GenAI & die Medienbranche: Wie man Künstliche Intelligenz strategisch einsetzt

Ich glaube, in zehn Jahren wird sich das alles dann eben so zuspitzen, dass die Endgeräte eben das Format wiedergeben und Medienhäuser Datenströme zur Verfügung stellen, die so eine Art Gedankengänge, Line of Thought, Storytelling repräsentieren. Das heißt, es wird irgendeine Form von verrücktem Datenformat sein und Journalisten und Redakteurinnen werden ihre Gedanken, ihre Idee für eine Geschichte, einen Ablauf von Punkten dementsprechend aufbereiten. Sie werden das alles sehr modular machen müssen, also dass die Zusammenhänge in kleinen Modulen quasi klar wird, dass sich daraus Storylines ergeben. Und durch diese Module habe ich dann eben die Chance, auch ganz viele andere, weitere Geschichten dazu zu kombinieren und die Geschichten miteinander zu vernetzen, ineinander übergehen zu lassen. Untertitelung des ZDF, 2020 Moin aus Kiel zur neuen Folge von Ressort21, dem Podcast über Innovation und Digitalisierung in der Verlags- und Medienwelt.

Ich bin Tim Großmann und spreche heute mit Robert Kowalski, Head of Division Media bei Jambit. Robert berät Medienhäuser dabei, wie sie generative KI nicht nur integrieren, sondern auch in die Welt bringen. sondern auch strategisch einsetzen können, um zum Beispiel ihre Geschäftsmodelle oder Workflows zukunftsfähig zu machen. Wir sprechen über verschiedene Anwendungsfälle, in denen generative KI hilfreich sein kann und vor allem darüber, wie man als Medienhaus auch intern aktiv werden kann. Aber genug erzählt, viel Spaß bei der Folge.

Moin Robert! Moin Tim, schön hier zu sein. Ja, freut mich, dass du dir die Zeit nimmst. Ja, sehr gerne. Habe ja auch schon den ein oder anderen Podcast gehört und bin großer Freude des Formats.

Danke. Das war schön zu hören. Danke für das Lob da an der Stelle auf jeden Fall. Ich freue mich auch besonders tatsächlich mit dir zu sprechen, weil... Ich bin ja wahrscheinlich so ein bisschen auch in so einer Bubble drin, Gen-AI-Bubble, KI-Bubble und denke, jeder macht das nur noch 100%.

Von dem her bin ich umso gespannter, jetzt auch ein bisschen von dir zu hören, wie das wirklich nachher in der Praxis umgesetzt wird. Du bist ja vorne mit dabei, genauso wie ich das mit gesehen habe mit Jambit. Da sprechen wir auch gleich noch drüber, wo du arbeitest, wie du da hingekommen bist. Also ganz, ganz gespannt auf das, was du erzählen kannst und darfst. Ja.

Das wird super. Cool, genau. Vielleicht kannst du mal einfach damit anfangen, wie gesagt, habe ich kurz rausgehauen schon, du bist bei Jambit. Was macht ihr dort? Was ist deine Position?

Und vielleicht auch so ein bisschen die Geschichte, wie du da hingekommen bist. Du hast ja ein paar Stationen gehabt, über die Zeit hinweg. Bist auch schon lange jetzt bei Jambit. Einfach vielleicht vielleicht mal durch kurz durchführen bevor wir in das KI Thema einsteigen ja klar sehr gern genau also jambit ist ein Dienstleister ein Softwaredienstleister in München hat noch weitere Standorte inzwischen in Stuttgart Leipzig Erfurt und wir sind also traditionsgemäß im Jahr also aus dem Jahre 1999 gegründet worden und zwar gründen dann auch hier also kurz Also am 23.12.1999, um genau zu sein, also kurz vor dem Weihnachtsurlaub wurde Jambit auch schon angemeldet quasi. Ich bin dann seit 2012 dabei und genau aus der ganzen Softwareentwicklungsecke haben wir uns inzwischen eben auch sehr, sehr weiterentwickelt.

Also nicht nur Softwareentwicklung, sondern eben auch Cloud-Entwicklung. KI natürlich und auch viel Beratung und dergleichen. Das also alles in so einem technischen Umfeld. Und genau, aus einem technischen Umfeld bin ich auch gekommen. Und zwar habe ich in der LMU München Medieninformatik studiert.

Das heißt, da waren die Medien vielleicht schon ein kleines Preview auf das, was später da kommen sollte. Genau, so war es ein sehr technisch lastiges Studium, also ein Informatikstudium auch. Habe parallel am CDTM in München eben das Technologiemanagementprogramm absolviert und war dann auch im Ausland in Berkeley und Harvard studiert. Und das heißt, ich hatte dann so eine Mischung aus Technologie, Geschäftsmodelle und so diesen amerikanischen Innovationsdrang, sage ich jetzt mal. Und das hat dann so einen kleinen perfekten Sturm in mir ausgelöst.

Also da kam dann eben auch diese Leidenschaft. geile Produkte zu bauen, innovative Produkte zu bauen, eben für Endkunden. Das mit tollen Geschäftsmodellen zu kombinieren, damit man da halt dann auch Geld mitverdienen kann und die Bestand haben. Und das hat sich halt gegenseitig immer so verstärkt. Und nach meinem Studium habe ich dann irgendwann bei Jambit angefangen, also 2012 rum.

Allerdings zuerst in der Automobilbranche, also in Projekten für den Automobilsektor gearbeitet. Allerdings ging es da schon um Projekte rund um Medienkonsum oder Kuration von Inhalten im Fahrzeug, also welche Inhalte zu welchem Zeitpunkt warum wie ausgespielt werden können. Das war dann auch ganz verrückt, weil damals war das iPhone auch noch ganz neu. Also ich habe quasi mit dem allerersten iOS SDK rumgebastelt. Also das waren im Vergleich zu heute auch ganz andere Zeiten.

Also man hat alles noch selbst machen müssen. Aber dann von dort ist es dann eben rüber in die Medienbranche gegangen. Also dann bin ich bei Jambit eben intern auch gewechselt von der Automobilbranche in die Medienbranche. Also es sind diese zwei größten Säulen, die wir haben, neben Banken und Industrie. beziehungsweise Energieunternehmen.

Aber genau, mich hat es eben in die Medienbranche verschlagen, habe ich also angefangen mit den App-Entwicklungen, hin zu Paywalls, CMS-Systeme, Headless-CMS-Systeme, bis heute eben so KI-Einsatz. Das sind so Schnelldurchlauf der letzten acht Jahre in der Medienbranche, von SZ über FAZ, ProSieben, RTL, Handelsblatt und so, also überall so zog es mich so durch. Und bei Jambit intern habe ich auch immer mehr Verantwortung übernommen, sodass ich dann jetzt heute so in der Rolle bin. Head of Division Media ist der offizielle Titel. Das heißt, ich verantworte den gesamten Medienbereich bei Jambit.

