Besser Entscheiden aufgrund der Daten - eine Anleitung

Speaker 0: Kahi hat halt keine Moral, dass die die Moral setzt vorm Rechner, ob ich lügen will oder nicht. Und das hat was mit Datenkompetenz zu tun, nämlich mit dem ethischen Aspekt von Datenkompetenz. Wie geh ich eigentlich mit ja Fakten, mit Informationen die mich bestätigen, versus solchen, die mich eben nicht bestätigen? Hab ich da eine andere Haltung dazu?

Speaker 1: Markt und Mittelstand, der Podcast. Deutschlands Stimme für Familienunternehmen. Aktuelles und Zukunftsthemen rund den Motor der deutschen Wirtschaft. Mit Thorsten Giersch.

Speaker 2: Freie Hörerinnen und Hörer dieses Podcasts erinnern sich vielleicht an die Folgen mit Walter Krämer, dem deutschen Statistik Papst, wie ja einige sagen, mit Gerd Giegrenzer, da ging es Heuristiken, wie trifft man kluge Entscheidungen? Und auch heute geht es eine Buchautorin, die auch mit den beiden Erstgenannten zusammen schon ein Buch veröffentlicht hat. Jetzt ein neues, man kann auch sie, na ja, genderneutral als Statistik Pepstin in Deutschland bezeichnen. Die Rede ist von Katharina Schüller. Ihr neues Buch heißt Daten sind Macht und da geht es darum, wie man vor allen Dingen mit künstlicher Intelligenz kluge Entscheidungen trifft, was sich natürlich leichter anhört, als es in Wirklichkeit ist.

Ein grandioses Buch, von dem ich wahnsinnig viel gelernt habe und ich glaube, das wird auch für dieses Gespräch zutreffen. Frau Schüller, ich grüße Sie. Hallo.

Speaker 0: Hallo.

Speaker 2: Frau Schüller, ich fang mal mit dem Umgang mit Statistik allgemein an. Wir werden ganz viel noch über Technologie sprechen, über KI klar, wie grad in der Anmort auch schon erwähnt. Aber ich ich sag's mal 'n bisschen provokant, in Zeiten von Donald Trump und Fake News, in Zeiten von KI Videos, die's nie wirklich gegeben hat, spielen denn Fakten überhaupt noch eine Rolle in der Welt, in die wir grade reinlaufen?

Speaker 0: Na ja, umso wichtiger ist ja kritisches Denken, Fakten zu hinterfragen. Also ich mag gerne diesen diese dieses Verständnis davon zu sagen, Fakten sind halt was Gemachtes. Fakten sind Informationen in dem Kontext und es ist nicht was, was einfach so gottgegeben ist, nicht mal, dass das von Donald Trump gegeben ist, sind dann am Ende unhinterfragbare Fakten und damit müssen wir uns halt kritisch auseinandersetzen. Und mir hilft statistisches Denken dabei immer wieder, nämlich zu sagen, ja, es gibt immer eine gewisse Unsicherheit und ich muss natürlich überlegen, was ist denn eigentlich der Kontext?

Speaker 2: Wie oft gucken Sie in eine Zeitung oder hören auch Nachrichten oder im TV natürlich und sagen sich, meine Güte. Hier wieder Prozent anstatt Prozentpunkte oder irgendwas, wo Sie sagen, so kann man doch nicht mit Statistik umgehen als Journalist.

Speaker 0: Also ich kann mittlerweile ganz gut verdrängen, weil ich ansonsten ja den ganzen Tag mit nichts anderem beschäftigt wäre. Und dann bin ich auch 'n Mensch, mir passieren die gleichen Fehler, Fehlinterpretationen, wenn ich nicht aufpasse wie jedem anderen auch. Das hat was damit zu tun, wie wir Menschen ticken. Also dass wir eben zu Heuristiken neigen, zu Verzerrungen im Denken, weil wir uns ja nicht den ganzen Tag damit auseinandersetzen können, jedes kleinste Fitzelchen kritisch zu hinterfragen. Aber bei den großen Themen ist es extrem wichtig.

Und so, ja, ich könnte mich den ganzen Tag mit nichts anderem beschäftigen als statistische Fehlinterpretationen in Zeitungen und im Radio auseinanderzunehmen. Aber ich hab zum Glück auch ab und zu Besseres zu tun.

