#059 | KI und Big Data im Bau - Dr. Alexander Hoffmann CEO, Stathmath

00:00:00: Moin aus Hamburg und Siegen und herzlich Willkommen zu unserem Podcast für die

00:00:12: Bauenindustrie Zukunft Bauen, dem Zukunftspodcast für alle, die sich für die Zukunft von Bauen

00:00:19: und Leben interessieren. Wir sind Martin und Christian und wir werfen in diesem Podcast einen

00:00:25: Blick auf die Zukunftsentwicklungen von Branche, Technologie und Lebenswelt. Es wird dabei um die

00:00:32: Veränderung der Baubranche gehen und darum, was dies für uns und für die Unternehmen der Branche

00:00:38: bedeutet. Herzlich willkommen liebe Hörerinnen, liebe Hörer. In der heutigen Folge haben Martin und

00:00:44: ich Dr. Alexander Hoffmann zu Gast. Er ist einer der Gründer von StadtMatt, einem Unternehmen,

00:00:50: das mit Hilfe von künstlicher Intelligenz, Datenschätze in Unternehmen heben möchte und

00:00:57: sie wirtschaftlich nutzbar machen kann. Das macht er mit seinem Team bereits seit über 10 Jahren

00:01:04: und wir sind gespannt, wie uns diese Technologie und dieses Know-how auch in der Bauenindustrie helfen

00:01:10: können. Springen wir rein in diese spannende Thematik und dieses Gespräch. Herzlich Willkommen,

00:01:15: Alex. Hallo Martin. Ja, hallo Alex, auch von meiner Seite herzlich willkommen bei uns. Danke Christian

00:01:20: für die anderen Worte. Ich freue mich auf unser Gespräch. Alex, wir wollen unseren Hörern mal

00:01:26: nahe bringen, wer du bist und warum du heute hier bist und vor allen Dingen was unsere Hörer davon

00:01:32: haben, dass du heute hier bist. Wir wissen das ja schon. Wir haben dich eingeladen, weil du dich

00:01:37: mit KI, mit Daten, mit Big Data auskennst und wir wollen heute mal durchleuchten, wie kommt man

00:01:45: zu dem Thema, was ist das jetzt für ein Unternehmen, das du daraus gemacht hast und was tut dieses

00:01:51: Unternehmen für andere Unternehmen? Ja, danke für die Einladung. Also mein Name ist Alexander

00:01:59: Hoffmann. Ich habe während meinem Mathematikstudium oder der Promotion 2009 bis 2011 die Stadtmatk GmbH

00:02:06: gegründet, zusammen mit meinem Kompagnon Christian Friedrich, auch Mathematiker und wir hatten

00:02:12: damals schon den Ansatz oder die Idee mit Algorithmen, Datenauswertungen, Datenschätzten, die überall

00:02:17: rumliegen, anderen Unternehmen zu helfen. Das war noch nicht sehr spezifisch. Es gab auch 2011

00:02:22: noch nicht den Hype um Data Science, Big Data, das kam erst so 2014, 2015, 2016, kann man sich

00:02:28: schon auf Google Trends ansehen. Wir haben uns mit manigfaltigen verschiedensten Themen beschäftigt,

00:02:33: seien es Daten aus der Bankenwelt, aus dem Energiehandel. Und dann sind wir irgendwann über eine

00:02:40: längere Reise, so 2014, 2015, bei Sensordaten hängen geblieben und bei ERP in unseren SAP-Daten. Und

00:02:49: wir machen sehr strukturiert, bilden wir Produkte für diese Bereiche. Also einmal auf der Shopfloor-Ebene,

00:02:55: in der Produktion, im verarbeitenden Gewerbe. Geht es darum, Equipment zu überwachen, das sind die

00:03:01: Pumpen, die Generatoren, die Lüfter, was auch immer, alles was ich irgendwie so in meinem

00:03:08: Produktionsbetrieb habe. Und es geht darum, Stillstände frühzeitig zu erkennen und zu vermeiden.

00:03:14: Das macht man eben mit Hilfe von Sensordaten plus gescheiten Algorithmen, gepackt in eine Software,

00:03:19: die auch skalieren kann, damit man das Ganze auch ordentlich ausrollen kann. Und dann auf der Topfloor-Ebene,

00:03:25: auf der SAP-Ebene beschäftigen wir uns mit Produktionsplanungen, Optimierung von Produktionsplanung,

00:03:31: gerade ein ganz wichtiges Thema bei gestörten Lieferketten, die wir ja seit zwei, drei Jahren haben,

00:03:36: bis hin zu Absatzmengenplanungen. Also das sind so die Themen. Wie produziere ich, was muss ich

00:03:43: produzieren, ist die eine Frage. Und dann verhindern, dass die Produktion gestört wird, ist die andere

00:03:49: Frage. Das sind so die Themen aus dem noch nicht Baubereich, aber vielleicht können wir heute

00:03:53: ja ein bisschen gemeinsam überlegen, wie man da so den Übertrag schaffen kann.

00:03:57: Alex, hast du vielleicht mal ein ganz konkretes Beispiel aus bisherigen Projekten, wo

00:04:03: ihr ein Problem gelöst habt oder vielleicht verhindert habt, dass ein Problem aufkommt,

00:04:07: damit die Hörer und Hörer so fassen können, was das an einem konkreten Beispiel genau bedeutet?

00:04:12: Ich mache mal an zwei Beispielen fest. Bleiben wir mal unten in der Produktion. Wir haben beispielsweise

00:04:20: für die Halbleiterindustrie uns erst mal prototypisch, das fing vor zwei Jahren an, mit den

00:04:27: Vakumpumpen beschäftigt. Wer so aus der Halbleiterindustrie kommt, der weiß die Vakumpumpen. Das

00:04:31: ist die Achillesverse. Wenn die ausfallen, dann fällt der Rheinraum aus und dann ist die Wäfer

00:04:36: Produktion kaputt. Die Vakumpumpen selber, die kostet vielleicht 5-10.000 Dollar, aber so eine

00:04:43: Schage, die ausfällt, da bin ich im Bereich von so 500.000 bis eine Million Dollar, die ich dann habe,

00:04:50: weil meine Vakumpumpen ausgefallen sind. Und dort haben wir erst exemplarisch an 20 Vakumpumpen

00:04:55: das Ganze exploriert. Haben gesehen, okay, die Algorithmen können tatsächlich Tage vorher schon

00:05:01: an Normalien erkennen und sind dann in den Rollout gegangen, weil wenn man sich so Halbleiterindustrie

00:05:07: anschaut, ein Produktionsplan plant hat tatsächlich etwas wie 5-10.000 Pumpen. Also das ist so das

00:05:15: Beispiel, man startet im Kleinen, erkennt was ist ein wiederkehrendes Problem und versucht das dann

00:05:20: eben über Software vernünftig auszurollen. Anderes sehr greifbares Beispiel ist die Überwachung von

00:05:26: Förderbändern in der Logistik. Dort nimmt man Schwingungssensoren an den verschiedenen Motoren.

