürlich nicht nur wichtig, dass du dich mit deinen Peers vernetzt, sondern vor allem halt mit Senior-Leadership.

**Verena:**

Da ist es natürlich ganz anders, wenn da so ein junger Mann reinkommt, dann sind die da gleich auf so einer Buddy-Ebene und dann fühlt sich die Führungskraft, die Seniore irgendwie erinnert an sein früheres Ich, wie er damals angefangen hat und dann auch, Mensch, supporte ich den mal.

**Verena:**

Bei Frauen ist es so ein bisschen, erstens ist da nicht so direkt diese persönliche Ebene da, ja, weil da dann vielleicht auch manche Themen irgendwie wegfallen, aber ich glaube, es ist auch so ein bisschen so dieses, schon auch, ne, da hat man Me Too und so dieses Berührungsangst ein Stück weit, ne, weil wenn ich jetzt mit der Mittagessen gehe und dann ist sie da irgendwie total jung und weiß ich nicht,

**Stefanie:**

Ja. Oder abends an der Bar, wenn man dann nach der Konferenz noch ein Getränk zu sich nimmt, wenn man dann schon an das danach denkt oder so. Genau, also fühlen sich Frauen vielleicht nicht so wohl in diesen Situationen. Ja, das stimmt.

**Verena:**

Dann haben die auch irgendwo Angst, dass es vielleicht ein bisschen komisch aussieht. Oder wie gesagt, es fehlt dann auch vielleicht... Genau. Und vielleicht Männer, glaube ich, auch nicht unbedingt mehr mittlerweile. Und dann ist halt doch manchmal, ja, es sind dann doch immer noch andere Fragen im Raum, ja. Und ich mein, so hin und wieder, also, ich mein, das war jetzt auch nicht unbedingt nur ein Tag. Ich hab davor auch mal Praktika gemacht im Banking und so. Manchmal hat man schon das Gefühl, dass die Männer das dann auch so, manches da verwechseln. Also nicht immer, aber es gibt halt doch auch ab und zu diese Fälle.

**Stefanie:**

Also ich glaube, die Gründe sind ja schon analysiert, warum Frauen nicht so vorankommen wie Männer in der Tech-Branche oder gar nicht erst einsteigen. Wie können wir das lösen? Wenn ich jetzt so in diesen klassischen deutschen Mittelständler denke, wie kommt er denn in so einen Prozess rein, dass eben diese Problematik oder diese Probleme nicht mehr auftreten?

**Verena:**

Ja, also ich glaube ein, also es sind immer zwei, also einmal wie verändern wir quasi Organisationen und das System, also das oben, Frauen oben und aber dann auch was können Frauen selber tun, ja.

**Verena:**

Und ich fange mal mit dem Letzten an, weil das einfacher ist, zu kontrollieren. Oder einfacher ist, Einfluss drauf zu nehmen. Also ich glaube, wichtig ist tatsächlich einfach mal zu verstehen, und ich war da auch naiv und unwissend, als ich angefangen habe, dass es eben einfach nicht nur darum geht, gute Arbeit zu machen. Das ist die Grundvoraussetzung. Aber dann geht es, wie du gesagt hast, da geht es um Netzwerk, da geht es um Sichtbarkeit.

**Verena:**

Da geht es darum, für sich selber einzustehen und zu sagen, ich will diese Beförderung, ich will den Job. Und das auch nicht nur einmal zu sagen, sondern im Zweifelsfall auch mehrmals auf der Matte zu stehen. Ich glaube, das ist etwas, was Frauen oft nicht, also nicht wissen und auch was, was denen am Anfang erstmal nicht leicht fällt. Also gibt's natürlich auch Männer, bei denen das so ist, aber im Schnitt ist, sieht man das bei Frauen häufiger. Und ich glaube, das muss man einfach so ein bisschen lernen. Auch so dieses Thema, ich glaube, Tara Moore in ihrem Buch Thinking Big sagt, man hat halt über diese Jahre der Unterdrückung so implizit gelernt, irgendwie Konflikte zu vermeiden, nicht irgendwie aufzufallen, zu laut seine Meinung zu sagen. Und ich glaube, so ein Stück weit ist das immer noch in uns drin und das muss man wieder so ein bisschen loslassen. Ja.

**Stefanie:**

Aber es heißt schon so, also in dem System mitspielen, wenn ich das so richtig verstehe. Nicht verändern, sondern mitspielen.