Speaker 2: Okay, also Felisi, liebe Hörerinnen und Hörer, wir verlinken einiges in den Shownotes. Wir hatten mit Gerd Giegerenzer das geschrieben, mit dem haben Sie zusammen ja auch schon mal 'n Buch geschrieben. Das verlinken wir alles in den Shownotes. Wir fokussieren uns heute tatsächlich natürlich auch das Entscheiden, grade auch für Führungskräfte in Unternehmen, inklusive natürlich der großen aktuellen Thematik mit KI. Daten, der Umgang mit Daten verändert sich dadurch natürlich auch.

Ich nehme mal 'n schönes Zitat aus Ihrem Buch, KI hat keine Moral und 'n anderes Zitat, Daten sind nie neutral. So, das sind 2 wie 'n Stein gemeisterte Sätze, wie ich finde. Was folgt daraus, wenn Sie sich jetzt, wenn das jetzt jemand liest, der in Unternehmen Entscheidungen treffen muss?

Speaker 0: Daraus folgt, dass wir uns unser Urteilsvermögen bewahren müssen und die Verantwortung für Entscheidungen nicht abgeben dürfen. Daten sind nicht neutral, heißt Daten sehen oft zu außer sein, das ist was total Objektiv ist, das ist gemessen, das ist absolut trennscharf. Aber tatsächlich ist irgendwann mal irgendeine Entscheidung getroffen werden worden, was wir eigentlich messen wollen, was wir beobachten wollen. Also jemand ist zu der Entscheidung gekommen, okay, dieses Phänomen ist so interessant, dass wir uns überhaupt damit statistisch oder in Form von Daten auseinandersetzen wollen. Und das hat große Auswirkungen darüber zum Beispiel, wohin Forschungsgelder fließen oder welche Daten wir überhaupt verfügbar haben.

Und dann das Nächste ist, wie erheben wir eigentlich die Daten? Mit welcher Art werden die gemessen, in welcher Granularität? Wie werden sie denn ausgewertet und so? Also bis zu dem Punkt, wo wir von einem realen Phänomen zu 1 Statistik oder auch der Aussage 1 KI die sind eben nicht neutral, da stecken Überzeugungen dahinter, Werte, Normen, Vorstellungen darüber, wie die Welt ist, aber auch vielleicht, wie sie sein sollte. Und das hat eben was mit Moral und Ethik zu tun, nämlich das, was wir zum Beispiel als fair empfinden, was abgebildet werden sollte, was optimiert werden sollte und so weiter.

Speaker 2: Und was sagen Sie denen, die jetzt zum Beispiel beim Recruiting, hab ich grad 'n Riesenstück drüber gemacht, wenn KI Tools dort eingesetzt werden, für Gerechtigkeit zu sorgen. So einfach ist es nicht, wenn die ja dann auch von Daten und Menschen und Verhaltensweisen programmiert worden ist, die ja auch Biases unterliegen, oder?

Speaker 0: Ja, es gibt jetzt zig Beispiele dafür, wie solche Tools total entgleist sind, sag ich mal, wobei vielleicht waren sie nie richtig auf Spur, sondern die wurden ja mit Daten gefüttert, die bisherige Entscheidungen widerspiegeln. Ich frag das manchmal bei mir in Vorstellungsgesprächen, dass ich sag, stell dir mal vor, ich möchte dich als Data Scientist einstellen und ich hab hier einen Datensatz und aus dem könntest Du mir Vorschläge entwickeln, wie ich meine Mitarbeiter besser vergüten soll, also angemessen und fair. Und jetzt hab ich gehört, dass das Geschlecht ja da möglicherweise eine verzerende Rolle spielt, also nimm doch die Variable Geschlecht raus, damit wir objektiver sind. So. Was ist die Antwort?