00:05:33: Solche Förderbänder sind die Achillesferse in der Logistik, gerade im Retailerbereich. Also

00:05:38: namhafte Verkäufer von Schuhen oder anderen Online Stores brauchen das. Wenn die Förderbänder stillstehen,

00:05:46: habe ich ein Problem und das lösen wir da zum Beispiel mit Schwingungssensorik plus die

00:05:52: entsprechenden Algorithmen. Und auf der Planungsebene mal ganz greifbares Beispiel, wenn man in der

00:06:01: Linienfertigung eine Entscheidung treffen muss, wie man seine zehn Produkte in der richtigen

00:06:05: Reihenfolge produziert, damit der Kunde pünktlich das Produkt hat und man die Rüstzeiten minimiert,

00:06:11: dann hat man an Landeschön 3,6 Millionen Möglichkeiten. Das sind auch Themen, die wir immer

00:06:16: wieder haben, entweder in der Linienfertigung oder sogar noch komplexere Abhängigkeiten. Da

00:06:20: habe ich dann Milliarden von Möglichkeiten und hier ist klar, dass ein Mensch alleine ohne Algorithmen

00:06:25: mit einer sehr niedrigen Wahrscheinlichkeit die beste Entscheidung trifft und falls er die treffen

00:06:30: kann, braucht er wahrscheinlich sehr lange, um das zu tun und dann kommt am nächsten Tag,

00:06:34: nachdem er seine zwei Wochenplanung gemacht hat, die Information, dass ein gewisses Produkt

00:06:40: wieder mal nicht lieferbar ist, ein Vorprodukt und dann muss er sein zwei Wochenplan überhaupt

00:06:43: auf den Haufen werfen und wieder neu planen und hat wieder diese Millionen bis Milliarden von

00:06:47: potentiellen Möglichkeiten. Du beschreibst ja hier auch eine Situation, die in der industriellen

00:06:56: Fertigung hier und da noch etwas vorhersehbarer ist. Wenn ich mir jetzt die Baustelle vorstelle,

00:07:01: dann wird glaube ich Martin bei vielen aus der Baubranche hier der Kopf gerade geklingelt haben.

00:07:06: Die werden sagen, ja das Problem kenne ich auch. Ich habe etwas vor, ich habe einen Plan und fünf

00:07:11: Minuten später ist dieser Plan in bestimmten Teilen oder auch komplett zerlegt und dann bin

00:07:18: ich auf meine Erfahrung mein Bauchgefühl und die knappen Daten, die ich möglicherweise habe

00:07:24: angewiesen. Das heißt also das Problem können wir glaube ich gut nachvollziehen in der Branche.

00:07:30: Wenn ich mir mal überlege, wo könnte man denn ansetzen in so einem ganz praktischen Fall,

00:07:35: wenn man jetzt so als mittelständischer Bauunternehmer sagt, Mensch wir akquirieren

00:07:40: Projekte, wir kalkulieren Projekte, wir bauen Projekte, wir betreuen vielleicht auch am Ende

00:07:47: über die Lebenszeit hinweg das eine oder andere Objekt, das wir gebaut haben. Wie könnte man

00:07:53: ran gehen, Alex? Wie geht ihr in den Branchen, in denen ihr bisher arbeitet daran? Wir haben die

00:08:00: Erfahrung gemacht, vielleicht bevor du reinstimmst, die Erfahrung gemacht. Nicht jede gute Idee stößt

00:08:04: ja gleich auf Begeisterung bei denen, denen sie auch tatsächlich helfen wird. Da fängt sehr oft an,

00:08:09: wie begeister ich Leute dafür zu sagen, Mensch ich versuche das mal, ich gehe da mal ran.

00:08:14: Also der Treibstoff eines jeden Algorithmus sind Daten, das heißt ich brauche auf jeden Fall

00:08:23: eine Menge Daten für meine Ideen, die ich vielleicht auch in der Baubranche habe. Es könnte

00:08:28: man hergehen und macht das direkt vernünftig in ein operatives System. Dann muss ich aber sehr,

00:08:34: sehr viel Energie aufwenden, dass alle möglichen Daten voll automatisch und immer wieder in der

00:08:39: gleichen Qualität in einem gegebenen System landen. Das ist nicht sehr empfehlenswert,

00:08:45: weil man verwendet eine Menge Geld darin, sich um diese IT-Infrastruktur zu kümmern und weiß noch

00:08:50: gar nicht, was es bringt. Also das was wir empfehlen und auch im Feld machen, falls es noch nicht die

00:08:55: Datenqualität gibt, die wir haben wollen, ist, dass man erst mal prototypisch für eine kleine

00:09:00: Applikation oder ein Teilbereich solche Ideen exploriert. Also ich habe, was weiß ich,

00:09:05: Kalkulationsdaten der letzten zwei, drei Jahre in gewissen proprieteren Systemen. Dann würde es

00:09:13: ja schon ausreichen, wenn man sagt, kann so eine KI vielleicht solche Planungen erkennen und ähnliche

00:09:19: Bauprojekte in der Zukunft kalkulieren. Also ich bin jetzt mal so ein bisschen rum. Dann würde es

00:09:23: reichen, wenn man prototypisch diese Daten mal extrahiert und überhaupt mal ein Data Science

00:09:29: TIS sich das Ganze anschaut und versucht ExPost einfach so einen Algorithmus darauf loszulassen.

00:09:36: Also das sind eigentlich so die Erfahrungen, die man machen sollte klein und schnell und

00:09:41: kostengünstig starten. Und wenn man weiß, ich habe hier Muster und Strukturen in meinen Daten,

00:09:47: die meine Idee, meinen Schmerz, den ich habe irgendwie lösen kann, dann würde ich mich aber

00:09:51: im Großen um das Thema kümmern. Wie kann ich da ein operatives System daraus schaffen,

00:09:56: dass die Daten, die ich benötige, in Zukunft vollautomatisch in meine Prozesse einfließen.

00:10:00: Also da habe ich einen sehr, sehr großen Aufwand zu betreiben. Deswegen würde ich immer klein

00:10:06: und mit, sagen wir mal, eher einer individuellen Datenerhebung starten, damit man das schon,

00:10:12: damit man da schon sieht, was da so an Musik drin steckt. Alex, du hast jetzt,

00:10:17: glaube ich, auch absichtlich gesagt, ich bin mal ein bisschen rum, als du gesagt hast,

00:10:20: vielleicht kann die KI dann irgendwann das Baubrech kalkulieren, weil ich sehe schon,

00:10:23: als du das gesagt hast, den einen oder anderen Hörer, der sagt, nie im Leben, da steckt so viel

00:10:28: Ingenuity und Nervosities in der Hau hinter so individuelle Produkte und so weiter und so fort.

