Dr. Nora Reich – Prozessoptimierung bei der KfW mithilfe von Machine Learning

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Dr. Nora ReichHead of Big Data & AI, KfW Bankengruppe
Overview
In this episode, Dr. Theo Steininger speaks with Dr. Nora Reich about the use of machine learning and big data at KfW Bankengruppe. The guest shares insights into concrete use cases such as automated document recognition, the team structure of an agile DevOps team within a large organisation, and the question of which processes can be automated with AI in the long term.
About the guest
Dr. Nora Reich has been driving the use of big data and artificial intelligence at KfW Bankengruppe since 2018. Her team is responsible for projects in the areas of email routing, process automation, fraud detection, and forecasting. Before joining KfW, she gained experience at DHL Paket GmbH and the management consultancy FM Customer Strategy. She is also a member of the board of the Bitkom working group Big Data and Advanced Analytics.
Summary
KfW and Its Data Science Team: Structure and Responsibilities
KfW Bankengruppe is one of the largest development banks in the world, supporting private customers, students, founders, SMEs, and municipalities with a broad credit portfolio. Dr. Nora Reich leads the interdisciplinary BDI team of around ten people, comprising data scientists, domain experts, and IT specialists. The team works in Scrum mode and is part of the overarching 'Building Blocks New Technologies and Innovations' unit, which also includes teams for robotic process automation and cloud topics. Nora's core responsibility is identifying, prioritising, and implementing AI and big data use cases in collaboration with various business units across the organisation.
Agile Working in a Large Organisation: KfW as an Underestimated Pioneer
Contrary to common assumptions, KfW already operates strongly along agile principles: departmental silos are deliberately broken down and new cross-functional units are formed. The BDI team itself is designed as a DevOps team - with a dual leadership structure comprising data science and IT leads - in order to close the classic gap between model development and production operations. The transformation is not yet complete; work is currently underway to establish stronger connectivity within the Building Block and an overarching agile overall strategy.
Practical Example - Document Recognition: From Manual Process to Automated Review
One particularly successful project is the automated document review for the KfW education loan. Previously, supporting documents were submitted by post and checked manually; they are now uploaded digitally and automatically read via OCR. The BDI team extracts relevant verification points such as the customer's name and matches them automatically. In clear-cut cases, approval is granted automatically; discrepancies are routed to manual review. Rejections are never issued automatically - a human always takes a look. Continuous monitoring ensures the ongoing quality of the model. Particularly valuable is the fact that the technical foundation that has been built is scalable and can be extended to additional document types.
Use Case Identification and Prioritisation: Workshops, Canvases, and a Transparent Scoring Framework
The search for suitable AI use cases takes place through targeted workshops with individual business units, as well as through introductory talks on AI fundamentals that promote general understanding across the organisation. For structured evaluation, the team uses canvases - including tools from Datentreiber - which make factors such as data availability, analytics maturity, and technological feasibility visible. Prioritisation is based on a multi-dimensional framework that considers not only monetary benefit but also knowledge gain, customer value, and operability after implementation. An important filter: it is only worthwhile to automate processes where sufficient data is available and the case volume is high enough.
Machine Learning as a Transitional Technology: When Does It Pay Off?
An interesting topic in the conversation is whether machine learning represents only a bridging technology in certain contexts. Using the example of industrial manufacturing processes (including BMW body construction), the discussion explores how some processes are inherently variable - such as press-formed sheet metal parts - and how ML-based control remains permanently useful in those cases. In other contexts, ML can help optimise a process to the point where it runs stably on a rule-based basis. Dr. Reich emphasises: even if ML is only a transitional technology, the transition period can be very long and the benefits enormous - it is better to start today than to wait for a supposedly perfect solution.
Scalability as a Core Fascination: AI Overcomes the Linear Effort Constraint
When asked what fascinates her about AI, Dr. Reich cites the elimination of the linear relationship between workload and volume. Whether 10 or 200,000 emails need to be routed - for a well-trained model, this is irrelevant. KfW receives around 200,000 customer emails per year; without AI, routing would involve a massive manual effort, especially during peak periods. AI therefore not only benefits customers through faster processing, but also relieves employees, as weekend shifts caused by load spikes have become a thing of the past.
Team Culture and Career Path: Curiosity, T-Shaped Profiles, and the Courage to Face Obstacles
Dr. Reich sees the key to team success not so much in a single pivotal role, but rather in the ability of all team members to communicate across disciplines and present results in an accessible way - for example, translating analyses into clear management messages. The concept of the T-shaped profile is central to this: deep expertise in one's own discipline, combined with a willingness to reach out to others. Her personal advice to her twenty-year-old self: do not let obstacles hold you back and trust your own curiosity - AI did not simply fall into her lap either.
Key takeaways
- An interdisciplinary DevOps team with dual leadership from data science and IT bridges the classic gap between model development and production operations.
- Automated document review at KfW demonstrates that AI can already reliably give the green light today - while negative decisions always remain in human hands.
- Use cases are prioritised not by gut feeling, but according to a transparent scoring framework with criteria covering cost, benefit, feasibility, and operability.
- Workshops with business units and introductory talks on AI fundamentals are essential for building internal understanding that generates genuine use case ideas from within the teams.
- The scalability of AI solutions - independent of data volume - is a key lever for relieving employees and improving the customer experience.
- Machine learning can be worthwhile even when it 'only' serves as a transitional technology - what matters is whether the process is inherently variable or fundamentally capable of further optimisation.
- T-shaped profiles and the willingness to communicate results clearly to people from other disciplines are more important in agile data science teams than pure algorithmic expertise.
Conclusion
This episode illustrates impressively how a large organisation like KfW creates real value through machine learning by combining agile methods, clear prioritisation frameworks, and a consistently interdisciplinary team. Dr. Nora Reich makes clear that successful AI projects depend less on algorithmic brilliance than on organisational maturity, open communication, and the courage to take first automated decisions - even in a regulated environment - with the right safeguards in place.
For Data Scientists and ML Practitioners
The episode provides valuable insights into how to build MLOps structures within existing corporate organisations, how to evaluate use cases in a structured way, and how to not only develop models but also bring them into production.
For Leaders and Change Agents
Dr. Reich's experience shows how to win internal allies as a driver of a data strategy, break down departmental silos, and use transparent evaluation systems to build trust for AI investments.
For Career Starters and Young Professionals
The advice to follow your own curiosity and not let obstacles hold you back is just as motivating as the example that a broad, communicative profile in the data science environment is often more important than pure technical depth.
Show full transcript
Speaker0: Ihr hört die Ihrem Podcast, der Data Science und Machine Learning Podcast für Studienabsolventen und Young Professionals.
Speaker1: Heute zu Gast bei The Eriom Podcast ist Doktor Nora Reich. Seit 2018 treibt sie die Nutzung von Big Data und künstliche Intelligenz in der KfW Bankengruppe voran. Aktuelle Data Science Projekte umfassen unter anderem E-Mail-Rooting, Prozessautomatisierung, Frod Detection und Forecasting. Doktor Nora Reich hat umfassende Expertise in der Nutzung analytischer Methoden als Basis für datengetriebene Entscheidungen und Businesslösungen, unter anderem durch frühere Positionen bei der DHL Paket GmbH und der Unternehmensberatung FM Customer Strategy. Aktuell ist sie darüber hinaus Mitglied des Vorstands in der Bitkom Arbeitsgruppe Big Data and Advanced Analytics. Privat findet sie ihren Ausgleich durch Laufen, Rudern sowie Wandern mit der Familie.
