Wenn die KI coded: Was bleibt vom Softwareentwickler? – mit Tom Deuster

- Dr. Theo SteiningerCo-Founder & CEO at Erium
- Tom DeusterCTO of DE Group, Managing Director of DE Computing
Overview
In this episode, host Theo Steininger speaks with Tom Deuster, CTO of DE Group, about what remains of the classical software developer when AI writes the code. The two explore how agentic programming affects teams and workflows, which skills truly matter, and where AI creates real value in industry - and where it is merely expensive window dressing.
About the guest
Tom Deuster is CTO of DE Group and Managing Director of DE Computing - a company that has been developing software for industrial plants for over 30 years. Deuster has been programming since his youth, completed a dual-track degree in applied computer science at SAP, subsequently worked at SAP Research in Karlsruhe, and founded his first company while still completing his Master's degree in Heidelberg. A collaboration with DE Software gave rise to today's DE Group, where he took on the role of Director of Technology and Product just under two years ago.
Summary
From classical programmer to AI conductor: what experienced developers bring to the table
Tom Deuster describes his straightforward path from self-taught teenage programmer through SAP Research to founding his own company. This experience shapes how he works with AI tools today: he makes targeted demands of coding agents - clean architecture, high test coverage, subagents for quality checks - because he knows what matters. Experienced developers therefore use AI considerably more efficiently than beginners without a technical background.
At the same time, Deuster makes clear that the learning curve through pain does not disappear - it simply shifts. Those who start vibe-coding without any computer science knowledge learn through broken features and unexpected side effects, at a different level of abstraction but through the same learning mechanisms.
Non-technical users as developers: an ongoing experiment
DE Group is launching a pilot in which a person with no technical background whatsoever - but with deep domain knowledge - is tasked with building production-ready software. Deuster is supervising this experiment and is curious to see how the feedback ping-pong between human and AI agent plays out.
The underlying pattern: experienced developers distil their workflow into a shared skill library that is automatically distributed to all machines. This allows domain experts without a computer science background to benefit from proven processes - an approach that Theo Steininger describes as structurally identical to the template system in Halerium, just at a different level of abstraction.
Agility beats waterfall thinking - even with AI agents
Theo Steininger describes the approach of specifying projects as completely as possible upfront so that agents know the full scope. Deuster disagrees: complete upfront specification works neither in classical nor in agentic development. What matters is a functional north star - fundamental decisions about scaling, deployment, and core architecture - but no excessive technical detail specified in advance.
Both agree that throwaway prototyping - implementing a first version quickly, learning from it, then rebuilding cleanly - is a proven pattern that can be executed even faster in the AI era. Deuster was already familiar with this approach from his time at SAP Research.
Where AI really delivers in industry - and where it is just a toy
For industrial processes, Deuster argues that AI should be deployed only where a genuine problem exists that cannot be solved more simply with deterministic automation tools. Simple chatbots that read out service manuals rarely create lasting value - either the information is important enough that it must already be known, or it is so trivial that a colleague suffices.
Deuster sees major potential in two areas: first, in image processing for quality control - for example, real-time interpretation of camera images in welding or adhesive-seam processes. Second, in knowledge-based maintenance: a system that knows past fault resolutions and suggests the most likely solution path to a technician based on context significantly bridges the experience gap between senior staff and career changers.
Writing code as a paid activity is obsolete - but domain knowledge remains the trump card
Deuster's pointed thesis: no one should be paid today merely for writing a line of code. The core competence lies in understanding customer processes, the domain, and system integration - things AI cannot deliver on its own. Even before the AI era, nearshoring pure development capacity was never an option for DE Group; the value always lay in the translation between domain process and software.
A proprietary body of knowledge - built, for example, by transcribing expert conversations and storing them in a structured knowledge base - becomes a strategic resource that frontier models cannot replicate. Deuster already runs his own AI models in his own data centre to avoid sharing sensitive information externally.
AI waves and the view over 5 to 10 years
Deuster is convinced that AI development proceeds in waves and that the current wave is far from the last. He considers the transformation driven by AI to be more profound than anything triggered by the internet, social media, or the smartphone. It will take 5 to 10 years before AI is fully embedded in working life and everyday life - from autonomous driving to assistants running on end devices.
Historical patterns give him confidence: every industrial revolution has created new fields of activity that were previously unimaginable. AI is not a human-versus-machine scenario but a tool - and what matters is who knows best how to use it.
Key takeaways
- No one should be paid today merely for writing code - the value lies in understanding the domain and customer processes.
- Experienced developers use AI more efficiently because they can make targeted demands regarding architecture, testing, and process quality.
- Learning curves through pain do not disappear - they shift to a higher level of abstraction, even for non-technical users.
- A shared skill library and automated review agents are the key to productive AI-assisted coding in a team.
- Agile principles beat waterfall planning in agentic development too - a functional north star is sufficient as a starting point.
- Image processing and knowledge-based maintenance are the most compelling industrial AI use cases.
- Proprietary domain knowledge that is not contained in public training data becomes the decisive competitive advantage.
- AI is not a human-versus-machine scenario but a powerful tool - what matters is who uses it better.
Conclusion
The episode makes clear that the role of the software developer is fundamentally changing - not disappearing. Those who can write code are in less demand; those who understand processes, formulate requirements precisely, and guide AI agents within the right engineering framework become more valuable than ever. For industrial companies, this means the real lever lies not in AI adoption per se, but in building a proprietary body of knowledge and in choosing service providers who have mastered modern AI-assisted development processes.
For software developers and CTOs
Invest in engineering processes for agentic programming - skill libraries, automated reviews, and clear architectural principles. Those who establish this framework multiply their productivity; those who ignore it accumulate technical debt faster than ever.
For decision-makers in manufacturing companies
Ask your software service providers whether they have integrated AI into their development process - that is where a cost difference of a factor of 10 lies. And examine where AI genuinely adds value in your domain processes: image processing and knowledge-based maintenance are mature, clearly defined entry points.
For domain experts without a computer science background
The barrier to implementing your own software ideas is falling rapidly. Those who have deep domain knowledge and are willing to learn iteratively with AI tools can today build production-ready applications - provided a clean process framework is in place.
Show full transcript
Speaker0: Eine Zeile kurzzuschreiben, das ist nichts mehr, wofür du einen Menschen bezahlen kannst. Dieser Satz kommt nicht von irgendeinem KI Guru auf LinkedIn, sondern von jemandem, der sein ganzes Berufsleben mit genau dem verbracht hat, Software entwickeln. Thomas Deuster ist CTO der DE Group, einem Unternehmen, das seit über 30 Jahren Software für die Industrie entwickelt, also für Anlagen, die ohne Wenn und Aber laufen müssen, weil sonst beim Kunden die Produktion steht. Thomas programmiert seit seiner Jugend, hat Informatik studiert, war dann bei SAP in der Forschung, hat während des Studiums seine eigene 1. Firma gegründet. Und ausgerechnet dieser Mann sagt heute, fürs reine Programmieren darf heute eigentlich niemand mehr bezahlt werden. Ich wollte von ihm wissen, was das konkret heißt. Wer schaut jetzt eigentlich noch in den Code rein, wenn ihn keiner mehr selbst schreibt? Warum lässt er gerade jemanden ohne jeden Informatikhintergrund Software für den echten Produktionseinsatz bauen? Und wo macht KI in der Fabrik wirklich einen Unterschied? Und wo ist sie nur 'n teures Spielzeug? Willkommen bei Beyond a I. Mein Name ist Theo Steininger und ich wünsch euch viel Spaß mit Thomas Tom Deuster.
Speaker1: Was da mittlerweile möglich ist, das war vor 'nem Jahr oder selbst vor 'nem halben Jahr schwer denkbar, aber da ist in den letzten paar Monaten so viel passiert, dass da der Schiff von Verwaltungs Office Aufgaben, sag ich jetzt mal, relativ plain mit Texterstellung deutlich stärker hingeht zu Entwicklung von brauchbarer Software.
Speaker0: Da würde ich gerne gleich noch sehr, sehr tief einsteigen. In der letzten Podcastfolge mit Maxim haben wir nämlich die Kiste auch aus unserer Perspektive aufgemacht. Und damit wir das richtig einordnen können, deine Perspektive, werd ich einmal noch mal ganz kurz in der Zeit zurückreisen. Mhm. Wie bist Du in deine aktuelle Rolle als CTO in der DE Group angekommen. Was war da der Werdegang? Hol uns da noch mal ganz kurz ab. Gerne, also wenn Du magst mitm Kindergarten, aber ich denk, da sinnvolle Einstieg ist wahrscheinlich Studium.