00:10:32: Aber ich will da mal ansetzen, man muss ja vielleicht nicht im ersten Wurf den Anspruch haben,

00:10:38: dass mir die KI vollautomatisch ein gesamtes Projekt kalkuliert, sondern dass ich vielleicht

00:10:43: mittels Datenanalyse es schaffe, das, was ich händig kalkuliere, zu verifizieren oder große

00:10:52: Fehler aufzudecken oder vielleicht einfach mal zu identifizieren, welches sind denn die Punkte,

00:10:58: an denen wir am häufigsten Fehler gemacht haben in der Kalkulation. Also es muss ja nicht sein,

00:11:04: dass die KI jetzt den Kalkulator ersetzt, aber dass die KI hilft, gerade auf der Führungsebene dann,

00:11:09: wie das in den unterschiedlichen Unternehmen auch heißt, Preisabstimmungsgespräch,

00:11:13: Preiskommission, Preisfindungsgespräch, dass man da weg kommt von diesem, der Chef kennt den Markt

00:11:20: und deswegen hat er das Bauchgefühl, wir müssen noch 3% runter mit dem Preis oder wir sind im

00:11:25: Ausbau noch zu teuer, aber im Rohbau ist das Angebot zu günstig. Also da, ich habe immer dieses Bild

00:11:32: vor Augen, aus einem Bauunternehmen, wo ein Kalkulator mal gesagt hat, wo der gefragt,

00:11:38: was glaubst du, wie viel kostet das Projekt, was wir kalkulieren müssen, wir müssen uns in eine

00:11:41: Liste eintragen, er hat scherzhaft die Ausschreibungsunterlagen ausgedruckt, so mit der Hand als ob er sie wiegt

00:11:46: und gesagt, ja, ich glaube 1,6 Millionen. Das ist natürlich absichtlich scherzhaft dargestellt,

00:11:51: aber so die Tendenz ist ja schon da, dass wir doch einiges auch auf Basis der guten Erfahrung,

00:11:57: der guten Leute machen, aber da steckt natürlich auch immer so ein Tickenbauchgefühl, gerade weil

00:12:02: sich total ändern und Voraussetzungen jetzt in den letzten 2-3 Jahren. Also da war ja keiner mehr

00:12:06: in der Lage, einen Rohbaupreis, wo es auf einen Stahlpreis zum Beispiel ankommt, aus Erfahrungswerten

00:12:13: herauszuschätzen. Also deswegen mir geht es darum, dass man auch diese Erkenntnis bekommt. Man muss

00:12:20: jetzt nicht alles umschubsen mit der Thematik, aber man kann an ganz vielen Stellen unterstützen

00:12:24: und große Fehler vielleicht auch verhindern. Also erstmal du hast eins angesprochen, was glaube

00:12:31: ich ganz wichtig ist Richtung Akzeptanz. Ich habe da eine große psychologische Komponente. Also wenn es um

00:12:37: KI-Systeme geht, reden wir nur von Assistenzsystemen, unterstützenden Systemen. Das sind keine ersetzenden

00:12:44: Systeme von Arbeitsplätzen in der Planung, Kalkulation, Überwachung, Entstandhaltung,

00:12:51: was auch immer ich für Themen habe. Das können nur Assistenzsysteme sein, aber man muss ja überlegen,

00:12:58: wenn wir jetzt bleiben wir mal bei dem Kalkulationsprojekt. Ich bin jetzt nicht in eurer Branche,

00:13:03: aber es wird ja mit Sicherheit in den historischen Daten, also historischen Projekten, Merkmale geben,

00:13:09: kategorielle oder auch metrische Merkmale, wo man Höhen, Breiten, Protogeschossflächen,

00:13:15: was auch immer, hat. Also da seid ihr ja im Thema. Ich werde auf jeden Fall standardisierte Merkmale

00:13:20: haben für jedes Projekt. Und wenn ich dann auch noch, sagen wir mal, dass die geschätzten Aufwände

00:13:25: habe und das, was ich immer brauche, zum Trainieren, die tatsächlichen Aufwände, dann kann ich einen

00:13:32: permanenten Solistabgleich, den ich machen könnte. Also ich habe Merkmale und die KI versucht eben zu

00:13:38: trainieren, finde ich Muster und Strukturen oder finde ich ein Regelwerk, wie ich diese tatsächlich

00:13:43: angefallenen Kosten ermitteln kann oder nicht. Und das Schöne ist an solchen Algorithmen, das hat

00:13:49: nichts mit Magie zu tun, das ist handfestes Handwerk. Und ich bekomme immer ein Erfolgsgrad mit,

00:13:55: also man kommt vollautomatisch eine Messgröße. Wie gut kann ein Algorithmus neue Projekte dann

00:14:02: kalkulieren? Also welchen Fehler habe ich dabei? Bin ich irgendwie mit einer Unglaubigkeit von 5%

00:14:09: dabei oder 50%? Also bei 50% würde man sagen, okay, in diesem Datenschatz steckt tatsächlich

00:14:14: nichts drin, ist doch kein Schatz, ist auch eine Erkenntnis. Oder ich stelle fest, ich habe

00:14:18: in einer gewissen Präzision von 15, 15% kann ich schon mal sehr, sehr gut einen Algorithmus quasi

00:14:26: so einen Vorschlag machen lassen oder wie du gesagt hast, eine Überprüfung, ob so eine

00:14:30: Kalkulation überhaupt zutrifft. Wenn ich mal überlege, ist es aber ein bisschen so wie beim

00:14:35: Navigationssystem im Auto, wo ich sage, ich kenne den Weg, das ist die Erfahrung und jetzt habe

00:14:40: ich verschiedene Unterstützungen um mir alternative Routen unter Kriterien schneller, schöner, wie auch

00:14:47: immer Brücken mit fairen, mit Autobahn oder ohne ausgeben zu lassen. Ich kann aber selber noch

00:14:53: immer entscheiden, wenn ich aus dem Fenster schaue, was glaube ich denn, was jetzt die sinnvollste

00:14:59: Variante sein kann. Aber ich kann relativ gut vorhersagen auch, wie viel Zeit wird mich die

00:15:05: eine oder andere Variante kosten. Also ich glaube, das ist ein Alltagsbeispiel, wo wir schon ähnlich

00:15:10: handeln und das als hilfreich empfinden und ihr etwas komplexer und tiefergehend könnt mit den

00:15:18: Tools uns bei ganz anderen Tätigkeiten eben unterstützen, dass für uns unterschiedliche

00:15:23: Routen in einem Projekt, wenn man so will, dann entstehen können und wir einfach bessere

00:15:27: Entscheidungen treffen können und sagen können, der Mensch kann vielleicht auf 20 oder 25%

00:15:32: wenn er gut ist kommen, jemand, der nicht so gut erfahren ist, hat vielleicht 50% Toleranz und

00:15:38: die KI schafft 10 oder 15%, dann ist die Antwort, wie man da verfahren sollte, schon relativ klar.

00:15:46: Also auch gerade im Bereich der Produktionsplanung hast du eben gesagt, gibt es großen Hebel.

00:15:52: Also Produktionsplanung heißt bei uns im Bau eine Arbeitsvorbereitung. Du hast eben mal die 3,6

00:15:58: Millionen Varianten bei einer mit 10 Produkten bestückten Linienfertigung. Wir haben ja eine

00:16:04: sehr, sehr hohen Grad an vernetzten Prozessen, die auch ineinander verschoben werden können,

00:16:09: übereinander verschoben werden. Ich glaube, alleine das bietet sehr, sehr viel Potenzial,

00:16:13: auch in der Arbeitsvorbereitung zu unterstützen. Ja, da bin ich auch wieder bei meinem Rohstoffdaten.

