In dieser Folge geht es um die AIBS-Zertifizierung, die richtige Vorbereitung auf den gefürchteten Two Pager und darum, warum in der mündlichen Prüfung konkrete Managemententscheidungen mehr zählen als Lehrbuchwissen. Außerdem sprechen wir über moderne Risikobewertung für KI-Systeme, die Schwächen klassischer Risikomatrizen und das Deloitte-Beispiel als Warnung vor blindem Vertrauen in generative Antworten.

Die Folge zeigt, warum ein funktionierender Prototyp noch lange keine echte Umsetzbarkeit beweist, und wie frühe Kriterien verhindern, dass man sich in Schein-Erfolgen verrennt. Außerdem geht es um das TWRO-Raster, organisatorische Stolpersteine und den Wert von Branchenwissen bei KI-Vorhaben.
Dieser Inhalt wurde mit Hilfe von KI generiert

Die Folge erklärt, warum ein Prototyp vor allem ein Erkenntnisinstrument ist und nicht als fertiges Vorprodukt missverstanden werden darf. Außerdem werden PoC, Prototyp, MVP und Pilot sauber abgegrenzt und gezeigt, wie Vibe Coding mit Tools wie Lovable oder Bolt Chancen bietet, aber auch gefährliche Verständnislücken erzeugen kann.

Diese Episode zeigt, warum KI-Architektur nicht als Produktwahl gedacht werden darf, sondern als Zusammenspiel aus Verarbeitungskern, Wissensquelle, Datenweg, Integration, Mensch-Maschine-Entscheidung und Absicherung. Außerdem geht es um die goldene Zwei-Familien-Regel, gefährliche Fehlkombinationen und die Frage, wie sich Lösungen für die Prüfung und den Praxisalltag sauber begründen lassen.

In dieser Folge geht es darum, warum die meisten KI-Piloten scheitern und weshalb Kaufen oft die bessere Wahl als Eigenbau ist. Außerdem zeigen wir, wie Rahmenbedingungen, K.o.-Kriterien, mehrstufige Tests, Shadow Mode und klare Abbruchkriterien helfen, KI-Projekte kontrolliert und ohne Geldverbrennung zu steuern.

In dieser Folge geht es darum, warum KI-Projekte oft nicht an der Technik, sondern an unklaren Erwartungen und fehlenden Anforderungen scheitern. Anhand von IREB, CHAOS Report und einem Praxisbeispiel wird gezeigt, wie aus Wünschen messbare Kriterien werden und welche zusätzliche Rolle Datenanforderungen bei KI spielen.

In dieser Folge geht es darum, warum die meisten KI-Pilotprojekte nicht an der Technologie, sondern an schlechter Auswahl und Priorisierung scheitern. Die Hosts zeigen, wie klare Kriterien, K.o.-Filter und Methoden wie RICE, WSJF, AHP und MoSCoW helfen, Verzerrungen im Entscheidungsprozess zu reduzieren.

Außerdem diskutieren sie typische Denkfehler wie HiPPO-Effekte, die Planning Fallacy und den Wert von unabhängiger Erstbewertung und Pre-Mortem-Formaten.

In this episode, the hosts move from a rigorous data audit to the realities of choosing an AI platform, unpacking data gravity, platform layers, and why enterprise features like identity, logging, data residency, and IP protection matter.

They also break down vendor risk scoring, TCO pitfalls, and the hidden costs of GenAI projects, with a sharp focus on Swiss compliance and sovereignty concerns.

Warum KI-Piloten oft glänzen, aber in der Produktion scheitern: Die Folge zeigt, wie saubere Demo-Daten den Blick auf kaputte Datenlandschaften, fehlende Governance und unklare Zuständigkeiten verstellen. Außerdem geht es um Data Readiness, Repräsentativität, rechtliche KO-Kriterien und ein Fünf-Ampel-Audit, das frühzeitig teure Fehlinvestitionen verhindert.

In dieser Folge geht es darum, warum so viele generative KI-Projekte schon beim Start scheitern: fehlender Business Case, unklare Datenlage und der Irrtum, eine Demo sei bereits ein Nutzenversprechen. Anhand von Schweizer Unternehmensdaten und einem Praxisbeispiel von Zurich Insurance zeigen die Hosts, wie man aus echtem Schmerz einen messbaren Use Case macht.