Sind so knapp 100 Leute. Und ich sage dann immer ganz gern, was wir so bedienen, ist vom Entertainment, also Forsthaus Rampensau, bis hin zum seriösen Journalismus, ist quasi alles mit dabei. Bist aber jetzt selber wahrscheinlich nicht mehr am Entwickeln. Nein, genau, da bleibt mir leider keine Zeit mehr. Das ist manchmal auch der Nachteil.

Ganz spannend, ich finde mich so ein bisschen wieder in deiner Entwicklung. deiner Story. Ich habe auch Medieninformatik studiert, also auch Applied Science. Nicht nur das Ganze theoretisch, sondern auch schön praktisch. War dann auch in den USA, in Palo Alto damals, auch für die Arbeit tatsächlich.

Und dann kommt man wirklich mit so einem Knacks ja zurück. Also man denkt ja wirklich, okay, jetzt geht es richtig ab. Jetzt macht man richtig Druck hier in Deutschland. Alle sind so langsam. Alle sind, man kommt nicht richtig voran.

Man muss man so richtig ganz... geben also finde ich finde ich super cool ich war unerträglich das erste jahr als ich dann wieder zurück weil alle bekannte freunde kollegen gesagt habe robert hör auf hier ist nicht irgendwie alles viel schlechter oder so also ich weiß genau was du mit knacks mainz der ok aber du bist jetzt quasi du Du bist Head of Division, aber du kümmerst dich ja auch viel da, also du kümmerst dich jetzt ja vor allem viel um das Strategische, wo geht es hin und ein Riesenthema davon ist ja das, also wer hätte es gedacht, ist ja überall heutzutage KI, Gen-AI. Wie nutzt man KI im Alltag beziehungsweise auch für die Medienunternehmen? Wie kann man diese integrieren in verschiedene Projekte oder ähnlich? ist.

Was denkst du, was siehst du da so als gerade für deine Branche jetzt als die Megatrends, also die richtigen Trendy Themen, die alle gerade so ein bisschen angucken, ob noch niemand so richtig integriert hat? Ja, das ist unterschiedlich, je nachdem, wo man hinguckt. Also in Deutschland habe ich noch so ein bisschen, also da vielleicht ein bisschen anzuschließen, und die Sichtweise aus dem Ausland. Also in Deutschland ist man noch so ein bisschen in der Phase, das Problem zu bewundern, sage ich jetzt mal. Also wir durchdenken das noch und machen uns viele Gedanken dazu.

Und man muss aber auch nicht in die USA gucken. Es reicht auch schon, in die Schweiz zu gucken, wie dort eben das ganz anders auch schon eingesetzt wird und auch schon tatsächlich integriert wird auf weiterer Ebene. Ach krass. Und ich glaube, das liegt auch so ein bisschen an den Sichtweisen. Also wir in Deutschland nehme ich das ganz oft wahr, dass dort gesprochen wird von Investitionsprojekten.

Damit setzt man sich jetzt auseinander, dann plant man das, dann überlegt man sich ganz viel und dann rechnen wir das alles durch und dann fangen wir irgendwann an und dann werden wir etwas haben. Das ist... okayisch, sage ich jetzt mal, wenn man halt davon ausgeht, dass die Welt auf einen wartet. Und den Eindruck habe ich nicht so ganz. Oder andersrum, vielleicht kann man sich global auch sehr viel abgucken, weil da denkt man tatsächlich nicht so in einer Stabsstelle oder in einer bestimmten Position oder Organisationseinheit, sondern man denkt es immer so unternehmensübergreifend, auch in Use Cases, aus der Wertschöpfung heraus und da wird dann eben auch ganz viel experimentiert.

Also selbst Lokalnachrichtenhäuser in den USA kombinieren dann Wetter, Quizzes, Polizeimeldungen und dann wird das halt alles autogeneriert und ausgespielt und auf mehreren Kanälen auch noch gleichzeitig. Also das seit über einem Jahr oder so. Also das ist schon beeindruckend, wie das dann halt einfach mal gemacht wird. Und wenn man dann jetzt eben strategisch arbeitet, dann sind es bei uns eben so, okay, jetzt kommt eine Person und die macht jetzt mal KI, die das unternehmensweit macht. tragen soll.

Und ich will ja gar nicht sagen, das ist irgendwie schlecht, da sich erstmal viele Gedanken zu machen. Ich glaube nur, dass es am Ende des Tages nicht zu kurz gedacht ist vielleicht. Also wenn ich das irgendwie unternehmensweit einführen möchte, dann kann das nicht eine Person allein irgendwie machen. Sondern was man ja braucht ist, dass ich KI ist so eine Art Infrastruktur Thema aus meiner Sicht, also Elektrizität und KI, das wird einfach überall vorhanden sein. Und das heißt aber auch, dass man überall im Unternehmen damit umgehen können muss oder das einsetzen können muss.

Das heißt, man braucht im Unternehmen mehr Leute. Und da gibt es aus dem, ich weiß das Jahr leider nicht mehr genau, aber es gibt dieses sogenannte Law of Diffusion of Innovation, also 60er oder sowas. Und da hat man schon gesagt, naja, wenn man in einem Unternehmen oder generell was Neues einführen möchte, dann braucht man quasi so 16 Prozent der Belegschaft. Also das Ganze gipfelt in einer Gauss-Kurve und man braucht eben diese Innovators am Anfang, das sind so zwei Prozent und dann braucht man so Early Adopter, das sind so 13 Prozent und dann kommen so verschiedene Majorities und so weiter. Aber was man eben, was dieses Law eben sagt, ist, dass man so diese 15 Prozent von diesen ersten Innovators und Early Adopters, dass man die halt braucht, um einen Tipping Point zu haben, um darüber dann die große Masse anzustecken und etwas vorzutragen.

Und genau, daher ist das eigentlich so, wenn man es strategisch angehen wollte, müsste man es aus meiner Sicht eben auch so betreiben, um dann alle abzuholen und dann alle das zu integrieren. Lustigerweise habe ich kurz vorm Interview gelesen, dass Apple das jetzt auch wieder so umstellt. Also die hatten KI zentralisiert, Und jetzt, als sie festgegeben haben, dass Apple Intelligence wohl nicht funktioniert, haben sie jetzt eine Reorg gemacht und jedes Produktteam wird jetzt wieder mit KI-Kapazitäten verstärkt. Also es ist nicht mehr zentral und die kümmern sich um alles, sondern es wird quasi überall hin ausgerollt, dass jede Produkteinheit das hat. Und das würde ich jetzt mal als anekdotischen Beleg nehmen, dass ich recht habe.