00:16:18: Wenn wir jetzt im Planungsprozessen sind, dann brauche ich im Prinzip ein digitales Abbild

00:16:25: wirklich dieser Abhängigkeiten. Also ich muss einmal meine Ressourcen kennen, ich muss meine

00:16:29: Rohstoffe kennen, meine zur Verfügung stehenden Mitarbeiter, also Betriebskalender und dann

00:16:35: die Abhängigkeiten, durch welche Prozesse oder was ist mein Folgeprozess und was ist mein

00:16:40: Vorgängerprozess? In welcher Kette kann ich da durchgehen und wo ich einen richtigen Hebel habe,

00:16:47: ist, wenn ich Option habe, also wenn ich quasi 2, 3 an einen gewissen Prozess schritten, 2, 3

00:16:52: mögliche Option habe, da durchzugehen, weil ich eben 2, 3 mal die identische Maschine habe,

00:16:57: um das zu tun oder die Arbeitsplätze und dann habe ich natürlich, dann kann ich richtig schön

00:17:02: jonglieren oder den Algorithmus jonglieren lassen, wie kommen jetzt die gesamten Projekte-Themen,

00:17:08: Bauschritte da optimal durch und da sind wir auch wieder im Bereich der Assistenz, also man macht

00:17:15: dort auch einen Vorschlag, da sind wir sehr gut im Bereich der Simulation, die Planner bekommen

00:17:20: diesen Vorschlag und können den dann nochmal entsprechend etwas abändern, wenn sie wollen und

00:17:24: dann hat man sehr, sehr schnell eine sehr optimalen Plan und das ist ja auch was, was für die ganze

00:17:30: Industrie geht. Wir sind extrem effizient geworden, was einzelne Maschinauslassungen und so weiter

00:17:36: angeht. Wir versuchen jetzt nochmal Energie einzusparen in den einzelnen Komponenten. Man muss sich

00:17:41: überlegen, durch eine reine Planung, also durch eine Änderung von Reihenfolge kann ich nochmal

00:17:46: Wertschöpfung generieren oder effizienter werden und deswegen sollte man sich auf jeden Fall, wenn es

00:17:52: denn geht mit Beschäftigen. Die Grundlage ist natürlich immer eine saubere Datenstruktur und ich

00:17:58: denke, das ist die größte Hausaufgabe. Zumindest, also das gilt auch nicht jetzt nur speziell für den

00:18:02: Bau, das erleben wir eigentlich bei allen Kunden, auch bei Kunden, die schon lange ihre Systeme,

00:18:08: ihre SAP-Systeme pflegen und erstmal meinen, dass das alles gut ist. In dem Moment, wo ich versuche,

00:18:14: eine KI zu trainieren, kommen eigentlich alle Datenungereimtheiten erst richtig raus. Standdaten,

00:18:21: Pflege und so weiter. Also das sind wirklich die Kernprojekte, sind saubere Datenlandschaften immer.

00:18:27: Ich erinnere Martin ja auch an unser Gespräch mit Professor Bauer, der auch sagte, ja, Projekt

00:18:33: bezogen, bin ich auch bereit, die einen oder anderen Daten zur Verfügung zu stellen, aber entlang der

00:18:38: Wertschöpfungskette und gegenüber meinen Wettbewerbern, wo ich dann eben auch in dem einen oder anderen

00:18:43: Projekt zusammen arbeite, bin ich da an einer oder anderen Stelle noch skeptisch. Das muss man

00:18:47: regeln, das ist regelungsbedürftig. Das heißt, das was technisch notwendig oder auch machbar ist,

00:18:51: ist sicherlich in der Branche im Miteinander bisher nicht immer gelebte Praxis. Wir haben ja auch

00:18:56: oft gesprochen über mehr Nähe bei Planen und Bauen und alle diese Themen. Das heißt also,

00:19:03: wir müssen glaube ich auch um zu diesen sauberen Daten zu kommen, vorher überlegen, wie wollen wir

00:19:10: denn in Zukunft und wie müssen wir in Zukunft zusammenarbeiten, damit das überhaupt auch

00:19:14: sinnhaft möglich ist und wir Brüche, die am Ende ja wieder dazu führen, dass die Daten nicht mehr

00:19:18: so viel wert sind, vermeiden. Ich glaube, oder Alex, du zuerst gerne. Nein, man braucht Hälfen und

00:19:26: keine Burgen. Das gilt für die gesamte Digitalisierung unserer Wirtschaft. Ganz kurz noch ist natürlich

00:19:36: für ein produzierendes Unternehmen einfacher. Also bei meinen Kunden hat sein Werk selbst im Griff,

00:19:42: dort gibt es natürlich verschiedene Divisionen, aber da wird einmal konzernweit eine Entscheidung

00:19:47: getroffen. Für diesen Produktionsstandort werden jetzt eben in der Qualität Daten erhoben und

00:19:52: dann wird das ausgerollt. Ich denke, das ist so ein Unterschied, den man wahrscheinlich nicht

00:19:55: eins zu eins übertragen kann. Man braucht ja wenn ein Sortenreinen, Sortenreines Projekt,

00:20:02: wo quasi aus einer Hand das Ganze gemacht wird, dann ist es wahrscheinlich noch einfacher, als

00:20:06: da sich hier verschiedene Gewerke an verschiedenen Unternehmen vergeben. An dieser Stelle ein kurzer

00:20:19: Hinweis in eigener Sache für diejenigen unter unseren Zuhörern, die sich gerade in ihrem eigenen

00:20:24: Unternehmen mit relevanten Zukunftsfragen befassen und die deren Ausgestaltung und die Umsetzung

00:20:30: von Lösungen beschleunigt und Ergebnis orientiert für den Erfolg vorantreiben wollen. Sprechen Sie

00:20:36: gern Martin Ferger für Themen zu Lean, BIM, Digitalisierung und Prozessoptimierung über

00:20:43: www.fergar-conculting.de und mich Christian Haag zu strategischer Transformation, Strategieführung

00:20:52: und Sparing for Top Insider über www.christenhaag.de an. Im Rahmen dieses Podcasts, aber auch darüber

00:21:01: hinaus tragen wir gern als Speaker in Präsenz oder online zur Inspiration ihres Publikums im

00:21:07: Rahmen ihrer Veranstaltungen bei. So oder so freuen wir uns auf und überregen Austausch mit Ihnen und

00:21:13: euch. Nehmen Sie, nehmt einfach Kontakt zu uns auf.

00:21:35: auch zu sehen, was steckt da ein Potenzial für mich drin?

00:21:37: Martin?

00:21:38: Man merkt aber auch, wenn Alex sagt, die Hausaufgabe, die auch die Baufirmen machen müssen oder

00:21:44: alle Beteiligten ist, die Daten zu beschaffen bzw. aufzuarbeiten oder erst mal zu gucken,

00:21:50: was habe ich schon oder jetzt, spätestens jetzt mal anfangen zu sammeln.

00:21:53: Aber da merkt man auch, du hast eben gesagt, jede KI braucht Soldaten und IS-Daten, damit

00:21:59: sie halt lernen kann, um das Szenarien abzubilden.

00:22:01: Und da merkt man, dass das Thema KI, was vollkommen Hochdraht klingt vielleicht für die meisten,

00:22:07: aber eins braucht, dass wir unsere Hausaufgaben hoffentlich schon gemacht haben oder in Zukunft

00:22:12: machen werden.

00:22:13: Also ich erinnere immer wieder an dieses Thema.

00:22:15: Wir haben eine klassische Angebotskalkulation, wir haben eine Arbeitskalkulation und dann

00:22:20: gibt es noch diese Kühe, was eigentlich eine Pflicht sein sollte, der Nachkalkulation

00:22:23: der Projekte, um zu lernen für die Projekte davor.