Die richtige Antwort ist, Gottes willen bloß nicht, weil Geschlecht spiegelt sich ja in so vielen anderen Variablen auch wieder. Das heißt, ich hab da eine Diskriminierung drin, die aber ich überhaupt nicht mehr aufdecken kann und ich hab's ganze Problem noch schlimmer gemacht. Das heißt, sich solche Zusammenhänge auch mal zu überlegen, wo spiegeln sich denn möglicherweise diskriminierende Faktoren wieder in den Daten, die ich habe und in den Daten, mit denen ich dann später 'n Algorithmus trainiere, das ist die ganz wichtige Denkaufgabe, die eine Führungskraft hat, wenn sie entscheidet, ob sie KI für Recruitingaufgaben einsetzen will.

Speaker 2: Mhm. Ich kenne einige Geschäftsführer, die wir in einem ehrlichen Moment natürlich nicht zitabel mal gesagt haben, wenn Du 'n Wirtschafts, wenn Du 'n bisschen mufferst, dass die Wirtschaftsprüfer ins Haus kommst, schütte sie mit Daten so voll mit Information, dass sie dann den die Leiche im Keller nicht mehr sehen. Wird so was wahrscheinlich mit 'n KI Zeiten schwieriger, wenn wenn wir sozusagen die Maschine uns 'n bisschen hilft, denn der Ideale aller Welten?

Speaker 0: Ich fürchte, im Gegenteil. Jetzt kann ich mit KI diese Daten ja auch noch so aufbereiten und interpretieren lassen, dass das Ganze nach 'nem extrem professionellen Report aussieht, nicht nur nach 'ner schnell zusammengeschusterten Excel Tabelle, sondern professionell formatiert mit Visualisierungen und so weiter. Das heißt, ich kann aus 20 Seiten, die jemand von Hand schreiben musste oder manuell schreiben musste, kann ich jetzt 200 machen mit den perfekten Grafiken dazu. Ich glaube nicht, dass das Problem kleiner wird, eher größer.

Speaker 2: Hat die fortschreiten der Technologie unseren Umgang mit Daten und Fakten eigentlich besser gemacht, wenn wir jetzt mal echt die letzten Jahrzehnte raus zurückgehen? Also das ist für uns Journalisten natürlich auch noch einfach die Minesänger, waren da so die ersten Journalisten, die durften, Hauptsache dem König hat's gefallen, der sie bezahlte, sonst durften die auch nicht singen, was sie wollten. Aber ich ich weiß nicht, ob's einig die Jahrzehnte über immer besser geworden ist, wie wir mit, dass wir der Wahrheit näherkommen, uns mal so platt zu formulieren.

Speaker 0: Für mich ist das kein eindeutiges Ja und Nein. Das sind halt Werkzeuge und wenn man sich diese Werkzeuge vertraut macht, professionell damit arbeitet und versteht, was damit auch schiefgehen kann, dann hat man eine Chance, auf jeden Fall besser zu werden und kritischer zu hinterfragen. Ich mein, uns stehen jetzt so viele Informationen offen und auch Möglichkeiten, Meinungen zu teilen, Ansichten zu teilen, Dinge richtig Dinge richtigzustellen, die hatten wir früher ja niemals. Ich mein, wenn ich jetzt nicht die Möglichkeit gehabt hätte, über die Unstatistik, also unseren Blog mit Gerd Gigarenzer, Walter Kremmer und Thomas Bauer, auch übers Internet und Newsletter viele Menschen zu erreichen, ey, wer hätte denn jemals auf mich gehört, so die kleine Statistikerin aus München, ja? Also ich hab diesen Technologien ja auch viel zu verdanken.

Auf der anderen Seite kann damit halt auch viel Unsinn verbreitet werden und grade wo Macht konzentriert ist, Geld konzentriert ist und damit die Möglichkeit halt auch Informationen in großem Maße zu streuen, kann halt auch sehr viel manipuliert werden. Also es ist 'n extrem zweischneidiges Schwert, Ja, immer son bisschen Kampf David gegen Goliath, würde ich sagen.

Speaker 2: Und das zu beschreiben, zitieren Sie in Ihrem Buch die großartige Martina Navratilow war. Tennisspielerisch wie mit ihren Matches gegen Steffi Graf groß geworden sozusagen. Die hat 'n wuchtiges Zitat gesagt damals, es kommt nicht drauf an, wie gut Du bist, wenn Du gut spielst, sondern wie gut Du bist, wenn Du schlecht spielst und oder bist. Und das gilt natürlich auch fürs Führen. In dem Sinne, dass man da genau wie Sie gerade beschreiben, pass auf, dass Du nicht Entscheidung triffst in schlechten Momenten mit schlechten Daten oder?