Ich habe letztens extra mein macOS upgedatet, weil da dran stand Apple Intelligence. Habe es dann ausprobiert und dachte so: "Okay, hä? Was ist das denn?" Wenn man dann JetGPT und quasi auch dieses Real-Time-Communication, quasi diese Diskussion mit JetGPT dann schon mal ausprobiert hat, denkt man sich so: Okay, wait, Apple ist wie viel? Zwei Trillionen, also zwei Billionen sozusagen wert. Wie kann es sein, dass die es nicht hinkriegen, irgendwas zu integrieren?

Also okay, aber das macht Sinn. Also ist dann ja genau das Statement im Endeffekt. Ist aber mit vielen Themen, würde ich jetzt sagen, so, dass du was Zentralisiertes hast, wo dann auch jeder immer hin muss, hey, guck mal, das ist mein Projekt, können wir das bei uns umsetzen? ist jetzt nicht so geil. Das ist, wie du sagst, du brauchst einfach eine Person, die muss ja nicht mal KI-Experte sein, aber da muss irgendwo das Wissen da sein, was kann man mit KI machen und diese Person oder diese Persönlichkeit oder Entität, die braucht man halt einfach in den Teams selbst, um da zu sehen, okay, hey, das können wir automatisieren, das können wir optimieren, da können wir das mit reinnehmen, ohne groß viel Aufwand reinzustecken und dann trotzdem halt im Endeffekt die Awareness zu schaffen, wieso machen wir das eigentlich händisch oder wieso machen wir das auf die Oldschool-Weise, die zwei, drei Monate dauert, wir können es doch einfach bei JGBT, Lama oder whatever reinwerfen und das kommt fertig raus, also warum sollen wir das machen, also finde ich eine schöne Anekdote auf jeden Fall, bestätigt das, wie du gesagt hast, ja auf jeden voll.

Sehr gut. Und ich war auch sehr enttäuscht von Apple Intelligence. Also all die Warterei für so wenig, also das war wirklich sehr, sehr enttäuschend. Was ich noch ergänzen möchte zu dem, was du gerade gesagt hast, ja, also alle Leute... müssen das treiben und sich damit auskennen und optimieren etc.

Was aber auf jeden Fall auch nötig ist, ist das quasi von oben, also am besten, im besten Fall halt auf C-Level oder Herausgeber-Ebene, dass da eben auch ein Bild dazu entsteht, wie stehe ich als Unternehmen zu KI oder zu Machine Learning etc. Wie will ich das einsetzen, in welche Richtung sollte es gehen? Weil wenn man jetzt jedem Menschen sagt, mach irgendwas mit KI, dann wird das natürlich auch uferlos und man wird sehr, sehr viel Lehrgeld bezahlen müssen, welche Richtung denn jetzt richtig ist und welche nicht. Und man muss schon auch vom Leadership her tatsächlich eine Richtung vorgeben, worauf man sich damit fokussieren sollte, damit man da halt so, wie soll ich sagen, nicht alles fünfmal falsch macht oder eben eine Stoßrichtung findet, in die man gehen kann oder will. Ja, absolut.

Auf jeden Fall. Was würdest du sagen jetzt, ich meine, du bist jetzt wahrscheinlich nicht so stark im Kundenaustausch wie jetzt eure Projektmanager oder Customer Partner Success Leute, aber was würdest du sagen, sind so die häufigsten Fragen oder vielleicht auch die Missverständnisse von euren Kundengruppen jetzt oder von euren Kunden in Bezug auf das ganze Thema? Ja. Also ein Dialog, der mir am meisten im Kopf geblieben ist, war mit einem Juristen von einem Broadcaster, der gesagt hat, also KI kommt uns nicht ins Haus. Wir wollen nicht daran schuld sein, dass jetzt hier Skynet entwickelt wird.

Und also das war jetzt natürlich schon so on brand, sage ich jetzt mal, weil man dann mit einer Terminator-Referenz bei KI und als Broadcaster niemals falsch liegen kann. Aber naja, gut. Also wenn das ein Jurist vorsichtiger ist, verstehe ich. Aber ich glaube, es sollte nicht so die Grunddenkweise sein, dass wir jetzt hier Skynets bauen. Ich glaube, die Zeiten sind auch vorbei, der Terminator-Metapher.

Also ich habe schon lange keine mehr gesehen auf Konferenzen oder so. Egal. Kommen dann wieder, wenn die Roboter ein bisschen weiter sind. Oh, stimmt, stimmt, stimmt. Wenn der Tesla-Bot rumläuft.

Genau, Optimus. Ja, genau. Nee, aber im Ernst. Also was wirklich die häufigsten Missverständnisse, was da so mit dazugehört ist, der Irrglaube, dass das Ding versteht, was man von ihm will. Also es ist ja eine rein statistische Auswertung, also Auswertung von Korrelationen und Mustern.

Und weil man denkt... Und das gegenüber, das Modell versteht das, fängt man eben an, das auch falsch zu bedienen und kommt dann schnell zu dem Eindruck, dass das irgendwie nicht fertig sei oder so. Also, weil es eben so gut antwortet, denkt man, da ist jetzt ein smarter Mensch gegenüber, sage ich jetzt mal. Das geht auch Hand in Hand, dass das irgendwie alles deterministisch wäre, was da rauskommt. Und ich finde das lustig, weil natürlich die Informatik stark davon lebt, dass das deterministisch ist.

Und jetzt wird das eben alles umgedreht. Also wenn man den Menschen zweimal die gleiche Frage stellt an unterschiedlichen Tagen, wird man auch unterschiedliche Antworten bekommen, sehr wahrscheinlich. Und wenn der Mensch das falsch versteht, wird es auch mal eine vermeintlich falsche Antwort geben. Das heißt, auch im Umgang mit Large Language Models muss man sich ein bisschen angewöhnen, dass man dem Ergebnis, dass das niemals deterministisch ist, sondern halt nicht hundertprozentig zu trauen ist, sondern wie bei den Menschen reicht vielleicht auch mal eine 80- oder 90-prozentige Antwort. Beziehungsweise man muss sich dessen halt bewusst sein und dafür die Einsatzzwecke eben aussuchen.

Absolut. Das heißt, man muss sich halt ein bisschen entscheiden. Will man sich das jetzt angucken und abwarten? Oder will man jetzt, also angucken oder abwarten im Sinne von, ich überlege mir genau, wohin ich will, was ich machen will. Also deswegen brauche ich auch meine C-Level-Strategie und dann verfolge ich diesen Ausschnitt des Marktes, um dann eben zu beurteilen, ist es jetzt soweit, kann ich dem jetzt trauen oder eben auch nicht.

Oder ich mache eben selber Trial and Error und arbeite mich dann da eben vor zu den Verbesserungen, die ich selber für mich haben möchte. Also das sind dann so die Antworten da drauf. Und ja genau, das ist das Häufigste, was ich indirekt mitbekomme, weil ich rede ja meistens nur mit Entscheidern oder technischen Menschen. Indirekt bekommt man darüber natürlich mit, jetzt verlieren alle ihren Job. Jetzt kommt KI und alle werden arbeitslos werden.