00:22:26: Wenn man sich das jetzt vor Augen führt, wir haben immer gedacht, okay, wir lernen

00:22:31: händisch, indem wir nachkalkulieren für uns im Kopf von den alten Projekten.

00:22:35: Da machen wir eigentlich nichts anderes als das, was die KI nur in einer viel größeren

00:22:39: Anzahl ja machen soll aus, da IS-Daten lernen, ob die Soldaten gepasst haben bzw. wie stehen

00:22:44: die in einem Verhältnis.

00:22:45: Und da ist auch nochmal ganz wichtig, glaube ich, dass die Bauunternehmen sich ganz klar

00:22:50: nochmal die Prozesse vor Augen führen, dass mit der Angebotskalkulation und einer erfolgreichen

00:22:55: Submission das Thema Kalkulation nicht vorbei ist, sondern dass wir ganz klar auch IS-Daten

00:23:01: sammeln müssen und die am besten so strukturiert haben müssen, dass wir die der Kalkulation

00:23:05: gegenüberstellen können.

00:23:06: Also auch da ein plastisches Beispiel, weil es da wirklich um Stückzahlen für KI geht,

00:23:12: also eine KI braucht relativ viele Sold-IS-Werte.

00:23:16: Im Beispiel zu bleiben, wir hatten jetzt einen Stahlwerk optimiert, da habe ich pro Tag mehrere

00:23:24: Produkte, die gefertigt werden und da hatte man nach einem Monat extrem viele Produkte,

00:23:28: aus denen man lernen konnte.

00:23:30: Und ich glaube, das muss gerade in eurer Branche jedem klar sein, wenn ich jetzt noch nicht

00:23:34: angefangen habe, Daten zu sammeln und ich jetzt Daten sammel, brauche ich aber wahrscheinlich

00:23:38: ein, zwei, drei Jahre, bis ich dann mit denen was anfangen kann.

00:23:41: Oder ich muss eben rückblickend versuchen, diese Analogendaten irgendwie wieder zu heben,

00:23:47: weil ich würde jetzt mal unterstellen, es wird nicht jeden Tag sehr, sehr viel fertig

00:23:53: gestellt.

00:23:54: Also die Stückzahlen an Aufträgen in eurer Branche ist mit Sicherheit sehr viel niedriger

00:23:58: als die Stückzahl, die man klassischerweise in der normalen Industrie hat.

00:24:03: Ja, wir könnten dann höchstens über Teilprozesse, die abgeschlossen sind, sprechen.

00:24:07: Also wie in der Betonage oder genau?

00:24:10: Man braucht halt viele Stückzahlen und Kunden sagen auch schon mal zu mir, ja, mit den Daten

00:24:15: kannst du nichts anfangen, weil wir haben irgendwie ziemlich schlecht produziert.

00:24:17: Dann sage ich, ja, das ist genau richtig, weil eine KI braucht keine perfekten Daten,

00:24:21: sondern idealerweise hat man verschiedene Merkmale, die ein Prozess beschreiben.

00:24:26: Und dann habe ich sowohl gute wie auch schlechte Erfahrungen drin und genau dann kann man eben

00:24:31: aus den Daten ausdifferenzieren, welche Merkmale führen eigentlich zu einem guten oder schlechten

00:24:36: Ergebnis.

00:24:37: Also es ist, ich glaube, dass man denkt, man muss nur die perfekte Produktion abgebildet

00:24:42: haben.

00:24:43: Weil also wenn ich alle möglichen Variationen drin habe, dann ist es umso besser.

00:24:46: Wenn sich dann mal jemand verschätzt hat beim Plan, ist es zumindest für die Zukunft

00:24:52: gut, weil der Algorithmus damit was anfangen kann.

00:24:54: Jetzt haben wir über verschiedene Teilbereiche schon gesprochen.

00:24:58: Du hast hier gerade nochmal die Fertigung in einem Stahlwerk angesprochen.

00:25:01: Wir haben ja auch im Bau, Martin, auch hier im Podcast schon mit Modulbauunternehmen und

00:25:08: mit Fertigteilwerken gesprochen.

00:25:10: Siehst du da eher Anwendungsbereiche auch, um jetzt nicht nur im Planer rüchen, da ist

00:25:16: es wahrscheinlich weniger relevant, aber eben auch in der Ausführung vielleicht ins Laufen

00:25:21: zu kommen, wenn ich also solche doch eher standardisierten Prozesse habe?

00:25:25: Ja, mehr Standard hilft natürlich.

00:25:29: Ich muss dazu sagen, ich bin halt kein, also ich würde jetzt nichts verneinen.

00:25:33: Das ist nie gut, weil man wird mir erst die Daten sehen.

00:25:36: Das klingt auf jeden Fall sehr nach einem sehr hohen Potenzial, weil ich ja bei solchen

00:25:42: Fertigungen bin ich ja quasi schon in Industriestandard.

00:25:45: Dann habe ich ja sowohl das Thema in Standhaltung, also die Überwachung meiner Produktionskomponenten

00:25:51: als Thema wie auch eine sehr saubere Planung von der Produktion.

00:25:57: Also da kann ja eigentlich beides greifen.

00:26:00: Also ich schaue mir die Qualität oder die Maschinengesundheit an, auf der einen Teil,

00:26:05: auf der einen Seite und auf der anderen Seite, wie kann ich da effizient die Produkte auch

00:26:08: durch die Tür bringen?

00:26:09: Klar.

00:26:10: Martin, deine Sicht?

00:26:11: Ja, ich denke auf jeden Fall, wenn man sich mal die Produktionsprozesse im Systembau,

00:26:17: im Modulbau oder halt im klassischen Fertigteilwerk anschaut, dann ist das ja schon sehr nah dran

00:26:23: an Industriell produzierenden Gewerbe.

00:26:26: Wir haben halt in der Regel ein Produkt, das eine Halle durchläuft und nicht mehr wie

00:26:30: auf der Baustelle die Produzierenden das Produkt durchlaufen.

00:26:34: Also ganz andere und deutlich fester Rahmenbedingungen.

00:26:36: Also ich glaube, Unternehmen, die Fertigteilwerke betreiben oder im Modulbau oder im Modulan

00:26:42: oder systemiatisierten Bau tätig sind, die können sich natürlich dem Thema idealerweise

00:26:46: erstmal über diese Tür nähern, um quick wins zu haben.

00:26:51: Die Baustelle an sich, Schlüsselfertigbau, Kanalbau, Straßenbau, Rohbau, stellt natürlich

00:26:56: glaube ich, was das Thema soll, ist Vergleiche angeht und mögliche Optionen nochmal eine

00:27:01: größere Herausforderung da als das Thema Modul oder Fertigteilbau an.

00:27:06: Und beim Modulbau wird mir jetzt noch einfallen, dass man auch, wir haben ja noch gar nicht

00:27:10: über KI im optischen Bereich gesprochen, also über Bilderkennung, Qualitätsbeurteilung.

00:27:16: Also wenn ich da einfach quasi vollautomatisch über Kamerasysteme die Qualität meiner produzierten

00:27:22: Teilüberwache, ist ja auch nochmal eine Applikation, ist jetzt nichts, was ich speziell mache,

00:27:26: aber was natürlich im normalen DataSites Bereich auch gängig ist.