Interpretier ich das so richtig?

Speaker 0: Ja, das ist ein eine mögliche Interpretation. Ich mein, gute Führung hat sich ja jetzt nicht verändert, nur weil wir KI haben oder weil wir mehr Zugriff auf Daten haben. Aber letztlich ist es schlechte Daten, falsche Daten können halt in Extremfällen zu so großen Fehlentscheidungen führen, dass sie 'n ganzes Unternehmen ruinieren. Also oder oder Fehlannahmen und hat man hat eine in Finanzkrisen beispielsweise ja falsche Vorstellungen darüber, wie die Welt funktioniert, wie Finanzmärkte funktionieren, führen am Ende dazu, dass das ganze System crasht. Das heißt, son gewisses Grundlevel, eine Grundqualitätssicherung in meinen Entscheidungen und datenbasierte Entscheidungen sind, natürlich auch in den Daten, ist unverzichtbar.

Speaker 2: KI liefert ja keine Gewissheiten. Es fühlt sich aber manchmal für uns so an, oder? Also KI liefert Wahrscheinlichkeiten. Großer Unterschied, oder?

Speaker 0: Ja, das ist 'n Riesenunterschied, weil KI dadurch auch falschliegen kann, nur leider klingt sie halt oft so, als sei sie völlig von sich überzeugt. Und ich ich musste grade wieder dran denken, ich hab gestern son kleines Büchlein aus meinem Regal geholt, in das ich mal wieder mal reinschaue, das heißt der Minutenmanager. Und da wird situatives Führen beschrieben und die erste Stufe ist, wie führe ich einen Mitarbeiter, der keine Ahnung hat, aber extrem motiviert ist. Also so der der jetzt sofort mit Vollgas loslegen will und wenn ich dieses Bild von 'ner KI habe, hilft es schon extrem weiter. Das heißt, ich muss wirklich klar sein in meinen Ansagen an die KI, ich muss wissen, was ich erwarte und ich muss wissen, wie ich beurteilen kann, ob das Ergebnis eigentlich stimmt oder nicht.

Und wenn ich Ich hab mir dann so gedacht, okay, wenn ich KI, wenn ich mein Large Language Modell so führe nach diesem Stil, nach diesem ersten situativen, also diesem ersten Führungsstil und diesem Dirigieren, das wär vielleicht 'n ganz guter Denkansatz.

Speaker 2: Denkansatz wäre vielleicht auch zu sagen, Datenkompetenz ist eine Kulturtechnik, oder? Ist das eine?

Speaker 0: Ja, weil sie uns hilft, unser Denken und unser Urteilen zu strukturieren. Und ich möchte auch ganz klarstellen, ich versteh unter Datenkompetenz oder Data Literacy nicht eine Expertenkompetenz, sondern es geht darum, was wir alle jeden Tag wissen müssen, uns in 1 Welt, die halt zunehmend von Digitalisierung und Daten geprägt ist, gut orientieren zu können, erfolgreich zu sein und auch mit den Risiken umzugehen. Das heißt kritisches Hinterfragen, wie kommen Daten eigentlich zustande? Was für eine Aussagekraft haben Sie? Welche Fehler können bei der Datenerhebung oder Verarbeitung passieren?

Und wie interpretiere ich Ergebnisse? Und wie lasse ich mich

Speaker 1: auch nicht täuschen von manipulativen Darstellungen, beispielsweise so Grafiken, die

Speaker 0: in die Irreführender beispielsweise so Grafiken, die in die Irre führen, da fallen uns ja wahrscheinlich 1000 Beispiele ein.