Speaker1: Kindergarten hab ich noch relativ wenig mit Computern gemacht, glaub ich. Vielleicht hab ich sie gezählt, wenn sie vorhanden waren. Na, ich hab aber bei allen tatsächlich schon in der Schulzeit immer mit Rechten sonst was gemacht. Also seit ich 10, 12 bin, programmier ich. Selbst beigebracht damals noch mit dicken Büchern tatsächlich durchgelesen, nachgebaut. Programme mit 328 Variablen, weil Arrays noch nicht bekannt waren. Da war der Einstieg und ich hab einen fast schon langweilig gradlinigen Weg, was Software Engineering angeht. IT Gymnasium besucht, da haben wir dann Mikrocontrollerprogrammierungen durchgenommen, logische Netze aufgebaut. Das heißt, da tatsächlich auch Assemplerprogrammierungen, alles, was da dahintersteckt. Und bin danach zur SAP gegangen für 'n duales Studium in angewandte Informatik. Wollt aber nicht dort bleiben, nicht weil's nicht schön war, sondern weil ich andere Sachen machen wollt. Hinter Master in Heidelberg gemacht, auch in angewandter Informatik, Informatikmatte. Und hab dann direkt im oder während des Studiums noch 1. Firma gegründet mit 'nem Kumpel gemeinsam, die existiert auch noch. Das war 20 12 damals. Und wussten, dass wir Software schreiben können oder das, was wir damals von Software schreiben können gehalten haben. Sind relativ frei in die Akquise und Suche gegangen und sind durch reinen Zufall in der Industrie gelandet. Haben dort da 'n Prozessleitsystem für unseren ersten großen Kunden geschrieben, wie man sich als Start-up vorstellt, echte Wochenenden, sämtliche Tage. Und daraus ist dann irgendwann 'n Joint Venture entstanden mit der die Software, weil die auch im Industrieumfeld unterwegs waren. Wir haben 'n Werbebetrieb geschrieben und kam dann richtig schön ausformulierter Werbebrief oder Werbe-E-Mail, was war das Können verlängerte Werkbank. Und es kam als Antwort zurück. Ja, klingt interessant, ruf mich doch mal an. Das war der 1. Kontakt mit der DE Software, damals beim Fritz Steininger. Und daraus ist dann die DE Computing als Folgefirma und DE Group entstanden. Und als letzten Schritt war dann vor knapp 2 Jahren der Wechsel als Director Technology and Product in der der Software. Und in der Computing bin ich immer noch Geschäftsführer, die aber sehr, sehr stark mit der Software
Speaker0: zusammenarbeitet. Was ich da total spannend finde jetzt seit in deiner aktuellen Rolle, das ist, dass Du ja, wie Du's grad erwähnt hast, ne, den den klassischen linearen Track durchlaufen hast. Das heißt, Du hast eben genau diese Bücher durchgearbeitet und quasi auch am eigenen Leib erlebt, warum's keine gute Idee ist, 'n Programm meinetwegen mit 324 Variablen zu schreiben. Mhm. Und heute schaut die Welt ja anders aus. Wir haben eine Ausbildungssituation, wo ich als Student, Studentin ja gar nicht mehr in die Verlegenheit komme, wenn ich's nicht wirklich drauf anlege, so hart auch häufig auf die Schnauze zu fallen. Und es gibt son Spruch, ne, lernen durch Schmerzen. Und dieser Spruch, da ist was Wahres dran, ja. Einfach, es gibt ja 3 Arten der Erkenntnis, spüren, das wär ja durch Schmerz, Nachahmung und Nachdenken, das ist der Härteste. Und und wenn jetzt so dieser 1. Weg wegfällt, dann würd ich mal gern mit dir ein bissel auseinandernehmen, wie wie schätzt Du das ein? Also sagst Du, das ist eine wichtige Erfahrung, dass man sozusagen auch einmal durchgeht durch die Basics und und und komplett ohne Hilfsmittel lernt, Software zu entwickeln. Ich möchte auch ganz klar die Unterscheidung machen zwischen Programmieren und Softwareentwicklung, ne. Oder sagst Du, na ja, eigentlich war das bloß nervig und heute ist auch keiner mehr traurig, dass es 'n Taschenrechner gibt, keiner rechnet Logarithmen mehr zu Fuß aus. Wie geht's dir damit?
Speaker1: Ich würd die Prämisse infrage stellen, dass man Lernen durch Schmerz jetzt wegfällt. Es ist 'n anderer Schmerz. Es hilft es hilft extrem gut, den Hintergrund zu haben, dass ich, ich merk's, wenn ich in die Implementierung gehe oder auch durch Claude Cote jetzt beispielsweise was implementieren lasse, dass ich andere Sachen fordere von der KI, als es nicht technische Leute machen. Das heißt, direkt mit, schick Subagent mit rein, dass die Qualität auf Architektur geachtet wird, Testabdeckung hoch. Verschiedenste Dinge, die man der KI mitgibt, weil man's gelernt hat. Mhm. Das ist das, was 'n erfahrener Softwareingenieur mitbringt und dadurch sehr, sehr schnell sehr effizient und effektiv die KI einsetzen kann. Aber wenn ich jetzt ein rein fachliche Person nehme, die mit, wunderschönes Passwort, Vibe Coding einsteigt, lernt die genauso. Wenn sie nämlich diese Sachen nicht nennt, hat sie schnell 'n Ergebnis und hier geht was kaputt, da hört was auf, da geht was nicht. Das ist derselbe Schmerz, nur auf 'ner anderen Ebene. Mhm. Das heißt, setzt 'n anderes Werkzeug ein, musst aber auch lernen. Und irgendwann lernst Du dazu, okay, gut, 8. Vielleicht drauf, dass die anderen Dinge nicht kaputt gegangen sind. Starte vielleicht die Dinge noch mal durch, bevor Du mir sagst, Du bist fertig. Ich glaub, dass einfach nur der Lernweg ein anderer ist, die lernen trotzdem durch Schmerz.
Speaker0: Was ich da aber spannend finde, ist, dass es dann 2 2 verschiedene Arten von Reflexe gibt. Ich weiß nicht, wie's dir da geht, aber ich hab beobachtet, wenn jemand ausprobiert oder ja, sehr authentisch programmiert und letztlich ja wie quasi den den Agenten als Assembler nutzt von Idee hin zu Softwarecode, dann klappt was nicht, ja. Dann gibt's so die einen, die haben den Reflex, ich hab's ja schon immer gewusst, auf den Code kann man sich nicht verlassen oder ja, da muss da noch mal 'n Mensch drüber gucken. Die alternative Herangehensweise ist, dass man sagt so, okay, welche zusätzliche Fähigkeit hätte er denn der Coding Agent gebraucht, damit's gar nicht erst so weit gekommen wär? Also Stichwort Softwaretests zu schreiben, ja. Das kann ich denen ja verpflichtend mitgeben, dass ich dem quasi nichts auch committen lasse, keine keinen Softwarecode einreichen lasse zu ins Team, das nicht eine bestimmte Testkaskade durchlaufen hat. Und da da ist jetzt meine Frage, wie siehst Du das? Es gibt ja auch 'n Grund, warum das nicht standardmäßig hart in die engen reingearbeitet ist, ja. Also warum gibt's überhaupt noch den Bedarf dafür, selbst auf die Idee zu kommen, dass man den Agenten jetzt dazu zwingt, zum Beispiel eben Softwaretests zu schreiben?
Speaker1: Das hast Du ja in der klassischen Programmierung auch. Du hast verschiedene Leute, die anders an die Themen rangehen. Du hast die Test Driven Development, Domain Driven Development, die halt komplett anders die Problemstellung angehen und lösen, sehr Einzeltests basierend. Es gibt, ich kenne Entwickler, die setzen sehr, sehr stark auf Unittests. Und dann die Integrationstests, die dann gegebenenfalls kaputtgehen. Es gibt welche, die testen nur Ende zu Ende als Blackbox und wissen gar nicht, ob die einzelne Einheit das macht, was sie brauchen. Aber sie wissen, dass das Ergebnis rauskommt, was sie brauchen am Ende. Genauso wirst Du dort auch. Es gibt nicht den einen richtigen Weg. Es kommt auch drauf an, was ich bauen muss. Schreibe ich jetzt eine Bordsoftware für einen Flugzeug, das in der Luft bleiben muss oder eine Steuerungseinheit für 'n Atomkraftwerk, muss ich andere Testszenarien fahren, als wenn ich mir jetzt irgend eine App schreib, die meine Freizeitbeschäftigung mit 'nem Spiel dahinter bringt. Und wenn da mal was kaputt ist, macht's mir nix.
Speaker0: Und jetzt mal aus der Perspektive von jemandem, der nicht Informatik studiert hat, wie komme ich jetzt zu meinem Workflow, ja? Weil wenn ich mich jetzt mal in die Perspektive versetze, bin erst mal orientierungslos, irgendwas klappt nicht. Ich weiß aber nicht warum und ich weiß ja dann in dem Moment auch nicht, wie ich mir zu helfen müsste, weil ich das Konzept zum Beispiel Unit Test noch gar nicht kenne.
