DatenWG Library · thema
KI
Vor dem Einsatz von KI muss laut den Sprechern ein Daten- und Prozessfundament erarbeitet werden, das auch für andere Disziplinen als Basis dient. (Stand 2026-05) Ein großer Pharmakonzern hat bei einem KI-Projekt im GXP-Bereich die prüfenden Behörden aktiv eingebunden, um gemeinsam die Grenzen des Machbaren auszuloten. (Stand 2026-05) KI wird in symbolische, regelbasierte und nachvollziehbare KI sowie sub-symbolische KI wie Deep Learning und Sprachmodelle unterteilt, wobei letztere schwerer nachvollziehbar ist. (Stand 2026-05)
Aliase
AI Künstliche Intelligenz LLM ChatGPT Claude GPT Agenten Agent Machine Learning
Kernaussagen
- Der Beginn des Selbst-Ersetzens mit KI wird auf den letzten November datiert, also bewusst erst, nachdem sich die Tools etabliert hatten, statt sofort nach dem ChatGPT-Start.
- Kundenfeedback zeigt, dass es angesichts der schnellen Entwicklung bei KI und der Vielzahl an Werkzeugen rund um Microsoft Fabric und Community-Tools wie dem Power BI Fixer schwer ist, den Ueberblick zu behalten.
- Ein erstes funktionierendes Heatmap-Tool wurde mit Lovable anhand von rund fünf Prompt-Zeilen gebaut, nachdem der Prompt zuvor mit GPT vorbereitet wurde.
- Ein Jahresrückblick von Lovable ordnete ihn aufgrund seines Prompt-Volumens unter die Top 1 % der Programmierer weltweit ein.
- Eine Auswertung der eigenen Prompts ergab, dass 36 % davon sogenannte Adjustments (Verfeinerungen) waren, was einen iterativen statt von Anfang an perfekten Prompting-Stil widerspiegelt.
- Die von der KI gelieferte Interpretation der Daten war oft nur oberflächlicher Slop und nicht das, was für echte Entscheidungen gebraucht wurde.
- Der Umgang mit KI-gestützter, datenbasierter Teamarbeit wird als zunehmend wichtige Führungsaufgabe eingeordnet.
- KI kann kleinteilige operative Kommentare in managementtaugliche Zusammenfassungen übersetzen, die eigentliche Geschäftsentscheidung bleibt aber weiterhin bei Menschen.
- Der asynchrone Workflow erlaubt es Kunden, über das Tool zu kommentieren, ohne live in einem Meeting sitzen zu müssen, während die KI im Hintergrund weiter an den Erkenntnissen arbeitet.
- Die Entwicklung des Tools wurde aus eigener Tasche finanziert statt Kunden in Rechnung gestellt, zu geschätzt niedrigen vierstelligen statt sonst üblichen fünfstelligen Kosten für vergleichbare Programmierleistung.
- Der beschriebene Wandel wird explizit als Transformation statt als Ersetzung eingeordnet und als exponentiell statt linear verlaufend beschrieben, vergleichbar mit der historischen Einführung von Computern in der Bürowelt.
- Mittelstandsunternehmen wird empfohlen, mit KI schnell und günstig das nachzuholen, was Konzerne vor zwei Jahren gemacht haben, statt sechsstellige Individualsoftware-Projekte zu beauftragen.
- Als Abschlussempfehlung wird geraten, aktiv mit KI zu experimentieren, statt nur darüber zu lesen oder zuzuhören, und dabei auch ruhig etwas in Credits zu investieren.
- Julia sieht die Pharma- und Life-Science-Branche wegen datenaffiner Mitarbeiter und umfangreicher Sensorik-Daten als besonders geeignet für einen KI-first-Ansatz an.
- KI-Konzepte wie neuronale Netze, Entscheidungsbäume und Clusteranalysen sind laut Peter Gluchowski schon sehr lange bekannt und keine neuen Erfindungen.
- Martin empfiehlt, KI nicht wie ein deterministisches System, sondern eher wie einen Mitarbeiter zu behandeln.
- Arthur überträgt das Prinzip, dass in der Pharmabranche Prozesse validiert und Systeme qualifiziert werden statt Mitarbeiter, auch auf den Umgang mit KI.
- Vor dem Einsatz von KI muss laut den Sprechern ein Daten- und Prozessfundament erarbeitet werden, das auch für andere Disziplinen als Basis dient.
- Ein großer Pharmakonzern hat bei einem KI-Projekt im GXP-Bereich die prüfenden Behörden aktiv eingebunden, um gemeinsam die Grenzen des Machbaren auszuloten.
- KI wird in symbolische, regelbasierte und nachvollziehbare KI sowie sub-symbolische KI wie Deep Learning und Sprachmodelle unterteilt, wobei letztere schwerer nachvollziehbar ist.
