TechnologyBusinessManagement

Me, Myself & IT Leadership

Daniel Jauss

IT-Führung aus drei Perspektiven. KI-Host Nova fordert Daniel heraus — als Techie, Führungskraft und Mensch. Buchbesprechungen, Tech-Trends und Leadership-Insights für IT-Entscheider im DACH-Raum.

Play

Open in

28 episodes
Avg 27 min
German

Episodes 28

Newest Oldest Longest

All20 Unplayed20 In progress0 Played0

Counted on this page — what you have heard stays on this device, so it is not something the list can be paged by.

S1 · E39
Tuesday · 17 min
#19 (EN): Building on Strengths with CliftonStrengths
This episode looks at why so much leadership energy goes into fixing weaknesses instead of amplifying what people already do well. Daniel and Nova walk through CliftonStrengths, the Gallup instrument built on Don Clifton's reversal of the classic psychology question, and discuss what it actually measures, what it costs, and where the scientific criticism around reliability and validity is justified. They separate the hype from the substance: what gets overrated, like printed reports and one-off workshops, and what gets underestimated, like conflict de-escalation, team composition, and the relief of being allowed to have gaps. Daniel also shares free alternatives to CliftonStrengths and a concrete three-question framework for applying strengths thinking to real team decisions. Key topics: - Why closing weakness gaps has worse leverage than amplifying existing strengths, and the math behind that argument - How CliftonStrengths works in practice: the paired-statement test, the 34 talent themes, the four domains, and typical cost - Honest engagement with methodological criticism: test-retest reliability, provider-led validation, and the Barnum effect - Why the value of the instrument lies in creating shared vocabulary for a team, not in measurement precision - Three overrated aspects: the printed report, one-off workshops without follow-up, and using talent profiles to determine job roles - Three underestimated effects: psychological relief, conflict de-escalation, and better team composition through deliberate difference - The self-report problem: answering strategically versus answering as a wished-for self-image, and why both break the model - Free alternatives to CliftonStrengths, including VIA Character Strengths, High Five, and Big Five or HEXACO - A practical three-question framework for leaders: amplify, organize, tolerate Key takeaway: Stop trying to create well-rounded people. Give tasks to whoever is naturally strong at them, manage relevant gaps through people or process instead of training them away, and openly tolerate weaknesses that do not matter for the role. This starts with the leader modeling it first, not with a vendor or a workshop.
S1 · E38
Tuesday · 22 min
#19 (DE): Stärken Stärken - Lehren aus CliftonStrengths
In dieser Folge geht es um CliftonStrengths, ehemals StrengthsFinder, und die Frage, ob es für Führungskräfte klüger ist, Schwächen zu reparieren oder Stärken auszubauen. Daniel erklärt, wie das Instrument von Gallup funktioniert, was es kostet, und ordnet offen ein, wo die wissenschaftliche Kritik berechtigt ist, etwa beim Barnum-Effekt und der schwachen Validierung. Gleichzeitig zeigt er an konkreten Beispielen aus Workshops und Teamalltag, warum der Wert des Tests weniger in der Messgenauigkeit liegt als in der gemeinsamen Sprache, die er einem Team gibt. Es geht außerdem darum, wie man mit Schwächen umgeht, ohne sie zu ignorieren, warum Teams aus lauter ähnlichen Persönlichkeiten riskant sind, und welche kostenlosen Alternativen zu CliftonStrengths es gibt. Zum Schluss übertragen Daniel und Nova das Prinzip auch auf die Erziehung von Kindern und liefern drei konkrete Fragen für den Führungsalltag. Die wichtigsten Themen: - Warum es günstiger ist, eine Stärke von einer Sieben auf eine Neun zu bringen, als eine Schwäche von einer Zwei auf eine Vier zu trainieren - Wie CliftonStrengths aufgebaut ist, was der Test kostet und welche vier Bereiche die 34 Talentthemen abdecken - Welche methodische Kritik es gibt, etwa zum Barnum-Effekt und zur schwachen Wiederholbarkeit der Ergebnisse - Warum der eigentliche Nutzen nicht im Testergebnis liegt, sondern