Episode 2. Was man nicht mit KI bauen sollte: Vermeidung der neuen technischen Schulden in datengestützten Organisationen
02.05.2025
•
Kris Peeters & Pascal Brokmeier & Tim Schröder - Der Data Playbook Podcast
Warum die Beschleunigung von KI nach hinten losgehen kann: Lektionen über digitale Ausdehnung, Governance-Abwägungen und den Aufbau dessen, was in datengestützten Teams wirklich zählt.
Was man mit KI nicht bauen sollte: Vermeidung neuer technischer Schulden in datengestützten Organisationen In dieser Episode des Data Playbook erkunden wir eine entscheidende und oft übersehene Frage im Zeitalter der generativen KI: nicht was zu bauen ist, sondern was nicht zu bauen ist. Gastgeber Kris Peeters (CEO von Dataminded) wird von erfahrenen Datenführern Pascal Brokmeier (Leiter der Technik bei Every Cure) und Tim Schröder (Leiter KI & Daten-Transformation in der Biopharma-Branche) begleitet, um über die Schattenseite der unbegrenzten KI-Fähigkeiten zu sprechen: technische Schulden, fragmentierte Systeme und Innovationschaos.
Themen, die wir behandeln: Warum generative KI die Schwelle zum Bauen senkt - aber die langfristige Komplexität erhöht Die Risiken, LLMs als "magische Orakel" ohne Governance zu betrachten Wie RAG-Systeme zur Standardarchitektur wurden - und warum das gefährlich ist Das Zoo-gegen-Fabrik-Dilemma: wie man KI-Experimente mit Struktur in Einklang bringt Masterdaten vs. Wissensgraphen vs. Embeddings – wann und warum jeder ausfällt Was Klarna richtig (und falsch) gemacht hat, indem es SaaS-Tools durch KI-generierte interne Apps ersetzt hat Die wachsende Bedeutung von KI-Kompetenz, Datenkarten und Plattformdenken Echte Beispiele für KI-Agenten, die Systeme autonom debuggen - und wann das beängstigend ist Wir stellen schwierige Fragen wie: Bauen Unternehmen sich schneller als je zuvor in eine neue Art von Chaos? Treibt der KI-Hype uns dazu, jetzt zu bauen und später zu bereuen? Sollten Sie wirklich jedem Bereich erlauben, seinen eigenen KI-Stack zu bauen? Ob Sie nun Dateningenieur, Datenarchitekt, KI-Produktleiter oder Datenstratege sind, diese Episode ist ein Muss. Wir durchbrechen den Hype, um herauszufinden, wo der wahre Wert liegt - und wo die zukünftige technische Schulden leise sich anhäufen.
🧠 Zentrale Aussage: "Wenn Sie mir nicht sagen können, warum Sie es bauen, sollten Sie es vielleicht überhaupt nicht bauen." 💡 Schalten Sie ein, um zu erfahren, wie Sie klug, absichtlich und strategisch bleiben, wenn es darum geht, mit KI zu bauen.
Latest
The Data Challenge behind the Einstein Telescope
Tjonnie Li explains gravitational waves, the Einstein Telescope, and why the future of science depends on data engineering.
Scaling Data in Aviation: Inside Brussels Airlines’ Data Strategy
How Brussels Airlines transformed a broken data setup into scalable data products, enabling self-service and real business impact.
Machine Learning in Energy: Forecasting, MLOps, and Business Impact
Inside Luminus: how machine learning models move from experimentation to production to forecast electricity demand.