Aber gerade in der Medienbranche ist meine Wahrnehmung eigentlich eine ganz andere. Also ich habe da eher das Gefühl, dass alle in diesen Häusern zu viel zu tun haben und nicht... Also genau, da hat jeder eher zu viel zu tun und da muss man ja darüber reden, wie man die Leute eben entlasten kann. Und ich glaube, wenn man da jetzt nochmal einen draufsetzt und in die Geschichte guckt, also das erste Auto war ja das Model T von Ford. Na ja, wobei die Stuttgarter sagen, jetzt ist es der Mercedes.

Egal. Das erste Serienauto war Ford, das T-Modell. Und wir bauen heute Autos anders als damals. Die Leute machen ganz andere Dinge. Es gibt viel mehr Dienste und Innovationen und Weiterentwicklungen in diesem ganzen Autosektor.

Das heißt... Dieser Differenzierungsdrang oder Innovationsdrang, Wettbewerb zwischen Automobilherstellern hat eben dafür gesorgt, dass jetzt viel, viel, viel mehr Menschen im Automobilsektor arbeiten als damals. Und ich glaube, sowas ähnliches werden wir jetzt eben auch sehen, dass Medienhäuser eben viel mehr Druck haben in der Konkurrenz, darüber neue Produkte bauen, weitere Monetarisierungsmöglichkeiten finden und das dann darüber auch wächst. Und das Dümmste, was man dann tun kann, ist jemanden mit 20, 30 Jahren Branchenerfahrung den rauszuwerfen, weil man gerade dieses Wissen ja dann eben auch wieder brauchen kann für diese neuen Produkte und dergleichen. Genau das.

Genau das. Und ich glaube, das ist, wie du sagst, auch so eine riesen Fehlannahme, dass vielleicht auch gerade die in einem Verzeichen älteren Leute, die schon jahrzehntelang arbeiten, das sind ja wirklich die Brains sozusagen. Die muss man ja nutzen und denen beibringen, wie transferiere ich mein Wissen jetzt in so ein System rein, um im Endeffekt dafür zu sorgen, dass nicht nur ich der Einzige bin. Ich meine, offensichtlich. willst du nicht gefeuert werden und sowas ersetzt werden, aber wird wahrscheinlich eh nicht passieren.

Und wenn du die Person bist, die das System füttert und dort irgendwie guckt, dass es die richtigen Dinge weiß, das ist ja ein Riesenhebel dahinter, gerade bei den älteren Leuten auch, beziehungsweise den erfahrenen, muss ja nicht alt sein, sondern erfahrenen Leuten, da einen riesen Impact zu haben auf die Effizienz, auf die Effektivität von so einem Unternehmen, bin ich voll bei dir auf jeden Fall. Untertitelung des ZDF für funk, 2017 Dieser Podcast wird produziert von der Explo GmbH. Wenn auch du neue Zielgruppen über digitale Produkte binden und deine Content-Produktions-Workflows automatisieren willst, dann kontaktiere mich auf LinkedIn oder vereinbare eine unverbindliche Demo direkt auf unserer Website explo-gmbh.de. Was habt ihr so für Cases jetzt schon, also wenn du da was erzählen darfst, bei euren Partnern implementiert oder auch Pilotprojekte implementiert mit verschiedensten Ansätzen? Ähm.

Ja, das ist tatsächlich schwer. Ich kann darüber tatsächlich wirklich nicht reden. Worüber ich reden kann, sind aber die Dinge, die wir noch nicht machen und die ich gerne machen würde. Das hört sich gut an. Ja, dann machen wir doch das.

Genau, also... Im Prinzip komme ich so ein bisschen aus der Richtung, auch ein bisschen mehr darüber zu denken, was will denn so ein Endkunde eigentlich. Also so Customer Delight nenne ich das dann. Und da kann man natürlich mal gucken. Was möchte ein Endkunde denn haben?

Was würde denn jetzt das Produkt verbessern, mit dem diese Person eben sehr, sehr viel Zeit eben auch verbringt? Und aus meiner Sicht haben wir da gerade, was so Endkunden-Features oder User-Interfaces und dergleichen angeht, in den letzten Jahren generell in der Branche nicht viel gemacht. Das heißt, so ein Konzept, das wir gerade, oder was wir entwickelt haben, umgesetzt haben, jetzt tatsächlich aber nur noch einen Partner suchen, der das jetzt auch mal angehen will, ist Progressive UI. Das bedeutet, wir können... theoretisch auf jeden Nutzertypen die UI anpassen.

Also wir haben eine visuelle Hierarchie in jeder App. Das bedeutet also Buttons sind an bestimmten Stellen oder Bilder haben bestimmte Größen und so weiter und so weiter. Und indem man eben das individuelle Verhalten des Nutzers oder der Nutzerin sich ansieht, lässt sich diese visuelle Hierarchie eben verschieben. Das heißt Buttons werden größer hervorgehoben oder Dinge ausgeblendet, auf die man keinen Wert legt. Und wenn man das gut genug macht, dann kriegt man das theoretisch unendlich fein spezifiziert hin, also auf sehr viele Menschen zumindest oder auf sehr viele Klassen oder Klassifizierungen runtergebrochen und dann hat man dort über eine Zeit hinweg entwickelt sich eine Art Custom UI, die sich auch immer mitentwickelt mit der Nutzung dieser Person.

Kann natürlich auch nochmal zurückspringen, aber je nach Persona, die da auch sitzt, kann die UI dann eben für jeden wirklich anders aussehen. Und das ist, glaube ich, ein hochspannender Case und jeder, mit dem ich rede, findet das auch voll spannend, aber niemand traut sich, das umzusetzen. Also das ist auch wieder so der Punkt, den wir am Anfang eben hatten. Jetzt denken wir erst mal nach und dann machen wir was. Aber eben genau solche Dinge auch in der UI, weil eine Textzusammenfassung hat inzwischen jeder gesehen und zehnmal ignoriert oder vielleicht auch kurz genutzt, aber das ist ja zu Standard.

Und was ist der nächste Schritt? Wie kann ich meine Kunden auch begeistern? Wie kann ich hier die nächsten Schritte gehen? Also wahrscheinlich, ich brauche jetzt, I'm preaching to the choir, wenn ich mit einem Medieninformatiker spreche, was der Endkunden tun muss. Aber genau, also das ist zum Beispiel so ein Aspekt, den wir da mit großer Leidenschaft verfolgen und das mich tatsächlich auch sehr frustriert.

dass das niemand umsetzen oder bauen möchte. Genau, aus Vorsicht. Aber das ist sehr, sehr spannend, weil ich weiß nicht, ob du gesehen hast, ich habe auch mit Kai Gohlke gesprochen von Oberpfalz Medien heißt die, das Medienhaus und die machen ja so eine sehr, sehr stark personalisierte Website schon und quasi auch so eine Topbox-Personalisierung jetzt seit neuestem in Anführungszeichen. Ich weiß nicht mehr ganz, wie lange das her ist. Und die sind ja sehr, sehr stark daran zu gucken, dass sie alles hoch personalisieren.