**Verena:**

Also ich meine, das System verändern kann man, also es wäre der zweite Punkt gewesen, kann man sich auch machen und sollte man auch. Aber ich glaube, man muss sich bewusst sein. Zumindest, also wenn man jetzt ein eigenes Startup gründet oder so, ist was anderes oder in einem Unternehmen von 20 Leuten arbeitet, dann kann man das vielleicht irgendwie auch schnell umkrempeln. Aber wenn man natürlich in einem Konzern arbeitet oder in einem größeren Unternehmen, dann wird man die Kultur nicht von heute auf morgen ändern. Das heißt, da kann ich mich entscheiden, mitzuspielen und gleichzeitig irgendwie versuchen, Einfluss zu nehmen auf das System. Aber ich werde jetzt nicht von heute auf morgen... Und ich glaube, also es ist natürlich schon wichtig, einen authentischen Weg da zu finden für sich. Also das war zum Beispiel für mich auch immer eine Herausforderung, so eine Balance da irgendwie zu finden, was ist jetzt authentisch für mich und trotzdem da irgendwie neue Regeln zu lernen und neue Verhaltensweisen. Und dann eben auch so, ich habe ja, ich rede auch manchmal von dieser femininen und maskulinen Energie. Ja, da geht es jetzt gar nicht um Geschlecht, sondern also feminine Energie oder auch Qualitäten sind eher sowas wie kreativ sein, sein, alles, was mit Intuition und sowas zu tun hat und maskuline Qualitäten ist halt alles Logik, analytisch machen und so weiter. Und man ist halt dann schon sehr auf der einen Seite den ganzen Tag. Und mich hat das so über die Zeit ein bisschen ins Ungleichgewicht gebracht. Also man muss dann schon gucken, wie schaffe ich es für mich. Aber was ich auch sagen muss, ist, es hat auch zu einer guten persönlichen Entwicklung geführt irgendwo, für die ich auch dankbar bin. Und dieses, sag ich mal, mehr aus sich rauskommen, mehr sichtbar sein mit dem, was man denkt und so, das kommt mir auch zugute.

**Stefanie:**

Bei uns im Unternehmen, wir arbeiten ja auch in einer IT-Beratung, ich im Marketing und wir haben ein ähnliches Problem. Es geht ja darum, die Frauen, die wir haben, auch sichtbar zu machen, zum Beispiel dazu zu motivieren, Vorträge zu halten. Und es ist einfach verdammt schwer, da voranzukommen. Und die Gründe liegen auch auf der Hand. Niemand verweigert sich ja, mehr Öffentlichkeit zu bekommen oder irgendwie Vorträge zu halten, sondern am Ende des Tages ist es halt so ein Zeitmanagement-Problem. Wenn man vielleicht Teilzeit arbeitet, dann ist der ganze Tag eh schon so ein Dauersprint, dann hast du keine Zeit mehr, dich noch für Konferenzen vorzubereiten oder du hast vielleicht auch deine Learnings gemacht auf Konferenzen und musst es nicht noch mal haben. Das ist halt schon ein sehr, ich sag mal so, ein Spiel, das auch für Frust sorgt bei allen Beteiligten, weil das enorm schwer ist, gegen Gesellschaft und eingefahrene Prozesse anzukämpfen.

**Verena:**

Ja, total, das kostet Energie auf jeden Fall. Also ich glaube ja, ein Thema ist die Vorbereitung und ich meine, wenn man Teilzeit arbeitet, ist sowieso nochmal eine ganz andere Herausforderung. Das steht nochmal auf einem ganz anderen Blatt. Aber was ich schon auch beobachtet habe, ist, dass wenn zum Beispiel Frauen eingeladen werden, sichtbar zu sein, also sei es jetzt in Form von einem Podcast, in Form von einer Präsentation auf einer Konferenz oder auch einem Unternehmen, dass die tendenziell viel häufiger Nein sagen, weil sie Angst davor haben, sichtbar zu sein und sich das irgendwo nicht zutrauen. Und ich kann es total nachempfinden. Also am Anfang habe ich mich auch viel schwerer getan, irgendwie da so sichtbar zu sein und Präsentation zu halten. Ich kann es aber eigentlich nur jedem ans Herz legen, da sich so ein bisschen durchzukämpfen, weil es wird einfacher mit der Zeit und dann macht es auch irgendwann Spaß und es bringt einem halt extrem viel.

**Stefanie:**

Ja und das mit diesem Spaß, das ist auch so eine Sache, kann ich aus eigener Erfahrung sagen. Also ich bin auch nicht als geborene Redenschwingerin auf die Welt gekommen und das muss man sich schon erarbeiten. So eine Art Bühnenpräsenz oder irgendwie die Rhetorik oder was auch immer. Aber das ist was, was sich entwickeln kann auf jeden Fall.