im gemeinsamen Gespräch danach - Drei Wege, mit einer Schwäche umzugehen: durch einen Menschen abfedern, durch einen Prozess abfedern, oder sie schlicht aushalten - Warum Teams aus ähnlichen Persönlichkeiten eine gemeinsame blinde Stelle haben und wie man das bei Einstellungen vermeidet - Die Gefahr, Menschen anhand ihres Testprofils in feste Rollen zu sortieren, statt Tendenzen als Ausgangspunkt zu sehen - Kostenlose Alternativen zu CliftonStrengths: VIA Character Strengths, High Five und die Big Five beziehungsweise HEXACO - Die Übertragung des Prinzips auf Kinder und Schulnoten, weg von der Fixierung auf die schlechteste Note Take-away: Führungskräfte sollten sich bei jeder größeren Aufgabe drei Fragen stellen: Wer im Team ist hier von Natur aus stark, und bekommt deshalb die Aufgabe? Wo gibt es eine Lücke, die für die Rolle wirklich zählt, und wie wird sie durch einen Menschen oder Prozess abgefedert? Und welche Schwäche ist schlicht nicht relevant und darf einfach bestehen bleiben? Der Mut, selbst offen über eigene Schwächen zu sprechen, ist dabei die Voraussetzung dafür, dass das Team es einem nachmacht.
S1 · E36
September 7 · 18 min
#18 (EN): Technical Debt Is Leadership Debt
This episode looks at technical debt not as a coding problem but as a leadership problem. Daniel and Nova work through why companies manage financial debt with precision, interest rates, owners, and repayment terms, while technical debt usually just gets pushed into the backlog. They cover what technical debt actually includes beyond old code, why taking it on can be the right business call under time pressure, and why the real failure happens later, once nobody remembers what was borrowed or why. The core of the conversation is Daniel's five-step "debt ladder," running from deliberate debt to hostage debt, plus a concrete mechanism for putting technical debt on the books the way depreciation works in finance. Key topics: - Why taking on technical debt can be the right business decision, and why the failure is not tracking it afterward - The real costs of unmanaged technical debt: slower changes, more incidents, vendor lock-in, security exposure, frustrated developers - The incentive mismatch where the business unit that benefits from a shortcut is never the one who pays for it later - Daniel's five-level debt ladder: deliberate, orphaned, forgotten, structural, and hostage debt - Why a debt register needs four fixed fields per entry: a price, an owner, a repayment budget, and a term - Answering a CFO's objection that a dedicated repayment budget just becomes a blank check for IT - Anchoring debt repayment in a formal controlling process, similar to depreciation, so it survives beyond one budget cycle - Where AI can already help today: scanning codebases and processes to surface forgotten and structural debt faster than manual audits Key takeaway: Technical debt itself is not the problem, since taking it on deliberately can be the right call under pressure. The failure is losing track of it, with no price tag, no owner, no budget, and no repayment date. Daniel argues the fix is structural, not moral: put repayment on whoever took out the loan, register every debt with a price and an owner, and anchor repayment in the same kind of formal process companies already use for depreciation.
S1 · E37
September 7 · 22 min
#18 (DE): Technische Schulden sind Führungsschulden
In dieser Folge geht es um technische Schulden – und warum sie in den meisten Organisationen kein Engineering-Problem sind, sondern ein Führungsproblem. Daniel und Nova sprechen darüber, warum das Aufnehmen technischer Schulden eine legitime Geschäftsentscheidung sein kann, wo genau sie kippt, und warum Unternehmen bei einem Millionenkredit selbstverständlich nach Zinssatz, Verantwortlichem und Laufzeit fragen – bei technischer Schuld aber nicht. Daniel stellt sein Fünf-Stufen-Modell vor, die Schulden-Leiter von bewussten über herrenlose, vergessene und strukturelle Schulden bis zur Geisel-Schuld, und erklärt, warum die Anreize zwischen Fachbereich und IT strukturell schief liegen: Wer den Kredit aufnimmt, zahlt ihn selten zurück. Daraus leitet er einen konkreten Mechanismus ab – Verantwortung beim Kreditnehmer, ein