Also tatsächlich würde ich fast sagen, dass das wahrscheinlich irgendwie ein Case wäre, wo die ganz dran interessant fänden, aber ich meine, ihr habt ja sicher eine riesen Kundengruppe und mit all den Kontakt von dem her mische ich mich da auch nicht ein, aber sehr, sehr spannend, dass man trotzdem noch so ein bisschen die Zögerlichkeit oder die Schwierigkeit ist, einfach Leute auch zu finden, die mal sagen, okay, wir machen mal den Sprung, wir machen mal den Test wenn es schlecht läuft, gibt es ja eigentlich nicht so viel zu verlieren. Ich denke jetzt nicht, dass da dann Leute auf einmal kündigen und sagen, hey, was macht ihr da? So, ich komme nie wieder, ihr seid Schrott. Das ist auch so kurzer Zeit, vor allem, wenn man das ja irgendwie AB-Test-mäßig nur 10% von den Leseinheiten oder so was ausliefert, von dem her. Ja, aber es ist ein anderes Thema, muss man natürlich auch ein bisschen mutig sein und auch sagen, hey, das ist wirklich das, wo wir hingehen müssen und auch testen müssen, ne?

Genau, also das auszuprobieren und selbst wenn dann die Nutzer sagen, ich finde das doof, ich möchte lieber was anderes haben, dann ist es ja super, weil diese Leute kann man dann auch klassifizieren vermutlich aufgrund von bestimmten Verhalten und dann ändert sich die UI für die halt nicht. Also ich bin da eigentlich recht pro Experimente, sage ich jetzt mal, aber ich kann es auch verstehen, wenn ein Haushalt sagt, oh, unsere treuen Abonnenten, die wollen wir auf gar keinen Fall verschrecken. Also das ist schon eine Diskussion jedes Mal wieder. Aber es muss ja nicht die UI sein, also es können ja auch die Empfehlungssysteme sein, die du gerade angesprochen hast, weil gerade hier nervt es mich auch, dass wenn ich dann über Suchen bin oder auch als als Neuabonnent mieseste Empfehlungen bekomme auf verschiedensten Produkten, wo im besten Fall das zufällig ist oder es nur mir vorgeschlagen wird, weil jemand anders das interessant fand. Und es gibt inzwischen eben auch neue Konzepte rund um Two Tower Recommendation heißt es.

Das ist halt quasi die Nutzung von so Embedding-Vektoren aus den LLMs, um eben neben einem Daten- oder Content-Context, Content-Tower noch einen Context-Tower aufzumachen. Also man hat zwei Tower quasi und wenn man die kombiniert, hat man automatisch die Möglichkeiten, eine bessere Empfehlung zu haben. Also das haben wir zusammen mit Partnern auch schon nachgewiesen. Also die Nutzer haben dann mehr konsumiert, sind länger dran geblieben. Und die andere Seite ist natürlich auch, ich kann darüber auch ein Coldstart-Problem lösen.

Das heißt, ich habe einen Neuabonnenten, den ich unbedingt begeistern möchte. Oder ich habe jemanden, der zum ersten Mal auf mich und meine Marke trifft und möchte da bessere Empfehlungen geben. Und auch hier ist dann auch wieder so ein bisschen, ja... zurückhaltung wobei das ja viel näher oder nicht so verrückt ist aus meiner sicht das sind dann so aspekte wo ich mich dann schon immer wieder ein bisschen ärgere auch aber gut das ist nur eine frage der zeit die innovatoren sind ja meistens nur zu früh dran dass das stimmt wie siehst du so die die readiness von den medienhäusern generell oder auch für ich von also von euren Kunden, ist jetzt wieder schwierig, aber so generelle Markt von deutschen Unternehmen für KI, also viele, was man so mitbekommt, haben ja auch noch nicht so richtige Datenqualität, Daten, die sie irgendwie richtig zentralisiert oder halt auch strukturiert speichern. Das ist ja quasi die Basis, die man erstmal braucht.

Wie siehst du so denn, was würdest du sagen, wo ist da der Stand des deutschen Marktes? Also ich kenne nicht jedes einzelne Medienhaus, das heißt die Wareninnovatoren mögen mir jetzt verzeihen. Also mein Bild ist, Vielleicht nochmal einen Schritt zurück. Also man muss ja, du hast ja gesagt, man braucht diese Daten in einer strukturierten Form. Aber das würde ich jetzt mal als Digitalisierung bezeichnen.

Aber in vielen Bereichen sind wir noch in der Elektrifizierung, dass wir überhaupt Daten erheben, ablegen. Und dass, wenn wir diese strukturierten Daten abgelegt haben, dann können wir in digitalen Prozessen auch erst das Ganze miteinander kombinieren oder auswerten, zu Diensten verschalten, fürs Training nutzen etc. Ja. Und wir sind größtenteils oder an vielen Stellen noch in der Elektrifizierungsphase. Also wenn ich höre, dass ein Prozess digitalisiert ist, wenn man ein PDF für das Formblatt erstellt hat, dann ist das halt maximal Elektrifizierung mit viel gutem Willen, aber noch lang nicht digitalisiert.

Und das ist halt so Baby-Steps. Und das heißt, da ist man in der Entwicklung. Ich sehe aber auch, dass es jetzt schon einige Häuser gibt, die jetzt halt auch große Data Lakes tatsächlich schon bauen und sich wirklich damit auseinandersetzen, wie diese Daten halt strukturiert abgelegt werden können für KI-Modelle oder eigene interne Nutzungen. Das heißt, das ist so, um deine Frage zu beantworten, ist auf der Ebene, was die Datenhaltung angeht, haben wir das ganze Spektrum in Deutschland sicherlich. Dann ist man aber ganz schnell bei dem nächsten Problem.

Um ready zu sein, muss man halt auch wissen, was man machen will. Und wie identifiziert man denn Prozesse oder Abläufe, wo man das eben einsetzen möchte? Weil selbst wenn ich jetzt KI in einen dummen Prozess anwende, dann habe ich am Ende einen KI-gestützten dummen Prozess ohne Ergebnis. Das heißt auch da, man muss sich da sehr mit auseinandersetzen, wie sehen meine Prozesse aus und wie kann ich, also dass ich dort die richtigen Stellen auch identifiziere, wo ich das einsetzen kann. Ja, genau.

