Factory Rock Cover

Factory Rock

Die Zukunft der Fertigung im Takt

Since 09/2024 17 Episoden

Alle reden über KI – was bringt sie wirklich in der Produktion? Mit Thorsten Strebel #17

Wie KI Produktionsdaten nutzt, um Planung, Qualität und Effizienz zu verbessern.

10.03.2026 21 min MPDV Mikrolab GmbH

Zusammenfassung & Show Notes

Zusammenfassung

Künstliche Intelligenz ist aktuell eines der meistdiskutierten Themen in der Industrie. Doch wie viel davon ist in der Produktion tatsächlich schon Realität? In dieser Episode spricht Boris Karkowski mit Thorsten Strebel darüber, wo KI heute in Fertigungsunternehmen wirklich eingesetzt wird – und wo der Hype noch größer ist als die Praxis. Schnell wird klar: Der entscheidende Faktor sind nicht die Algorithmen, sondern die verfügbaren und strukturierten Produktionsdaten.

Anhand konkreter Beispiele zeigt das Gespräch, welchen Nutzen KI heute bereits liefern kann. Dazu gehören etwa eine intelligentere Fertigungsplanung, Analysen von Ausschussursachen oder Vorhersagen zur Produktqualität. Gleichzeitig wird deutlich, dass KI kein Ersatz für menschliches Prozesswissen ist – sie hilft vielmehr dabei, Zusammenhänge in großen Datenmengen sichtbar zu machen und fundiertere Entscheidungen zu treffen.

Highlights der Episode

Warum KI in der Produktion oft an fehlenden oder unzureichenden Daten scheitert
Wie KI-basierte Planung Energieverbrauch, Rüstzeiten und Ressourcen besser optimieren kann
Wie KI Muster erkennt, die bei der Analyse von Ausschuss oder Qualitätsproblemen helfen
Warum MES-Systeme eine wichtige Datengrundlage für KI-Anwendungen sind
Wie künftig Chatbots und „Talk to your Data“-Ansätze die Arbeit mit Produktionsdaten vereinfachen können

(00:00) Intro & KI in der Produktion

(01:00) Realität der KI in Produktionsunternehmen

(02:28) Voraussetzungen für KI: Daten und Digitalisierung

(05:54) Praxisbeispiel: KI in der Produktionsplanung

(11:25) KI für Ausschussanalyse und Qualitätsverbesserung

(18:05) Zukunft der KI in der Produktion

(19:49) Fazit: KI als integrierte Lösung für die Produktion

--

Mehr zum Thema

Wenn Sie mehr darüber erfahren möchten, wie digitale Produktionsdaten und KI-Anwendungen in der Praxis zusammenspielen, finden Sie weiterführende Informationen, Beispiele und Hintergründe auf der Website von MPDV. Dort erfahren Sie, welche Lösungen heute bereits im Einsatz sind und wie Unternehmen Schritt für Schritt mehr Transparenz in ihre Produktion bringen können.

--

Bleiben Sie dran – für mehr Wissen, Effizienz und Zukunft in Ihrer Produktion!

Folgen Sie MPDV auf LinkedIn, um Smart Factory Updates und Infos zu neuen Episoden zu erhalten.

Transkript

Boris Karkowski

00:00:14

KI, KI, KI. Alle sprechen über KI. Aber was wird wirklich schon umgesetzt? Wir wollen heute nicht darüber sprechen, was theoretisch alles mit KI in der Fertigung schon möglich ist, sondern über ganz konkrete Einsatzbereiche, die jetzt schon Mehrwert schaffen können. <v Rockmusik> Herzlich willkommen zur neuesten Ausgabe des Podcasts Factory Rock, die Zukunft der Fertigung im Takt. Mein Name ist Boris Karkowski und heute spreche ich mit Thorsten Strebel, Geschäftsführer Products und Services bei MPDV, über KI in der Produktionspraxis. Welche Probleme haben Fertigungsunternehmen aktuell und wie kann KI dabei helfen? Und was braucht es dafür in der Umsetzung? Herzlich willkommen, Herr Strebel. Schön, dass Sie dabei sind heute.