Speaker0: Herzlich willkommen zu 1 neuen Folge von die Ihrem Podcast. Mein Name ist Theo Steininger und heute zu Gast Doktor Nora Reich. Nora, schön, dass Du da bist. Freut mich sehr, dass wir heute sprechen. Danke Theo für die Einladung. Sehr gerne. Heute haben wir eine sehr, sehr schöne Situation und zwar warst Du bereits bei uns im e-mail-up zu Gast und hast da schon 'n bisschen was von deiner Arbeit bei der KfW Bankengruppe erzählt, auch zu spezifischen Use Cases. Da können wir, wenn sich die Gelegenheit nachher bietet, vielleicht auch noch mal genauer eintauchen. Ich fand es schon sehr, sehr spannend und heute eben die Gelegenheit, uns im Podcast zu sprechen. Freut mich sehr. Wir haben in der Vita im Intro schon gehört, dass Du auch vielfältigen Erfahrungsschatz sammeln konntest in deiner bisherigen Karriere und Laufbahn. Und bevor wir dort einsteigen, vielleicht magst Du uns noch mal ganz kurz abholen, wie Du heute genau aufgestellt bist bei der KfW Bankengruppe. Was macht die KfW genau? Als Häuslebauer kennt man vielleicht KfW dann doch schon mal, aber genau. Vielleicht magst Du das mal ganz kurz für uns einordnen, erst mal KfW im Allgemeinen und dann deine Rolle bei der KfW im Speziellen.
Speaker2: Ja, gerne. Die KfW ist eine der größten Förderbanken weltweit. Sie fördert Projekte in Entwicklungs- und Schwellenländern und fördert aber auch die Entwicklung in Deutschland. Du hast es schon genannt, wir unterstützen mobilen Käufer oder Besitzer, wenn sie zum Beispiel energetisch sanieren oder in den Einbruchschutz investieren. Wir unterstützen auch Studenten und andere Personen, die sich weiterbilden möchten mit entsprechenden Krediten. Und ja, wir haben ein breites Portfolio, unterstützen natürlich auch Gründer und kleine und mittelständische Unternehmen sowie Kommunen, sodass wir Deutschland an vielen Punkten voranbringen.
Speaker0: Ich find, das passt auch ziemlich gut, ja. Entwicklungs- und Schwellenländer und Deutschland, ja. Ist an mancher mancher Stelle vielleicht nicht zu weit auseinander. Nee, Quatsch. Sehr, sehr spannend. Und wie sieht es genau aus in deiner deiner Rolle? Wie sieht zum Beispiel das Team aus, mit dem Du zusammenarbeitest?
Speaker2: Ja, wir sind das und Team. Der Name von der BaFin geprägt, BDI. Mhm. Und wir sind ein interdisziplinäres Team mit 10 Personen, bestehend aus Data Scientists, aus den Fachbereichen und IT lern mit verschiedenen Backgrounds. Und wir arbeiten im Scrum Modus zusammen. Das heißt, in einem ja, normalen Arbeitstag treffen wir uns zumindest einmal kurz in einem Daily. Vielleicht stehen auch noch weitere Scrum Termine an wie Planning, Retro oder Review. Und ja, meine Aufgabe ist es, überwiegend die Use Cases voranzubringen. Das heißt, ich spreche mit vielen Kolleginnen und Kollegen aus verschiedenen Fachbereichen in der KfW. Wo könnte man Big Data und KI einsetzen? Was gibt es da für Möglichkeiten, aber auch für Grenzen? Und schaue mir an, was was für Ideen aus den Fachbereichen selber kommt. Optimalerweise führen wir das zusammen, sodass ich das entsprechend in User Stories zusammenfassen und präzisieren kann und wir diese User Stories in unserem Backlog bestehen haben und dann im Scrum Modus bearbeiten.
Speaker0: Jetzt muss ich ehrlich sagen, als ich zum ersten Mal davon gehört hab, dass bei der KfW 'n Scrum Team arbeitet, dacht ich so, ja, Wie kam's dazu? Seid's hier eine Insel im Unternehmen oder unterschätzt man die KfW vielleicht auch einfach insgesamt diesbezüglich?
Speaker2: Ja, also bezüglich agiles Arbeiten, denk ich, kann man die KfW leicht unterschätzen. Das ist wird bei uns ganz stark vorangetrieben, dass wir im Sramodus arbeiten, dass wir, ich sag mal, Abteilungssilos aufbrechen und Team über oder neue Teams bilden, agile Teams. Und tatsächlich sind wir nicht alleine, wir sind Teil des Building Blogs Neue Technologien und Innovationen, zu dem zum Beispiel auch ein anderes Team im Bereich Robotik Prozess Automation gehört und weitere Teams, die sich Themen wie Cloud beispielsweise kümmern.
Speaker0: Okay. Und wie viel ist tatsächlich da noch 'n Transformationsprozess im Gange? Das heißt, entwickelt sich die KfW da momentan noch weiter oder ist es schon in 'nem Stand, wo Du sagst, okay, von der Organisation und von der Firmenpolitik her ist das eigentlich schon wunderbar und ich konzentrier mich komplett auf die inhaltlichen Use Cases?
Speaker2: Nee, wir befinden uns in 1 Transformation, die ist noch nicht abgeschlossen. Zum Beispiel befinden wir uns zum ersten Mal in zusammen. Das sind die übergreifenden Einheiten und wir arbeiten gerade daran, wie vernetzen wir uns innerhalb vom Blog? Wie sieht so eine Gesamtstrategie in 'nem agilen Umfeld aus? Das ist sehr spannend.
Speaker0: Okay. Sehr cool. Jetzt hattest Du gerade schon erwähnt, dass ihr analysiert, wo könnten Use Cases existieren, die gewinnbringend für die KfW, aber auch für die Endkunden wahrscheinlich ja auch eingesetzt werden könnten. Worin siehst Du dort den größten Faszinationspunkt? Ist es vielleicht Impact zu generieren gegenüber den Kunden oder ist es die mathematisch algorithmische Herausforderung? Was reizt dich denn da am meisten?
Speaker2: Ja, am meisten reizt mich tatsächlich der der Wert, den wir stiften mit den neuen Methoden, die ja auch universal einsetzbar sind. Also ob ich jetzt eine Klassifikation von E-Mail-Texten mache oder eine Klassifikation von von ja, Kunden oder Häusern. Das ist immer die gleiche Methode, aber sie bringt eben neuen Mehrwert in der KfW. Und wir werden dadurch intern effizienter durch die neuen Methoden. Und die Kunden merken das auch, wenn sie schneller eine Antwort bekommen auf ihre E-Mail oder der der Kreditantrag einfach schneller durchgeht, sodass wir ja umfassend Mehrwert schaffen mit den neuen Methoden.
Speaker0: Und wo siehst Du da den größten Punkt in Bezug auf die Herausforderungen in der Umsetzung? Du hattest ja gerade schon Klassifikation angesprochen, ja? Da gibt's ja Algorithmen erst mal wie Sand am Meer und trotzdem gibt's ja Klassifikationsprobleme, wo ich mich noch mal hinsetzen muss und wirklich mathematisch ausarbeiten muss, wie sieht der Algorithmus im Detail aus? Unter welchen Kriterien konvergiert mir dann das Training am Ende noch? Unter welchen nicht? Sind die Daten vielleicht zu lückenhaft et cetera pp, ja? Also das das gibt das gibt's ja auch, ja, dass das auf der algorithmischen Seite wirklich noch mal Grundlagenarbeit geschaffen werden muss. Dann das vorhin hattest Du schon erwähnt, okay, politisch und kulturell ist es vielleicht schon gut, aber immer noch 'n Transformationsprozess. Dann gibt's ja auch noch die Komponente der der Fachbereiche, wo es dann, hab ich häufig schon am eigenen Leib erlebt, vielleicht auch das Schwierigste ist, die richtigen Use Cases rauszukitzeln. Was ist für dich da momentan die größte Herausforderung? Oder ist vielleicht von allem 'n bisschen was?