Schuldenregister mit Preis, Verantwortlichem, Budget und Laufzeit, sowie eine feste Verankerung im Controlling-Prozess, ähnlich wie bei Abschreibungen. Für IT-Führungskräfte, die ihre Systemlandschaft ehrlich einschätzen und einen belastbaren Prozess für den Schuldenabbau aufbauen wollen, liefert die Folge ein direkt anwendbares Werkzeug. Die wichtigsten Themen: - Technische Schulden sind kein Ausdruck schlechter Entwicklung, sondern das Ergebnis bewusster oder unbewusster Priorisierungsentscheidungen der Führung. - Der Unterschied zwischen legitimer Kreditaufnahme und Führungsversagen liegt darin, ob die Rückzahlung geplant wird oder in Vergessenheit gerät. - Die Schulden-Leiter unterscheidet fünf Stufen: bewusste, herrenlose, vergessene, strukturelle und Geisel-Schulden. - Geisel-Schulden entstehen, wenn Kosten, fehlende Skills oder Abhängigkeiten eine Ablösung faktisch unmöglich machen. - Die Anreize zwischen Fachbereich und IT sind strukturell schief: Der Nutzen aus dem Feature landet bei Sales, die Zinsen bei der IT. - Ein wirksamer Mechanismus verlagert die Rückzahlungsverantwortung zum Kreditnehmer statt zur IT. - Ein Schuldenregister mit Preis, Verantwortlichem, Budget und Laufzeit macht Schulden sichtbar und vergleichbar. - Nachhaltige Rückzahlung braucht einen festen Controlling-Prozess, ähnlich der Abschreibung von Maschinen, statt Absichtserklärungen in Meeting-Protokollen. - KI kann vergessene und strukturelle Schulden heute systematisch aufspüren, die Entscheidung über den Umgang damit bleibt aber Führungsaufgabe. Take-away: Technische Schulden verschwinden nicht dadurch, dass man sie ignoriert – sie verschwinden nur aus dem Blickfeld. Wer sie wie einen echten Kredit behandelt, mit Preis, Verantwortlichem, Budget und Laufzeit, verankert im Controlling statt in Meeting-Protokollen, behält die Kontrolle über den eigenen Kreditrahmen. Die konkrete Übung: die zehn wichtigsten Systeme ehrlich auf die Schulden-Leiter einsortieren und mit Controlling einen festen Rückzahlungsprozess vereinbaren.
S1 · E35
September 1 · 53 min
#17 (DE): Wer bezahlt den KI-Boom?
Diese Folge geht der Frage nach, wer die aktuellen Investitionen in KI-Infrastruktur tatsächlich finanziert. Ausgangspunkt sind die rund 650 Milliarden Dollar, die Alphabet, Amazon, Meta und Microsoft in diesem Jahr in Rechenzentren stecken, und die Aufteilung dieser Summe auf eigene Cashflows, Anleihen, Private Credit und bilanzferne Zweckgesellschaften. Daniel und Nova gehen anhand von Zahlen des IWF, der OECD, der Bank für Internationalen Zahlungsausgleich und mehrerer Marktanalysen durch, wie das Finanzierungsrisiko aus den Konzernbilanzen von Meta, Amazon und Microsoft in Konstruktionen wie das Louisiana-Rechenzentrum von Meta und Blue Owl wandert, und wie zirkuläre Geschäftsbeziehungen zwischen Nvidia, den Hyperscalern, OpenAI und Anthropic Umsätze erzeugen, die auf einen sehr dünnen echten Endkunden treffen. Im zweiten Teil geht es um die Kostenseite: warum die heutigen Token-Preise eher Marktanteilspreise als Vollkostenpreise sind, wie Anthropic und OpenAI ihre Abo-Modelle im Juni umgebaut haben, nachdem agentische Nutzung die Kalkulation gesprengt hatte, und was das für Unternehmen wie Uber und Meta intern bedeutet hat. Dazu kommt der Vergleich mit chinesischen Open-Weight-Modellen wie DeepSeek, GLM und Kimi, die Frage nach eigener Hardware als Versicherung statt als Kostenersparnis, und am Ende die historischen Parallelen zu Eisenbahn- und Glasfaserblasen sowie die konkrete Folge für jeden, der einen MSCI-World-Sparplan bespart: die automatische Aufnahme von SpaceX und potenziell Anthropic in globale Indizes. Für IT-Führungskräfte liefert die Folge damit weniger eine Meinung als eine Rechengrundlage für Budgetentscheidungen und Business Cases rund um KI. Die wichtigsten Themen: - Die weltweite Rechenzentrums-Finanzierung bis 2028 liegt laut IWF bei 2,9 Billionen Dollar, davon nur 48 Prozent aus eigenem Cashflow der Hyperscaler, der Rest aus Anleihen, Private Credit und Beteiligungskapital. - KI-bezogene Private-Credit-Deals sind 2025 auf 59 Milliarden Dollar gestiegen, fast das Siebenfache des Vorjahres, während der freie Cashflow von Amazon, Microsoft, Alphabet und