Speaker 2: Nun ist es so, eine Kulturtechnik wie das Lesen haben wir mal gelernt und das Lesen ist in 5 Jahren auch noch das Lesen. Mathematik im weitesten Sinne auch so, man vergisst son paar Sachen, der gesunde Dreisatz ist bei einigen Erwachsenen auch schon mal irgendwann weg, aber im Grunde ist die Grund sozusagen Kulturtechnik, Mathematik jetzt auch noch da. Jetzt leben wir grad in soner Phase, in soner Ära, wo diese Datenkompetenz dank KI und all den Tools, die jetzt grade entstehen, bald KI Agenten noch viel mehr irgendwie grade übern Haufen geworfen wird. Wir müssen das, wir müssen dranbleiben, oder? Also das ist ja jetzt echt auch eine eine Riesenaufgabe, nicht nur Schulen umzustellen Unis, sondern auch uns

Speaker 0: so grade ein Punkt, den Sie ganz am Anfang angesprochen haben mit den Prozentrechnen, ja. Wie viele Menschen können heute nicht mehr Prozent rechnen oder wissen solche Basics nicht, dass Prozentwerte halt riesengroß aussehen können, wenn die Basis klein ist. Also angenommen, ich sag jetzt als Manager, oh, ich hab's geschafft, den Frauenanteil bei mir in Führungspositionen zu verdoppeln. Was ich nicht sage, ich hab jetzt aus 1 2 gemacht von 100, ja. Und das ist auch eine Verdoppelung prozentual mit diesen Dingen, also sowas kritisch zu hinterfragen und dass sofort die Alarmglocken angehen, wenn ich eine Prozentzahl sehe und mir überlege, okay Prozent von was?

Oder was ist der Unterschied zwischen relativen und absoluten Risiken und so weiter und so fort. Also diese Aspekte müssen wir uns wirklich immer wieder zu Gemüte führen.

Speaker 2: Wenn's gut läuft, ist es natürlich passiert Folgendes. Also ich sag ja immer, es gibt son grad zum Thema Arbeit oder so. Jeder Politiker oder jeder, der eine Präsentation macht, findet ja mit einem Mal googeln irgend eine Umfrage, die genau das widerspiegelt, was er gesagt hat. Und nimmt die rein und tut so, als wär das die eine Wahrheit. Wenn man das jetzt heute die Maschine fragt und eine KI clever ist, die dann auch sagt, na ja, es gibt tatsächlich Umfragen, die so sind, aber eine Menge, da gibt's eine Variable und die muss da auch noch einberechnet und in Wirklichkeit ist es gar nicht so.

Ich könnte jetzt 1000 Beispiele nennen. Die Deutschen arbeiten zu viel oder zu wenig, auch sone OECD Studie, die völlig falsch benutzt wird. Ja, also vielleicht, wenn man wenn die KI clever ist, hilft so uns im Vergleich zu diesem jahrelang rumgegooglet, sag ich jetzt mal, dass uns auf falsche Umfragen geführt hat. Steile These?

Speaker 0: Ja, aber dann sind wir halt wieder bei dem Punkt vom Anfang. K, hier hat halt keine Moral, dass die die Moral vorm Rechner, ob ich lügen will oder nicht. Also ob ich zur postdezisionistischen Argumentation tendiere, das heißt, mir die Argumente dann zusammensuche, wenn ich schon längst entschieden habe oder ob ich offen an Themen drangehe und ob ich offen bin auch gegenüber Erkenntnissen oder gegenüber Ergebnissen von Datenanalysen und und Studien, die halt meiner ersten Meinung widersprechen. Und das hat was mit Datenkompetenz zu tun, nämlich mit dem ethischen Aspekt von Datenkompetenz. Wie geh ich eigentlich mit ja Fakten, mit Informationen die mich bestätigen versus solchen, die mich eben nicht bestätigen?

Hab ich da eine andere Haltung dazu? Und das kann ich mich im stillen Kämmerlein durchaus mal hinterfragen, ist denn das son? Ich beobachte das auch ab und zu an mir selber. Ich sitz an Daten ab und zu, beschäftige ich mich selber noch mit Datenanalysen. Nicht so oft, aber immer wieder mal Und hab dann vielleicht auch eine Hoffnung, was ich da finden könnte.

Und wenn sich das dann nicht bestätigt, ist schon son bisschen Moment der Enttäuschung da. Gut, aber damit Leben zu lernen gehört ja auch zum Erwachsenwerden.