Und dann sind wir, wie am Anfang gesprochen, eben auch wieder bei den Menschen. Also ein Unternehmen ist halt nur dann ready, wenn die Belegschaft eben auch ready ist, die entsprechend geschult wird, weiterentwickelt wird, ans Thema herangeführt wird und so weiter. Ja, wenn man so jemanden geschult ist oder auch so einen kleinen Ambassador intern hätte, du hattest im Vorgespräch über so ein Drei-Schritt-Modell gesprochen, das du oder ihr nutzt, um so ein KI-Projekt abzubauen. Ja, hoffentlich erfolgreich aufzusetzen. Vielleicht kannst du da mal ein bisschen reinspringen und deinen Ansatz erklären, vielleicht so ein bisschen als Learning, falls jemand zuhört, der selber intern mal probieren möchte, so ein Projekt zu platzieren, zu evaluieren und dann hoffentlich auch zu skalieren, ne?

Ja, sehr gern. Also die drei Schritte sind im Prinzip das erste. Der erste Schritt ist die Identifikation von Workflows und Prozessen. Der zweite Schritt ist dann eine Kategorisierung dieser Workflows mit dem Ziel quasi eine Priorisierung zu bekommen. mit welchem Prozess ich zum Beispiel anfangen möchte oder welche schnell umsetzbar sind.

Und der dritte Schritt ist dann halt die Umsetzung und Evaluation und eben dann die Iteration aus dem Learning eben heraus, also mit Feedbacks und dergleichen und Messkennzahlen und sowas. Genau, und im ersten Schritt, die Methodik gibt es auch schon seit 100 Jahren, glaube ich, das ist das sogenannte Service Blueprinting. Das heißt, ich schaue mir einfach an in meinem Unternehmen, welche Prozesse habe ich da? Das kann man dann bei so einem Blueprint auf zwei Achsen darstellen. Die eine Achse sind quasi die verschiedenen Unternehmensbereiche, Abteilungen, Stabsstellen, Prozesse.

Was auch immer. Und das andere sind dann eben die Artefakte auf der X-Achse zum Beispiel. Und dann kann man sich ja eben aufmalen, wo liegt welches Artefakt, wie entwickelt sich das weiter. Und dann kann man daran zum Beispiel schnell erkennen, wo passieren die meisten Fehler. wo verbringe ich am meisten Zeit, wo entstehen die höchsten Kosten.

Und dann hat quasi jede Kante zwischen meinen Prozessschritten, bekommt dann quasi ein Gewicht und dann kann ich mir entlang meiner vielen Prozesse eben angucken, wo die teuer sind, wo viele Fehler entstehen, wo viel Zeit gebraucht wird, wo viele Abstimmungen entstehen und so weiter. Und dann kann ich mir das für theoretisch beliebig viele Prozesse eben überlegen. Und dann habe ich eben eine große Ansammlung von Themen, die ich angehen kann. Da kommt dann eben der Schritt 2, weil das größte Problem ist ja immer, wenn man anfängt und irgendetwas tut, dann freuen sich alle. Der Chef freut sich, ja, wir sind weit vorne mit dabei.

Der Herr Meier, der macht hier was mit KI, ganz toll. Und dann wird da was gemacht und dann kommt am Ende etwas raus und alle sind enttäuscht, weil es halt jetzt kein Return on Invest generiert. Der Mitarbeiter ist aber ganz stolz, weil er halt dieses Leuchtturmprojekt geschaffen hat und dann clasht das irgendwo und dann geht es nicht weiter. Deswegen ist eben sehr, sehr wichtig, sich da sehr früh darauf zu fokussieren, eben auch bei diesen Prozessmodellen, wo kann das Unternehmen direkt eben einen Nutzen draus ziehen. Also Effizienz oder dergleichen sind ja die üblichen Metriken dort.

Und um diese Quick Wins zu finden, gibt es eben diesen Schritt 2. Und das basiert eben auf der Matrix vom Professor Andy Wu, also von der Harvard Business School. Der hat die erfunden, sage ich jetzt mal. Die hat auch zwei Achsen. Die eine Achse ist eben der Grad der Strukturiertheit meiner Daten, also hochstrukturiert Data Lake abgelegt versus...

Die ist im Kopf von Menschen drin, also wirklich überhaupt nicht abgelegt. Und die Y-Achse und die X-Achse ist dann eben die Fehlerkosten. Also tatsächlich so, wie schlimm ist das eigentlich, wenn ein Fehler passiert? und auch sowas ist eine sehr untypische Denkart für Deutschland, glaube ich, aber sich halt zu überlegen, okay, womit kann ich anfangen, wo ist der Kost, wenn was schief geht, dann sind die Kosten gering, ja gut, dann sei es so und wenn man diese Matrizen was die Matrix dann hat und dann zum Beispiel sagt, naja, hochstrukturierte Daten und geringe Fehlerkosten, dann ist das quasi der Quick-Win. Also da kann ich sofort beginnen, das setze ich sofort um, komplett KI-gestützt und dann kann ich sehr schnell eben auch ein Win generieren und vermutlich eben auch ein Return on Invest.

Und das andere Extrem ist dann eben zu sagen, naja, ich habe jetzt nur Expertenwissen, tiefes Branchenwissen in meinem Kopf und die Fehlerkosten sind extrem hoch, wenn dieser Experte einen Fehler macht. Naja gut, dann gebe ich aber diesem Experten eben KI an die Hand, weil das sagen ja auch wieder andere Studien, dass wenn Experten KI-Modelle zur Verfügung haben, werden die halt bis zu 40 Prozent effizienter, also effizienter. Profis in solchen Umfängen. Das heißt, und die anderen Felder sind dann eben entsprechend ähnlich. Das lässt sich dann in dieser Matrix auch nachschauen.

Aber das sind so die beiden größten Hebel. Also die Profis stärken oder die Experten stärken oder diese Low Hanging Fruits, die Quick Wins, die mit oft strukturierten Daten basieren und keine Fehlerkosten entstehen, die dann einfach schnell oder eben mal umzusetzen, dann Iterationen, Feedbacks zu fahren und so weiter und dann halt eben auch Anpassungen machen. Und so geht man dann Schritt für Schritt durch, durch die verschiedenen Sektoren in der Matrix, bis man alle seine Blueprints, die man gesammelt hat, abgearbeitet hat. Und dann ist man eine 100% KI-Company eines Tages. Hoch automatisiert, keine Leute mehr.

Eben nicht, eben nicht. Dann gibt es eben nur noch ganz viele Experten, die dann viel größere... viel mehr Output haben, viel effizienter sind, viel besser sind in dem, was sie tun, dann, ja, genau. Glaubst du, dass so viel Automatisierung von diesen Quickmins und vielleicht auch mit der Zeit immer mehr den, der Hebel verschiebt sich ja wahrscheinlich oder die Marge verschiebt sich immer weiter Richtung und Experte wahrscheinlich mit der Zeit, weil weniger Fehler gemacht werden durch KI. Glaubst du, dass dieses hochgradige Automatisieren irgendwie so ein bisschen die Kreativität aus dem Output, aus der Branche irgendwie so ein bisschen raushebelt und dann irgendwann nur noch so einheitsfrei bei allen Zeitungen rauskommt?