Speaker1: Wenn Du offen rangehst, wie würdest Du denn ohne die argentische Programmierung programmieren lernen? Du probierst Sachen aus, irgendwas geht nicht oder Du fragst jemanden, der sich damit auskennt. Also entweder hast Du Senior Softwareentwickler, die sich damit ausgehen, die Du fragst. Oder Du fragst die KI, die weiß das, die macht's nur nicht von allein. Das heißt, wenn ich die KI frag, boah, wie kann ich denn in Zukunft verhindern, dass so was kaputtgeht, wird sie dir eine sinnvolle Antwort geben, wenn Du nicht das älteste, billigste Modell nimmst. Und das musst Du einbauen. Also 1 der Dinge, die ich gemerkt hab, ich hab jetzt ein zweites Projekt nahezu voll, agentlich entwickeln lassen. Das war auch bei mir ein wenig am Anfang, hab ich mir Teile bauen lassen und hab mir jedes Stück Code angeschaut. Hab mir, danach hab ich's größere Funktionen gegeben, hab dann die Pull requests noch angeschaut, hab sie selbst korrigiert, dann korrigieren lassen. Und als er's klick gemacht hat, oder klickert's mal, wenn Du im Ganzen 'n Brain mitgibst. Das heißt, in Memory, jedes Mal, wenn man auffällt, dass Du was dich richtig gemacht hab, merk dir für die Zukunft. Schreib da draußen 'n Skill, erweiterte diesen Skill, dass das immer ausgeführt wird. Und wenn Du so an die Sache rangehst, dann entwickelt sich 'n Toolset, ähnlich wie deine ordinäre Pipeline, in der Du diese Dinge auch nicht mehr beachten musst. Und Du wirst unglaublich effizient, indem Du über den Mikrofon reinsprichst, ich hätt gern die und die weitere Funktion, dann weiß das Tooling, hey, das war mir zu ungenau. Ich interviewe dich jetzt erst mal, was Du genau gemeint hast. Ich schau mal in der Codebase, hey, hier hab ich was. Soll ich das mitnutzen? Soll ich das nicht mitnutzen? Dann ist das mein Sparringpartner. Wir starten jetzt tatsächlich, müsste nächste Woche starten, 'n Testballon, wo wir eine in der Produktion einzusetzende Software wirklich von einem Nichttechniker bauen lassen. Das heißt, bis jetzt haben hauptsächlich die mit viel Erfahrung, die KI genutzt waren, unglaublich effizient. Wir starten jetzt 'n Testballon, jemanden mit viel Domänenwissen das Ganze bauen zu lassen ohne diesen technischen Hintergrund. Und da bin ich auch gespannt, wie das Ping Pong dann zu mir geht, weil ich das Ganze betreuen werde oder ob das Ping Pong zur KI geht oder eine Mischung da draus. Das ist auch 'n Punkt, den ich noch, den wir noch lernen müssen, mit der Technologie umzugehen, so gut, wie sie ist. Sie ist immer noch in den Anfangsschuhen.
Speaker0: Und das ist jetzt genau die Eskalationsstufe, die ich jetzt halt auch als Nächstes sozusagen gehabt hätt. Nämlich was wir bis jetzt besprochen haben, war ja im Wesentlichen, wie klont man seinen eigenen Workflow, ne. Wie wie bringt man den in die Maschine, ihn zu automatisieren? Und das ja noch mal festzuhalten, deine Antwort war ja, wenn ich dich richtig verstanden hab, na ja, wenn Du keine Ahnung hast, wie's weitergeht, dann frag ja jemanden, der sich auskennt, entweder Mensch oder wieder KI, ne, sich so seinen eigenen individuellen Workflow zu definieren und damit auch dann auch zu automatisieren. Mhm. Jetzt ist es aber alles noch Singleplayer. Das, was Du beschrieben hast, ist jetzt schon eine Art des Multiplayer, nämlich ihr habt's jetzt einen Fachanwender, der, wenn ich dich richtig verstanden hab, dann deinen Singleplayer Workflow jetzt quasi wie als Vorlage bekommt, ja. Weil die Person nicht in der Lage gewesen wäre, sich jetzt quasi schnell einen eigenen Workflow zu erstellen, so, dann kriegt die quasi den von dir oder euch und arbeitet damit. Wenn wir das Ganze jetzt noch 'n Schritt weiter denken, nämlich ein Team aus erfahrenen Entwicklern, die alle ihren eigenen Workflow irgendwo haben, ja, klar, aber die sich ja bisher auch irgendwo treffen mussten, spätestens beim gemeinsame bei der gemeinsamen Code Base. Mhm. Wie ist da deine Erfahrung und dein aktueller Ansatz, so was zu registrieren? Weil ich hab immer den den Eindruck, Singleplayer ist noch easy, ja, aber sobald Du anfängst, im Team zu arbeiten, hybrid quasi menschliches Team plus mehrere KI Agenten, wenn man da nicht aufpasst, dann fängt's an, dass sich die verschiedenen Player gegenseitig auf die Füße treten.
Speaker1: Ein Ansatz, den wir grad schon relativ weit verfolgen, ist die geteilte Skillbibliothek. Also tatsächlich, dass diese Dinge mit, erstell mir da 'n Skill draus, erweiter den, denke immer dadran, starte immer mit deinem Interviewprozess, dass solche Dinge in eine Skillbibliothek gehen, die automatisiert verteilt werden. Das machen wir, weil wir wissen, wie das geht momentan. Das heißt, wir können das automatisiert verteilen auf die Rechner. Wenn er's nächste Mal startet, hat er den aktualisierten Skill drauf. Was aber auch funktioniert, wenn's so grundsätzliche Themen sind wie, was muss gerevelt werden? Wie muss das Ganze aussehen? Dass ich das Ganze in meine Pipeline integrier und gar nicht von diesem Singleplayer machen lass. Sondern es wird automatisiert 'n Pull Request gestellt und ich hab einen Remote Agenten oder mehrere, die dort drauf schauen und dann entsprechend ihr Okay geben. Und es wird dann gemerged, wenn die alle ihr Okay gegeben haben und die fixen das. So fängst Du dann den die Usability oder Ähnliches auch ein, dass Du im gleichen Boot unterwegs bist.
Speaker0: Das find ich jetzt spannend, weil das im Wesentlichen auch 2 Ansätze sind, die wir in Halerium umgesetzt haben, nur quasi eine Flughöhe höher, weil ja die Zielgruppe tatsächlich rein die die Fachexpertinnen, Experten sind. Und am am Ende ist es aber das gleiche Pattern, ne, in unserem App Template, das vom Agenten gezogen wird, wenn der Juso sagt, hey, ich hätt gerne App für eine neue Aufgabe, ich brauch 'n To do List, eine To do List App oder ich brauch 'n Connector, 'n geiles Dashboard zu meinem ERP System ja, dann zieht sich der Agent das Template. Und darüber realisieren wir diese geteilte Skill und auch Fähigkeiten- und Instruktionsbibliothek. Mhm. Und auf der anderen Seite, das deployment, das läuft auch wiederum nicht beim User, weil wir halt irgendwann auch sagen mussten, na ja, egal wie wir das machen, unsere Zielgruppe wird das nie verstehen, was jetzt tatsächlich dann ein ist, ja, oder was es bedeutet, eine Datenbankmigration mit durchzuführen. Konsequenz, na ja, dann müssen wir das Ganze auslagern in eine KI, die das entweder programmatisch automatisiert oder über 'n automatisiert, sodass der User sich gar nicht mehr drum kümmern muss. Find ich jetzt grad spannend, dass dass quasi diese beiden Pattern bei euch genauso zum Einsatz kommen, nur sozusagen eine Ebene technischer, weil bei euch das Klientel einfach ja, tiefer in der Materie drinsteckt.
Speaker1: Richtig. Wir machen's momentan für unsere Entwickler, aber mit dem Ziel, das Ganze für unsere Fachanbänder tatsächlich zu machen. Also nicht unsere Kunden, sondern intern die Projektleiter, dass dort auch die Möglichkeit besteht, die Änderungen fortzuführen, weil es mit Neuprojekten, Neuimplementierungen Welten einfacher ist als mit sonem gewachsenen Legacy System, muss man auch ganz klar sagen. Also da kommen wir aktuell noch an die Grenzen. Ich glaube aber nicht, dass diese Grenzen das nächste Jahr überleben.
Speaker0: Mhm. Weil die Modelle einfach das über die nächsten Modellgeneration einfach dann packen, dass die sich auch in Base Code besser zurechtfinden.
Speaker1: Funktioniert jetzt schon, wenn Du die Frontier Modelle nimmst. Ich hab jetzt auch wie wahrscheinlich die halbe KI Welt die letzten 2 Wochen mit relativ viel gemacht. Da geht schon sehr viel, wenn Du da 'n Indexbaum aufbauen lässt, 'n Init durchlaufen lässt, was, wo, wie oder wie man das Ganze angeht. Es ist noch nicht an dem Punkt, an dem ich sagen kann, okay, mach mir eine Migration alleine. Mhm. Aber es geht mit sehr großen Schritten dahin.