Speaker2: Ja, wahrscheinlich ist es von vielen ein bisschen was. Ein Thema sind wir sehr gut angegangen, wo ja, wo ich glaub, viele zu kämpfen haben, ist dieses Thema DevOps, also die Lücke zwischen Development und Operations. Das heißt, man kann schön als Data Scientist natürlich am Rechner tolle Modelle entwickeln, wenn man gute Daten hat, wie Du auch sagst, ne. Und wenn man sich gut auskennt, wie man die Modelle optimiert. Aber was dann, ja? Wie bringt man Manchmal ist die Analyse zu Ende. Man hat 'n einmaligen Erkenntnisgewinn, man hat zum Beispiel neue Kundensegmente entdeckt. Ein anderes Mal soll das Modell in die IT Systeme eingebaut werden, wirklich Prozesse zu verbessern. Und hier braucht es natürlich seitens IT auch die Menschen, die das umsetzen können, auch ITler und Data Scientist, die diese Brücke überwinden können. Und deswegen sind wir auch als DevOps Team aufgestellt. Das heißt, 'n gemischtes Team, sodass wir optimalerweise die Modelle entwickeln und auch mit in Produktion bringen können.
Speaker0: Sehr cool. Dazu der kurze Hinweis. In Folge 2 hatte ich mit Sergio Lobes Geler auch viel über das Thema DevOps gesprochen. Also wer von den Zuhörern da noch mal genauer eintauchen möchte in die Folge, das ist Folge 2 von der fünften Staffel. Und Nora, wie habt ihr das Ding gemacht? Weil das Thema vor allem DevOps, MLOps ist ja 1 mit so vielen Schnittstellen und so vielen Möglichkeiten, wie ich's mache. Wie habt ihr denn das erreicht, dass ihr jetzt an dem Stand seid, wo Du sagst, erstens ihr tickt wie 'n DevOps Team, ja? Und die Prozesse, die laufen. Mhm. Genau. Also als
Speaker2: also als ich angefangen hab in der KfW gab es dieses Team noch nicht. Das heißt, wir haben uns Verbündete gesucht. Ich bin ja eigentlich im Bereich Marketing angesiedelt. Das heißt, wir haben uns Verbündete im gesamten Haus gesucht. Daunter andere Fachbereiche, die auch Data Science Methoden nutzen wollen und auch die IT. Die haben wir ganz früh, ja, ganz früh mit denen in Kontakt getreten und haben dann auch entschlossen, ein gemeinsames Team dem Vorstand vorzuschlagen, was dann letztlich auch so realisiert wurde. Und wir haben in unserem Team eine Doppelspitze, also wir haben 2, mich für die Data Science Seite und einen für die IT Seite, damit dann auch klar sichergestellt ist, dass beide Seiten quasi gut in Ihre Fachbereiche oder in Ihre Bereiche vernetzt sind und da entsprechend die Themen, dass wir die Themen von beiden Seiten voranbringen können.
Speaker0: Okay, das heißt, ihr hattet die Expertise schon im Haus richtig, wenn ich das das das richtig verstanden hab und Du hast das Team korrekt rekombiniert quasi?
Speaker2: Wir haben das Team, genau, also rekombiniert, das ist der eine Schritt. Dann haben wir auch Personen von außen noch geholt. Schon, okay. Genau. Mit neuen Skills, ja.
Speaker0: Okay, weil weil das etwas ist, das ich häufig sehe, dass Firmen sagen, ja, wir machen jetzt Data Science und dann aber, na ja, den Schritt scheuen, tatsächlich ins Recruiting zu gehen und sich halt die zusätzlichen fehlenden Kompetenzen mit ins Team zu holen. Und na ja nur die wenigsten haben das halt schon verstreut im unternehmen irgendwo dann zur hand und ja genau alright wenn du jetzt auf die bisherigen projekte zurückblickst gibt's da ein projekt das besonders hervorschicht wo du sagst okay, das ist sehr, sehr gut gelaufen, eben auch beispielsweise mit Hinblick auf die mlops Komponente oder auch vielleicht auf den Ideation Prozess. Du hattest ja auch ein Thema in unserem Meet-up vorgestellt, das ich sehr spannend fand. Vielleicht ist es ja auch genau das, wo würdest Du sagen, gibt's da 'n gutes Beispiel aus eurer bisherigen Erfahrung?
Speaker2: Ja, ein gutes Beispiel ist die Dokumentenerkennung bei einem Bildungskredit. Die haben wir in diesem Jahr umgesetzt und es gibt verschiedene Gründe, warum das ein wirklich gutes Beispiel ist. Das 1. Ist, dass es für uns ein erstes Projekt war, wo wir Dokumentenerkennung selbst durchführen wollten in der KfW, also selbst entwickeln wollten. Und wir haben tatsächlich wir hatten einen Challenge gegenüber andere, die das auch können. Also zum Beispiel ein externer Dienstleister. Der Fachbereich hat sich am Anfang das offengelassen und hat gesagt, wir nehmen der, der das am besten den, der das am besten kann mit der Dokumentenerkennung. Und tatsächlich konnten wir wirklich schnell anfangen auch, haben circa 500 Dokumente als Beispieldateien bekommen und haben es tatsächlich geschafft, in der Qualität zu überzeugen. Und wir sind jetzt dabei, also diesen die Grundlage zu schaffen, eben für weitere Dokumentenerkennung in der KfW. Also Dokumente sind können ja unterschiedlich sein. Mal ist es eine Rechnung, mal ist es 'n Zeugnis, mal ist es eine Bescheinigung. Aber die Grundlage ist erst mal gleich. Und daher ist dieses Projekt auch son super Projekt, weil wir sagen, ja, wir können jetzt diese Dokumente für diesen Kredit automatisch prüfen und auslesen, aber wir können diese Projekte, dies die Grundlage dafür skalieren. Also wir können jetzt weitere Themen neu aufsetzen und werden immer schneller in der Dokumentenerkennung und sind gleichzeitig ja nicht nur schnell, sondern auch eben transparent und können auch schnell auf Änderungen reagieren, wenn mal im Fachbereich andere Anforderungen gestellt werden.
Speaker0: Okay. Und hol ich mich noch mal ganz kurz ab. Also vom Fachbereich her, wie sieht der Use Case, den ihr da inizial jetzt angepackt habt, konkret aus? Dokumentenerkennung, ich kann mir das auf verschiedenen Ebenen grad vorstellen. Einmal, okay, welcher Dateityp ist es? Ja, das wär sozusagen das Einfachste über OCR bis hin zu, ich erkenne, worum's in dem Dokument geht.
Speaker2: Wie sieht der Use Case da genau für den Fachbereich aus? Mhm. Genau. Also es ging darum, einen bisher komplett manuellen Prozess der Dokumentenprüfung zu automatisieren und digitalisieren. Also früher haben die Kunden uns ein Dokument per Post geschickt, Mhm. Was händisch geprüft wurde. Und jetzt soll das hochgeladen werden in Zukunft und das Dokument soll geprüft werden. Und das ist unser Teil vom BDI Team? Wir haben die OCR durchgeführt und finden bestimmte Prüfpunkte in diesen Dokumenten wie Name des Kunden und können das dann automatisch abgleichen. Und das ist unserer Teil, weiter hinten kommt noch RPA zum Einsatz. Also wir können die ganze Strecke mit modernen Technologien automatisieren.