Oder bei allen Medienhäusern vom Content her? Ja und nein. Die Frage ist ein bisschen, wie man sich dem Thema nähert. Also wenn man jetzt sagt, okay, so aus Wertschöpfungssicht, wenn alle das gleiche LLM einsetzen und alle Chat-GPT nutzen, dann ist es so, wie du sagst, dann werden alle die gleichen und sehr ähnlichen Ergebnisse haben. Und dann wird es sehr austauschbar, langweilig, die Marken sterben und alles ist irrelevant geworden.

Das ist nicht so der Punkt, an dem ich arbeite oder glaube, denn ich bin da sehr überzeugt davon, dass man eben Menschen, die tolle Geschichten erzählen, Menschen, die investigativ arbeiten, dass man die einfach auch viel besser unterstützen kann, auch in ihrer Schöpfungstiefe, in ihrer Effizienz, dass dort eben viel mehr, auch verschiedene Sichtweisen stattfinden können und dann darf man eben nicht mit dem arbeiten, mit dem alle anderen arbeiten, sondern eben seine eigenen Werkzeuge muss man zum Einsatz bringen. Und das ist auch so der Grund, warum diese Data Lakes so extrem wichtig sind, weil darüber kann ich dann eben echte Wertabschöpfung erzielen. also Abschöpfung betreiben. Das heißt, ich habe meine eigenen Daten, die ich selbst monetarisiere, meine eigenen Vorteile gegenüber der Konkurrenz, weil wenn meine Konkurrenz nur Chat-GPT einsetzt, ich aber meine eigenen trainierten Modelle habe mit meinen eigenen Daten, mit meinen eigenen Erkenntnissen, mit meinen eigenen Marktvorteilen, dann kann ich ja meinen eigenen Leuten und Kreativen auch viel mehr Mittel an die Hand geben, um noch besseres zu arbeiten. Weil das ist ja auch das Diese Aussage, die folge ich auch, dass ein LLM tatsächlich nichts Neues erfinden kann, weil es halt auch statistisch nur das zur Verfügung hat, was bisher erdacht oder ersponnen wurde.

Das heißt, wahre Innovation oder Kreativität wird da nicht rauskommen, sondern es ist am Ende des Tages aktuell zumindest noch eine Form des menschlichen Geistes. Und den eben zu verbessern, zu erweitern, mehr Werkzeuge zur Hand zu geben. Ich glaube, Steve Jobs hat gesagt, dass ein Computer wie ein Fahrrad für den Geist ist. irgendwie sowas. Vielleicht finden wir hier eine ähnliche Metapher in der Zukunft.

Wäre auf jeden Fall cool, wenn das so in die Geschichtsbücher eingehen würde. Tatsächlich hast du ja jetzt schon ein, zweimal oder auch mehrfach das Wort Data Lakes, beziehungsweise einfach auch die Relevanz von Daten benannt, sozusagen im Vorgespräch hattest du gesagt, dass du eigentlich daran glaubst, dass es in Zukunft nur noch Datenströme geben wird, die man sozusagen abonnieren kann. Also es gibt gar kein fertiges Endprodukt sozusagen mehr, sondern es gibt welche Ja, Gerätschaften, wie das dann aussieht, ist natürlich im nächsten Schritt dann egal, aber mit denen man irgendwelche Datenströme abonniert, anstelle von fertigen Produkten sozusagen, subscribt oder sich bei irgendwelchen fertigen Medienhäusern dann ins Abo reinzieht. Kannst du vielleicht da ein bisschen noch was darüber erzählen? Das finde ich sehr, sehr spannend.

Ja, sehr gern. Genau, also meine Beobachtung ist, dass wir aktuell, also abseits von Mieser Apple Intelligence, die Möglichkeit haben, auf unseren Endgeräten LLMs laufen zu lassen und das wird in zehn Jahren sicherlich deutlich besser sein. Die zweite Beobachtung ist, dass wir durch LLMs in der Lage sind, uns eben Content individual zu generieren, also sei es Podcasts wie mit Notebooks LM, sei es Geschichten, die textbasiert sind, Videos etc. Das gibt es ja alles quasi schon in Einzelstücken. Und selbst OpenAI sagt jetzt, wir machen jetzt ein Social Network mit LLMs, die einfach nur den Content produzieren, den wir dann konsumieren.

Und ich glaube, in zehn Jahren wird sich das alles dann eben so zuspitzen, dass die Endgeräte eben das Format wiedergeben und Medienhäuser Datenströme zur Verfügung stellen, die so eine Art Gedankengänge, Line of Thought, Storytelling repräsentieren. Das heißt, es wird irgendeine Form von verrücktem Datenformat sein und Journalisten und Redakteurinnen werden ihre Gedanken vermitteln. Ihre Idee für eine Geschichte, einen Ablauf von Punkten dementsprechend aufbereiten. Sie werden das alles sehr modular machen müssen, also dass halt diese Zusammenhänge in kleinen Modulen quasi klar wird, dass sich daraus Storylines ergeben. Und durch diese Module habe ich dann eben die Chance, auch ganz viele andere, weitere Geschichten dazu zu kombinieren und die Geschichten miteinander zu vernetzen, ineinander übergehen zu lassen.

Das heißt, man hat dann nicht nur einen Datenstrom zu einer Geschichte, zu einer Story, zu einem Zusammenhang irgendwie, sondern man kann dann eben sagen, na ja gut, dann nehme ich jetzt noch einen weiteren Datenstrom dazu mit zusätzlichen Informationen, was ja dann diese Geschichte wieder wertvoller macht. Und also die Geschichten werden bleiben, bleiben müssen, die Stories werden bleiben, die Recherchen werden bleiben und die Distribution wird sich dann eben verändern, aber eben auch die Geschäftsmodelle. Weil ich kann ja dann zum Beispiel sagen, okay, du abonnierst jetzt diesen Datenstrom dieses Medienhauses zu einem Abo-Preis beispielsweise und auf deinem Endgerät entscheidest du dann je nach Tagessituation, wie dein Gerät diesen Datenstrom aufbereiten soll. Also. Bist du im Zug vielleicht unterwegs, dann willst du das eher als Audio haben.

Willst du das im autonom fahrenden Auto haben, vielleicht als Video, dass das dann ausgespielt wird und so weiter. Das entscheidet mein Endgerät und der Datenstrom beinhaltet einfach die Geschichte, also die ursprüngliche Geschichte. Dann kann ich aber als Medienhaus auch sagen, naja, willst du nicht noch diesen Datenstrom dazu? Weil das ist eine relevante Geschichte, die kann ich dir mit dazugeben. Das heißt, du machst dann so ein Upselling on Demand zu dem Datenstrom.

