Künstliche Intelligenz wird oft als monolithische Lösung
verstanden – dabei zeigt diese Folge eindrucksvoll, warum genau
das zum Scheitern vieler Projekte führt. Host Dave König spricht
mit Dr. Benjamin Linnik, promovierter Physiker und AI Tech Lead,
über den realistischen Einsatz von KI in Unternehmen, die Rolle
klassischer Data-Science-Methoden und warum technologische Demut
heute wichtiger ist als jedes Buzzword.
Ausgehend von Linniks Physik-Hintergrund wird deutlich: Modelle
sind nie endgültig. Erkenntnisse sind immer vorläufig – genau wie
KI-Systeme, die modular, austauschbar und anpassbar bleiben
müssen. Statt teurem Fine-Tuning großer Sprachmodelle plädiert
Linnik für pragmatische Ansätze wie Prompt-Engineering,
Guardrails, RAG-Systeme und zunehmend MCP-basierte
Schnittstellen.
Im Fokus stehen Enterprise-Use-Cases wie Homologation,
Regulierung und Wissensmanagement. Die Diskussion zeigt, warum
nicht jedes Problem ein LLM braucht und weshalb einfache
statistische Verfahren oft robuster, günstiger und besser wartbar
sind. Gleichzeitig geht es um KI-Agenten,
Automatisierungspotenziale und die Frage, wie Unternehmen ihre
Fachlichkeit bewahren, ohne sich in technischer Komplexität zu
verlieren.
Abgerundet wird die Folge durch eine kritische Einordnung des EU
AI Acts, Energie- und Nachhaltigkeitsaspekte moderner
Rechenzentren sowie ein unterhaltsames Tech-O-Myth-Fact-Spiel,
das die Grenzen zwischen Realität und KI-Halluzination sichtbar
macht.
–––
Kapitelübersicht:
0:00 – 0:16 Intro
0:16 – 4:21 • Vom Physiker zum AI Tech Lead
Dr. Benjamin Linnik erklärt, warum ein Physikstudium kein Umweg,
sondern eine ideale Grundlage für moderne KI- und
Data-Science-Projekte ist.
4:34 – 12:36 • Physik, Modelle und datengetriebene Entscheidungen
Warum datengetriebene Unternehmen im Kern wie physikalische
Systeme funktionieren – und was Mathematik über Geschäftsprozesse
verrät.
12:42 – 24:03 • Warum KI-Systeme nie statisch sein dürfen
Ein Plädoyer für modulare, austauschbare Architekturen in einer
Welt, in der sich Modelle schneller verändern als
Organisationsstrukturen.
24:09 – 32:58 • Fine-Tuning, Prompting und Guardrails
Weshalb teures Fine-Tuning oft die falsche Wahl ist und wie sich
KI-Systeme durch kluges Prompting und Absicherung robuster
betreiben lassen.
33:10 – 37:06 • Fachlichkeit, RAG und Enterprise-Use-Cases
Wie Unternehmen Fachwissen nutzbar machen, ohne eigene Modelle zu
trainieren – und warum RAG ein pragmatischer Zwischenschritt ist.
37:18 – 47:56 • KI-Agenten, MCP und lebende Systeme
Von doppelter Datenhaltung zu agentischen Schnittstellen: Warum
MCP klassische RAG-Architekturen ablöst und Systeme „lebendig“
macht.
48:11 – 54:03 • Tech-O-Myth-Facts & Energiefragen
Ein spielerischer Realitätscheck zu KI-Mythen – inklusive
überraschender Einblicke in Energieverbrauch, Rechenzentren und
Nachhaltigkeit.
54:10 – 56:24 • EU AI Act, Ethik & Verantwortung
Zwischen Regulierung und Innovation: Warum gute Gesetze Ziele
definieren sollten – und nicht technische Lösungen vorschreiben.
56:24 – 56:44 Outro
–––
Die Top 3 Learnings dieser Episode:
1. Nicht jedes Problem braucht ein LLM – oft reichen robuste
Data-Science-Methoden.
2. KI-Systeme müssen modular, austauschbar und auf schnellen
Wandel ausgelegt sein.
3. Regulierung sollte Ziele definieren, nicht Innovation
technisch festschreiben.
–––
Mehr über Dr.Benjamin Linnik:
https://www.linkedin.com/in/benny587268/
---
Mehr über Dave König aka Frickeldave:
https://frickeldave.de
---
Mehr über die DOAG:
https://www.doag.org
---
Anstehende DOAG-Konferenzen:
DevLand 2026 | 12. & 13. März | Europa-Park Rust
https://www.devland.eu/de/
APEX connect 2026 | 18. - 20. Mai | Heide Park Soltau
https://apex.doag.org/de/home/
DOAG 2026 Datenbank mit Cloud Infrastructure | 18. - 19. Mai |
Heide Park Soltau
https://datenbank.doag.org/de/home/
CloudLand 2026 | 19. - 22. Mai | Heide Park Soltau
https://www.cloudland.org/de/home/
Hosted on Acast. See acast.com/privacy for more information.
Kommentare (0)
Melde dich an, um einen Kommentar zu schreiben.