00:27:30: Das könnte natürlich auch, wenn man jetzt mal so ein bisschen rumspinnt, auch applikationsmäßig

00:27:35: die Qualität dieser Module sicherstellen.

00:27:38: Was ich noch sagen wollte, wo haben wir eben kurzüber gesprochen, du hast gesagt, man

00:27:41: kann vielleicht Kostenschätzung oder Ähnliches auch mit einer gewissen Unschärfe machen,

00:27:46: um einfach so zu überprüfen, wo geht die Reise hin, Kostentechnik oder Preistechnik.

00:27:50: Ich glaube, das hat auch einen hohen volkswirtschaftlichen Bedeutung, wenn man mal denkt, dass solche

00:27:55: Systeme vielleicht auch auf ausschreibender Seite, ich denke jetzt vor allem mal an die

00:27:58: öffentliche Hand, da wäre, dann wäre vielleicht das Entwicklung von sachgerechten Budgets

00:28:06: deutlich einfacher.

00:28:07: Einmal hätte ich dann eine bessere Einschätzung, was kann ich mehr erlauben zu bauen dieses

00:28:11: Jahr und ich hätte für die Projekte eine deutlich angenehmere Gesprächsgrundlage, weil

00:28:16: wie oft hat man es, das Budget der öffentlichen Hand ist einfach zu niedrig angesetzt und

00:28:21: dass der Streit auf der Baustelle ist vorprogrammiert, weil der Bauunternehmer natürlich zum Beispiel

00:28:26: über Nachträge das tatsächliche Budget erreichen muss oder auch erreichen will.

00:28:31: Und wenn ich auf beiden Seiten ein realistischeres Gefühl für das tatsächliche Budget habe,

00:28:36: kann das dem Projekt eigentlich nur zuträglich sein.

00:28:38: Wenn uns jetzt ein mittelständisches Bauunternehmen zuhört, das sagt, das klingt gut, das könnte

00:28:46: ich mir vorstellen, ich will da was tun.

00:28:48: Wir sind da vielleicht auch offen für diese Thematik.

00:28:52: Wie könnte man jetzt ganz praktisch da herangehen?

00:28:54: Was wäre so Alex, der pragmatische Weg, sich dem Thema mal zu nähern und wo könnte man

00:29:02: wahrscheinlich erst mal auch den größten Nutzen davon haben?

00:29:05: Du hast ja eingangs gesagt, man fängt klein an.

00:29:09: Klein heißt ja in den Köpfen der Menschen dann oft auch kleiner Preis, also vielleicht

00:29:14: auch machbar.

00:29:15: Was muss ich da in die Hand nehmen?

00:29:17: Was kann mir das bringen, um einfach ins Laufen zu kommen mit der Thematik?

00:29:20: Erst mal würde ich es auch, wenn man klein startet, immer anhand einer relevanten Fragestellung

00:29:27: machen, die für das Unternehmen entweder mehr Effizienz bedeutet oder einen echten Schmerz

00:29:32: löst.

00:29:33: Also ich würde trotz der Verkleinerung des Umfangs immer nur ein Thema angehen, wo ich

00:29:38: sage, das wird mir auch in Zukunft was bringen.

00:29:40: Weil ansonsten habe ich vielleicht, wenn ich jetzt sage, in diesem und einem, jenem Thema

00:29:45: habe ich eine tolle Datenqualität, auch wenn es mir vielleicht nichts bringt in Klammern,

00:29:51: dann wäre das nicht der richtige Weg, sondern selbst wenn ich noch keine Daten für meine

00:29:55: wirklich brennende Fragestellung habe, würde ich mich eher auf die brennende Fragestellung

00:29:58: fokussieren und dort schauen, wie kann ich in einem kleinen Projekt explorativ Daten

00:30:04: erheben.

00:30:05: Die müssen nicht dauerhaft in ein stabiles System, sondern es reicht, wenn man das explorativ

00:30:10: für einen gewissen Zeitraum mal erhebt und sich dann einfach diesen Datenschatz von zwei,

00:30:15: drei, vier Monaten mitgeschnittenen Daten je nach Applikation anschaut und dann mithilfe

00:30:21: von Data Scientists auf intern oder extern einfach checkt, gibt es Regeln und Strukturen

00:30:27: in den Daten, die meine Fragestellung, beispielsweise diese Kalkulation oder was so immer, beantworten

00:30:33: können.

00:30:34: So und wenn die Beantwortung ja ist, dann kann man sehr, sehr einfach hochrechnen, was habe

00:30:39: ich da wirklich für einen, also was habe ich da für einen Benefit von, welcher Ersparnis

00:30:45: habe ich pro Jahr und dann kommt man auch ziemlich schnell zu der Antwort, was für

00:30:48: ein Budget kann ich da mir geben, weil es wird es rein von der Effizienz oder der Kostenersparnis

00:30:54: her dann bewerten und deswegen braucht man ein kleines Projekt, was dem Kunden auch wirklich

00:31:00: helfen kann.

00:31:01: Kann ich, kann ich auch bestätigen aus meiner Sicht auch viele Themenrelevanz, hat natürlich

00:31:08: immer Einfluss darauf, ob die Motivation dann auch für das Projekt am Ende da ist, egal

00:31:13: wie groß das Projekt ist und ich glaube, wenn es im Kleinen funktioniert, dann entsteht

00:31:17: ja auch Lust darauf, das dann auch etwas größer zu machen und das Potenzial auszunutzen.

00:31:22: Ich habe nochmal eine ganz andere Frage oder vielleicht ist sie gar nicht so anders.

00:31:26: Wir haben ja jetzt auch das große Stichwort Nachhaltigkeit und wir haben natürlich die

00:31:31: Herausforderung, wie gestalten wir und das ist ja auch ein bisschen das Motto in unserem

00:31:34: Podcast, wie gestalten wir die Lebenswelt der Zukunft besser, wenn ich mir jetzt also

00:31:39: die Lebenszeit von Bauwerken anschaue, wie könnte uns KI da helfen aus den Daten, aus

00:31:47: der Beobachtung dieser Bauwerke im Grunde auch Rückschlüsse für die Planung zu ziehen.

00:31:53: Also jetzt mal leihenhaft gesprochen, wenn ich jetzt ein neues Bürogebäude oder ja irgendwie

00:32:01: vielleicht sogar ein Wohnquartier mir anschaue und ich plane das.

00:32:05: Was kann mir die KI möglicherweise an Tipps oder Hilfestellung geben, um einfach besser

00:32:12: zu werden, was Energie angeht, was möglicherweise auch irgendwann Rückbau angeht, was Ressourcen

00:32:19: verbraucht tatsächlich im Betrieb angeht.

00:32:22: Hast du da eine Idee?

00:32:23: Das ist natürlich ein großes Thema.

00:32:31: Ich glaube, da habe ich eine Menge Ideen, aber die Frage ist, was zielführend ist.

00:32:36: Wenn man natürlich Richtung Energieeffizienz anschaut, also ich anschaue, könnte man natürlich,

00:32:40: wenn man historische Verbräuche hätte, korreliert mit Wetterdaten und mit Verbräuchen war nicht

00:32:46: so was wie auf einem Viertelstunden-Stunden-Grid, über mindestens zwei oder drei Saisons,

00:32:52: sehe ich es nicht.

00:32:53: Das ist das Thema beim Energieverbrauch, hilft mir fünf Monate Daten nix, da bin ich sofort

00:32:57: bei zwei Jahren.