Thorsten Strebel

00:00:58

Freut mich auch. Hallo von meiner Seite.

Boris Karkowski

00:01:00

Herr Strebel, ich hab's grad schon gesagt: Alle reden von KI, aber wie weit sind wir denn wirklich in den deutschen Produktionsunternehmen mit der Umsetzung? Was erleben Sie da in der Praxis?

Thorsten Strebel

00:01:10

Ja, ganz ehrlich, wenn man die Berichterstattung verfolgt, wenn man die LinkedIn-Posts verfolgt, dann hat man den Eindruck, die Produktion wäre schon fast autark. Jede Stanze oder jede Spritzgussmaschine wäre mit 'nem Supercomputer ausgestattet und würde sich von fast von alleine durch KI-Algorithmen steuern. Ich glaube, ich verrate nichts Neues, dass es in der Realität leider noch nicht so ist. Nun, durch durchaus sehr nutzenstiftende Anwendungen wie Navigationssysteme, wie Spracherkennung im Auto, die heutzutage fast jeder kennt, ähm, hat man sich an vielen Stellen an KI gewöhnt und ich glaube, spätestens seit ChatGPT haben wir uns damit auseinandergesetzt, dass KI nahezu alles möglich macht. Nun, wenn man in die industrielle Anwendung schaut, dann ist es leider noch nicht so, dass dort KI in den Alltag bestimmt, sondern es gab vor vielen Jahren, auch vor ChatGPT, ich sag mal, mit der klassischen KI, ähm, einige Leuchtturmprojekte und dann erst mal nichts.

Boris Karkowski

00:02:28

Woran liegt's? Was ist das Problem, dass wir noch nicht so weit sind?

Thorsten Strebel

00:02:32

Also aus meiner Erfahrung, aus meiner Beobachtung der letzten Jahre und Jahrzehnte ist so ein Industrieunternehmen, ähm, das braucht Nutzen, um Investitionen zu rechtfertigen. Eigentlich für ein betriebswirtschaftliches Unternehmen ganz selbstverständlich. Nun ist, wenn man die klassischen KI-Projekte betrachtet, dann lösen die immer individuelle Probleme auf einem ganz spezifischen Weg. Da ist ganz häufig die Frage: Um mit einer KI Fragen zu beantworten, braucht die KI natürlich eine Datengrundlage, weil die KI kann ja nicht zaubern, sondern die kann nur zwar sehr intelligent und sehr effizient Daten analysieren, Korrelationen erkennen und daraus, ähm, Analysen, Ableitungen, Erkenntnisse ziehen. Sie merken, wir brauchen Daten, und zwar die richtigen Daten in der richtigen Frequenz.

Boris Karkowski

00:03:24

Und die haben wir noch nicht in der Form vorliegen?

Thorsten Strebel

00:03:27

Die haben wir häufig noch nicht in der Form vorliegen, weil gerade in der Produktion, ähm, Datenerfassung ist aufwendig und kostet Geld. Und nun gibt's immer mal wieder die IIOT-Projekte, wo einfach Daten erfasst werden ohne genauen Hintergrund, weil wenn wir sie mal haben, vielleicht brauchen wir sie später. Auch das muss man sich leisten können, daran muss man glauben. Meiner Erfahrung nach ist es heute so, dass Daten dann erfasst werden, wenn man sie braucht. So, ich komme zurück. Ich hab eine Herausforderung, die ich mit KI möglicherweise lösen kann. Ich unterstreiche möglicherweise, weil ob das aus den Daten ableitbar ist und ich meinem Problem auf die Spur komme, das weiß ich erst hinterher. So, und das ist meines Erachtens auch eine, eine große Bremse für den Einsatz von KI. Das Nutzenversprechen steht nicht im Vordergrund. Wir reden über KI, aber eigentlich brauchen die Unternehmen Lösungen, nutzenstiftende Argumente. Das ist auch unser Ansatz bei der MPDV. Wir versuchen natürlich gerne mit KI, aber unseren Kunden, unseren Anwendern, ähm, Nutzen zu stiften. Das heißt, standardisierte Anwendungen mit 'nem konkreten Nutzen, Plug and Play als standardisierte Lösung auf unseren Systemen anzubieten. Was heißt auf unseren Systemen? Warum können wir das Ganze Plug and Play machen? Weil wir als typischer MES-Anbieter die Daten einer Produktion erfassen, um damit die Abläufe digitalisiert und transparent zu machen. Das ist das Nutzenversprechen des klassischen MES. Wir machen die Produktion digital, um damit Entscheidungsfähigkeit herzustellen. Das ist natürlich ein perfektes Fundament, um damit KI-basierte Analysen durchzuführen und damit Erkenntnisse zu erlangen.