Meta zusammen von rund 205 auf etwa 94 Milliarden Dollar einbricht. - Am Beispiel von Metas Rechenzentrum in Louisiana zeigen Daniel und Nova, wie über Zweckgesellschaften und Restwertgarantien Schulden entstehen, die die Bank für Internationalen Zahlungsausgleich als „Schattenverschuldung" bezeichnet. - Zirkuläre Finanzierung zwischen Nvidia, den Hyperscalern, OpenAI und Anthropic sorgt dafür, dass laut The Information rund die Hälfte des Auftragsbestands von Amazon, Google und Microsoft aus Zusagen von OpenAI und Anthropic besteht. - Die heutigen Token-Preise sind eher Marktanteilspreise als Vollkostenpreise; Anthropic und OpenAI haben im Juni ihre Abo-Modelle umgebaut, nachdem agentische Nutzung bis zu 175-mal mehr Rechenleistung verbraucht hat als kalkuliert. - Nur 26 Prozent der Unternehmen haben laut einer KPMG-Erhebung Transparenz über ihre KI-Kosten, was unter anderem bei Uber und Meta zu abrupten Budgetdeckeln geführt hat. - Chinesische Open-Weight-Modelle wie DeepSeek, GLM und Kimi sind laut OpenRouter-Daten 60 bis 90 Prozent günstiger als westliche Spitzenmodelle und werden bereits in 85 Prozent der Fortune-500-Unternehmen eingesetzt. - Historische Parallelen zu Eisenbahn- und Glasfaserblasen zeigen: Die Technologie kann sich durchsetzen, während die erste Investorengeneration ihr Kapital verliert, weil Infrastruktur Jahrzehnte hält, GPUs aber nur wenige Jahre. - Der Börsengang von SpaceX und die absehbare Erstnotiz von Anthropic führen dazu, dass praktisch jeder MSCI-World- oder Nasdaq-100-Sparplan automatisch zum Investor wird, ohne dass Anlegerinnen und Anleger das aktiv entscheiden.
S1 · E34
September 1 · 40 min
#17 (EN): Who Pays for the AI Boom
Daniel and Nova look at how the current AI buildout is actually financed, going beyond headline capex numbers from Alphabet, Amazon, Meta and Microsoft to trace where the money really comes from: company cash flow, bond markets, and private credit and special purpose vehicles that do not appear on any balance sheet. They use IMF and OECD financing data, a detailed look at Meta's Louisiana data center deal with Blue Owl, and the circular revenue flows between Nvidia, the hyperscalers, OpenAI and Anthropic to show how much of the reported growth rests on companies investing in and buying from each other. The second half turns to what this means for practitioners and investors. They break down why API token prices and subscription prices diverge so sharply at OpenAI and Anthropic, why agentic tools like Claude Code, GitHub Copilot and OpenClaw forced a wave of pricing changes in June, and how KPMG data shows most companies have no real visibility into their AI spending. They also cover the rise of cheaper Chinese open-weight models such as DeepSeek, Kimi, Qwen and GLM, the risk of export control driven model outages, and how automatic index inclusion means anyone with an MSCI World or Nasdaq 100 savings plan is already exposed to AI bets like SpaceX and a possible Anthropic IPO. Key topics: - How the roughly 650 billion dollars in 2026 hyperscaler data center spending from Alphabet, Amazon, Meta and Microsoft is actually funded, based on IMF and OECD financing breakdowns - The rise of private credit and off balance sheet special purpose vehicles, illustrated by Meta's Louisiana data center, financed mostly by Blue Owl - The circular deal structure between Nvidia, the hyperscalers, OpenAI and Anthropic, and what share of hyperscaler order backlogs comes from those two companies - Why Amazon's reported profit relied heavily on unrealized gains from its Anthropic stake while free cash flow collapsed - The gap between profitable API token pricing and loss making subscription plans at OpenAI and Anthropic, and the June pricing changes at Anthropic, GitHub Copilot and Copilot Cowork - Real world cost blowouts from agentic AI usage at Uber and Meta, and survey data showing most companies lack cost visibility into their AI spending - The growing competitiveness of Chinese open-weight models like DeepSeek, Kimi, Qwen and GLM, their pricing advantage, and the state subsidies and cheap power behind them - The risk of export control related access outages for cloud hosted models versus locally run open weight