Speaker0: Ja. Und wenn man jetzt das, jetzt haben wir sehr viel Fach- und Techgesimpelt, ja, wenn wir wenn wir uns mal bissel high level bewegen Richtung des Projektmanagements. Mhm. Was wir sehen, ist, dass wir am schnellsten ans Ziel kommen, wenn von vornherein sehr, sehr gut ausspezifiziert ist, was ich mit 'ner neuen App oder 'ner, also mit App meine ich auch Web Desktop Applikationen, ja, nicht nur die die die iPhone App. Wenn wir das von vornherein möglichst gut durchspezifiziert haben und quasi das gesamte Implementierungsthema, also den den gesamten Implementierungsaufwand eigentlich schon durchdeklinieren, bevor die 1. Zeile Code geschrieben wird. Warum? Damit bei jedem Ticket, das sozusagen schon am Anfang steht, auch immer der Horizont klar ist, wo die Reise hingehen Also dass der Agent nicht meint, okay, das implementieren wir jetzt ganz, ganz einfach das Feature, weil je einfacher, desto besser im Sinne von robuster und weniger fehleranfällig. Und dann aber fällt das vielleicht später auf die Füße, weil man feststellt, ah okay, die Nutzerverwaltung hätte doch 'n Rollenkonzept gebraucht und nicht nur Admin und User, ja, und dann müsste man das korrigieren und nachbauen und dann übersieht man wieder Wechselwirkungen nach links und nach rechts, ja. Das heißt, je mehr globales der der der Agent hat, desto besser. Und nichtsdestotrotz kommt's immer noch vor, dass die Agenten in unseren Workflows übersehen, ein Feature komplett a horizontal zu integrieren, also sozusagen kompatibel zu machen mit allen anderen Features oder dass Einzelteile übersehen werden. Und jetzt experimentieren wir grade mit verschiedenen Ansätzen das Ganze über dedizierte Giratickets zu realisieren oder noch mal Review Agenten gibt's ja die verschiedensten Ansätze. Und an der Stelle, wie wie wie macht's ihr das? Also wie stellt's ihr sicher, dass das, was der Agent abliefert, wirklich dann fertig ist und eben nicht nur die 80 Prozent Lösung, wo dann doch wieder der Mensch nachbessern
Speaker1: muss. Du bist, wenn wenn ich dich richtig verstanden habe, grad in dem Dilemma vom Wasserfall zur agilen Methodik, dass die Techniker in den letzten, weiß ich nicht, 10, 20 Jahren schon durchdiskutieren in verschiedenen Bereichen unterwegs sind. Mhm. Können die das sagen, ja? Vor durchspezifizieren halte ich, egal ob KI oder menschlich, für falsch. Definitiv. Selbst wenn Du glaubst zu wissen, was am Ende dein Ziel ist, Du hast es nicht genau genug im Kopf und kannst auch mit der KI nicht, wenn's, abgesehen von 'ner 1, 2, 3 Seiten App kriegst Du das nicht überblickt. Was meines Erachtens wichtig ist, ist der fachliche Nordstern, den Du brauchst. Das ist das Ziel. Ich will am Ende will ich das Ganze von 5 oder von 5000000 Usern gleichzeitig nutzen lassen. Will ich das Ganze online als Source oder on prem laufen lassen? Das sind so Grundsatzentscheidungen, die Du mitgeben musst. Aber dann ist es Sache des Workflows sicherzustellen, dass rechts und links nix kaputtgeht. Das ist nicht die Aufgabe der Spezifikation am Anfang. Das kann's nicht sein, weil deine Anforderungen auch schwanken werden. Die werden lernen an dem, was Du in den Zwischenschritten siehst, dass Du's nicht von Anfang an einfangen kannst. Dafür bin ich in den Grundtiefen überzeugt. Das hat bei Softwareentwicklung klassisch mit Wasserfallmodellen nicht funktioniert und es wird auch authentisch nicht funktionieren. Wahrscheinlich schlechter, weil der in der Zwischenzeit nicht noch mal explizit nachdenkt.
Speaker0: Na ja, aber, also da muss ich kurz einhaken, nicht, dass wir uns falsch verstehen. Was wir gezielt nicht durchspezifizieren, das ist die technische Implementierebene, ja. Also die Entscheidung zu treffen, welches Framework jetzt beispielsweise für, nehmen wir das Rollenmanagement, ja, was dafür benutzt wird, das ist alles nicht Teil dieser Architekturdokumentation, sondern genau dieser fachliche Nordstern, wie Du ihn genannt hast. Mhm. Damit quasi von Sekunde 1 klar ist, das, was klar sein kann. Und damit versuchen wir sozusagen auch das, was Du als menschliche Entwickler bei der agilen Arbeitsweise immer im Hinterkopf behältst, während Du dein Backlogrooming machst, dass das der der Bot sozusagen auch auch mit drin hat. Und was wir dann außerdem schon auch nutzen, das ist, dass diese Dokumentation fortlaufend mit aktualisiert wird, wenn sich eben rausstellt, dass dass eine Anpassung nötig war. Nur 1 ist quasi jetzt noch eine Eskalationsstufe weiter, wo ich deine Meinung dazu gern hätt, nämlich wir haben's dann auch schon so gemacht, dass wir gesagt haben, okay, weißt was, genau in diesem Spirit, man kann ja vorher nicht alles genau wissen, wo die Reise hingeht, ist, dass wir diesen diesen Prozess quasi iterativ auf 'ner Metaebene durchgezogen haben und einfach gesagt haben, okay, jetzt machen wir quasi mal sone Version 1 dieser Globalarchitektur, implementieren die einfach, weil's schnell geht, lernen anhand dessen dann und bauen quasi dann noch mal von komplett 0 auf eine neue auf Basis dessen, was wir mit v 1 gelernt haben und machen dann v 2. Habt ihr diesen Zyklus, also das ist ja quasi wie wie 'n Metazyklus, auch schon mal durchlaufen oder bist Du einfach 'n Meister der agilen Entwicklung, ja, und und und hast es deinem Bot beigebracht, sich dabei nicht zu verlieren?
Speaker1: Ich find's lustig. Wir gehen tatsächlich die verschiedenen Bereiche des Softwareengineering durch. Du besprichst oder Du beschreibst grad den Prozess des Throwway Prototyping.
Speaker0: Ja, genau, ganz genau.
Speaker1: Der ist ja auch in der Entwicklung gang und gäbe. Das haben wir tatsächlich historisch, ich hab vorhin kurz erzählt, wie man Werdegang ist, bei SAP damals stark gemacht. Also ich war nicht in der Anwendungsentwicklung, ich war 2 oder 3 Jahre beim SAP Research in Karlsruhe. Und dort haben wir genau das betrieben, Throway Prototyping. Ihr habt eine neue Idee, baume die jetzt so, dass es sauber funktioniert. Use Case kann gezeigt werden. Ich möcht genau zeigen, was ich zeigen möchte. Und nicht mehr. Und nicht mehr. Und danach geht's in 'nem Handover, in die Produktentwicklung, die das Ganze dann sauber und complient, lizenzkorrekt und so weiter implementiert, ungefähr gefühlt zwanzigmal so lange braucht und viele Projekte sterben auf dem Weg. Aber es ist trotzdem ein Weg, schnell zu sehen, in welche Richtung gehen welche Richtung ich gehen möcht.
Speaker0: Aber arbeitet dann das 2. Team mit dem bestehenden Code oder nutzen die den quasi eigentlich nur, abzuschreiben, was was sozusagen gewünscht ist?
Speaker1: Ich war auf der zweiten Seite nicht dabei.
Speaker0: Mein Verständnis war, nein, sie nutzen's nicht. Ja. Also es ist nicht Ach, genau, das ist nämlich der Witz, ne, ja.
Speaker1: Aber Du kannst es als Blaupause hernehmen aus fachlicher Sicht. Das war damals schon. Wir sagen viel, hey, wie kann ich an dem Standort, wie kann ich überhaupt noch programmieren lassen in Anwendung oder Ähnliches? Es war noch nie unsere, oder es ist eine unserer Kompetenznummer, es war noch nie die Kernkompetenz von uns, Software zu schreiben. Wenn das die Kernkompetenz wär, dann wären wir vor 10 Jahren schon nicht mehr hier am Standort Deutschland, sondern irgendwo Offshoreing, Nearshoring oder sonst was, reine Entwicklungskraft. Und Kernkompetenz ist, die Prozesse beim Kunden zu verstehen, die Domäne zu verstehen und dann genau das zu liefern, was der Anwender oder unser Kunde braucht. Und rein für Softwareschreiben haben auch wir schon mit News Showing gearbeitet mit mehr oder weniger guten oder weniger guten Erfahrungen. Aber Du kannst in der heutigen Zeit grad mit den KI Mitteln niemanden für Softwareschreiben bezahlen. Eine Zeile Code zu schreiben ist nichts mehr, für das Du jemanden bezahlen kannst. Du musst ihn dafür nutzen, für das, was wir Menschen extrem gut können, uns in die Domäne rein zu denken, die Probleme zu analysieren, mit dem Kunden zu telefonieren, ob so oder so vielleicht sinnvoller wär in der praktischen Anwendung, die reine Umsetzung am Ende, das muss nicht der Mensch machen.