- Für traditionelle KI existiert im GXP-Umfeld ein risikobasierter Ansatz, bei dem für jede Eigenentwicklung mögliche Fehlerquellen bewertet und Maßnahmen dokumentiert werden müssen.
- Claude-Skills funktionieren wie ein selbstgeschriebenes Handbuch, das die KI nach jeder Session um neue Erkenntnisse und Fehlerkorrekturen ergänzt.
- Auf der Plattform skills.sh sind nach Angaben des Gasts aktuell rund 80.000 bis 90.000 Skills gelistet, davon etwa fünf speziell für Power BI.
- Vor der Nutzung eines fremden Skills sollte man sich dessen Lizenzbedingungen und die Kompatibilität mit dem eigenen Setup prüfen lassen, da manche Lizenzen die Einbindung in eigene Produkte untersagen.
- Der GAMP-5-Leitfaden unterteilt den KI-Einsatz je nach Grad der Autarkie des Systems in unterschiedliche Sphären.
- Die Abkürzung TPLC steht für Total Product Lifecycle und stammt ursprünglich aus der Regulierung physischer Medizinprodukte, wird aber auch auf Software und KI übertragen.
- Nach Erfahrung des Gasts passen die von der KI aus dem Internet gelernten, generischen Dashboard-Designs nicht zum eigenen Analysestil in der Finanzverwaltung, der stark auf Rückschau und Innerbetriebsvergleich setzt.
- Martin unterscheidet Anwendungsfälle danach, ob eine KI-Aufgabe überhaupt GXP-reguliert ist, etwa ist Predictive Forecasting für die Budgetplanung nicht GXP-reguliert.
- Sobald eine KI über die Verwendbarkeit eines Zwischen- oder Endprodukts in der Produktion mitentscheidet, fällt der Einsatz laut Martin in einen regulierten Bereich.
- Arthur warnt davor, die Software beziehungsweise KI selbst validieren zu wollen, statt wie üblich den Prozess zu validieren und die notwendigen Systeme zu qualifizieren.
- Julia hält die automatisierte Auswertung unstrukturierter Daten aus sozialen Medien, Arztberichten und klinischen Studien für einen besonders wertvollen KI-Anwendungsfall in der Pharmakovigilanz.
- Laut Christoph betreiben mittlerweile die meisten großen Pharmakonzerne hybride Cloud-Umgebungen mit mehreren Anbietern und bauen darin Lakehouses für die Datenaufbereitung auf.
- Christoph warnt davor, durch den Einsatz von KI-Diensten externer Anbieter eine zusätzliche Abhängigkeit zu schaffen, ähnlich wie bei anderen Cloud-Diensten.
- Ein nicht veröffentlichter Entwurf der britischen Behörde MHRA forderte erstmals, dass der manuelle Prozess mindestens so sicher sein müsse wie der computergestützte Prozess, statt umgekehrt.
- Christoph beschreibt ein Reifegradmodell für KI-Systeme, das von reiner Beobachtung über Vorschläge und kontrollierte Ausführung bis zur Vollautomatisierung reicht.
- In der Praxis wird ein KI-gesteuerter Produktionsprozess häufig zusätzlich durch weiterhin gemessene kritische Prozessparameter als Sicherheitsnetz abgesichert, sodass eine Fehlentscheidung der KI kein Produktrisiko erzeugt.
- Julia empfiehlt, gezielt in Schulung und kulturellen Wandel der Belegschaft zu investieren, damit KI-Initiativen nicht zu Frust unter den Mitarbeitenden führen.
- Einer der Gäste hält es für vorstellbar, mit KI-Vibecoding in überschaubarer Zeit eigene IBCS-Visuals zu bauen, die kommerzielle Tools wie Zebra BI ersetzen könnten.
- Einer der Gäste schätzt, dass ein herkömmlicher Custom-Visual-Zugang im Schnitt 500 bis 600 Dollar kostet, während ein mit KI selbst gebautes Äquivalent nur etwa 200 Dollar Kosten verursacht.
- Einer der Gäste setzt bei größeren Projekten ein Multi-Agenten-System ein, in dem verschiedene KI-Modelle je nach Aufgabenkomplexität unterschiedliche Rollen übernehmen, um Kosten zu sparen.
Dokumente
- Willkommen auf dem Daten-WG Kanal
- GxP Talk - KI im regulierten Umfeld?
- Zehn Tage bis zum marktfähigen Stand
- Mensch bleiben, wenn Power BI geht
- Wie wahrscheinlich ist die KI-Apokalypse? — p(doom) im Ueberblick
- Gurkenkrise in Island und der Bullwhip-Effekt - Christian Schneider beim Daten-WG Offsite
- Ten Days to a Market-Ready State
- Daten-WG Deep Dive: AI on top of BI
- Daten-WG Life-Update | State of Power BI, Fabric & AI-Tools
- Vorbereiten der Daten für KI
- Report-Design als Framework — ein Skill für Power BI
- KI hat mich abgelöst | Daten-WG Podcast mit Burkhardt Gasber
- Was wir von Iron Man für Datenprojekte lernen können (data:unplugged Vortrag)
- Digitalisierung seit 20 Jahren — wann sind wir endlich fertig?