Boris Karkowski

00:05:23

Also das klingt ja eigentlich nach einem relativ einfachen Zugang zur KI, wenn man das dann schon hat, und Sie sagen über Plug and Play. Jetzt bin ich aber mal neugierig. Jetzt erzählen Sie doch mal, an welchen Projekten oder quasi an welchen KI-Themen sind Sie jetzt schon mit Kunden dran? Also was sind so mögliche Einsatzfelder, wo Sie sagen, da gibt es eben 'ne relativ einfache Lösung schon, da haben wir auch die Daten für und da ist auch ein Mehrwert zu erwarten. Was ist denn das konkret?

Thorsten Strebel

00:05:54

Also ein sehr eingängiges und wirklich tolles Beispiel oder eine tolle Success Story, ähm, ist unsere KI-basierte Fertigungsplanung. Das Thema Planung und effizientere Planung ist in den letzten Jahren immer bedeutender geworden. Also wir haben die Situation des Fachkräftemangels. Wir müssen immer effizienter werden. Die Energie wird immer teurer. Das heißt, der Effizienzdruck auf die Unternehmen steigt und damit natürlich die Herausforderung, eine optimale Planung zu haben, die mit möglichst wenig Verschwendung rechnet, die möglichst wenig Ressourcen verbraucht. Das verspüren wir sehr stark in unserem Kundenumfeld, dass die Nachfrage nach einer guten, intelligenten Planung immer mehr wird. Und damit sind wir mit unserer KI-basierten Planung eigentlich direkt am Zahn der Zeit und wir haben da bei einigen Kunden wirklich ganz tolle Ergebnisse zu sehen bekommen. Die Kunden sind begeistert über die Einsparung von Energiekosten, die Reduktion von Rüstzeiten. Also da haben wir ganz tolle Ergebnisse schon erlangt.

Boris Karkowski

00:06:58

Aber, aber ich dachte schon, das Advanced Planning System sozusagen, das ohne KI, also ich nenne das jetzt mal die traditionelle Planungssoftware, die ich schon hatte, die würde das auch schon liefern. Was, was, was ist jetzt der Unterschied? Was kann KI, was vorher eben nicht möglich war?

Thorsten Strebel

00:07:13

Ich sag's mal ganz platt: Sie macht's einfach besser.

Boris Karkowski

00:07:16

Mhm.

Thorsten Strebel

00:07:17

Ähm, Spaß beiseite: So 'ne Produktionsplanung, wenn man sich damit auseinandersetzt, da sind so viele Constraints, die ineinanderwirken. Also das geht los: Ich habe ein Kapazitätsangebot an Produktionsmitteln. Dann habe ich dagegenstehend Aufträge, die damit gefertigt werden wollen. Diese Aufträge haben in sich Beziehungen. Sie haben quasi eine Dynamik der Reihenfolge, wie sie auf die Maschinen kommen. Also dadurch entstehen zum Beispiel dynamische Rüstzeiten. Dann habe ich Übergangszeiten, die zu berücksichtigen sind zwischen den Maschinen. Ich habe schnelle Maschinen, langsame Maschinen. Ich habe Personal, das diese Maschinen bedienen kann, aber auch muss. Dieses Personal habe ich auch nur in einer begrenzten Verfügbarkeit. Dann kommen die Sekundärbedarfe dazu. Dann kommen die Hilfsmittel wie Werkzeuge, wie Behälter. Das sind alles endliche Ressourcen, die miteinander in Beziehung stehen. Und wenn man das mit realistischen Zahlen an Aufträgen, an Produktionsmitteln hochrechnet, dann entstehen da sofort Permutationen. Da ist Schach Kinderkram dagegen.