**Verena:**

Ja, und was mir echt geholfen hat, insbesondere am Anfang, ist, sich wirklich sehr, sehr gut vorzubereiten. Also ich erinnere mich noch, ich habe, also meine erste Präsentation, also okay, ich muss natürlich auch ab und zu vor Kunden präsentieren. Okay, also eine meiner ersten Präsentationen, ob es jetzt die allererste war, weiß ich nicht mehr. Aber es war auf jeden Fall eine bei dem Deloitte Offsite, also vor der ganzen Abteilung waren irgendwie dann, keine Ahnung, so um die 100 Leute oder so. Und ich musste dann da einmal präsentieren, was wir gemacht haben bei einem Kundenprojekt. Und ich war schon extrem aufgeregt, aber ich habe es halt wirklich richtig gut vorbereitet und gut geübt. Und dann, selbst wenn man nervös ist, läuft es eigentlich ganz gut und ich habe danach so viel positives Feedback bekommen, obwohl ich mich in dem Moment jetzt nicht super sicher gefühlt habe oder so. Und ja, also ich glaube, Vorbereitung hilft und dann einfach das machen und dann wird es besser. Und tief atmen, bevor es dann losgeht, richtig.

**Stefanie:**

Tatsächlich, Vorbereitung hilft, auch das Durchsprechen, dieses sichere Reden. Man wird ja immer cooler, je öfter man das macht, aber gerade am Anfang ist das, glaube ich, die richtige Artentechnik ist auch etwas, was man lernen muss, genau. Jetzt haben wir so ein bisschen, also viel darüber geredet, was so schwer ist für Frauen im Berufsleben. Hast du für dich so ein Role Model, so ein weibliches?

**Verena:**

Ja, also ich habe ein paar tatsächlich. Also was ich jede Woche anhöre ist „Fast and Curious“ von Lea-Sophie Kramer und Verena Pauster. Ich finde die zwei einfach mega, weil sie einerseits so krass authentisch sind. Ja, und auch wirklich Dinge so ein bisschen anders machen, sich da nicht so reinpressen lassen in irgendwelche alten Muster und Vorgaben und aber trotzdem halt erfolgreich. Und das sind auf jeden Fall zwei absolute Role Models. Und ansonsten, ja auch die Gründerin von Anthrophic finde ich super inspirierend, weil sie halt, also Daniela Amodai glaube ich, spricht man es aus. Aber sie halt wirklich so oder auch von OpenAI gibt es ja auch eine, die eine sehr hohen Position ist. Das finde ich schon echt bewundernswert, wenn man sich, also wenn man die gerade auch, ich habe es vorher gesagt, diese Entwicklung von dieser Technologie dann so prägt und da so drauf Einfluss nimmt.

**Stefanie:**

Und sich auch im Konzern halt so durchboxt sozusagen.

**Verena:**

Ja, ich meine, gut, ja, oder halt auch sein eigenes Unternehmen gründet im Bereich. Ich weiß jetzt nicht was. Beides krass.

**Stefanie:**

... von der Idee zum Unternehmen. Genau, das ist es auch nochmal. Ich möchte noch einmal so den Schwenk zum Frauen in Data and AI Thema schaffen vor dem Ende. Ich habe nämlich eine ganz, also für mich einerseits interessante Studie gelesen, andererseits auch sehr schockierend. Und zwar wieder dieses alte Thema, was ja so in die Richtung geht, Frauen sind nicht so technikaffin oder technologieaffin wie Männer. Was die Nutzung von AI-Tools angeht, Frauen, durch die Bank weg, egal welches Bildungsniveau, wo sie leben. Also AI-Tools einfach viel, viel weniger nutzen als Männer. Auch im Engineering-Bereich übrigens oder im technischen Bereich. Was meinst du sind die Gründe dafür? Warum haben Frauen mehr Berührungsängste oder lehnen es auch ab vielleicht?