- Ist KI das neue Papier — und Markdown der neue Stift?
- Is AI the New Paper — and Markdown the New Pen?
- Von Patronen zu Prozessen
- Von Patronen zu Prozessen (nur Ton)
- Wie viel CO₂ steckt in einem Token? — KI-Energie-Simulator
- Fabric & Power BI Quarterly · 2026-1
- LogiMAT Arena Atrium 2026 | Expert Forum - Supply Chain Risiko Management
- Realtalk zu Self Service mit Power BI
- BI Thinkers Talk nr.77
- Fabric Workload Demo mit Alexander Korn und Lukasz Obst
- Unboxing MCP Server for Power BI Modelling
- Die Schweiz faehrt Europa davon — Bahnnutzung 2024
- 175 Jahre Klimageschichte zum Anfassen — Waermestreifen 3D
- 10 Jahre Power BI
- Projektcontrolling mit dynamischen Arbeitstagen in Power BI
- BI Thinkers Talk n.74
- Daten-WG Thinkers Talk nr.65
- Fabric & Power BI Quarterly · 2025 Q4
- Wie war die Daten-WG? · Im Gespräch mit Artur König
- Objektive Daten gibt es nicht
- BI Thinkers Talk nr.64
- ChartKitchen byDatenWG — Quick Start
- ChartKitchen byDatenWG — Schnellstart
- Slam @dataunplugged Pre-Event von @Dataciders
- Daten-WG 2026 Lineup
- Daten-WG Deep Dive Financial Reporting - part 5
- Daten-WG Deep Dive Financial Reporting pt.4
- Daten-WG Life-Update | Fabric Architekturen
- BI Thinkers Talk nr.76
- Wie war die Daten-WG? (2025, Teil 2)
- Fabric & Power BI Quarterly · 2025 Q3
- 27 Jahre in 10 Minuten - Peter Gluchowski beim Daten-WG Offsite
- Power BI Update November 2025
- Datenmodellierung ist Governance
- The Power of User Groups
- Prinzipien oder Paragrafen
- Was ist Self-Service und warum ist das so schwer?
- Power BI Update Mai 2025
- Power BI Update August 2025
- GxP Talk - Validierung vs. Agilität
- Power BI Update August 2026
- 10 Jahre BI für alle? Was Power BI wirklich verändert hat
- Wie war die Daten-WG 2025? (Teil 1)
- BI Thinkers Talk nr.67
- BI Thinkers Talk nr.75
- BI Thinkers Talk nr.68
- Was kostet ein klimaneutrales Stromsystem?
- Power BI Update Juli 2025
- Fabric & Power BI Quarterly | 2025 Q2
- BI Thinkers Talk n.72
- Mythos Data Vault und richtig große Modelle
- Power BI-Teams werden Fabric-Datendienstleister
- 600 SQL-Tabellen in Fabric
- Denken in Tabellen
- Microsoft Fabric — braucht das wirklich jemand?
- GxP Talk - Testing im GxP-Umfeld
- BI Thinkers Talk nr.63
- Daten-WG Deep Dive Financial Reporting
- Fabric & Power BI Quarterly · 2026-2
- BI Thinkers Talk nr.71
- Gaming + Real-Time-Analytics in Fabric = Fun-o-Meter @ Fabric Meetup
- Microsoft Fabric — Einsteiger-Guide
- Why Passion Beats Niche
- Power BI Deep Dive: DAX UDF + TMDL
- BI Thinkers Talk - Data Modeling - Fabric Data Days Edition [EN]
- BI Thinkers Talk n.73
- Daten-WG Deep Dive Financial Reporting - part 7
- Daten-WG BI Thinkers Talk nr.66
- Was braucht ein gesunder Strommix — und was kostet er?
- BI Thinkers Talk - Data Modelling - Fabric Data Days Edition
- ChartKitchen byDatenWG — Documentation
- ChartKitchen byDatenWG — Dokumentation
- Power BI von A bis Z — Einsteiger-Guide (End-to-End)
- Automatisierung gewinnt | Daten-WG Podcast mit Reinhard Mense
- Data Projects like Iron Man [AI dubbed]
- Declarative Visualization with DENEB
Nachbarthemen
- Power BI
- Microsoft Fabric
- Copilot
- Visualisierung
- Reporting
- Performance
- Datenmodellierung
- Excel
- Python
- Sicherheit
- Notebook
- SQL
- Daten-WG
- Schulung
- Community
Hinweise
Kernaussagen und Beziehungen sind maschinell erzeugt und nicht redigiert. Heuristische Kanten zählen Erwähnungen, keine Bedeutung. Bei Widersprüchen gilt das Video.