Speaker0: Okay. Das heißt, ich glaub, Du hattest ja erwähnt, Bildungskredit oder, dass das 'n Anwendungsfall war. Ich beantrage den Bildungskredit und muss dann am Ende wahrscheinlich auch nachweisen, dass ich die Fortbildung, keine Ahnung, ist das 'n Meister, eine Meisterausbildung vielleicht oder Ja. Dass ich das absolviert habe, dann kriege ich wahrscheinlich 'n Zeugnis, oder? Und dieses Zeugnis muss ich hochladen und euer System erkennt das Zeugnis, kann den Namen überprüfen und ich spinn jetzt einfach mal, kann es dann vielleicht auch 'n Stempel erkennen, ob das valide ist und nicht einfach nur irgendwie 'n Packticket oder so was, das man hochgeladen hat, oder? Ja, genau. Also alle relevanten Informationen, die wir brauchen, die auch quasi der Mensch
Speaker2: sichtbar prüfen würde, die können wir auf diesem Dokument finden. Und sollte es ja eine kleine Abweichung geben, geht das auch in die manuelle Prüfung. Also es rutscht uns niemand durch, der mit einem Parkticket versucht, einen Kredit oder einen Erlass zu bekommen.
Speaker0: Okay, oh schade. Okay, aber aber heißt das jetzt im Umkehrschluss, dass wenn der automatische Prüfvorgang absolut unauffällig ist, dass dann automatisch, vielleicht bis auf Stichproben, ja, aber dass dann automatisch quasi grünes Licht gegeben wird?
Speaker2: Ja, also Stichproben ist 'n guter Punkt, weil wir überprüfen das Modell oder unsere Technik jederzeit. Also wir setzen ein Monitoring auf, sodass wir immer sicher sein können, dass dass das gut läuft. Und bisher setzen wir das nur ein für positive Bescheide. Also für Also es gibt keine automatischen Ablehnungen bei uns und dann würde spätestens ein Mensch drauf gucken, weil wir immer im Sinne quasi des Kunden handeln möchten. Ja. Ja.
Speaker0: Okay, weil das find ich 'n spannenden Punkt. Damit überschreitet ihr, ich würd's jetzt mal formulieren wie eine Schallmauer, bei ganz, ganz vielen Use Cases. Da ist es inhärent undenkbar, eine KI so weit zu bemächtigen, dass sie grünes Licht gibt. Vor allem im Personalwesen, so Geschichten, ja. Da da wär das boah, ja. Ich denke, da sind wir noch meilenweit davon entfernt. Und daher find ich das grad super, superspannend, dass ihr da einen Use Case habt und vor allem eine Lösung, die so gut funktioniert, dass man sich das trauen kann und guten Gewissens vor allem trauen kann, der wirklich den Greenlightprozess komplett zu überantworten. Modulochecks natürlich, ja. Ist klar. Mhm. Ja, aber das find ich so sehr, sehr beeindruckend. Und auf der anderen Seite, dass es keine automatischen Ablehnung gibt. Nichts ist frustrierender, als aufgrund von 'ner aufgrund von dem offensichtlichen Bug der Plattform abgelehnt zu werden und dann so. Ja, alles klar. Voll gut. Und magst Du noch mal ganz kurz beschreiben, wie die Zusammenarbeit mitm Fachbereich läuft? Weil ich mir gut vorstellen kann, jetzt mal Horrorszenario, ja? Irgendjemand denkt sich in seinem Kämmerlein den Use Case aus und denkt sich, das müsste doch eine gute Idee sein, überzeugt dann vielleicht noch irgendwie so Budgetholder und dann wird das umgesetzt. Und die eigentlichen Leute, die es ausbaden möchten, haben sie überhaupt keine Lust drauf. Ja? Mhm. Das ist ja so das Horrorszenario für alle Beteiligten, wo man's eigentlich gleich bleiben lassen kann. Wie lief das bei euch? Kam der Impuls ausm Fachbereich für den Use Case oder war's vielleicht Ich kenn auch so so Formate, wo's gemeinsame, ja, Sessions vielleicht in der Firma gibt, ja? Ich glaub, die Lufthansa, die macht das in verschiedenen Formaten. Wie lief denn das bei euch ab? Wo kam der Trigger für diesen Use Case her? Mhm. Also in in dem Fall kamen wir tatsächlich vom Fachbereich.
Speaker2: Die wussten, dass wir diese technischen Möglichkeiten haben und wurden auch, also ihnen war war klar das Ziel, dass sie automatisierten wollten und möglichst auch mit hoher Qualität und sind dann auf uns zugegangen. Aber wir haben auch natürlich in anderen, ja, mit anderen Abteilungen diese Workshops, wo wir schauen, ja, welche Ideen kommen aus den Teams und was kann man wirklich auch mit KI umsetzen? Also häufig trennt sich da schnell die Spreu vom Weizen. Also man braucht halt einen Prozess oder ein Thema, wo man auch viele Daten hat. Man kann, es lohnt sich jetzt nichts zu automatisieren, wo wo es, ich sag mal, 50 Belege im Jahr gibt. Und das findet man in solchen Workshops raus. Was ich auch viel mache, ist einfach mit Kolleginnen und Kollegen sprechen oder kleine Vorträge halten, was sind eigentlich Grundlagen von KI? Wo begegnet man KI eigentlich vielleicht auch schon im Alltag, wenn einem ein Buch oder ein Song vorgeschlagen wird oder automatisch gespielt wird, was zufälligerweise zu einem passt, dann hat man auch schon von KI in der Freizeit profitiert. Und einfach über diese Dinge sprechen, das das hilft, son grundsätzliches Verständnis zu schaffen, sodass Personen dann wirklich auch selber mitdenken und sagen, hey, hier hier könnte man das einsetzen.
Speaker0: Okay, sehr cool. Das heißt einfach grundsätzlich, die zwischen Tür- und Angelgespräche pflegen oder dass man sich gegenseitig aufn neuesten Stand hält. Diese diese, ich nenn's jetzt einfach mal Workshopformate, habt ihr das irgendwie institutionalisiert oder ist das getrieben von konkreten Aufhängen, wenn's eine neue Idee gibt? Würde mich interessieren, was hat sich da bei euch bewährt?
Speaker2: Mhm. Also bewährt haben sich Workshops, die für einen spezifischen Fachbereich sind, sodass man sich einfach auf ein Thema konzentrieren kann. Dann hat sich bewährt son kleiner Impulsvortrag noch mal zu den Vor- und Nachteilen und auch Voraussetzungen von KI zum Beispiel, dass die Daten vorhanden sind und auch zugänglich sind. Und dann nutzen wir häufig spezielle Canvaze. Canvaze sind große Poster quasi, wo Felder vor vor gemalt sind. Also man kann kann was für Daten nutzen, zum Beispiel welche Daten sind vorhanden in der KfW? Welche sind gekaufte Daten? Oder kann man dazu kaufen? Welche Daten sind selbst generiert in der KfW? So kann man sich da langhangeln oder wo stehen wir eigentlich auf einem Analytik Reifegrad? Da gibt's auch 'n Canvas dazu. So was hilft, das einfach mal zu veranschaulichen. Und vielleicht ist das tolle KI Projekt vielleicht nicht das, wo man als Erstes anfangen sollte, wenn man vorher noch gar nicht datengetrieben in der Abteilung gearbeitet hat. Dann sind vielleicht ein erstes Reporting von monatlichen Zahlen ist dann vielleicht der 1. Schritt, dann später eine KI Modell zu zu 'nem bestimmten Thema aufzusetzen.