Boris Karkowski

00:08:27

Mhm. Mhm.

Thorsten Strebel

00:08:27

Also das heißt, mit herkömmlichen Optimierungsszenarien ist das kaum in endlicher Rechenzeit zu bewerkstelligen und dann muss ich diese natürlich erst noch modellieren. Der Vorteil von der KI ist, dass sie eben diese Verfahren viel schneller machen kann und, ähm, wir zum Beispiel setzen dafür ein Reinforcement Learning ein, das diesen Plan entsprechend in verschiedenen Iterationen nahezu optimal, ähm, generieren kann und damit haben wir halt einfach, wie gesagt, in vergleichbar kurzer Zeit einen enorm viel besseren Plan.

Boris Karkowski

00:09:05

Mhm. Was ich ja an der KI so faszinierend finde, ist, ich kann ja ganz hochkomplexe Sachen jetzt in, in deutscher Sprache, äh, sozusagen lösen. Ja, ich muss keine Formeln mehr eingeben oder solche irgendwelche Unterfelder ausfüllen und so weiter, sondern ich kann ja wie auf so einer Chat-Oberfläche mit, mit der kommunizieren. Geht das auch schon in dem Bereich oder verbietet sich das sogar vielleicht sogar in der, in der Fertigungs-KI?

Thorsten Strebel

00:09:33

Ich unterscheide an der Stelle gerne zwischen der herkömmlichen KI, also die, die man vor ChatGPT oder der sogenannten Gen AI auch schon kannte, die, also das klassische Reinforcement Learning oder den Umgang mit Daten, um diese quasi entsprechend zu analysieren. Das sind im Wesentlichen die Methoden, die wir in unseren Produkten in den letzten Jahren schon einsetzen, um entsprechend auf Basis der vorhandenen Daten, ähm, Erkenntnisse zu erlangen, Schwachpunkte zu ermitteln, Ableitungen, Erkenntnisse über Gründe. Also warum zum Beispiel war in diesem Szenario der Ausschuss so hoch? Oder warum kann ich in einer bestimmten Situation bessere Effizienz erlangen als zum Beispiel in anderen? Um das rauszufinden, da nutzen wir, ich sag's mal, klassische KI. Ähm, was Sie ansprachen mit einem Chatbot, das ist natürlich auch eine sehr schöne Sache und gerade was wir im Moment tun, ist für unsere Systeme sind ja nun, haben durchaus eine gewisse Komplexität durch den Funktionsumfang, um damit einfach dem Anwender, wie man es von ChatGPT oder vergleichbaren Produkten kennt, einfach natürlich sprachlich mit dem System zu chatten, um somit rauszufinden: Okay, ähm, ich suche da eine bestimmte Konfiguration. Wo kann ich die finden? Das, äh, sind wir gerade dabei, so einen, einen Assistenten-Chatbot aufzusetzen.

Boris Karkowski

00:11:03

Okay, das ist natürlich schon mal praktisch, weil ich dann auch relativ einfach dann eben an solche Themen auch rangehen kann und eben interagieren kann mit der KI. Jetzt haben Sie, haben wir jetzt viel über Planung gesprochen. Das verstehe ich und, und hab auch verstanden, was da die Vorteile sind. Ein Stichwort fiel ganz kurz bei Ihnen noch, ohne dass Sie darauf eingegangen sind. Das war das Thema Ausschuss. Ist das auch schon was, wo Sie mit Ihren Kunden dran sind?