00:32:58: Warum hilft mir ein Jahr nichts, weil ich muss auch noch den Wettereinfluss messen können,

00:33:02: war das jetzt Zufall oder nicht?

00:33:03: Also ich bin bei mindestens 24 Monaten besser 36 und wenn ich dann natürlich sehe, dann

00:33:09: könnte ich natürlich auch sehen, unter welchen Wetterkonstellationen sind welche Baustoffe

00:33:13: denn wirklich energieeffizient.

00:33:15: Das ist natürlich ein Thema.

00:33:17: Wenn ich das korreliere mit dem Energieeinsatz, ich müsste natürlich wissen, welche Energie

00:33:22: setze ich in Kilowattstunden an Heizleistung zum Beispiel ein, in den Häusern, ich müsste

00:33:28: die Temperaturen haben, also ich müsste einen vielschichtigen Übersicht oder einen digitalen

00:33:32: Zwilling von diesen Objekten haben und dann kann man glaube ich eine Menge Fragen beantworten,

00:33:38: weil das korreliert ja schon alles stark miteinander.

00:33:40: Aber also das wäre dann glaube ich schon ein extrem großes Projekt und da sind wir wieder

00:33:45: beim Thema Daten, man braucht einen langen Atem der Datenerfassung bis ich wirklich ein

00:33:50: Mehrwert habe in diesem Bereich.

00:33:51: Also Alex, du hast gerade eines der geflügelten Wörter aktuell in der Bauindustrie genannt,

00:33:56: den digitalen Zwilling, der aus der Welt des Bildungs von welchen Modellings also von

00:34:00: BIM kommt.

00:34:01: Und dann merkt man auch die Themen hängen extrem eng zusammen.

00:34:05: Also ich kann natürlich, wenn ich mich zum Beispiel der digitalen Modellierung, also

00:34:10: dass ich vielleicht erst digital baue und dann real digital auch das Betreiben des Gebäudes

00:34:16: abbilden, dann habe ich natürlich, ich will nicht sagen automatisch, aber einen viel leichteren

00:34:20: Zugang dazu.

00:34:21: Also die Daten, die dort in dem Modell stecken und in der Datenbahn stecken auch gewinnbringend

00:34:26: auszuwerten.

00:34:27: Also man kann glaube ich nicht das eine tun ohne das andere zu lassen.

00:34:31: Also im Prinzip ist es ja auch, also ich habe mein House Smart Home automatisiert, bin natürlich

00:34:39: an meinen Daten interessiert, aber es ist total schade, dass diese Daten irgendwo persistent

00:34:45: gespeichert werden.

00:34:46: Und das sollte man also dieses ganze Thema Gebäude, Energiedaten, Erfassung, Persistent

00:34:53: und der Öffentlichkeit zur Verfügung stellen, anonym und so weiter.

00:34:57: Ich glaube, das wäre ein echter Stellhebel für die Zukunft, weil dann kannst du nicht

00:35:02: eine Fragestellung, sondern kannst du sehr viele Fragestellungen im Nachhinein noch beantworten

00:35:06: für zukünftige Baumaterialien, was auch immer.

00:35:10: Es gibt ja immer diese scherzhaften Aussagen zu Halbzeitpause bei WM-Spielen, wird auf

00:35:15: einmal mehr Wasser verbraucht, weil alle auf die Toilette rennen.

00:35:18: Das weitergedacht ja mal auch in viele, viele andere und deutlich detailliertere Aussagen

00:35:24: ist ja das, was wir eigentlich brauchen, um die Gebäude der Zukunft zu optimieren.

00:35:27: Und jetzt sage ich mir aus Hamburg, Martin, du hast mir ja neulich eröffnet, wenn die

00:35:33: Klimaerwärmung so weitergeht, dann müssen wir in Hamburg möglicherweise auf die Gebäude

00:35:36: drehen, weil wir die alle so schön nach Südwesten ausgerichtet haben, damit es hier bei uns

00:35:40: warm ist, dann müssen wir doch etwas spanischer unterwegs sein, was das angeht.

00:35:46: Also das macht schon Sinn, auch für Planung in die Zukunft gedacht zu sagen, wo ist da

00:35:51: die Korrelation zwischen all diesen Erkenntnissen und der Planung für die Zukunft.

00:35:56: Wenn ich also stete für die Zukunft neu umbaue oder neu erweitere, was kann ich da aus den

00:36:04: Daten, die ich dann habe, überhaupt auch lernen für einfach intelligentere, bessere

00:36:09: Planung für die Zukunft.

00:36:10: Also für mich ist ja auch die Erkenntnis aus dem, was wir jetzt gerade besprochen haben,

00:36:16: also du das Thema jetzt gerade mit der Stadt, Alex, glaube ich, will da kurz noch darauf

00:36:19: antworten.

00:36:20: Ich wollte nur kurz sagen, dass der Obergriff Smart City, den gibt es ja schon seit mindestens

00:36:27: einem Jahrzehnt und da gibt es glaube ich viele Forschungsprojekte.

00:36:31: In meiner Wahrnehmung haben dies aber nie außerhalb der universitären Welt bis jetzt

00:36:36: raus geschafft.

00:36:37: Also es scheint ja dann im Bau noch nicht so angekommen zu sein, sonst wäre der ja schon

00:36:42: deutlich digitaler unterwegs.

00:36:44: Also dazu vielleicht immer mal wieder, wenn man Seminare oder auch einen Vortrag hält,

00:36:49: dann bringe ich gerne dieses Beispiel zum Thema Daten oder auch Digitalisierung, dass

00:36:53: es ja zum Beispiel in Amerika zum Teil schon die intelligenten Litfast-Säulen gibt, die

00:36:58: wissen, wenn ich da vorbeilaufe als jemand, der am Handy in letzter Zeit über schnelle

00:37:02: Sportwagen gegoogelt hat, dass dann da eine Werbung von Porsche angezeigt wird oder aber

00:37:07: wenn ich viel über Kinderbedarf gegoogelt habe, ist auf der Litfast-Säule auf einmal

00:37:12: ein Bild von einem Kinderbedarf-Geschäft.

00:37:15: Und ich kriege immer direkt so eine typisch deutsche Reaktion, glaube ich, oh mein Gott

00:37:20: oder furchtbar.

00:37:21: Und ich glaube, das kann man jetzt finden, wie man will.

00:37:24: Ich habe auch keine abschließende Meinung dazu.

00:37:26: Aber man muss diesen Thema Datenerfassung auch aus deutscher Sicht glaube ich nicht

00:37:30: so extrem negativ gegenüberstehen.

00:37:33: Weil es hat nicht nur die Folge, dass irgendeiner meine Daten klaut und für schlimme Sachen

00:37:37: nutzt, sondern es hat natürlich auch einen Vorteil, dass die Daten genutzt werden für

00:37:41: sinnvolle Sachen.

00:37:42: Also ich glaube, man muss auch bei Data Science sehen, das ist ein Werkzeug, das kann ich

00:37:46: gut verwenden, schlecht verwenden, aber nicht so extrem negativ besetzt sehen.

00:37:50: Und ich glaube, da haben wir noch so ein bisschen aufzuholen, gerade in Deutschland.

00:37:53: Ja, auf jeden Fall.