**Verena:**

Also ich glaube, Frauen haben auf jeden Fall mehr Berührungsängste. Jetzt mal die Frauen im Engineering kurz ausgeklammert, da komme ich gleich nochmal drauf zurück. Aber bei allen anderen sind auf jeden Fall viel höhere Berührungsängste da. Und meine Einschätzung ist, Frauen haben einfach noch oft so ein fehlendes Selbstvertrauen, wenn es darum geht, wenn es um Technik geht, wenn es um Mathe geht. Also da ist voll oft noch so dieses boah, das ist total out of my league, und das kann ich ja niemals so. Und das stelle ich zum Beispiel auch fest. Ich habe zum Beispiel einmal so einen KI-Einführungsvortrag gehalten bei einem Frauennetzwerk und da war halt auch ganz oft das Feedback „Boah krass, das ist ja gar nicht so schwer“. Ja, man muss es nämlich nicht bis ins Detail verstanden haben, um es zu nutzen. Und ich glaube, da sind Frauen einerseits wieder dieser extreme Gründlichkeitsanspruch, dass man erst alles bis ins Detail verstehen muss, bevor man es irgendwie nutzen kann. Und dann andererseits wieder dieses insgesamt weniger Selbstvertrauen in sich und seine eigenen Fähigkeiten. Bei den Frauen im Engineering finde ich es tatsächlich echt überraschend, weil da würde ich jetzt sagen, da zählen diese Gründe irgendwie nicht, die ich gerade genannt habe. Das Einzige, was ich mir vorstellen kann, aber es sind natürlich auch nur Mutmaßungen, ist, dass Frauen einfach dann zu sehr drauf fokussiert sind, irgendwie ihre Sachen zu erledigen und da zu wenig links und rechts gucken und zu wenig schauen, hey, was gibt es Neues, sich Zeit für Weiterentwicklung nehmen oder auch für Optimierungen, ja, wie kann ich es produktiver machen und sich wirklich immer in dieser operativen Arbeit verlieren.

**Stefanie:**

Ja, gut, ich arbeite im Marketing, aber tatsächlich ist das eine Tendenz, die ich bei mir beobachte, dass ich halt meine acht Stunden am Tag auch gut mit einfach anderen To-do's füllen kann und selten sich dieses Fenster ergibt, wo ich denke, okay, jetzt habe ich mal zwei Stunden Zeit, um mich in Ruhe damit zu beschäftigen, weil das ist irgendwie dann so meine Denke, ich brauche zwei Stunden oder drei oder vier, um mich damit in Ruhe zu befassen und vielleicht ist es ja gar nicht so.

**Verena:**

Ja, also ich glaube eine Stunde oder eine halbe Stunde würden schon erst mal reichen und dann lieber zum Beispiel jede Woche eine Stunde blocken oder so, anstatt so diesen Anspruch zu haben, ich brauche dafür meinen halben Tag. Also lieber dann in kleinen Schritten vorangehen und ich glaube auch da sind Männer tendenziell einfach besser, sich dann solche Freiheiten zu nehmen und zu sagen, ich lasse die anderen Sachen jetzt mal liegen. Ich nehme mir Zeit für meine Weiterentwicklung. Ich glaube, Frauen sind ganz oft auf diesem Ask-for-Permission und Männer machen ganz oft enfach.

**Stefanie:**

Ja, erstmal machen und dann hinterher die Scherben aufsammeln, genau. Ja, das stimmt. Natürlich nicht für alle. Genau, und es wäre ja eigentlich allen nur angeraten, sich weiterzubilden in dem Bereich, weil das sind einfach Kompetenzen, die man in Zukunft braucht.

**Verena:**

Und Frauen warten immer auf Erlaubnis. Das ist glaube ich auch so. Wir sind da so sozialisiert, immer auf Erlaubnis zu warten.

**Stefanie:**

Ja. Zum Glück hat uns keiner erlaubt, diesen Podcast miteinander zu machen, sondern wir haben uns ganz selbstständig dazu entschieden. Ich fand das interessante Perspektiven von dir, fand ich superspannend. Vielen Dank. Ich hatte vorhin gesagt, du gibst dir einen regelmäßigen Abstand den Women in AI-Newsletter auf LinkedIn heraus. Ein Tipp von mir, bitte abonnieren, ist tatsächlich recht spannend, da immer mal wieder rein zu gucken und es gibt auch gute Tipps und auch Anregungen, sich dem Thema zu nähern, egal ob Mann oder Frau. Genau.

**Verena:**

Genau, und auch für verschiedene Level. Ich habe dann immer Beginner bis zu Advanced und den gibt es tatsächlich, also wenn ich auf LinkedIn nicht möchte, gibt es ihn auch auf BeHive, also quasi über den separaten Link.

**Stefanie:**

Das können wir ja in den Show Notes verlinken, dein Profil, und dann finden die Leute dich. Verena, vielen Dank für das Gespräch. Und ich hoffe, ihr da draußen fandet es auch spannend zuzuhören. Gebt uns gerne Feedback. Und ich würde sagen, Verena, danke und bis zum nächsten Mal. Tschü?.

**Verena:**

Danke. Vielen Dank für die Einladung, Stefanie. Tschü?.