Speaker0: Aber Du musst es überprüfen. Ja. Und und jetzt sind wir genau beim Dilemma. Wenn wir alle jetzt dem dem dem Bild folgen, dass 'n LLM wie 'n ist von natürlicher Sprache zu Code. Und bei 'nem bei 'nem regulären c-Compiler, da da guckt sich ja auch keiner mehr den Assemblarcode an, der da am Ende rauspurzelt, ja, weil man sich auf den Assembler verlassen kann, auf den Compiler verlassen kann. Jetzt ist es ja aber so, dass Modelle bei weitem noch nicht so robust und zuverlässig sind wie 'n deterministisch auch testbarer Compiler. Wenn wir jetzt alle sozusagen in den Modus gehen, wie Du ja sagst und da bin ich ja auch voll bei dir, ja, eigentlich darf man niemanden mehr für Softwarecode schreiben bezahlen, Wer soll dann die Reviews machen?
Speaker1: Von welchen Reviews sprichst Du?
Speaker0: Sprichst Du vom technischen oder vom fachlichen Review? Das waren vorher schon 2 paar Stiefel. Ja, genau, genau, genau. Fach also fachliches Review im Sinne von, dass die Geschäftslogik richtig implementiert ist, safe, ja. Also das ist das ist klar, das ist unser Job deiner, wie auch unserer bei Erium, dass dass dass wir sicherstellen, dass der Fachprozess richtig abgedeckt ist. Aber also versteh ich dich dann richtig, dass Du sagst, technisches Review aus, weil man sich tatsächlich so gut drauf verlassen kann, dass ein Large Language Modell die Vorschleife richtig implementiert hat?
Speaker1: Primitive Vorschleife würd ich sagen, ja. Komplexe Businessanwendung würd ich sagen, noch nicht. Sie ist sehr, sehr, sehr weit. Wenn ich mit bekannten Frameworks arbeite und dort von 0 auf oder auch ausm Bestandscode raus weiterarbeiten lass, ist sie so weit, dass man es fast nicht mehr anschauen muss, außer wenn Du Probleme hast. Wenn Du in 'nem Bestandscode drin bist oder Frameworks einsetzt, die im Netz nicht so stark verbreitet sind, die wo die KI nicht das tiefe tiefe Wissen hat, was sie jetzt schon hat, da haben wir einige Legacy Systeme noch bei uns, da ist es noch nicht so weit. Und ich weiß auch nicht, ob's so weit geht, weil einfach die Testmenge, die Daten an der Stelle nicht ausreichend sind. In neuen, modernen Technologien mit klarem Nutzen reicht's, das authentisch zu machen, wenn Du's richtig aufsetzt. Du brauchst deinen sauberen Prozess. Wenn Du einfach nur der KI sagst, ich brauch 'n neues Feature und sag mir, wenn Du fertig bist, das geht in die Hose. Spätestens nach der dritten, vierten Iteration hast Du so viele Probleme, Fehler, hart coated Dinge in deinem Code, dass es schwer ist, die wieder rauszuholen. Wenn Du mal von Anfang an 'n sauberen Engineering Prozess in deine argentische Programmierung mit reinziehst, der sicherstellt, dass es nie so weit ausufert, das Gleiche muss der Junior Entwickler, die Manuel Co schreiben, auch machen, dann funktioniert das. Davon bin ich überzeugt.
Speaker0: Werbeblock, wir haben diesen Engineering Prozess. Erst ich den abgucken möchte, kann sich gerne bei uns melden. Alright. Und jetzt ist es ja aber eine 1 neue Art zu arbeiten. Wenn ich dich richtig verstehe, also für mich zeichnet sich das Bild, das das das ja auch irgendwo sich momentan so rausschält, dass dass die Fähigkeit, auch Code Reviews durchzuführen, tief in den Code einzusteigen, dass es sozusagen eher zu 'ner Nischenkompetenz wird von eher nicht mehr der breiten Masse, sondern einzelnen Berufsgruppen für zum Beispiel Software oder oder eben die superharten Nüsse, aber nicht für das Standard Framework, das man einfach nutzt. Und wenn das jetzt aber ja bedeutet, dass sich für die Vielzahl der bisherigen Softwareentwickler, die halt bisher Software Code geschrieben haben, dass dass sich diese Arbeitsweise verändert, würd mich interessieren, wie nehmen das a deine Leute im Team auf, aber auch, Du bist ja Du bist ja 'n Netzwerk ausm Studium, aus deinen bisherigen Jobs, was Du da so mitkriegst. Das ist ein Kulturwandel auch und also ich kann nur von uns sprechen, bei uns lief das supercool, ja. Und da bin ich ja sehr dankbar, dass dass unser Entwicklerteam das sehr, sehr proaktiv für sich geschnappt hat und gesagt hat, geil, ja, das das schauen wir uns jetzt an und das machen wir uns zu eigen. Aber ich kann mir vorstellen, dass das nicht bei allen so ist oder täusch ich mich da. Wie wie lief das bei euch?
Speaker1: Lief, kann ich dir in 'n paar Jahren sagen, wie läuft es bei uns momentan? Wir haben extrem heterogenes Feld. Mhm. Ich bin, war schon immer weit vorne dran, auch 1 der Gründe, warum ich dich warum ich mich entschlossen hab, im Research damals zu arbeiten und nicht in der normalen Produktentwicklung. Ich wollt schon immer mit den neuen Technologien arbeiten, Effizienzsteigerung oder Ähnliches machen. Aber was ich festgestellt hab, je nachdem, mit wem Du zusammenarbeitest, hast Du 'n anderes Mindset. Du hast definitiv eine Transformation mit Gegenwind. Hast Du ja immer, Du hast deine Adopter, die steigen extrem früh drauf finden's geil, denen macht's auch nix aus, wenn's mal in die Hose geht und erarbeiten diesen Prozess. Diese Phase ist in der argentischen Programmierung jetzt grade meines Erachtens am Auslaufen, die Early Adopter Phase. Das heißt, es kommt in die stärkere, breitere Masse. Du hast die Integration in den IDEs, was dann genutzt wird. Da ist die Akzeptanz schon deutlich stärker da. Nicht dabei unterstützen lassen, das freie Programmieren lassen. Da wird es auf absehbare Zeit immer noch Leute geben, die vertrauen dem Code nicht. Die schauen den an, die sagen, der Code ist schlecht, der gefällt mir nicht, den hätt ich anders geschrieben. Meines Erachtens argumentieren diese Leute aber auch bei Junior- oder Midlevel Ingenieurin genauso, der Code gefällt mir nicht, schreibt das anders, macht Also das ist die gleiche Denkweise. Muss sicherstellen, dass die Qualität da ist. Das ist immens wichtig, unsere Kunden sind im Industrieumfeld. Wenn da die Software ausfällt und nicht läuft, dann wird nicht produziert. Das ist inakzeptabel. Wir können jetzt nicht einfach Scheuklappen hoch und wir lassen jetzt alles programmieren und schauen, was knallt oder was Nicht probieren wir's einfach mal aus, ja, genau. Funktioniert nicht. Da haben wir definitiv unsere Prozesse. Da haben wir auch mittlerweile seit Jahren Reviewprozesse, die automatisiert durchführen. Es hat angefangen mit, dass die automatisiert interpretiert werden und Kommentare gesetzt werden. Ist sie mal grad in der nächsten Stufe der Umsetzung, dass automatisiert auf unsere Arbeitsanweisung und Codequalität reagiert wird, dass diese dann automatisch gefixt werden. Aber automatisch gefixt werden. Aber noch ist es notwendig, dass Du solche Dinge einfach auch sauber durchtestest. Aber Du hast das Problem und diese Leute werden auch weiterhin da sein. Aber Du hast auch die Arbeit für diese Leute. Du hast Themen, die kannst Du der KI noch nicht geben. Und das dauert auch noch 'n paar Jahre.
Speaker0: Nämlich? Welche Tätigkeiten sind das?
Speaker1: Wenn Du in 'nem System unterwegs bist, das seit 30 Jahren gewachsen ist, dann kann die KI jetzt vielleicht noch nicht, aber in 'n paar Monaten bei der Geschwindigkeit, die wir haben, sehr, sehr genau sagen, was passiert wann? Sie weiß aber nicht, warum. Sie weiß nicht, okay, das funktioniert zwar so, aber es wird in der Praxis nicht verwendet. Und wenn's verwendet worden wär, wär's vor 10 Jahren aufgefallen, dass es 'n Bug ist und falsch ist. Weil halt einfach dieses Stück Code nicht genutzt wird beim Endanwender. Das weiß aber der erfahrene Entwickler. Du hast immer solche Leichen oder Grauzonen, die jetzt so funktionieren und die KI kann das ohne das Domänenwissen nicht herausfinden, warum es so funktioniert. Weil das System halt auch nicht authentisch entstanden ist, sondern über viele Entwicklerwechsel hinweg.