models - How automatic inclusion in indexes like MSCI World, FTSE All-World and the Nasdaq 100 exposes ordinary retirement savers to AI bets such as SpaceX and a possible Anthropic IPO Key takeaway: AI technology works and is likely here to stay, but that does not guarantee the current wave of investors gets paid back. Daniel argues IT leaders should budget for token costs several times higher than today's market share pricing, treat local compute as insurance against price hikes and access cutoffs rather than a pure cost saving, and recognize that most retail investors are already exposed to this bet through ordinary index fund savings plans, whether they know it or not.
S1 · E33
August 24 · 28 min
#16 (DE) IT Leadership News August 2026
In dieser Folge von Me, Myself & IT Leadership sprechen Daniel und Nova über die IT Leadership News im August 2026 — und über ein Muster, das sich durch sehr unterschiedliche Meldungen zieht: Herkunft, Verantwortung, Datenflüsse und Kosten von KI. Es geht um Anthropic-Wasserzeichen im Kontext des EU AI Act, Agenten-Sicherheit auf der Black Hat, mysteriöse anonyme Modelle auf OpenRouter, die Übernahme von OpenRouter durch Stripe, neue Trainingsklauseln bei Atlassian, humanoide Verkehrspolizisten in China und Anthropics möglichen Börsengang. Die wichtigste Frage der Folge: Weißt du eigentlich genau, womit du gerade arbeitest — welches Modell, welcher Anbieter, welche Datenkette, welche Kostenlogik und welche Verantwortung dahinterstehen? Die wichtigsten Themen: - Warum KI-Wasserzeichen nicht automatisch beweisen, dass ein Text vollständig von KI geschrieben wurde - Was der EU AI Act konkret bei KI-generierten Inhalten verändert - Warum Agenten-Sicherheit zu einer eigenen Disziplin wird - Welche Risiken durch Agenten-Frameworks, Skill-Marktplätze und KI-generierte Security-Patches entstehen - Warum kostenlose anonyme Frontier-Modelle für Unternehmen ein massives Schatten-IT-Risiko sein können - Was die OpenRouter-Übernahme durch Stripe für KI-Routing, Tokenkosten und FinOps bedeutet - Warum Anbieter-Änderungshinweise zur laufenden Governance gehören - Was IT-Führungskräfte aus den August-News konkret ableiten können Take-away: Bei jedem KI-Einsatz sollten Führungskräfte drei Fragen beantworten können: Wer hat es gebaut? Wo landen meine Daten? Und was kostet es wirklich — nicht pro Token, sondern pro erledigter Aufgabe?
S1 · E32
August 24 · 21 min
#16 (EN) IT Leadership News August 2026
In this episode of Me, Myself & IT Leadership, Daniel and Nova discuss the IT leadership news for August 2026 — and the pattern behind a set of very different stories: provenance, responsibility, data flows, and the real cost of AI. They talk about Anthropic’s invisible watermarking in the context of the EU AI Act, AI agent security at Black Hat, mysterious anonymous models on OpenRouter, Stripe’s acquisition of OpenRouter, Atlassian’s updated training clauses, humanoid traffic police robots in China, and Anthropic’s potential IPO. The central question of the episode: Do you actually know what you are working with — which model, which provider, which data chain, which cost logic, and which responsibility sits behind it? Key topics: - Why an AI watermark does not automatically prove that a text was fully written by AI - What the EU AI Act changes for AI-generated content - Why agent security is becoming its own discipline - The risks created by agent frameworks, skill marketplaces, and AI-generated security patches - Why free anonymous frontier models can become a serious shadow-IT and data-loss risk - What Stripe’s acquisition of OpenRouter could mean for AI routing, token costs, and FinOps - Why vendor change notices need to become part of continuous AI governance - What IT leaders can practically take away from this month’s news Take-away: For every AI use case, leaders should be able to answer three questions: Who built it? Where does my data go? And what does it really cost — not per token, but per completed task?
S1 · E31
August 17 · 27 min
#15 (DE): Quantum Computing – Gibt’s das noch?