Speaker 2: Absolut. Jetzt kommen wir mal auf die organisatorische eben. Sie diskutieren ja auch viel mit Unternehmerinnen und Unternehmern, sind da auf Veranstaltung. Glauben Sie, dass Unternehmen ab 1 gewissen Größe so was wie, ich sag jetzt mal ganz provokanten, schief Statistik Officer brauchen, also jemanden, der Datenkompetenz hat, grad auch in dieser Phase und in Entscheidungsprozesse miteinbezogen wird?

Speaker 0: Das wär natürlich fantastisch. In gewisser Weise braucht es diese Kompetenzen auf jeden Fall, wenn KI genutzt wird, weil ja nach dem AI Act auch eine Risikobewertung durchgeführt werden muss. Das heißt, ich muss in der Lage sein, zu verstehen, was kann eigentlich passieren mit den Systemen, die ich einsetzen möchte? Welche erwünschten, aber auch vor allem unerwünschten Folgen könnten sie haben? Und das hat sehr viel damit zu tun, die Modellstrukturen dahinter auch zu verstehen und zu verstehen, was kann passieren, wenn ich die Daten, mit denen ich diese Modelle trainiere, nicht sorgfältig prüfe.

Und das sind Grundkompetenzen von Statistikern. Insofern wäre diese Kompetenz sicherlich in großen Unternehmen, die KI einsetzen wollen von großem Vorteil.

Speaker 2: Also vielleicht viele Coder, die jetzt nicht mehr gebraucht werden, schnell noch 'n bisschen aufsatteln und umschulen, Da da ist großer Bedarf da am Markt, das da sieht man schon, komm. Wenn Sie jetzt Führungskraft sind, sag ich frag jetzt mal negativisch, was sind so häufige Fehler, die Sie bei Führungskräften direkt oder indirekt wahrnehmen im Umgang mit Daten, richtig Statistiken, wo Sie sagen, Du tust dem Unternehmen damit weh? Mhm.

Speaker 0: Also ich hab oft den Eindruck, dass zu wenig Zeit drauf verwandt wird, überhaupt mal die richtigen Fragen zu stellen. Also sich zu überlegen, was ist eigentlich genau mein Problem? Was will ich lösen und wann ist es gelöst? Das heißt, sone Definition of dann auch für das Thema Daten zu erarbeiten. Das haben wir in vielen anderen Kontexten finden wir das als Führungskräfte normal, aber beim Thema Daten dann halt oft auch nicht, sondern dann heißt das, ja, die Daten sprechen für sich selbst.

Oder jetzt lassen wir mal einen Algorithmus über die Daten laufen und schauen, was rauskommt. Ja, aber das ist, wenn ich nicht weiß, was ich will, das heißt ja so schön, wenn ich nicht weiß, in in welchen Hafen ich segeln will, dann ist halt jeder Wind der Falsche. Und das diese ist die erste wichtige Kompetenz und dann in der Lage zu sein, dass auch Datenexperten zu erklären, was sie brauchen. Auch da sind viele Führungskräfte nicht so klar und meine Aufgabe in der Beratung ist dann ganz oft mal rauszufinden, hey, was willst Du eigentlich? Und welche Erwartungshaltung hast Du an die Daten und ist dir bewusst, was Daten leisten können und was Daten nicht leisten können und dass sich halt am Ende auch nicht jede Entscheidung berechnen lässt.

Also diese Fähigkeit, weiterhin selber zu urteilen und auch Verantwortung für Entscheidungen zu übernehmen, grade wenn's halt dann doch schiefgeht oder wenn das, was ein Modell vorausgesagt hat, sich am Ende halt doch im unwahrscheinlichen Fall von 5 Prozent als falsch erweist, dann muss ich halt in der Lage sein, das auch zu rechtfertigen und meine Annahmen offenzulegen und so.

Speaker 2: Vielleicht noch eine persönliche Frage zum Abschluss, Sie auch mit dem Unstatistikblog eben schon erwähnt. Man macht sich nicht nur Freunde damit, oder? Gibt's da auch manchmal richtig Gegenwind?

Speaker 0: Ja, immer wieder. Also ich bin auf die verschiedensten Arten und Weisen schon angegriffen worden. Ich sag dann immer, na ja, ich hab 4 Kinder großgezogen. Ich halte eine Menge aus.