Speaker0: Mhm. Das finde ich, ist 'n sehr, sehr cooler Hinweis. Ich ich hab mal son Decision Flow Chart für Machine Learning Lösungen gesehen und da war ganz am Anfang, kannst Du das Problem ohne Machine Learning lösen? Ja, tu es. Genau, ja. Ja, sehr gut, sehr gut. Und ich finde auch total spannend, dass Du sagst, dass ihr mit mit Canvaces arbeitet. Das gibt's ja in den verschiedensten Bereichen. Ich hab das das 1. Mal gesehen im Bereich Business Model Canva, Value Proposition Canva, also aus der klassischen Start-up Acceleration rauskommend. Und dann gesehen Martin Zugert mit Datentreiber. Die haben ganz viele verschiedene auch ausgearbeitet, eben wie Du grade gesagt hast, zum Beispiel zum Thema Datenanalytik Reifegrad. Und letztlich irgendwo, ich hab's dann hinterher erst gesehen, aber deckte sich das dann auch mit der Strategie, die wir bei Halerium verfolgt haben, 1 1 1 Softwareentwicklungsumgebung zu verheiraten mit 'ner Mindmap, letztlich Canverses und Implementierung nahe zusammenzubringen. Insofern sehr, sehr spannend, dass ihr da auch mit diesen Templates und den Canverses arbeitet. Genau, wir nehmen auch die von von Datentreiber.
Speaker2: Ah nein. Das ist 'n guter Kontakt von mir.
Speaker0: Ah, das wusste ich nicht. Okay, ja, aber so klein ist die Welt. Ja, und ich bin auch 'n Mensch, der total so denkt, ja. Also ich bin da sehr, sehr, sehr visuell unterwegs und dann hilft mir das auch immer in den Canvas, zu strukturieren. Also kann ich jeden nur wärmstens ans Herz legen, das mal auszuprobieren. Und ich mach mir mal eine kurze Notiz, dass wir den Link zu dem Datentreiber Mhm. Wie heißt es? Das ist das Canvas, nee, Design Kit, oder? Das ist, glaub ich, das Data Die
Speaker2: Meinst Du Canvaste, die in diesen großen Genau. Großen Packungen kommen. Ja, kann sein Design Richtig. Ja.
Speaker0: Ich ich guck das noch mal nach und dann verlinken wir das in den Shownotes, weil das ist wirklich sehr, sehr wertvoll. Ja. Und Datentreiber hat das ja zur freien Benutzung als Downloader auf der Internetseite stehen. Das hört man sich auf jeden Fall mal angucken. Voll gut, voll gut. Eine Frage noch mal jetzt konkret zu dem zurückkommend. Und zwar, wenn's jetzt darum geht, die Belege nicht nur eine Texterkennung zu nicht nur durchzuführen, sondern wirklich ja auch in die Bewertung reinzugehen. Wurde das denn auch als Metrik angesetzt, den Erfolg des Projekts zu messen? Oder seid ihr da eher offen reingegangen und ja, jetzt gucken wir mal und dann sehen wir's schon? Wie lief das ab?
Speaker2: Ja, also das war das wichtigste Kriterium. Können wir in diesem Dokument die Dinge extrahieren und ja, und prüfen, die wir brauchen, sodass es die automatische und automatische Prüfung der Manuellen gleicht. Und ja, tatsächlich sind wir da mit verschiedenen Logiken drangegangen, mit, mit. Und unser, ja, unser Ziel oder was ich so im Kopf hatte, man hört immer, 80 Prozent ist Benchmark im Markt, ja, dass man 80 Prozent erkennen kann bei Dokumentenerkennung. Also das hör ich in verschiedenen Sales Pitches hab ich das gehört und ich dachte, ja, so diese 80 Prozent müssen wir knacken. Und tatsächlich kommen wir bei den meisten Komponenten auch über diese 80 Prozent. Genau, wobei manche Komponenten in sonem Dokument auch schwieriger zu finden sind. Mhm. Mhm. Handschrift. Ja, Handschrift, genau, hatten wir in dem Fall nicht. Aber wie Du sagst, die die Stempel, die können man, sind ein Fluch und ein Segen, ja? Sie zeigen natürlich, dass das Dokument echt ist, können aber auch über anderen Schriftarten drüberstehen, sodass man diese dann nicht mehr gut erkennen kann. Ja, solche Herausforderungen hatten wir auch.
Speaker0: Gäbe es nur ein digitales Dokumentenformat, das automatisiert auslesbar und signierbar ist?
Speaker2: Tatsächlich, ja, tatsächlich glaube ich, ist alles alles, was wir machen, egal ob Machine Learning oder RPA oder andere Digitalisierungstechniken, Übergangstechniken, weil in Zukunft, denk ich, wird es viel auch QR Codes geben, zum Beispiel auf Rechnungen. Ja. Oder andere kennen ja, andere Features, ja, die diese Auslesungen auch obsolet machen und die das viel schneller machen. Also entweder es gibt direkt eine 1 API zwischen verschiedenen, ich sag mal, Institutionen, Behörden oder wo Daten ausgetauscht werden oder es gibt eben diesen diesen QR Code, die welche, die die Echtheit auch vom Dokument zeigen und direkt tabellarisch die Daten auswerfen. Ja.
