Mal was ganz Anderes? Nein, eigentlich nicht. In der intelligenten Transformation geht es vor Allem um die grundlegende Veränderung wie Menschen und Maschinen zusammenarbeiten, da kommt man um die Systemik nicht herum. Im zweiten Teil der zweiten Staffel ging es schon mit Benjamin Szilagyi und Peter Compo um die notwendige Systemsicht auf Wettbewerbsfähigkeit. Alles hängt mit Allem zusammen, d.h. jede Entscheidung hat viele Perspektiven, Lösung entsteht durch das Abwägen der Perspektiven. Was passiert wenn Maschinen ( aka Agenten ) in der Entscheidungsfindung beteiligt sind? Martina und Madeleine sprechen über die menschlichen Aspekte von Veränderung und Systemik aus der humanwissenschaftlichen Perspektive - weil Wirtschaftswissenschaft, Data Science und die Geisteswissenschaften zusammenhängen und sich insbesondere in der Systemik ein zentrales Feld teilen. Viel Spaß beim Hören.

Einen besondere und ungewöhnliche Folge für einen KI & Co Podcast. Aber was bedeutet KI Implementierung anderes als die Veränderung der Strategie eines Unternehmens und Anpassung der Organisation an eine sich ändernde Umwelt, ein System das reagiert. Deshalb der Austausch über die Funktion von Strategie, auch im Kontext von KI und die Veränderung der Strategiearbeit an sich mit großer Sicherheit eine noch sehr viel wichtigere Diskussion als die Technik an sich. Wir sind gespannt wir ihr das seht. Eine besondere Folge! Viel Spaß beim Hören, gebt und sehr gerne Feedback. Über Peter Compo ( Quelle Amazon ) After earning a doctorate in Chemical Engineering from City College New York and a background in music, Peter Compo spent 25 years at E.I. DuPont. Working in both commodity products and tech ventures, he held leadership positions in marketing, supply chain, product, and business management and was the corporate lead for integrated business planning. Seeing the same strategy challenges and the same adaptive patterns of innovation in all these areas of experience inspired him to create the emergent approach. https://www.amazon.de/Emergent-Approach-Strategy-Adaptive-Execution/dp/1637422156/ref=sr_1_1?crid=18X964RP4XZJR&dib=eyJ2IjoiMSJ9.DhLgGGuwvp_pHupmQVa2kA4e6b9VihNOjYSFQJxSFby_cMVHMQuJK9Zwq3bKM4PzqBEwDkasEOAuc5w6eYwvjZieKBasulxEf5HG-GPrXokm_yz3lRFZkoeSa_NY0b5dH0dBTwaX9Y9cHxf3UBlKXsVRAPiyTtAnDcsCujnAkHtNheWGGHVxEa7hiGXLFUZEsLRIvH5Ys45dkFvvKFtmO26uId2gubAOFUZyx_knUEQ.52ZG06se5JyidDQeBCYXjrnRGOpI39Z4bOspwv_CYmY&dib_tag=se&keywords=peter+compo&qid=1738248071&sprefix=%2Caps%2C77&sr=8-1

Teil 1: Deep Dive in das besonders budgetintensive Thema Media. Diskutiert wird es viel, problematisiert wird es viel und diese Diskussionen könnten nicht polarisierender geführt werden. Warum? Weil Media sehr aus dem Erfahrungswissen heraus besprochen wird, weniger aus der Methodik. Wir kennen die Probleme aber noch nicht die Lösungen. Fakt ist - es wirkt und es bleibt offen ob es noch besser wirken könnte. Die KI kann hier viel helfen, zum Einen was die Datenberge angeht ( mit den richtigen Voraussetzungen ) zum Anderen im Changemanagement. Neue Modellierungsansätze bieten die Möglichkeit einer sehr viel breiteren und gleichzeitig tieferen Zusammenführung der Daten, kann Zielkonflikte und Aussteuerungsunsicherheiten aufdecken, ist in der Lage qualitative und quantitative Szenarien zusammenzubringen und ggf. sogar am Ende Twins zu integrieren ( Zukunftszenario ). Wir diskutieren wie wir aufhören könnten zu jammern oder das Problem zu bestaunen und mit den heutigen Möglichkeiten eine der schwierigsten Felder im Marketing anzugehen mit Hilfe von KI und Agent Based Modelling ohne grössere weitere Investitionen, die Daten sind da, es sind "nur noch" die letzten Meter zu gehen zum eigenen "Media Brain" - Houston, we have a mission! Mehr dazu von Jonas. Danke an freesound_community für den Staubsaugersound  https://pixabay.com/de/users/freesound_community-46691455/

Teil 2: Deep Dive in das besonders budgetintensive Thema Media. Diskutiert wird es viel, problematisiert wird es viel und diese Diskussionen könnten nicht polarisierender geführt werden. Warum? Weil Media sehr aus dem Erfahrungswissen heraus besprochen wird, weniger aus der Methodik. Wir kennen die Probleme aber noch nicht die Lösungen. Fakt ist - es wirkt und es bleibt offen ob es noch besser wirken könnte. Die KI kann hier viel helfen, zum Einen was die Datenberge angeht ( mit den richtigen Voraussetzungen ) zum Anderen im Changemanagement. Neue Modellierungsansätze bieten die Möglichkeit einer sehr viel breiteren und gleichzeitig tieferen Zusammenführung der Daten, kann Zielkonflikte und Aussteuerungsunsicherheiten aufdecken, ist in der Lage qualitative und quantitative Szenarien zusammenzubringen und ggf. sogar am Ende Twins zu integrieren ( Zukunftszenario ). Wir diskutieren wie wir aufhören könnten zu jammern oder das Problem zu bestaunen und mit den heutigen Möglichkeiten eine der schwierigsten Felder im Marketing anzugehen mit Hilfe von KI und Agent Based Modelling ohne grössere weitere Investitionen, die Daten sind da, es sind "nur noch" die letzten Meter zu gehen zum eigenen "Media Brain" - Houston, we have a mission! Mehr dazu von Jonas.

Bevor wir mit Sotir Hristev sprechen, unser Experte für ökonomische Unternehmensoptimierung, Modelling und Analytics erklären unsere Agenten schon mal sehr charmant was Agent Based Modelling ist. Wie sprechen hier nicht von den aktuell so breit diskutierten KI Agenten, aber das Prinzip der Vereinzelung der Ziele, Eigenschaften und Regeln ist in beiden Konzepten sehr ähnlich. Unsere Company Brains sind die ideale Grundlage für solche Anwendungen. In der Folge mit Jonas Manthey sprechen wir auch über die Anwendungsfelder im Marketing- und Media Mix Modelling indem die unterschiedlichsten Modelle zu einem größeren, aussagekräftigeren Bild zusammengeführt werden können. ABM ist der nächste Schritt in der ökonomischen Modellierung und der kausalen Analyse. ( Achtung, nerdy stuff ). In Sonderfolge 4 gehen wir tiefer in eine Zukunft in der KI-Agents und ABM integriert werden um uns der Realität immer weiter zu nähern. Systemdenken ist dafür zentral. Skate where the puk is going to be.

Kerstin Clessienne spricht über Fachgrenzen hinaus ⁠mit Benjamin Szilagyi, ⁠⁠Senior Vice President Data Science dsm-firmenich und ehemaliger ⁠⁠Vice President, Insights Data & Experimental Analytics⁠ ⁠Roche⁠ über die Gemeinsamkeiten und Unterschiede von KI Einsatz in der Biologie/Healthcare Kategorie und im Marketing. Über den Wert von Agenten und notwendiges Systemverständnis, bzw. Hygienefaktoren im Umgang mit Daten zur KI Qualitätsmanagement. Weiherführende Links: Benjamin Szilagyi   

Johannes und Kerstin sprechen über die Entwicklungen der KI und des KI Einsatzes in 2025. Nicht mit dem Anspruch auf Vollständigkeit aber mit der Intention die Entwicklungen im Kontext zu sehen. Wir freuen uns wenn ihr rein hört und uns gerne auch Feedback gebt!

Customer Twins sind in aller Munde. Diese Folge bezieht sich auf eine Forschung zur Integration von LLM´ in Simulationsszenarien und zukünftige Möglichkeiten. Der Artikel untersucht die Einbindung großer Sprachmodelle (LLMs) in agentenbasierte Modellierung und Simulation. Er beschreibt die Vorteile von LLM-Agenten hinsichtlich Wahrnehmung, Entscheidungsfindung und Anpassungsfähigkeit und analysiert Herausforderungen wie Umgebungswahrnehmung und ethische Risiken. Der Schwerpunkt liegt auf einer Übersicht aktueller Forschungsergebnisse in verschiedenen Anwendungsbereichen (Cyber, physisch, sozial, hybrid) und der Diskussion offener Fragen sowie zukünftiger Forschungsrichtungen, insbesondere im Hinblick auf Skalierbarkeit, Benchmarking und den Aufbau offener Plattformen.  Ein spannender Ausblick in eine mögliche Zukunft von Consumer Twins. Auf das Thema Agent Based Modelling gehen wir in den zukünftigen Folgen noch genauer ein.

Erneut eine Zusammenfassung von "unseren" Agenten. Diesmal zu einem Paper über die Notwendigkeit von Graphen um künstliche Intelligenz in hochwertigen Anwendungsszenarien zu nutzen, beispielweise im Geschäftskontext für Analysen, Berichte, Strategische Arbeit, Zielgruppenanalysen etc. . Das Paper untersucht, wie Wissensgraphen die Vertrauenswürdigkeit von LLM-basierten Enterprise-Systemen verbessern. Die Autoren argumentieren, dass Wissensgraphen die Genauigkeit steigern, Ergebnisse erklärbar machen und eine Datenverwaltung ermöglichen, die LLMs alleine nicht bieten. Der Artikel präsentiert empirische Ergebnisse, beschreibt Herausforderungen im Wissenmanagement und skizziert zukünftige Forschungsrichtungen zur Verbesserung der Technologie. Ein Schwerpunkt liegt auf der Verbesserung der Genauigkeit und der Erklärbarkeit der Antworten.

Eine kurze Beschreibung über die Arbeit und Mission der Köpfe hinter LIKE IT! WHAT IS IT? Natürlich von Agenten :-). nicht alles stimmt zu 100% dennoch - eine sehr gute Beschreibung der Grundlage unserer Arbeit. Im Gegensatz zu den Beispielusecases fokussieren wir uns bei S&P auf die kundenzentrierte Organisation, Marketing, Media, CX und Customer Journey und das Gesamtsystem. Wir stellen es sehr gerne vor!