Speaker0: Und jetzt stellt sich mir die Frage, lässt sich nicht auch dieses Domänenwissen letztlich peu à peu in einen dann d e group spezifischen Metaagenten verpacken. Das ist ja auch 1 der Versprechen, wir bewegen uns ganz viel auch im im Bereich der Wissenskonservierung und machen uns das Leben nicht einfach. Aber also gibt ja genug Anbieter, die sagen so, ja, wir haben hier einen Agenten, der spricht hier einmal die Woche mit euren Experten und da weiß ihr alles, was was was eure Experten wissen. Also ich glaub, wir sind uns einig, so einfach ist es nicht. Aber gleichzeitig bin ich schon der Meinung, man kann auch diese Metainformationen des Domänenwissen, wenn man den wieder den Prozess dafür hat, auch in KI bringen. Und jetzt halt hinsichtlich dieses Domänenwissens, hinsichtlich des des des Softwarekodes und was sind eben diese Graubereiche und wie wie lassen sich die einordnen? Bist Du da der Meinung, Du siehst da auch Licht am Ende des dieses Tunnels, ja, dass das quasi dann irgendwann perspektivisch in ein, 2 Jahren auch in 'nem Agenten aufzuräumen ist? Oder siehst Du da wirklich quasi wie eine Schallmauer, die nicht zu durchbrechen ist, selbst wenn die Modelle immer schlauer werden?
Speaker1: Ich seh definitiv keine Schallmauer, die nicht durchbrochen werden kann. Also die Systeme werden das können. Viele könnten es jetzt schon, das fehlt wie immer an den Daten- und Eingabemengen. Wenn ich jetzt vorstelle, den Werdegang 1 Juniorentwicklers. Ich mein, die Firma ist jetzt 30 Jahre alt, da hast Du die jetzigen Senioren, haben irgendwann mal ihre Ausbildung gemacht. Die wussten auch nichts und haben das Ganze gelernt. Ja. Wenn die gleichen Prinzipien anwendest, dann mittlerweile so gut wie kein Meeting mehr, das nicht transkribiert wird. Das hast Du jetzt noch nicht bei, ein Senior Entwickler steht neben dir und erklärt im Grunde, wie was zu machen ist am Rechner. Wenn Du jetzt das theoretische Konstrukt aufziehst, dass Du sämtliche dieser Unterhaltungen transkribieren, extra hierst und in eine Wissensdatenbank packst, auf die die KI effizient Zugriff hat, bin ich mir sicher, dass sie das kann. Und die Notwendigkeit des manuellen Inputs sinkt mit jedem neuen Modell.
Speaker0: Was ja aber dann letztlich bedeutet, dass jetzt halt wie für eine Firma wie die d e Group, ja, die sich ja, Du hast es vorhin beschrieben, dadurch auszeichnet, dass sie die die Fachprozesse der Kunden gut einordnen kann und diesen Übersetzer spielt, dass das ja letztlich eine der strategischen Punkte werden wird, genau sozusagen diesen proprietären Wissensschatz aufzubauen, der nicht Teil der Trainingsdaten 1 Frontiermodells sein konnte, ne, weil's einfach auch zum gewissen Teil vertrauliche Informationen sind, die hoffentlich nicht auf Reddit zu finden sind und damit als Trainingsdaten für die Modelle herhalten, oder? Ja, richtig.
Speaker1: Also wir haben auch mittlerweile KI Modelle bei uns im Rechenzentrum stehen, bei denen wir solche Dinge analysieren lassen können, die eben auch nicht unser Haus verlassen. Was einfach wichtig ist, sind jetzt noch die Anfangsschuhe, aber es geht ja immer weiter in dem Bereich. Auch die Modelle werden effizienter. Definitiv, das ist das, was uns ja jetzt schon auszeichnet mit der Softwarekompetenz. Dieser Teil wird runtergehen. Nichtsdestotrotz ist momentan noch das Deployment. Wie bring ich's zum Kunden? Wie skalier ich's? Das ist noch was, was Du als DevOps Ingenieur oder Ähnliches können musst. Wenn Du zurückgehst, Du hast vorhin das Beispiel vom Taschenrechner gebracht. Auch das wird in die Richtung gehen. Es ist schon seit der Steinzeit so, dass es es ist nicht Mensch gegen Maschine jetzt bei uns, wenn man sagt, oh, normaler Entwickler oder ein KI Agent. Das ist nie das Bild, das ich im Kopf hab. Das Bild ist immer, es ist 'n Mensch mitten im Werkzeug gegen 'nem Mensch ohne oder mit 'nem schlechteren Werkzeug. Und die KI ist jetzt einfach nur ein mächtiges weiteres Werkzeug. Das heißt, es sind immer noch die Menschen, die wissen, wie dieses Teil richtig einzusetzen ist. Und das wird auch das sein, was uns als Gruppe da vorantreibt.
Speaker0: Das heißt aber letztlich, dass man sich als Softwareentwickler vor allem die Social Skills heranschaffen sollte, ne, weil weil die Interaktion mit dem Kunden wird ja immer immer zentraler, ne. Und und nicht die Fokus programmiert seit, wo man sich 14 Tage einsperrt und erst mal die Ideen alle alle in die Konsole hackt.
Speaker1: Richtig. Und die Interpretation des Ganzen. Mhm. Wenn jetzt bei uns, nur weil die Software schnell geschrieben werden kann, werden ja nicht die ganzen Anlagen ausgetauscht beim Kunden. Da laufen ja immer noch Anlagen, die seit 20, 30, 40 Jahren arbeiten, nicht authentisch angeschlossen werden, die werden dir auch keinen MCP drauf bauen. Du musst immer noch diese Schnittstellthematik und Systemintegration hinbekommen müssen. Es sind gestandene Systeme. Du tschaust auch nicht mal eben 'n ERP System aus, das auch mindestens 20 Jahre gesetzt ist. Das ist die Kompetenz tatsächlich, in 'n Brawnfield Ansatz reinzugehen und das, was wir gut können, dort zu integrieren und zu optimieren.
Speaker0: Mhm, mhm. Jetzt haben wir sehr viel über sozusagen auch unseren Workflow beziehungsweise den Workflow all derjenigen, die schon immer sich mit Softwareentwicklung beschäftigt haben, gesprochen, die, die das heute noch nicht so betrifft. Wir haben in der letzten Folge besprochen, also Maxi und ich haben da da besprochen, wie quasi auch jetzt diese diese Grenze immer weiter eben Richtung der der Fachexpertinnen, Experten sich verschiebt. Also das, was Du vorhin auch meintest, ne, was ihr jetzt jetzt startet, das Experiment, wo wo Software entwickelt wird von jemandem, der keinen Informatikhintergrund hat, wenn ich das richtig verstanden hab. Ja. Also das das so als kleine kleine Hook noch mal rückwärts, warum das Thema auch für jemanden interessant ist, die sich nicht als Softwareentwickler verstehen. Jetzt würd ich aber gerne noch eine 2. Seite dieser ganzen Geschichte angucken. Du kennst ja die Industrie seit vielen, ja, schon fast Jahrzehnten. Und wenn wir jetzt mal den Blick drauf wenden, nicht KI für die Softwareentwicklung, sondern KI in den Fachprozessen. Da würd mich interessieren, wie ist denn deine Einschätzung, wo sie dich sich das wirklich lohnt? Das mal kurz einzuordnen, ist ja ein Klassiker, der relativ schnell aus dem Boden geploppt ist. Das war Chatbots, die dir Service Manuels vorlesen. Ja, also Du Du hast eine Störung 1 Anlage, hast keinen Bock, dich durch das das Handbuch durchzublättern. Dann war's total billig zu sagen, okay, macht man 'n kleinen Chatbot, der hat Zugriff auf die ganzen Servicemenuels QR Code oder auf die Maschine. Also das das das nur mal so zur Einordnung, ne, das war 'n total naheliegender, auch technisch einfacher Use Case, stellt sich mir die Frage, bringt's der deines Erachtens wirklich, also ist jetzt keine Suggestivfrage, ja. Also vielleicht sagst Du, ja man, das ist genau genau das Richtige, was allen gefehlt hat. Und und abseits dieser einfachen Workflows, wo siehst 'n Du heute in der perspektivisch den den Hebel mit KI dann zum Beispiel eben in der Produktion oder in der Intralogistik et cetera noch mal richtig reinzuhauen?