Ja. Oder du gehst in die Kooperation mit anderen Medienhäusern und man kombiniert verschiedene Blickweisen auf etwas oder reichert es halt stufenweise an. Also vielleicht gibt es ja Geschichten, die auf lokale Wetterdaten noch interessanter werden, weil man das irgendwie nacherleben will. Und so weiter. Also dadurch, dass Datenströme dann so austauschbar sind, sage ich jetzt mal, lässt sich darüber dann viel schnell viel mehr Module vernetzen, kombinieren und dann eben sagen, naja, wir machen dir das ultra-customized Aufbereitung verschiedenster Geschichten.

auf verschiedensten Kanälen, in verschiedensten Formaten, genauso wie du das möchtest. Und dafür werden dann Nutzer eben auch bereit sein, entsprechend zu bezahlen. Ja, ich finde das sehr spannend, weil auf einer technischen Ebene ist das ja so ein bisschen RSS-Feeds auf richtig extrem modern. Das finde ich ganz cool, wenn man wieder zurückschaut, von wegen damals war das ja... Das Shit sozusagen, um das obszön zu sagen.

Aber wenn man das so überlegt, wie du das gesagt hast, weniger technisch, als du das jetzt erklärt hast, sondern ein bisschen so oberflächlicher, hat das tatsächlich auch Matthias Döpfner in seinem Podcast im OMR mit Philipp gesagt. das haben wir ja gesagt, tatsächlich, dass auch, dass er nicht daran glaubt, dass einzelne Formate das Ding sind und es nicht nur Text, es ist nicht nur Bild, es ist nicht nur Video, sondern irgendwie, es ist nicht nur Audio, sondern irgendwie wird es was geben, wo die Person selber entscheiden kann, in welcher Art und Weise möchte ich diese Information oder diese Neuigkeit, die dieses Entertainment konsumieren. Also ich gehe nicht hin und sage, das hat der Journalist oder Journalistin als Text geschrieben, liest das als Text, sondern wie du sagst, das ist irgendein Format, vielleicht irgendein Meta-Format, was dann rausgeht und dann je nach Präferenz von Nutzer und Nutzerinnen, deswegen finde ich das auch so interessant, was du gesagt hast mit diesen Progressive UIs, weil da könnte man das sozusagen auch teilweise mit reinnehmen. So wenn die Person eigentlich nur Bilder anguckt oder nur Videos guckt, ist ja egal. Also das ist ja nicht, besser oder schlechter, es ist nur ein anderer Weg, Dinge zu konsumieren.

Finde ich einen sehr, sehr schönen Ausblick, sehr, sehr schönen Ansatz. Ja, cool. Finde ich echt ein cooles Konzept. Technisch gesehen natürlich auch, aber von dem als Konsument wäre mir das echt recht. Also würde ich das sehr, sehr gerne haben.

Ja, dann hoffen wir mal, dass in zehn Jahren dann entsprechend die Welt sich, naja, wobei, es passiert ja eigentlich schon alles. Es ist ja nicht so, dass wir diese ersten Schritte nicht schon sehen würden. Da ist halt nur die Frage, wie man sich darauf einstellen will, eben als Medienhaus in verschiedenen Schritten auch auf dem Weg dahin oder ob man das halt auch gar nicht glaubt, was ja auch fein ist, das ist ja jetzt nur meine Einschätzung. Aber so oder so. Und die ist auch sehr technisch geprägt, wie du richtig gesagt hast.

Aber anscheinend auch überhaupt nicht innovativ, wenn man das mit RSS-Feeds gleichsetzen kann. Das fand ich ein sehr gutes Bild auf jeden Fall und du hast auch sehr recht. Aber dann ist es vielleicht auch wieder ein Qualitätsmerkmal, weil gute Ideen ja immer wieder kommen. Absolut, absolut. Vielleicht mit Blick auf die Zeit noch eine letzte Frage, ein letztes Ding.

Wenn du jetzt, wir haben vorher schon mal ein bisschen darüber gesprochen, was du so für einen Tipp hast für Leute im Verlag, was wäre jetzt so dein Ratschlag aus deiner Brille für Medienunternehmen, die vielleicht noch nicht so weit sind oder noch zögern, jetzt zu machen oder jetzt mit was soll man sich jetzt beschäftigen, um ein bisschen ins Rollen zu kommen? Ja, Das ist schwierig generell zu sagen, weil ja jedes Haus da auch anders ist. Also generell würde ich sagen, dem Thema sich nähern, loslegen, ein Use Case, ein Projekt, ein Pilotprojekt irgendwie in acht Wochen oder so. einfach mal ausprobieren, wie weit man kommt. Sei es halt einfach die Klassifizierung seiner Nutzungsgruppen, wie die sich verhalten, was die so ausmacht und sich dann für die vielleicht im zweiten Schritt dann Angebote überlegen.

Das ist ein low-hanging Thema, denke ich mal. Aber das Entscheidende ist nicht so genau, also natürlich... Ich glaube, das Entscheidende ist nicht, sich jetzt einen Use Case, genau einen Use Case herauszupicken und das muss der richtige sein, sondern mit einem Use Case eben ins Laufen und ins Machen zu kommen. Und ich glaube, wenn man in so einem Projektteam die richtigen Leute drin hat, dann werden die da auch ihren Spaß dran entwickeln, über sich hinaus wachsen und echt coole Sachen abliefern. Und wenn der Use Case noch irgendwie mit dem Return on Invest oder den Kennzahlen zu tun hat, dann wird auch das Management super happy sein.

Und über diese Kombination aus einem motivierten Team und einer guten Rahmensetzung, sage ich jetzt mal, da wird sich, glaube ich, in acht Wochen dann eben auch schnell Magie zeigen und ein perfekter Sturm entwickeln. Und darüber wird sich das dann weiter enttragen im Haus und man wird immer mehr Dinge ausprobieren. ich glaube, nicht so viel darüber nachdenken, einfach machen. In dem Sinne, da ist gar nichts zuzufügen. Vielen Dank für die Zeit, Robert.

Hat mir echt sehr viel Spaß gemacht, auch mal ein bisschen technischer über ein paar Sachen zu sprechen. War sehr cool. Vielleicht können wir dann in einem Jahr oder so nochmal Vollart machen, was jetzt genau passiert ist, was wahr geworden ist, ob es die RSS-Feeds auf Steroid schon gibt. Oder halt auch nicht. Danke dir.

Danke dir. Würde mich sehr freuen für das Catch-Up in einem Jahr und hat auch viel Spaß gemacht. Dankeschön. Dann hören wir uns. Bis dann, Robert.

Bis dann. Ciao, ciao. Dieser Podcast wird produziert von der Explo GmbH. Wenn auch du neue Zielgruppen über digitale Produkte binden und deine Content-Produktions-Workflows automatisieren willst, dann kontaktiere mich auf LinkedIn oder vereinbare eine unverbindliche Demo direkt auf unserer Website explo-gmbh.de. Wir sehen uns in der nächsten Folge.

Vielen Dank.