Speaker0: Ja. Aber das ist 'n absolut spannender Punkt, den Du da grade ansprichst mit Machine Learning als Übergangstechnologie. Ich hatte da mal einen Wahnsinns Aha Moment bei einem Gespräch mit einem Wissenschaftler der TU München. Ich glaub, der Lehrstuhl, das war der IWB Lehrstuhl, also Maschinenbau. Und ich kann's jetzt nicht genau wiedergeben, was der Inhalt oder der der Forschungsgegenstand ist, aber letztlich geht zumindest industrielle Fertigungsprozesse auch und total coole Geschichten. Also normalerweise musst Du ja beim beim Zersparen aufgrund der hohen Genauigkeit, die Du erreichen musst, immer mit 'ner riesen mit 'nem riesen Verarbeitungszentrum arbeiten. Und wie cool wäre es, wenn Du einfach eine Fräse an einen KUKA Roboter vorne dran setzt und der dann das Teil fräst? Ja, würd's der wahnsinnig an an Aufbau sparen. Aber das Problem ist die Elastizität dieses ganzen Roboterarms und dann forschen die daran, wie Du das ausgleichen kannst dynamisch über entsprechende Modelle, dass dass Du quasi mit dem mit dem Vortrieb die Elastizität in der jeweiligen Stellung des Abendsausgleich, total cool, ne? Und auch Richtung Batteriefertigung, Laserschweißen, alles absolut ultra High End. Und wir wir hatten mit denen gesprochen, weil wir 'n Gefühl dafür kriegen wollten, na ja, wo seht ihr denn 'n Ansatzpunkt, wo auf Machine Learning basierte Regelungstechnik diese Prozesse unterstützen könnte? Vor allem getrieben durch den großen Use Case, den wir gemeinsam mit BMW im Karosseriebau gemacht haben, wo's ja darum ging, wie setzt man die Tür richtig in den in die Karosserie rein, dass am Ende die finale Position passt. Und das Feedback war, na okay, wir könnten's sonst hier und hier und hier vorstellen, aber letztlich ist es erstrebenswert, den Prozess als solchen so stabil zu kriegen, dass Du ihn gar nicht mehr dynamisch regeln musst mit Machine Learning. Ja, also eigentlich machst Du den Prozess in sich so, dass sich alle Probleme, die Du in der Zwischenzeit mit Machine Learning behoben hast, der Übrigen. Und das ist Wahnsinn. Und zurück zum Regelbasierten, nachdem man Machine Learning gemacht hat. Ja, ja, richtig. Zum zum zum Regelbasierten oder man macht's failed proof, ja, by Design. Und das war für mich eine Wahnsinnserkenntnis, weil weil das nämlich auch jetzt 'n sehr, sehr guter Filter für mich ist, wenn ich auf Use Cases drauf gucke. Ich stell mir nämlich immer die Frage, ob der, wenn's jetzt den Fertigungsprozess geht, ob der Prozess nur nicht die richtige Qualität liefert, weil er nicht ausoptimiert wurde oder weil er inhärent nicht weiter optimierbar ist. Das ist 'n Riesenunterschied. Und ich hab dann festgestellt, dass bei der BMW Use Case, dass der inhärent nicht weiter optimierbar ist. Warum? Weil die Teile nicht gefräst werden können, sondern gestanzt und gebogen werden. Und über dieses Fertigungsverfahren des Pressens kriegst Du keine 100 Prozent Wiederholgenauigkeit hin. Das ist inhärent und nichts, was Du mit noch 'ner Evolutionsstufe, noch 'ner Evolutionsstufe von deinem Prozess dann beheben könntest. Und gleichzeitig im Umkehrschluss fallen aber total viele Use Cases wieder raus. Ja, eben weil's dann quasi nur noch eine Sache der Prozessbefähigung ist. Und ja genau, das war jetzt 'n langer Teil von meiner Seite, aber find ich 'n sehr, sehr wichtiger Filter, den wir alle ansetzen sollten. Wenn wenn's drum geht, wollen wir jetzt Machine Learning einsetzen, weil wenn Du, wie Du sagst, ja, wenn Machine Learning nur die Übergangslösung ist, dann stellt es natürlich auch das Invest infrage, ja, ob sich's dann rentiert, überhaupt diese Lösung zu bauen.
Speaker2: Ja, also ich glaube, die der Übergang kann relativ lang sein in bestimmten Bereichen und und sehr, sehr nützlich, indem ja, dass man's erst mal einsetzt. Also ich habe auch schon Themen erlebt, wo wo Personen gesagt haben, nein, wir machen kein KI Projekt. Wir machen Business as usual. Ja, wir lassen das so, auch wenn wir, was weiß ich, dadurch viel manuelle Arbeit haben oder dadurch andere negative Konsequenzen für die Kunden oder so. Ja, weil das Produkt gibt's wahrscheinlich in einem Jahr nicht mehr. Ja, und nach 2, 3 Jahren gibt's das Produkt immer noch und die Kunden warten immer noch lange und die manuelle Arbeit ist immer noch hoch. Von daher würde ich sagen, ja, besser heute einsetzen als morgen. Ja, ja. Und ja, hoffentlich dauert das lange, bis man dann eben, ja, so ist es, irgendwann noch bessere Lösungen hat. Ja, aber zurück zum BMW, ich war ja auch als Unternehmensberaterin tätig. Das hat mich auch sehr fasziniert. Dass die KUKA Roboter selber wissen, wann ihre Teile abgenutzt sind und dann selber dahin laufen, wo sie ihre Teile ersetzen können. Das ist schon sehr faszinierend, das mal zu sehen, ja. Ja, nice.
Speaker0: Du hast vorhin das Thema MOPS angesprochen beziehungsweise erst mal generell DevOps und in dem Kontext ist man ja dann sofort bei MOPS. Vielleicht als letzte Frage zu diesem Use Case der Belegklassifikation. Kannst Du mir 'n Gefühl dafür geben, wann für euch der Punkt erreicht war, wo ihr sagt, okay, wir lassen jetzt so diesen diese ersten Machbarkeitsstudien nenne ich's jetzt mal, ja? Geht da überhaupt was in dem in dem Use Case hin zu, wir bauen das Produkt jetzt? Weil's ja irgendwann früher oder später den Punkt gibt, wo ich meine bisherigen Arbeiten erst mal in die Tonne haue und dann mach ich's quasi noch mal ordentlich von von neuem. Eben wenn's dann drum geht, die richtige Lösung aufzusetzen. Nur die Frage ist halt, wann mache ich das? Mhm. Wie wie lief das bei euch? Mhm. Ja, das ist ein guter Punkt, weil
Speaker2: je tiefer man in die Materie geht und des je mehr man sich austauscht mit dem Fachbereich, mit der IT, desto mehr kommen auch neue Ideen oder Anforderungen
Speaker0: zutage, ja? Ui, gefährlich.
Speaker2: Ja. Dann kommt nach 208. Wir wollen aber genau den den Abschluss nachgucken oder wir wollen noch das und das und die Negativformulierung aufnehmen, weil Teilnahme ist zum Beispiel kein Abschluss, ja? Und das kommt dann peu à peu und deswegen eignet sich auch dieser Scrum Modus. Also wir haben als wir wirklich gute Qualität hatten und der Fachbereich uns gesagt hat, okay, wir wollen das hier jetzt intern umsetzen, andere Wettbewerber in dem Case sind quasi raus. Dann haben wir auch angefangen, es umzusetzen, auch wenn nachher wir immer noch Änderungen vornehmen mussten oder jetzt unser Release 1 haben und wir schon wissen, für Release 2 müssen wir noch mal Änderungen einbauen. Ja, ich denke, 'n bisschen Offenheit braucht man, aber sobald quasi die hohe Qualität feststand, da konnten wir auch loslegen, in die Umsetzung zu gehen. Ah, okay, cool. Und dann wirklich
Speaker0: nach Scrum, aber mit 'nem Masterplan, okay, für die Lösung brauchen wir die Algorithmik. Wir brauchen das User Interface. Wir brauchen die Pipeline und so weiter. Und dann wurd's quasi alles nach und nach parallel aufgezogen.
Speaker2: Genau. Also es arbeitet nicht nur unser Team daran, sondern auch verschiedene andere IT Einheiten dann in dieser Gesamtumsetzung. Genau, da arbeiten wir Hand in Hand. Und es gibt einen Zeitplan, aber es ist auch genügend Raum, noch mal iterativ Dinge zu verbessern.
Speaker0: Cool. Lass uns an der Stelle kurzen Backflip machen zu deiner Person, ganz persönlich. Magst Du folgenden Satz für mich vervollständigen? Künstliche Intelligenz fasziniert mich, weil?
Speaker2: Ja, weil das Volumen irrelevant wird. Also es gibt, ohne Machine Learning hat man den linearen Zusammenhang zwischen einem Stück Arbeit und der Zeit, ja? Wenn ich 10 10 Kreditanträge prüfe, brauch ich eben zehnmal so lang wie mit einem Antrag. Oder wenn ich 10 E-Mails zu den richtigen Fachbereichen verschiebe, dann brauch ich zehnmal so lang wie wie mit 1 E-Mail. Und deswegen kommt es insbesondere in Peak Zeiten auch zu zu Knappheit. Und das kann man mit KI überwinden, weil KI ist es egal, ob wir 10000 oder viel mehr E-Mails ruoten wollen. Also die KfW bekommt ungefähr 200000 Kunden E-Mails pro Jahr. Es ist einfach egal, wie viele geroutet werden, weil man braucht ja vielleicht 'n bisschen Speicherplatz, aber der ist ja heute auch auch gut zu haben. Und auch bei den Kreditanträgen ist es eben egal, ob's eben 10000 oder 100000 sind. Und das find ich das Tolle und das davon profitieren nicht nur die Kunden, sondern das entlastet auch Kolleginnen und Kollegen. Also indem wir keine Wochenendschichten zusätzlich einlegen müssen, weil wir son Berge von Arbeit haben, sondern es ist einfach 'n smoother Prozess, sowohl nach innen und nach außen und die Peak Zeiten sind einfach, ja, da ist trotzdem das Wochenende frei, ja?