Speaker 2: Und was sagen die dann so? Also was was was was kann man denn Ihnen, also kommt man ja mit vernünftigen, logischen Menschen wahrscheinlich gar nicht hinter, wenn man das liest oder also was was was oder gab's mal wirklich auch eine richtig harte Kritik, wo Sie gesagt haben, die stimmte dann doch mal?

Speaker 0: Die stimmte dann doch mal. Also wir haben in in Zeiten, also als die Coronapandemie losging, haben wir son bisschen einen Schwenk gemacht in der Unstatistik und mehr angefangen auch Statistik zu erklären anstatt sehr kritisch an den Pranger zu stellen und dann erst mal zu erklären, was passiert da eigentlich, was sind diese Reproduktionszahlen und so weiter. Und haben uns dann am Anfang auch eher tendenziell für die Maßnahmen ausgesprochen und hatten dann aber auch teilweise wieder so, haben's da 'n bisschen relativiert. Und ich bin nach wie vor der Meinung, dass es richtig war, am Anfang zu sagen, okay, wir müssen einfach vom Schlimmsten ausgehen. Aber ich glaube, wir hätten einfach deutlicher machen müssen noch mal, dass es jetzt nichts ist, was sich aus den Daten ergibt, sondern dass wir eine Riesenunsicherheit in in dem ganzen Thema drin haben.

Und dass wir dass wir einfach sagen müssen, ja, es kann sein, dass das alles relativ harmlos ist. Es kann sein, dass alles superschlimm ist und dass diese Entscheidung nimmt uns die Statistik nicht ab, was wir jetzt daraus machen. Und ich glaube, da hätten wir deutlich herausstellen können, wo die Grenze ist zwischen dem, wozu wir als Statistiker Stellung nehmen können und dem, wo einfach Menschen in politischen Entscheidungspositionen dann ihre Entscheidung treffen müssen und wir halt vielleicht nicht mal einen Rat geben sollten, sondern nur die Optionen offenlegen.

Speaker 2: Apropos Corona, glauben Sie, dass es Dinge gibt, mit denen man nicht rechnen kann? Schwarze Schwäne nennt man's Portalapp ja auch so schön. Also Dinge, wo man einfach sagt, der nächste Lockdown wird irgendwann kommen, das ist wahrscheinlich datentechnisch kaum zu vermeiden. Ob wir gut vorbereitet sind, wage ich mal dahin zu stellen. Oder eben ganz andere Sachen, mit denen man vielleicht noch nicht so rechnet oder auch rechnen kann.

Die grauen Nashörner gibt's ja noch, die Sachen, die man eigentlich wissen könnte, aber ignoriert hat, war immer eine tolle Folge hier dazu. Und dass aber, glauben Sie, dass dass da irgendwas auf uns zukommt auf die nächsten Jahre, was uns völlig überraschen wird?

Speaker 0: Ständig. Es gibt 'n sehr lesenswertes Buch von Charles Parrow, normale Katastrophen. Und da beschreibt er, dass in komplexen, dynamischen Systemen es unvermeidbar ist, dass es irgendwann zu Katastrophen kommt, weil sich Kleinigkeiten einfach aufschaukeln. Und im Nachhinein ist dann jeder schlauer und sagt, ja, der war schuld oder der war schuld und da hätte man noch eingreifen können. Wahrscheinlich hätte man an ganz vielen Stellen im System diese Katastrophe noch noch mal stoppen können, aber keiner hat sie halt gesehen, weil diese enorme Komplexität für Menschen einfach nicht mehr überschaubar ist.

Die Frage ist, ob sie für KI überschaubar ist irgendwann. Vielleicht wär das mal 'n sinnvolle Anwendungsmöglichkeit, aber das hab ich noch nicht durchdacht, würd ich vielleicht mal machen.

Speaker 2: Da haben wir noch was zu tun mit der Maschine. Frau Schüller, vielen, vielen Dank.

Speaker 0: Danke.

Speaker 2: Und ich danke auch Ihnen, liebe Hörerinnen und Hörer und sage wie immer, bleiben Sie gesund und erfolgreich. Bis zur nächsten Folge.

Speaker 0: Tschüs.

Speaker 1: Das war Markt und Mittelstand, der Podcast.