Speaker1: Kommt immer auf den Prozess drauf an, den Du hast. Also auch wir, unser erster KI Ansatz war, einen Chatbot in unsere Workstation zu bringen, indem Du Zusatzinformationen zu deinem aktuellen Screen erfragen kannst. Wunderschöner, schöner Demo Case. Mhm. Man muss sich vorher überlegen, was ist denn sinnvoll und wo ist mein Schmerz, find ich. Also grad in der Industrie, es bringt nichts, KI irgendwo in ein System oder in einen Prozess reinzuschmeißen, wenn die Notwendigkeit und oder das Problem nicht das ist, was auch mit KI gelöst werden sollte. Viele der Projekte, die ich auch sehe, die mit KI, also nicht mit KI umgesetzt werden, sondern die KI am Ende im Einsatz haben, hätten sie auch problemlos mit herkömmlichen Automatisierungstools umsetzen lassen können, nur mit weniger kontinuierlichen Kosten. Ist zum Beispiel? Oh, muss ich jetzt grad überlegen. Spielen, wenn's in gewisse Analysen oder Ähnliches reingeht, die menschlich einfach sind. Aber wo's 'n Riesenmehrwert ist, das war jetzt eine sehr vage Antwort, tut mir leid, vielleicht komm ich nachher noch mal drauf zurück. Ah, ihr habt grad 'n anderen Gedanken im Kopf. Was tatsächlich sinnvoll ist, ist das, was auch am Anfang der Schwerpunkt und die Trainingsbereiche der KI waren, ist die Bildverarbeitung. Das heißt, wenn ich 'n Qualitätskontrollprozess hab, die mir entweder 'n Bild von was machen, zu interpretieren, hey, hab ich alles oder hab ich's nicht. Oder ich hab bei einem bei 'ner Maschine, die mir eine Naht aufträgt, eine Schweißnaht aufträgt oder ein gewisses Profil an Kleber auftragen muss, eine Scheibe einzukleben, dann kann ich dort eine KI draufsetzen, die direkt meine Kameraführung, die am Gerät dran ist, interpretiert und sagt, ey, passt, passt nicht. Du kannst schneller fahren, musst noch mal zurück, muss korrigiert werden. Das sind Anwendungsfelder, da seh ich die KI definitiv drin, was die Verarbeitung des Ganzen angeht. Also Du machst 'n Bild von 'ner gestörten Anlage oder Ähnlichem, wenn's 'n optisches Thema ist, das dann automatisiert interpretiert weitergegeben wird. Das funktioniert gut. Das sind auch schnelle Anwendungsfelder. Kannst Du direkt umsetzen, ist eine kleine App oder Anwendung dafür, kriegst Du rein. Wo's spannender wird, sind dann tatsächlich eben diese wissensbasierten Ansätze, die aber im Prozess integriert sind. Nicht 'n Chatbot, ich frag ihn, hey, wer ist mein Betriebsrat oder wo ist mein Klo? Das ist nicht das, was der Anwender unten an seinem Shopfloor erfragen muss. Sondern spannend wird's, wenn Du beispielsweise in der Instandhaltung unterwegs bist und Du kriegst jetzt den Auftrag, hey, Du hast den und den Maschinenfehler. Was soll ich denn hier machen? Und da will ich nicht irgendeinen Chatbot auf meiner fünfundneunzigseitigen Maschinenbeschreibung haben, sondern ich möcht, dass im Hintergrund die Wissensbasis meinen letzten 20 Jahre Instandhaltung sind. Hey, den Fehlercode hatt ich schon mal, die Kombination gab's schon mal. Das war auch im Sommer bei der und der Luftfeuchte. Schau doch mal hier nach, das ist mein vorgeschlagenes Ergebnis. Geh hier dran. Das sind die Dinge, die ich dann mit der KI Suche und dem KI, sei es jetzt 'n Chat oder Ähnliches dann interpretieren möchte. Das heißt, ich hab eine Fehlerquelle, interpretier was und krieg direkt den Vorschlag, hey, nimm doch mal das und das Teil mit, wahrscheinlich wird's das sein. Das war schon dreimal so. Mhm.
Speaker0: Das ist total spannend, weil Du jetzt, wenn ich so an unsere Projektvergangenheit auch zurückdenke, Mhm. Grad 2 Analogien bei mir triggerst. Das eine mit diesen klassischen Wissens Chatbots, die zur Beantwortung einfacher Fragen gebaut werden, die haben das gleiche Problem wie Predictive Maintenance. Die Brücke, die ist jetzt vielleicht nicht offensichtlich, aber ich ich versuch's mal zu zu skizzieren. Und zwar Predictive Maintenance, da geht's ja darum, Schadensfälle vorherzusehen. Und wem das schon mal aufgefallen ist, Predictive Maintenance wurde in der Industrie 4 0 Blase sehr gehypt. Und heute ist es ja, das gibt's schon noch, aber ist 'n eher nischiges Thema oder hoch hoch aus individualisiert. Aber es gibt jetzt Fehlerfälle, die Fehlerfälle, die schlimm genug sind, als dass Du sie vermeiden möchtest, ja, aber nicht so schlimm sind, dass Du es dir leisten kannst, ein System draufzusetzen, das trotzdem Fehler machen kann. Ja. Also bei 'nem Staudamm, da muss das ausgeschlossen sein, dass der bricht. Und bei allen anderen Fehler oder bei vielen anderen Fehlern, da lässt man's halt drauf ankommen und sagt, ja, dann passt schon, ja. Dann dann dann fehlt die Pumpe halt mal für einen für eine Stunde oder es ist so günstig, ja dann bauen wir halt eine 2. Hin. Und das Gleiche bei den einfachen Wissens Chat Bots, entweder ist die Information so wichtig, dass sie die Leute wissen müssen, auch ohne einen Chatbot fragen zu müssen oder fragen zu können oder die Information ist so trivial, dass man halt am Ende vielleicht halt einfach einen Kollegen mal schnell fragt und wenn man's grad nicht weiß, wer der Betriebsarzt ist, ja, dann dann ist es halt auch nicht so schlimm, ja. Und was übrig bleibt, ist dieses schmale Band, Was dann letztlich bedeutet, na ja, wofür baut man dann Wissenschatbots auf? Eigentlich nur für Informationen, die jemand nicht wissen konnte, trotzdem aber wissen muss. Mhm. Ja, und da bleibt, wenn man ehrlich ist, aber wie gesagt, nicht viel übrig. Und das andere Thema, das Du grad erwähnt hast, nämlich dieses, okay, wir haben hier 'n Fehlerbild an der Anlage und der KI Bot, der gibt mir jetzt nicht nur 'n Zitat aus dem Service Manual, sondern der geht die ganzen Logdateien durch. Was ist in der Vergangenheit passiert? Was könnt plausibel sein? Das haben wir genauso auch für eine Wirtschaftsprüfungsgesellschaft gebaut, bei der die Fachfrage, die der Wirtschaftsprüfer singulär wunderbar formulieren kann, der Agent, der der wendet diese Fachfrage aber halt dann zehntausendfach parallelisiert auf die Buchungssätze des Kunden an, ja. Und das würdest Du als Mensch einfach nicht packen, in dieser Kürze der Zeit das das das durchzuziehen. Und genauso ist es ja bei der Anlage, wenn ich dich richtig verstanden hab, ne, dass das Bild, das Du skizziert, das ist der Agent, der führt einfach diese Myriade an Checks und und und und Plausibilisierungen eben anhand von automatisierten SQL Querys durch, sich da 'n Bild von der Lage zu verschaffen, dass der Mensch einfach nicht packen würde. Hab ich das richtig verstanden?
Speaker1: Das ist ein Ansatz, ja, den könnte man mit endlichem, aber hohem Aufwand auch deterministisch umsetzen. Ist wichtig. Also die Jetzt, die Ist Analyse, mir geht's aber vor allem die Analyse der Vergangenheit an der Stelle. Was hab ich denn schon mal gelöst, was so ähnlich aussah? Mhm. Also nicht die Jetzt Analyse von den 10000 Parametern, die ich meiner Anlage drin hab, sondern wirklich, okay, auf der gleichen Basis oder 'ner ähnlichen Basis Korrelationen herstellen oder Ähnliches, mir dann zu sagen, boah, das ist 'n Fall, den kannst Du wahrscheinlich so oder so lösen. Das ist nicht bei deinen 0 8 15 Aufgaben in der Instandhaltung der Fall. Das ist in den Fällen der Fall, wenn irgend eine Walze 'n Problem hat, hängt oder Ähnliches, irgendwas nicht richtig geschmiert ist, was nur alle 2 Jahre vorkommt. Mhm. Und momentan hast Du extrem erfahrene Instandhalter drin. Die laufen in der Halle, hören, uhm, Maschine 3, da läuft irgend 'n Lager nicht richtig. Ich ich ich schau dir mal nach, da brummt was komisch. Eben genau dieses Gefühl, was einfach 'n neuer Instandhalter nicht haben kann, was ja die Erfahrung ist, die er gelernt hat, ähnlich Analogie zur Softwareentwicklung vorher, die Erfahrung, die der Seniorentwickler gemacht hat, diese Erfahrung in dem Domainwissen abzubilden und dem Junior oder dem Quereinsteiger zu ermöglichen, dass er eben weiß, okay, wahrscheinlich ist es da, schaut er mal nach. Und wenn's das nicht ist, schaut er nach da nach. Das sind die Kernpunkte.