Speaker0: Ich hatte da mal ein ziemlich treffendes Bild gesehen oder oder zumindest ja irgendwie ist mir das über den Weg gelaufen, nämlich dass dass dass KI die Automatisierung kognitiver Prozesse ist, genauso wie es Roboter von KUKA und Konsorten, ja, es kann wollen hier keine Werbung machen, die Automatisierung manueller Prozesse, also wirklich körperlicher körperlicher vorgänge und prozesse darstellt und das fand ich sehr sehr spannend und und nachdem sie es ja auf einem softwarelevel bewegt ist diese von dir angesprochene skalierung die dynamische skalierung auf den den den work Load noch viel besser möglich.
Speaker2: Mhm.
Speaker0: Finde ich extrem spannend, ja und ist auch 'n Thema, das mich total fasziniert. Gleichzeitig die Frage, die sich mir dann immer stellt, welche Prozesse fallen dann unter diese Automatisierbarkeit? Also wir haben ja heute Roboter, die automatisch Waschmaschine zusammenspeisen. Das schon. Aber ich warte immer noch auf den bei Raumpatrouille Orion versprochenen Roboter, der mir die Geschirrspülmaschine außen wieder einräumt. Ja, und in dieser Analogie denkend, welche Prozesse siehst Du, die eben automatisiert werden können? Klar, also die, die heute schon gehen, aber die auch in Zukunft gehen werden. Und siehst Du vielleicht auch Prozesse, die für sehr, sehr lange Zeit noch nicht automatisierbar sein werden mit Machine Learning und KI?
Speaker2: Ja, das ist das ist eine gute Frage. Also ich denke, kognitive Arbeit ist grundsätzlich erst mal schwieriger zu automatisieren als vielleicht manuelle Tätigkeiten, wobei das Spülmaschineausräumen ist auch eine manuelle Tätigkeit. Ja, vielleicht würde das sogar gehen, wenn man 3 Regale hat, Teller, Tassen, Besteck. Vielleicht könnte das sogar dann ein Roboter. Aber ich denke, genau, kognitive Dinge, wo es dann auch, ich sag mal, ganz wichtige Entscheidungen gehen geht, da wird zumindest ein drinbleiben oder es wird gänzlich, ja, ja, gänzlich vom Mensch, glaube ich zum Beispiel nicht. Also zum Beispiel der Malaria Erreger, den kann man den kann KI inzwischen besser erkennen als geschulte geschultes Personal. Und ich denke, es wird immer, KI wird nützlich sein, mit den Menschen zusammenzuarbeiten oder einen Mehrwert zu stiften. Aber ich mein letztlich die Diagnose Malaria oder was mit der Person, wie mit dem Patienten oder der Patientin umgegangen wird und wie wie dann die die weiteren Wege aussehen, das wird immer noch ein Mensch machen. Das heißt, ich glaube, in der Medizin zum Beispiel, auch wenn ich medizinische Laien bin, kann ich mir gut vorstellen, dass der Mensch weiterhin sehr wichtig bleiben wird. Und ebenso auch in, ja, kognitiven Themen, die, ich sag mal, ja, wie bei uns jetzt irgendwie negative Bescheide oder so beinhalten, da wird immer ein Mensch noch drüber schauen. Das das ist sehr wichtig.
Speaker0: Und so wie Du das dargestellt hast, ist mir gerade 'n interessanter Unterschied zwischen den beiden Kategorien auch aufgefallen. Zwischen eben Automatisierung manueller oder wirklich, wie soll ich sagen, physischer Prozesse oder kognitiver Prozesse. Und zwar bei den Robotern ist es so, dass der Ausgangspunkt der Roboter oder die die Maschine arbeitet alleine und jetzt erst nach und nach kommen wir in ein Stadium der Collaboration und der Cobots, wo Mensch und Maschine gemeinsam arbeiten. Bei KI ist genau andersrum, ja? Da ist der Ausgangspunkt, okay, man macht mal gemeinsam und die Reise geht eher dahin, die KI mehr und mehr zu befähigen. Das finde ich grad lustig, dass das quasi genau andersrum ist in den beiden Domänen. Cool, vielen Dank für den Einblick, ja, noch mal noch mal auf auf die Faszination, was da bei dir schlummert. Wenn ich jetzt noch mal den Blick zurück auf die KfW lenken darf. Du hattest ja vorhin beschrieben, wie auf inhaltlicher Ebene das zustande kommt, dass 'n neuer Use Case erarbeitet wird. Dass man gemeinsam dann rausfinden, okay, das wär spannend, den sollten wir umsetzen. Gleichzeitig und das merke ich auch bei den Projekten, in denen wir involviert sind, ist halt neben der fachlichen und technischen inhaltlichen Komponente das Thema dann auch immer Entscheidungsstrukturen und Firmenpolitik. Und da finde ich sehr, sehr spannend, wenn Du was dazu sagen magst und kannst vielleicht zu erfahren, wie händelt ihr das? Also ist vielleicht sogar ein Alignment? Sind die Leute, die das entscheiden dürfen, welcher und ob ein Use Case umgesetzt wird, die, die letztlich dann auch fachlich involviert sind? Oder sind's 2 Ebenen, die da zusammenarbeiten müssen, weil ich halt sehe, okay, nicht immer wird das umgesetzt und entschieden, dass umgesetzt wird, was halt inhaltlich sinnvoll ist und umgekehrt. Und nachdem eben dieses von dir vorhin skizzierte Beispiel mit der Belegerkennung so absolut ins Schwarze trifft, ja, würd mich interessieren, war das quasi 'n Glückstreffer, wenn man's jetzt überspitzt formuliert oder steckt da wirklich 'n System dahinter?