Thorsten Strebel

00:11:25

Ja, auch dafür haben wir verschiedene fertige Standard-Apps, wie wir das sagen. Ähm, das sind definierte Lösungen, die auf Basis unseres semantischen Modells entsprechende Analysen machen, um zum Beispiel eine KI-basierte Ausschussanalyse zu erstellen. Das hilft dem Anwender dabei herauszufinden, in welchen Situationen der Ausschuss besonders hoch oder vergleichsweise wenig hoch, also niedrig ist, um damit eben rauszufinden, welche Kombinationen sind dafür möglicherweise die Ursache, um damit natürlich diese zu vermeiden beziehungsweise diese zu forcieren. Also dabei werden eben durch KI-Methoden Korrelationen hergestellt oder erkannt, Muster und Zusammenhänge entsprechend dem Anwender zur Verfügung gestellt. Immer die Voraussetzung: Ich brauche die Daten und ich muss die Semantik der Daten kennen. Und damit kommt dann auch der Mehrwert eines MES zum Tragen. Hm, wir bei, von der MPDV bieten ja entsprechende Systeme an und stellen diese Daten aus der zugrunde liegenden Plattform, der Manufacturing Integration Plattform, transparent zur Verfügung. Das heißt, wir wissen, welche Bedeutung diese Daten haben, die aus der Produktion erfasst werden, um diese transparent zu machen. Und damit habe ich natürlich ein optimales Fundament, um mit einer KI-Analyse oder auch darauf basierend einer Vorhersage entsprechende Kriterien, Einflussfaktoren zu finden und damit auch die Zukunft zu antizipieren.

Boris Karkowski

00:13:03

Also ich brauche erst mal ein MES, bevor ich mit KI starten kann. Habe ich das richtig verstanden?

Thorsten Strebel

00:13:08

<v lacht> Das ist für, äh, für einen MES-Anbieter natürlich eine sehr schöne Sichtweise der Welt.

Boris Karkowski

00:13:14

Aber ist das nicht schon auch manchmal tatsächlich so 'n, so ein gewisses Problem? Also ich kenne den schönen Satz irgendwie: "Bevor wir ein MES hatten, hatten wir gar keinen Ausschuss vor einem Produktionsunternehmen." Die hatten natürlich Ausschuss, die haben den nur nicht erfasst und, und, und haben dann natürlich auch gar nicht damit umgehen können. Das heißt, sind wir mit den Unternehmen denn auch schon so weit, dass sie sagen, die haben schon überhaupt erst mal die Grundlagen da? Oder müssen die tatsächlich Anfang 2026 anfangen, dass sie überhaupt erst mal die Daten bekommen?

Thorsten Strebel

00:13:44

Also ich glaube, in 2026 hat die produzierende Industrie die Bedeutung von einem MES-System oder einer digitalisierten Produktion durchaus verstanden. Auch wenn man natürlich sehen muss, dass durch die Technologieunterschiede in den Produktionen, also es gibt da sehr moderne, intelligente Maschinen, es gibt aber auch Maschinen, die nicht wirklich anbindbar sind. Also das hat, muss man ja alles ins Kalkül ziehen und eine Produktion kann ja nicht von heute einfach mal aufhören, sich digitalisieren und in zwei Jahren wieder starten. Das heißt, das Ganze ist tatsächlich ein evolutionärer Vorgang. Aber um noch mal drauf zurückzukommen: Der Ansatz von einem MES ist ja, nicht einzelne Prozesse bis in die Tiefe zu digitalisieren, sondern eher den gesamten Wertschöpfungsprozess einer Produktion transparent zu machen, digital zu machen, um damit, wie Sie ja auch sagen, früher hatten wir keinen Ausschuss. Nein, wir wussten nicht, welchen Ausschuss wir haben. Und alleine durch die Transparenz, was machen denn meine Maschinen zu jedem Zeitpunkt? Welchen Status haben sie? Wann werden sie gerüstet? Kommen Erkenntnisse zutage, die man vorher vielleicht auch hatte, aber sie waren nicht so transparent. Hinzu kommt, dass in der Produktion ja nahezu ständig irgendwelche Überraschungen, Abweichungen existieren, wo Entscheidungen getroffen werden müssen. Dazu brauche ich Transparenz. Ich brauche Entscheidungsfähigkeit, um diese Daten liefern MES-Systeme und sind damit natürlich das beste Futter für eine KI, die dann eben mit diesen vielen Daten, und wir hatten vorher das Thema mit der Planung, wo sehr viele Daten entstehen und sehr viele Permutationen. So ist es natürlich bei den IST-Daten genauso.