00:37:55: Ich meine, wir fahren da ja eh zwei Gleise sich.

00:37:58: Wir geben vielen amerikanischen App-Anbietern per AGB-Click auf unseren Android-Iphones,

00:38:05: die erlauben ist, mit unseren Daten zu machen, was wir wollen.

00:38:09: Aber falls wir mal als Volkswirtschaft Daten heben wollen, dann ist es direkt wieder in

00:38:14: der Abwehrreaktion.

00:38:15: Also diese Doppelmoral, die muss man glaube ich in Zukunft mal aufheben.

00:38:20: Man kann mit Skip-Gnugregulatorik wie Daten anonymisiert werden und dann würden die deutlich

00:38:27: helfen auch bei innovativer Produktgestaltung für die Zukunft.

00:38:30: Ich glaube, das Bewusstsein muss auch geschärft werden, dass viele der Themen, die wir haben,

00:38:34: die wir heute ja auch schon angerissen haben, die werden wir gar nicht vernünftig lösen

00:38:38: können, ohne dass wir uns dem Thema öffnen.

00:38:41: Denn sonst hätten wir sie ja schon gelöst.

00:38:43: Es ist im Grunde wie das zehn Produktproblem auf den Produktionslinien.

00:38:49: Wenn ich das als Mensch alles so super könnte, dann wäre die KI gar kein Thema.

00:38:55: Aber ich habe eben Anwendungsfälle, möglicherweise eben auch für die Planung der Zukunft und

00:38:59: Gestaltung der Zukunft, wo ich die Reserven jetzt mobilisieren muss, die da sind, um es

00:39:03: besser zu machen, als ich es bisher gemacht habe.

00:39:05: Und da müssen wir uns, glaube ich, diesen Instrumenten öffnen und sie dann auch für

00:39:10: uns nutzen.

00:39:11: Mit Augenmaß, da habe ich wenig Sorge in Deutschland, dass wir da auf der vorsichtigen

00:39:15: Seite an vielen Punkten sind.

00:39:18: Aber wir müssen es tun.

00:39:19: Gerade in einer Branche, die eben Produkte herstellt, die eben doch eine ruhe Lebensdauer

00:39:26: haben, die uns sehr, sehr lange erhalten bleiben, spielt es schon eine Rolle, wie gut die Planung

00:39:31: am Ende ist, die Idee, die dahinter ist und wie viel Wissen da am Ende drinsteht, steckt

00:39:37: und dann eben verbaut und bildlich gesprochen auch zementiert wird für viele, viele Jahre

00:39:43: oder Jahrzehnte.

00:39:44: Und ich glaube, das sollten wir uns nicht hingehen lassen, das besser zu machen, als

00:39:48: es bisher ist und am Ende eben auch das, was besser ist, dann wirtschaftlich attraktiver

00:39:52: zu machen.

00:39:53: Und ich glaube, da können uns diese Themen extrem beihelfen.

00:39:56: Also für mich war es wichtig und da hast du auch die Erwartungen erfüllt, Alex, dass

00:40:01: wir über das Thema KI und Data Science auch mit so einem gewissen Hands-on sprechen, dass

00:40:06: du auch mal konkrete Beispiele genannt hast, was man machen kann, wofür man es auch nutzen

00:40:11: kann und nicht, dass das Thema KI nur auf, sag ich mal, akademischer Ebene diskutiert

00:40:15: werden muss.

00:40:16: Und ich finde auch eine Erkenntnis unseres Gesprächs heute ist, dass KI oder Data Science

00:40:22: ein Thema sein kann für ganz große Probleme, sowohl Volkswirtschaftlich, gesellschaftlich,

00:40:28: aber auch kein Thema ist, was nur DAX-Unternehmen vorbehalten sein soll, sondern auch im kleinen

00:40:33: und mittleren Unternehmen, auch in der Bauindustrie mit konkreten Fragen und Problemstellungen

00:40:39: ein Ansatzpunkt ist, sodass man nicht sagen sollte und auch nicht sagen kann, als kleineres

00:40:43: oder mittelsunternehmen, ich setze mich jetzt einfach mal hin, lehne mich zurück und warte

00:40:48: bis das in 30 Jahren eh auf mich zukommt, sondern es ist tatsächlich ein Ding, was auf

00:40:53: allen Größe-Ebenen durchaus eine Rolle spielen kann.

00:40:57: Ja, gut zusammengefasst.

00:41:00: Ich glaube wer jetzt zuhört und hier im Bau tätig ist und sagt, Mensch, der Alex, der

00:41:07: hat ja gute Ideen und hinter dir steht ja auch in deiner Firma mit deinem Partner ein

00:41:12: großes Team, ein Mitarbeiter, der sollte sich einfach, finde ich, mit dieser Ideenarbeiter

00:41:17: beschäftigen und vielleicht auch mal in den Austausch gehen und sagen, wie könnte das

00:41:21: bei mir aussehen, weil die Antwort ist dann doch eben sehr individuell.

00:41:25: Du hast es gesagt, was ist sozusagen, wo brennt die Schürze und wo ist das Problem, das mir

00:41:30: am meisten weh tut und könnte das ein Ansatz sein.

00:41:34: Also ich würde mir wünschen, dass wir heute hier wieder nicht nur Steine ins Wasser werfen

00:41:39: und Wellen schlagen und neue Impulse geben, sondern dass auch der eine oder andere ins

00:41:43: Handeln kommt und sich einfach mal in Kontakt begibt mit euch und austauscht und überlegt,

00:41:49: wie kann es vorangehen, weil das wird uns, glaube ich, allen helfen, wenn auch da kleine

00:41:52: Projekte entstehen, die dann wieder Vorbild sind, dafür, dass auch andere ins Handeln

00:41:56: kommen an der Stelle.

00:41:58: Ja, gerne, da sind wir offen für.

00:42:01: Also gerade die Baubranche wird mich reizen, weil es eben neues fällt ist und ich glaube,

00:42:07: wenn man es vernünftig die Frage stellt, gestrukturiert, dann ist man bei ähnlichen

00:42:10: Applikationen, wie wir bis jetzt in der Industrie gesehen haben.

00:42:13: Alex, vielen Dank für deinen Input heute.

00:42:17: Alles Gute für euch und vielleicht entstehen ja ein paar konkrete Projekte und das wäre

00:42:24: ja super, Martin, wenn wir darüber dann hier nochmal wieder berichten könnten.

00:42:26: Ja, sehr gerne.

00:42:27: Alex, vielen Dank, dass du bei uns warst.

00:42:30: Mir hat es großen Spaß gemacht und ich glaube, das ist ein Thema, was uns die nächsten Jahre

00:42:34: beschäftigen wird.

00:42:35: Ja, danke euch beiden.

00:42:38: Tschüss.

00:42:39: Tschüss.

00:42:40: Ciao.

00:42:41: Vielen Dank an Sie und euch fürs Zuhören bei Zukunft Bauen, dem Zukunftspotcast für

00:42:47: die Bauindustrie.

00:42:48: Wenn euch der Podcast gefällt, würden wir uns über eine Bewertung freuen und natürlich

00:42:52: darüber, wenn ihr den Podcast bei einem Podcast Provider eures Vertrauens abonniert.

00:42:57: Wir freuen uns auf ein Wiederhören.

00:42:59: Bis bald.

00:43:00: [Musik]

00:43:06: