DOAG VOICES

Warum gute Anforderungen wichtiger sind als perfekte Modelle — und weshalb KI eher fragt als ersetzt. Künstliche Intelligenz verspricht enorme Produktivitätsschübe in der Softwareentwicklung — doch viele Probleme entstehen lange vor dem ersten Code. In dieser Folge spricht Host Dave König mit Unternehmer und Softwarearchitekt Mirko Seifert darüber, warum unklare Anforderungen, überladene Backlogs und falsche Prioritäten oft die eigentlichen Projektkiller sind — und wie KI hier sinnvoll unterstützen kann. Seifert erzählt von seinem Weg vom C64-Programmierer über die Forschung zu domänenspezifischen Sprachen bis zum Gründer zweier Tech-Firmen mit der Mission, bessere Software zu ermöglichen. Im Zentrum steht sein KI-gestütztes Tool, das Anforderungen nicht einfach generiert, sondern im Interview-Modus hinterfragt. „Selbst sehr intelligente Menschen vergessen Dinge — eine KI, die nachfragt, verändert Denkprozesse“, so Seifert. Gemeinsam diskutieren die beiden, ob KI Product Owner ersetzen kann, warum Jira trotz Kritik dominiert und weshalb Microservices im Zeitalter großer Sprachmodelle neue Vorteile haben könnten. Auch Architektur-Trends zwischen Monolith-Renaissance und Serverless-Vision sowie die wachsende Komplexität moderner Systeme stehen im Fokus. Ein besonderes Highlight ist das Spiel „Tech-or-Myth?“, bei dem zwei KI-generierte Geschichten gegeneinander antreten — eine wahr, eine erfunden. Dabei zeigt sich, wie schwer Realität und plausibel klingende Fiktion inzwischen zu unterscheiden sind. Diese Episode ist kein KI-Hype, sondern ein ehrlicher Blick darauf, wie Technologie Arbeit verändert, ohne sie automatisch zu vereinfachen. ––– Kapitelübersicht: 00:00 – Intro DOAG VOICES FutureAI 00:16 – Vom C64 zur KI-Firma Seiferts Weg vom frühen Programmieren über Forschung bis zur Gründung von Beratungs- und Produktfirmen. 07:56 – Warum Anforderungen scheitern User Stories, Konflikte zwischen Fachbereichen und Entwicklung sowie typische Probleme im Requirements Engineering. 12:35 – KI im Interview-Modus Wie gezielte Rückfragen durch KI bessere Anforderungen ermöglichen und Denkprozesse erweitern. 18:18 – Kontext statt Halluzinationen Warum Projektwissen aus Tickets, Code und Dokumentation entscheidend für sinnvolle KI-Ergebnisse ist. 24:21 – Tech-or-Myth? – Das Spiel Zwei KI-Geschichten treten gegeneinander an — und zeigen, wie plausibel Fiktion wirken kann. 28:30 – Kann KI Product Owner ersetzen? Warum Priorisierung und Verantwortung weiterhin menschliche Aufgaben bleiben. 35:14 – Architektur neu gedacht Monolith, Microservices und Serverless im Spannungsfeld moderner Softwareentwicklung. 41:53 – Komplexität und DevOps-Realität Warum Infrastruktur und Teamrollen immer anspruchsvoller werden. 48:36 – Legacy vs. Greenfield Unterschiedliche Herausforderungen bei neuen Systemen und gewachsenen Codebasen. 51:24 – Outro DOAG VOICES FutureAI ––– Die Top 3 Learnings dieser Episode: 1. KI verbessert Anforderungen vor allem durch Fragen — nicht durch fertige Antworten. 2. Softwareprobleme sind häufig organisatorisch, nicht technisch. 3. Architekturentscheidungen müssen künftig auch KI-Nutzbarkeit berücksichtigen. ––– Mehr über Mirko Seifert: https://www.linkedin.com/in/mirko-seifert/ --- 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/ ––– Ein ganz besonderer Dank von Mirko Seifert geht an das ganze Team, das "hinter der Kamera" die lustig-spannenden Clips mit großem Erfolg realisiert. Hosted on Acast. See acast.com/privacy for more information.

Low-Code und No-Code sind längst kein Nischenthema mehr. In dieser DOAG-VOICES-Folge sprechen Dave König, Markus Bernhart und Vanessa Schmitz darüber, wie sich Softwareentwicklung aktuell neu erfindet – zwischen klassischen Pro-Code-Stacks, Citizen Developern, Plattformdenken und dem wachsenden Einfluss von KI. Markus Bernhart erklärt, warum Low-Code nicht als Ersatz, sondern als Erweiterung moderner Softwareentwicklung verstanden werden muss. Plattformen wie Mendix, OutSystems, Camunda oder Oracle APEX zeigen, dass deklarative und konfigurationsbasierte Ansätze heute produktionsreif sind – auch im Enterprise- und Behördenumfeld. Gleichzeitig wird deutlich: Governance, Security und klare Rollenmodelle bleiben unverzichtbar. Vanessa Schmitz gibt Einblicke in die Arbeit der Low-Code-Association und erläutert, warum gerade öffentliche Verwaltung, Mittelstand und Enterprise-IT von strukturiertem Low-Code-Einsatz profitieren können. Ziel ist nicht Schatten-IT, sondern kontrollierte, skalierbare Entwicklung mit klaren Leitplanken. Ein zentrales Thema ist das Zusammenspiel von Low-Code und KI. Vibe-Coding, Prompt-basierte Entwicklung und agentische Systeme eröffnen neue Möglichkeiten, werfen aber auch Fragen nach Wartbarkeit, Versionierung und Enterprise-Tauglichkeit auf. Die Diskussion zeigt: KI wird Low-Code nicht ersetzen, sondern verstärken. Abgerundet wird die Folge durch das Spiel „Tech- oder Myth-Facts?“, persönliche Einblicke und einen Blick auf die Zukunft der Softwareentwicklung zwischen Plattformen, Automatisierung und neuen Entwicklerrollen. ––– Kapitelübersicht: 00:00 • Intro Willkommen bei DOAG VOICES DevLand 00:30 • Vorstellung der Gäste Markus Bernhart und Vanessa Schmitz über ihre Rollen und Hintergründe. 03:19 • Was bedeutet Low-Code heute? Definitionen, Marktbewegungen und warum Abgrenzung immer schwieriger wird. 09:56 • Citizen Developer & neue Rollenbilder Zwischen Fachbereich, IT und professioneller Entwicklung. 15:34 • Governance, Security & Plattformdenken Warum Low-Code klare Regeln braucht – und sie liefern kann. 22:24 • Tech- oder Myth-Facts? Skurrile Tech-Geschichten zwischen Wahrheit und Legende. 26:44 • Low-Code trifft KI & Vibe-Coding Chancen, Grenzen und reale Enterprise-Erfahrungen. 35:04 • Die Low-Code-Association Ziele, Community-Arbeit und warum Vernetzung entscheidend ist. 43:40 • Outro ––– Die Top 3 Learnings dieser Episode: 1. Low-Code ist keine Abkürzung, sondern eine moderne Form von Softwareengineering. 2. Citizen Developer brauchen Governance – Plattformen liefern dafür die Basis. 3. KI und Vibe-Coding entfalten ihren Mehrwert erst in Kombination mit Low-Code-Ansätzen. ––– Mehr über Markus Bernhart: https://www.linkedin.com/in/bernhart/ ––– Mehr über Vanessa Schmitz: https://www.linkedin.com/in/vanessa-schmitz-1b1bb3a2/ ––– 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/ ––– Das Gespräch entstand während der großen Konferenzwoche der DOAG – mit vier Events vom 17. bis 21. November 2025 – im Nürnberger Kongresszentrum. Sämtliche Sessions der dort Vortragenden sind nachträglich mit einem entsprechenden On-demand-Ticket zum jeweiligen Event nachträglich aufrufbar. --- Das im Podcast besprochen Buch der Low-Code Association "Paradigmenwechsel Low-Code: Softwareentwicklung (fast) ohne Programmierung (KI – Best Practice in Industrie, Dienstleistung und Verwaltung)" (herausgegeben 2025) ist über den Buchhandel und bei vielen Online-Portalen erhältlich, z.B. Amazon: https://amzn.eu/d/09XaTmLY Hosted on Acast. See acast.com/privacy for more information.

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.

Künstliche Intelligenz ist allgegenwärtig – doch der erfolgreiche Einsatz beginnt nicht mit dem Training eines Modells, sondern mit der richtigen Auswahl. In dieser Folge von DOAG VOICES FutureAI spricht Host Dave König mit Dr. Melanie Sigl über genau diese oft unterschätzte Herausforderung. Ausgangspunkt ist ihre Dissertation zu Transfer Learning auf multivariaten Zeitreihen – ein Thema mit hoher Relevanz für industrielle Anwendungen und Predictive Maintenance. Dr. Sigl erläutert, warum vortrainierte Modelle nicht automatisch gute Ergebnisse liefern und weshalb die Ähnlichkeit zwischen Datensätzen entscheidend ist. Anhand praxisnaher Beispiele zeigt sie, wo klassische Distanzmaße an ihre Grenzen stoßen und wie Methoden wie Dynamic Time Warping helfen, Zeitreihen sinnvoll vergleichbar zu machen. Darauf aufbauend geht es um Learning-to-Rank-Ansätze wie RankNet, mit denen sich Modelle systematisch bewerten lassen – statt Entscheidungen nach Bauchgefühl oder reiner Hardware-Verfügbarkeit zu treffen. Das für Auflockerung sorgende Spiel "Tech or Myth Facts?" zeigt erneut eindrucksvoll, wie schnell technologische Entwicklungen mystifiziert werden – und wie wichtig ein nüchterner Blick auf Fakten bleibt. Abseits der Forschung beleuchtet die Folge die Realität von KI-Projekten: Cloud-Infrastrukturen, Cloud-native Services, souveräne Alternativen, On-Prem-Betrieb und die Herausforderungen beim Übergang in den produktiven Einsatz. Dr. Sigl macht deutlich, dass technologische Exzellenz allein nicht ausreicht – entscheidend sind Wirtschaftlichkeit, Akzeptanz und ein realistischer Blick darauf, wann KI sinnvoll ist und wann klassische Verfahren genügen. --- Kapitelübersicht: 00:00 – 00:16 | Intro Begrüßung, Vorstellung und Einordnung der Edition FutureAI. 00:16 – 03:10 | Persönlicher Hintergrund Vorstellung von Dr. Melanie B. Sigl, Werdegang zwischen Beratung, Forschung und Führung. 03:10 – 07:10 | Dissertation & Motivation Transfer Learning auf multivariaten Zeitreihen und zentrale Forschungsfragen. 07:10 – 11:45 | Modellauswahl statt Modellbau Warum vortrainierte Modelle sinnvoll sind – und ihre Auswahl oft komplexer ist als ihr Training. 11:45 – 14:09 | Ähnlichkeit von Zeitreihen Dynamic Time Warping als Methode zur Vergleichbarkeit komplexer Zeitverläufe. 14:09 – 16:56 | Tech or Myth Facts? KI-Mythen, Tech-Anekdoten und der Umgang mit technologischem Fortschritt. 16:56 – 22:50 | Learning to Rank & RankNet Systematische Modellbewertung jenseits klassischer Distanzmaße. 22:50 – 28:10 | Predictive Maintenance Industrielle KI-Anwendungsfälle und vorausschauende Wartung. 28:10 – 33:45 | Cloud & Souveränität Cloud-native Services, hybride Szenarien und On-Prem-Alternativen. 33:45 – 39:20 | KI produktiv bringen Change-Management, Akzeptanz und typische Stolpersteine. 39:20 – 42:16 | Karriere & Lernen Persönliche Einblicke, lebenslanges Lernen und Open Source. 42:16 – 42:36 | Outro Abschluss und Verabschiedung. --- Die Top 3 Learnings dieser Folge: 1. Die Wahl des richtigen KI-Modells ist entscheidender als dessen Training. Datensatz-Ähnlichkeit und Kontext bestimmen den Erfolg von Transfer Learning. 2. Systematische Bewertungsverfahren schlagen Bauchgefühl. Learning-to-Rank-Ansätze wie RankNet ermöglichen fundierte Modellentscheidungen. 3. KI-Erfolg ist kein reines Technikthema. Wirtschaftlichkeit, Akzeptanz und organisatorische Einbindung sind zentral für den produktiven Einsatz. --- Mehr über Dr. Melanie Sigl: https://www.linkedin.com/in/melanie-sigl/ --- 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/ CloudLand 2026 | 19. - 22. Mai | Heide Park Soltau https://www.cloudland.org/de/home/ Hosted on Acast. See acast.com/privacy for more information.