Boris Karkowski

00:15:41

Aber wenn da so komplexe Daten auch sind, kann dann das sein, dass das Ergebnis der KI ist, äh, Herr Strebel, dass wir heute einen höheren Ausschuss hatten, kann entweder daran liegen, dass A oder das B oder das C oder das D oder kommt da eher so eine Antwort: "Probier mal als Erstes, äh, Option A zu checken." Also wie, äh, was kriege ich da als Ergebnis dann auch aus der KI und wie gehe ich damit um?

Thorsten Strebel

00:16:07

Also im ersten Schritt sagt mir die KI die Kombinationen aus verschiedenen Parametern. Also zum Beispiel: Der Ausschuss bei diesem Artikel war besonders hoch, als das Material dieses Lieferanten mit diesem Werkzeug in der Kombination auf der Maschine produziert wurde. Ja? Damit kann ich dann weitergehen und möglicherweise stellt sich heraus, okay, in dieser Kombination habe ich vielleicht 'ne falsche Parameterlage in meiner Maschine eingestellt. Das lässt sich weiterdenken, wenn ich quasi noch weitere Daten zur Verfügung stelle, nämlich auch Prozessdaten aus den Prozessen. Die kann ich dann auch in meiner KI berücksichtigen, um quasi auch damit dann Korrelationen herzustellen.

Boris Karkowski

00:16:57

Mhm. Also die KI wie so ein, ein ganz erfahrener, äh, Produktionsleiter vielleicht dann auch manchmal, der sagt: "Ja, ja, äh, liegt ja eben auch daran, in der Kombination kommt das eher, da müssen Sie mal nachgucken." Also wie so'n Coach oder der einem so ein bisschen den Weg weist. Oder verstehe ich das jetzt falsch?

Thorsten Strebel

00:17:17

Ja, wobei das Produktions- oder Prozessknow-how, das muss der Mensch natürlich schon beisteuern.

Boris Karkowski

00:17:23

Mhm.

Thorsten Strebel

00:17:23

Ja, also die, die KI nimmt halt die Daten faktisch, wie sie sind. Da kommen dann bekanntermaßen auch, sage ich mal, für den, für den Fachkenner Banalitäten raus.

Boris Karkowski

00:17:35

Gut, aber nun ist nicht jeder Fachkenner und wir wissen, Stichwort Fachkräftemangel, dass wir dankbar sind für jeden, der quasi qualifiziert uns da eben auch unterstützen kann. Also insofern ist das, glaube ich, auch schon mal ein großer Wert. Frage noch: Gibt es noch ein drittes Feld? Also das klingt ja schon mal sehr vielversprechend. Ähm, Ausschussgründe, Analysen und das Thema Planung. Wenn wir mal ein bisschen in die Zukunft gucken, vielleicht was heute noch gar nicht möglich ist, aber wo Sie schon in ersten Gesprächen sind mit Kunden, was sind da so die Themen?