Speaker0: Und siehst Du eine Anwendung, wenn wir jetzt dann auch mal so Richtung Intralogistik uns angucken, was da momentan so abgeht. 1 deiner deiner größten Geschichten, die ich so, als wir uns damals kennengelernt haben, wahrgenommen hab, war ja auch die die evolutionäre Reihenfolgeplanung. Mhm. Hast Du da Themen, die Du auch mit der der Audienz teilen kannst, wo Du den Eindruck hast, also a, entweder es bewegt sich schon was oder es sollte sich was Richtung KI bewegen in dem Feld, was momentan in der öffentlichen Bubble, die halt momentan wieder sehr einfach nur Agenten als als aktuelle Sau durchs Dorf treibt, die in der öffentlichen Diskussion bisher noch gar nicht präsent sind.
Speaker1: Wenn's das von Anwendungsfällen
Speaker0: Von Anwendungsfällen, genau. Also zum Beispiel eben so was wie die Reihenfolgeplanung, ob die jetzt durch die Frontiermodelle noch mal 'n neuen Schwung gewinnt oder sagst Du, nee, das ist eigentlich mit der guten alten Algorithmik soweit lösbar. Haben wir, gibt's da Themen, die die die breite Öffentlichkeit so nicht am Schirm hat, ja, aber die man eigentlich am Schirm haben müsste, wenn man im Produktionsumfeld unterwegs ist?
Speaker1: Sehr offene Frage. Reihenfolgeplanung ist schon seit Jahren nicht das auch dort Hauptthema, die Algorithmen zu schreiben. Das funktioniert, ob Du jetzt die evolutionären Algorithmen nimmst, irgendwelche anderen Heuristiken oder mit kombinatorischen Algorithmen dort rangehst, Optimierungsbereich, das funktioniert. Hauptthema sind die unsicheren und schnell wechselnden Informationen und Daten, die Du an der Stelle hast. Deswegen haben wir ja damals die evolutionären Algorithmen uns ausgewählt, wir haben verschiedene Dinge ausprobiert exemplarisch, wo wir bei dem Throwway Prototyping unterwegs sind. Gesagt haben, okay, bei diesen 80 Prozent genauen Daten, die sich schnell wechseln, ist die Evolution einfach prädestiniert, das Ganze anzugehen und darauf zu reagieren und möglichst sinnvolle Vorschläge zu machen. Weil deine beweisbare einhundert Prozent gute Lösung auf 'nem 80 Prozent guten Datensatz einfach unbrauchbar ist oder auch nicht besser ist als die 98 Prozent Lösung, die Du halt in 'nem Fingerschnipp erledigt hast.
Speaker0: Mhm.
Speaker1: Ob Du dort jetzt mit der KI wirklich noch 'n Mehrwert erreichen kannst, weiß ich nicht. In der Interpretation, vielleicht in Teilbereichen, dass Du sone lokale Optimierung durch die KI machen lässt oder die Fitness Funktionsauswertung mit der KI entsprechend optimierst, die rauskommt, kann ich mir gut vorstellen. Auch da, wie bei dem Chatbot, die Notwendigkeit war noch nicht da.
Speaker0: Was ja auch 'n valides Erkenntnismomentum ist, ne, dass man einfach sagt so, man muss jetzt nicht mit Zwang einen Chatbot in eine SPS reinquetschen, deren Aufgabe es ist, 'n Förderband zu steuern. Also ich hab, ne, jetzt mal übertrieben gesprochen, sondern dass dass man sich einfach auch drauf konzentriert hin zu 1 Lösung, die man auch früher schon mit klassischen Mitteln hätte bauen können, ja, wo können wir entlang dieser Kette möglichst smart mit Fingerspitzengefühl und Augenmaß KI einsetzen, dorthin zu kommen, ne. Und damit ist das quasi das Thema, das letztlich der Dienstleister übernehmen muss. Und ich setz mich jetzt mal in die in die Lage von 'nem von 'nem Kunden. Also wenn das jetzt jemand auch hört aus vielleicht 'ner produzierenden Firma, dann dann wär doch der Take dann, dass man sagt so, ja okay, die hauseigene KI Initiative ist jetzt vielleicht für die Produktion oder Intralogistik vielleicht ja 'n Thema, das man mitnehmen kann. Aber das Kernthema sollte dann eigentlich sein, dass man 8 gibt, dass die IT- und Softwaredienstleister, die man sich ins Boot holt und die die Firma mit mit mit Lösungen versorgen, dass die 'n vernünftigen Prozess haben, weil da der Hebel drin liegt, ob jemand anbietet für 1000000 oder halt, wenn er noch nach alten Maßstäben arbeitet, 'n Projekt anbietet, für 10000000, ja.
Speaker1: Mhm. Ja. Definitiv. Und auch hinterfragen, wo Du den Mehrwert siehst. Wo kannst Du's wirklich einsetzen? Was ich so automatisieren kann, das automatisier ich dir mit 'nem deterministischen System und das läuft einfach. Wenn ich jetzt in dem Bereich denk, Digitalisierungslücken, die Du schnell schließen kannst, Du hast 'n fertiges System, was deine komplette Lagerhending angeht. Aber Du hast einen Lieferanten, der bringt dir Palettenzettel, auf denen keine Barcodes stehen. Mhm. Da kann ich mir eine kleine KI Brücke vorstellen. Machst 'n Bild davon, lässt die KI analysieren, was ist jetzt meine Materialnummer, Menge, sonst was und gibst das dann an dein brauchbares System weiter. Und wenn der Kunde irgendwann umstellt auf sinnvolle Label, dann schaltest Du's halt wieder ab. Genau.
Speaker0: Tom, wie schätzt Du die Lage ein, wenn wir jetzt mal den Blick bisschen weiter in die Zukunft richten als jetzt sozusagen bis zur nächsten Claudegeneration oder bis zur nächsten GPT Generation. Gehen wir mal so 5 oder je nachdem, wie weit Du noch 'n gutes Gefühl hast, gern noch mal 10 Jahre in die Zukunft. Was zeichnet sich für dich ab? Was ist so das Thema, das dich auf 'nem Zeithorizont von 5 Jahren beschäftigt? Wenn wir jetzt mal annehmen, das wär jetzt meine Hypothese, dass in, ja, sagen wir mal 5 Jahren der auf jeden Fall so, also dass die 1. Welle definitiv mal gebrochen ist und das sich zu 'ner Selbstverständlichkeit entwickelt hat, was wir momentan noch als den neuesten Scheiß hier diskutieren. Was glaubst Du, was kommt nach dieser KI Welle? Kommt gleich die nächste? Oder hast Du vielleicht 'n ganz anderes Thema am Horizont, das da auf uns zukommt?
Speaker1: Ich glaub, dass die KI Welle in Schüben laufen wird. Die ersten Anwendungsfälle, ich mein, der 1. Hype war ja, als JGPD 3 5 Wood und alle Welt, die jetzt gedacht hat, hey, ich kann mich mit meiner Maschine unterhalten. Dann wurd ja sehr, sehr viel publiziert, genutzt und vieles davon ist dann völlig in der Gartenner Halbkurve nach unten gerauscht und es war einfach unbrauchbar.
Speaker0: Ja, stimmt.
Speaker1: Und auf der Ebene haben sich mittlerweile schon Dinge etabliert, die gut funktionieren. Das sind automatisierte Systeme, die das Zeug schreiben, die Sachen machen. Das heißt, die Welle haben wir schon durch. Die 2. Ist jetzt wahrscheinlich auch grad drin, dass Du über den Chatbot hinausgehende praktische Anwendungen hast in der Bildanalyse, in verschiedenen Dingen, in der Videogenerierung oder Auswertung. Ich glaub, dass wir noch sehr, sehr viele KI Wellen vor uns haben. Die, was die KI mit der Welt anstellt, ist meines Erachtens nicht vergleichbar mit Dingen, die wir vorher gemacht haben. Wenn ich mir jetzt überlegt, dass, ja, ich hab das Internet genutzt, als Google noch nicht gab oder Facebook oder sonst was, was diese Social Media Welle oder diese Mobiltelefon Welle gebracht hat, die ist meines Erachtens nix gegen die KI Welle, was dort tatsächlich im Einsatz ist. Bis die KI beim Endanwender auf den Endgeräten drauf ist und direkt im Arbeitsalltag oder im Lebensalltag drin ist, da werden wir die nächsten 5 bis 10 Jahre noch gut unterwegs sein in Richtung autonomes Fahren, in Richtung, also dass so viele Bereiche, in denen vor allem die KI auch gut unterstützen und helfen kann, dass vieles nicht mehr nötig ist, von Hand machen zu müssen. Aber was die vergangenen 4 Industriellen Revolution bewiesen haben, wir finden immer neue Dinge, mit denen wir uns beschäftigen können.
Speaker0: Nice. Tom, danke dir für dieses Gespräch. Sehr, sehr spannend, dein Einblick. Sehr gern, hab mich gefreut,