Speaker2: Ja, also da haben wir zum Glück, also wir als BDI Team viele oder sehr frei Hand, wie wir entscheiden können, welche Use Cases drankommen. Aber wir haben tatsächlich ein transparentes System, was mehr ist als Kosten und Nutzen. Also zum Beispiel schauen wir uns für jeden Use Case an bei den Kosten. Passt es zu der Technologie, die überhaupt im Haus ist? Wie ist die Umsetzbarkeit und die Machbarkeit technologisch? Haben wir auch nach hinten den Betrieb sichergestellt? Also wer betreibt nachher son son Routing Modell? Das sind alles Themen, die bei uns quasi in den Kosten einfließen und Nutzen ist für uns nicht nur eben monetärer Nutzen, sondern kann auch Nutzen stiften, wo ja, wo wir einfach in 'nem Thema schnelle Erkenntnisse bekommen oder wo ja, wo der Kunden einen Nutzen hat. Das heißt, wir haben da ein Raster entwickelt, wo wir die Use Cases mitbewerten und dieser Use Case kam kam als Erstes dran. Und wir haben mehrere vielversprechende Use Cases im Backlog. Es gibt aber auch immer, ich sag mal, kleine Dinge. Wir hatten jetzt eine Umfrage mit, wo es offene Nennungen gab, 5000 offene Nennungen und da war die Frage, okay, was haben die Leute denn alles gesagt? Und das ist 'n Thema, da können wir einfach 'n paar Analysen zwischendurch fahren und Erkenntnisgewinn stiften für für unsere internen Kunden und das kann man zwischendurch zwischendurch auch mal machen. Aber tatsächlich haben wir 'n transparentes System, wo wir unsere Use Cases bepunkten und die wir im Review auch vorstellen. Und tatsächlich ist es so gekommen, dass das Platz 1 Thema dann auch als erstes, also als erstes großes Thema umgesetzt wurde. Cool. Ah okay, also Du sprichst grad vom Review
Speaker0: im im Scrum Prozess. Das heißt, ihr ihr habt den Touchpoint des persönlichen Gesprächs. Das wär nämlich meine nächste Frage gewesen, transparenter Ansatz, gut, ja? Was heißt das konkret? Also es ist 'n Wiki System, wo ich mich beliebig einwählen kann, egal ob ich jetzt Anwender, Manager, Data Scientist, DevOps Person bin. Habt ihr son so wie eine Wissensdatenbank aufgesetzt oder ist das eher bei euch intern verwaltet im Team und dann ist der Touchpoint eben wirklich quasi nur das persönliche Gespräch? Genau. Also wir haben
Speaker2: wir haben unsere unser Raster, ja, das das quasi öffentlich, aber unsere Datei mit den Use Cases, die bearbeiten wir als Team. Im Review haben wir dann verschiedene Fachbereiche, aber auch unsere eigenen Stakeholder wie Manager aus der IT in dem Review, sodass jeder dazu auch Stellung nehmen kann. Und was wir im Buildingblock jetzt machen wollen, ist, dass wir auf höherer Ebene als bei den User Stories, also auf Ebene der Features, dass wir da mehr Transparenz schaffen, wo stehen wir insgesamt als Buildingblock? Was wollen wir umsetzen? Das ist aber dann eine, ich sag mal, grobe transparente Sicht, dass jeder weiß, was wir gerade machen. Ja. Alright.
Speaker0: Total cool. Wenn wir den Blick noch mal auf dein Team richten, gibt's da eine Rolle, von der Du sagst, die ist absolut unabdingbar, in 1 Firma wie der KfW erfolgreich Projekte umsetzen zu können? Ja, also brauche ich vielleicht die perfekte Mathematikerin oder brauche ich absolut den Devops Engineer oder ist es vielleicht keines davon und das Team als solches muss stimmen. Kennst Du son Hidden Champion?
Speaker2: Ja, also ich würd sagen, alle sind Champion, wenn wenn sie's schaffen, gut zusammenzuarbeiten und auch ihre Themen, ich sag mal, in so 1 Sprache rüberzubringen, die die dann andere verstehen. Mhm. Das ist wichtig und das ist wichtig. Und ich würde sagen, gut sind immer Personen, die und die die haben wir auch, die ja, gemeinsam eben Neues wagen wollen und die ja, die nicht nur quasi in ihrem in ihrem Metier oder in den Tiefen ihrer Algorithmen unterwegs sind, sondern sondern eben auch die, ja, den Blick haben für andere, auch wo andere grade stehen. Also man redet ja im agilen Umfeld von diesem T-Sape Team, ja. Also man hat quasi seine Expertise, aber kann die den anderen die Hand geben. Und das brauchen wir zum Beispiel im Bereich Data Science, dass die Personen nicht nur ihre Algorithmen kennen, sondern auch zum Beispiel Grafiken erstellen können oder in PowerPoint mal ganze Action title formulieren können, was ist denn jetzt die Hauptaussage oder das Hauptergebnis von meiner Analyse in so 1 Sprache, dass es das Management auch versteht oder jemand, der noch nie von diesem Thema was gehört hat? Mhm. Ja, wo ist 0.5. Genau. Ja. Ja. Okay. Ja, ja, ja. Ja, spannend. Auch aus der IT Personen, die sagen, ja, das haben wir noch nie gemacht, Mhm. Aber wir versuchen's jetzt einfach gemeinsam, ja?
Speaker0: Okay, das ist, find ich aber, eine spannende Perspektive, weil Du sozusagen damit einen Schritt weiter vorne ansetzt, so ein wichtiges Filterkriterium der Interdisziplinarität und Offenheit bei der Zusammenstellung des Teams ansetzen, anstatt hinterher, wenn das Kind schon in den Brunnen gefallen ist, irgendwie einen supertollen Kümmerer reinsetzen, der die ganze Zeit irgendwie kommunikativ unterwegs ist und Feuer löscht, ja? Sehr gut.
Speaker2: Mhm. Ja, also eine große große Aufgabe der Kommunikation liegt natürlich bei den Product Ownern, also auch mir. Aber ich finde es wichtig, dass alle Personen miteinander sprechen können. Genau, von daher ist ist jeder da mit mit einbezogen, auch ja, zum Beispiel in die Präsentationen reinzuarbeiten oder Meetings auch vorzubereiten und den Blick nach außen ja, mitzugehen.
Speaker0: Sehr gut. Letzte Frage, Nora. Welchen Rat würdest Du deinem zwanzigjährigen Ich geben?
Speaker2: Ja, das ist eine spannende Frage. Tatsächlich war ich vor ein paar Wochen in meiner Geburtsstadt bei meinen Eltern und habe zufällig in der Stadt auf dem Marktplatz eine frühere Lehrerin von mir getroffen. Und die Lehrerin hat gefragt, wie's mir geht und ob sie fragen darf, was ich beruflich mache. Und hab ich gesagt, ja, ich treibt das Thema Big Data, künstliche Intelligenzen der KfW voran. Und da sagt sie, ja, das das erstaunt sie ja. Sie hätte ja gedacht, dass ich was mit Sprache und Literatur mache. Und ja, aber wie meine Augen leuchten, ja, sieht sie, dass ich das Richtige gefunden habe und findet's, finde das klasse, dass ich das Thema KI verstehe. Und von daher wär mein Rat an mein zwanzigjähriges Ich, sich einfach nicht von von Hürden stoppen lassen. Also KI ist mir auch nicht in den Schoß gefallen am Anfang. Und sich nicht von Hürden stoppen lassen, sondern einfach der der Intuition und der Neugier folgen.
Speaker0: Sehr, sehr cool. Nora, ich danke dir für das sehr, sehr spannende Gespräch. Ich hab sehr viel gelernt, auch persönlich, find's immer noch beeindruckend, wie modern und agil ihr bei der KfW unterwegs seid. Und ich freu mich schon 'n bisschen auf meinen nächsten KfW Antrag und werd mir die Augen offen halten, ob das 'n bisschen auch Richtung durchscheint, wie viel an an an und Machine Learning dahinter den Kulissen stattfindet. Sehr, sehr cool. Ich denke, wenn man dazu mehr erfahren möchte, kann man dich über LinkedIn kontaktieren, nehme ich mal an, oder? Ja, sehr gerne. Dürfte kein Problem sein. Und ja, ich danke dir für den Einblick, den Du uns gegeben hast. Ich hoffe, wir laufen uns so mal wieder übern E-Mail-up hatten wir ja schon gemeinsam und wünsche auch allen Zuhörern eine gute Zeit. Ich hoffe, ich war es war was dabei, was ihr was ihr mit rausnehmen konntet aus dem Gespräch. Bleibt gesund.
Speaker2: Tier.
Speaker0: Auf dem Laufenden zu bleiben, folgt uns auf Facebook, Instagram, Twitter und LinkedIn. Wenn ihr uns unterstützen wollt, gebt uns eine