Thorsten Strebel

00:18:05

Vielleicht noch ein drittes Beispiel, was heute, ähm, machbar ist, was wir auch bei Kunden schon im Einsatz haben, ist so was wie eine Qualitätsvorhersage, eben unter Berücksichtigung auch hier wieder der Produktionsparameter und Prozessparametern zu analysieren. Wie entwickelt sich entsprechend die Qualität, um damit auch quasi Maßnahmen vorzuschlagen. Um auf Ihre Frage einzugehen: Ich glaube, da sind der Fantasie kaum Grenzen gesetzt. Man kann sich zum Beispiel im Weiteren vorstellen, ich hatte über diesen Chatbot gesprochen, dass man diese Technologie weiterhin dafür nutzt, um quasi mit dem System, mit den Daten zu interagieren. Also ich sag mal: Talk to your data. Das heißt natürlich sprachlich mit dem System zu chatten, zum Beispiel die Frage zu stellen, ähm, "Was waren denn meine besten Maschinen in den letzten drei Schichten? Was waren die Ursachen dafür?" Also da kann man sich sehr schön Szenarien vorstellen, um damit auch viel effizienter dann in Zukunft die Produktionen zu steuern.

Boris Karkowski

00:19:10

Das klingt auf jeden Fall sehr inspirierend, Herr Strebel. Allerletzte Frage, ganz kurz vielleicht nur: Jetzt reden wir die ganze Zeit über KI. Wir wissen aber selber, es gibt eben ChatGPT, es gibt einen speziellen KI-Anbieter nur für Sprachausgabe, den nächsten für Videos, den dritten für Datenanalyse und so weiter. Wenn wir also jetzt sagen, KI in der Produktion, muss ich dann als Geschäftsführer Produktion jetzt erst mal den ganzen Markt sondieren, um dann zu gucken, was ist genau für das Thema, keine Ahnung, was Ausschuss, Gründererfassung, die richtige KI und was ist für das Thema Planung die beste KI? Oder kann ich das quasi auch mit einem System lösen?

Thorsten Strebel

00:19:49

Ja, sicher. Also wir haben in unseren Systemen verschiedene KI-Ansätze, KI-Technologien für unterschiedliche Fragestellungen im Einsatz und bieten die auch als einzelne Apps mehr oder weniger Plug and Play auf unserer Plattform an. Das heißt, ich kann damit verschiedenste Technologien, die unterschiedliche Szenarien bedienen, unterschiedlichen Nutzen stiften, einfach einsetzen. Ich muss mich gar nicht damit auseinandersetzen, welche KI-Technologie für mich gerade meine Herausforderung die beste ist, sondern ich kann mich für Lösungen entscheiden, die mir Nutzen bringen oder die meine Bedürfnisse befriedigen.

Boris Karkowski

00:20:29

Das ist doch ein schönes Schlusswort. Vielen Dank, Herr Strebel. Schön, dass Sie dabei waren.

Thorsten Strebel

00:20:33

Vielen Dank für das interessante Gespräch. Hat mir Spaß gemacht.

Boris Karkowski

00:20:36

Mir auch. Vielen Dank. Ja, liebe Zuhörerinnen und Zuhörer, ich hoffe, Ihnen hat's auch Spaß gemacht. Ich bin mir ziemlich sicher, da war die eine oder andere Anregung für Sie auch dabei, dass Sie jetzt sagen: "Das muss ich doch eigentlich auch mal selber bei mir anpacken, das Thema." Also insofern, dabei wünschen wir auf jeden Fall viel Erfolg und ansonsten hören wir uns hoffentlich beim nächsten Mal wieder. Bis dahin alles Gute und tschüss.

Outro

00:20:59

<v Outro-Musik>

Feedback geben

Ihnen gefällt unser Podcast und Sie möchten uns das mitteilen? Sie haben Tipps für neue Themen oder möchten über den Inhalt bestimmter Folgen diskutieren? Wählen Sie im Formular die entsprechende Episode aus und schreiben Sie uns eine Nachricht. Vielen Dank für Ihr Feedback!

★★★★★

Gefällt Dir die Show?
Bewerte sie jetzt auf Apple Podcasts

2026 - MPDV Mikrolab GmbH

Hosted by LetsCast.fm
Deinen eigenen Podcast erstellen