In dieser Folge von Me, Myself & IT Leadership sprechen Daniel und Nova über Quantum Computing — und stellen die Frage: Gibt’s das eigentlich noch? Daniel erzählt von seinem Besuch bei IBM im Jahr 2019, von einem echten Quantencomputer, viel Zukunftsversprechen und der Frage, was davon heute für IT-Führungskräfte wirklich relevant ist. Wir räumen mit Mythen auf, erklären verständlich den Unterschied zwischen Bits und Qubits, sprechen über Fehlerkorrektur, aktuelle Entwicklungen bei Google, IBM, Quantinuum, Europa und China — und landen bei dem Punkt, der schon heute konkret ist: Verschlüsselung. Denn Quantum Computing ist nicht tot. Es ist vielleicht genau an dem Punkt, an dem KI vor einigen Jahren war: noch nicht überall praktisch, aber strategisch nicht mehr ignorierbar. Die wichtigsten Themen: - Warum Quantencomputer keine „schnelleren normalen Computer“ sind - Welche Probleme Quantum Computing wirklich lösen kann — und welche nicht - Warum Fehlerkorrektur der entscheidende Fortschritt ist - Was China, USA und Europa im Quantum-Rennen tun - Warum „Harvest now, decrypt later“ schon heute ein reales Risiko ist - Weshalb IT-Führungskräfte jetzt über Krypto-Inventur und Post-Quantum-Cryptography nachdenken sollten - Wie Unternehmen Quantum sinnvoll beobachten, ohne in Hype-Aktionismus zu verfallen Take-away: Für die meisten Unternehmen ist Quantum Computing noch kein Strategieprogramm. Aber Verschlüsselung, Kryptoinventur und quantensichere Migration gehören ab jetzt auf den Radar. EU AI Transparenz Act Hinweis: Inhalt: Menschengemacht Stimme Daniel: Echt / Mensch Stimme Nova: KI Generiert Titelbild: KI Generiert
S1 · E30
August 17 · 21 min
#15 (EN): Is Quantum Computing Still a Thing?
In this episode of Me, Myself & IT Leadership, Daniel and Nova revisit quantum computing and ask a simple question: is that still a thing? Daniel starts with a memory from 2019, standing in front of a real IBM quantum computer — the famous golden, chandelier-like machine — and the question that has stayed with him ever since: what does this actually mean for IT leaders in day-to-day business? Together, Daniel and Nova cut through the hype, explain what quantum computers really are, where the technology currently stands, why error correction matters, and why the most concrete leadership decision today is not about buying quantum hardware — it is about encryption. Topics include: - Why quantum computers are not just faster normal computers - Qubits, superposition, entanglement, and interference explained in plain language - What quantum computing can realistically solve — and what it cannot - Why error correction is the key breakthrough to watch - The quantum race across IBM, Google, Quantinuum, Europe, Microsoft, and China - Why “harvest now, decrypt later” is already a real security risk - What IT leaders should do now about cryptographic inventory and post-quantum cryptography - How to monitor quantum without falling into premature strategy theatre Key takeaway: Quantum computing is not dead. For most companies, it is not yet an execution topic — but encryption, crypto inventory, and post-quantum readiness belong on the radar now. EU AI Transperancy Act Note: Content: Human made Voice Daniel: AI Voice Clone Voice Nova: AI Generated Episode Picture: AI Generated
S1 · E29
August 10 · 24 min
#14 (DE): Ersetzt KI bald Manager Jobs?
In dieser Folge sprechen Daniel und Nova darüber, ob KI bald Manager-Jobs ersetzt — und warum die eigentliche Frage tiefer liegt: Was bleibt von Management übrig, wenn Koordination, Reporting und Übersetzung zunehmend automatisiert werden? Daniel ordnet aktuelle Schlagzeilen zu Management-Abbau bei großen Unternehmen ein, unterscheidet zwischen KI als Ursache und KI als Narrativ, und zeigt, warum echte Führung durch KI nicht weniger, sondern wichtiger wird. Themen der Folge: - Warum KI viele Management-Routinen automatisieren kann - Weshalb Koordination nicht dasselbe ist wie Führung - Was aktuelle Studien und Rückrudern-Beispiele wirklich zeigen - Warum mittlere Führung durch KI sogar stärker belastet werden kann - Das Risiko einer zukünftigen Führungslücke - Daniels Fünf-Schichten-Modell: Koordinieren, Übersetzen, Entscheiden, Ausrichten, Entwickeln - Warum KI Leadership-Kompetenz belohnt
S1 · E28
August 10 · 19 min
#14 (EN): Does AI Kill Manager Jobs?
In this episode, Daniel and Nova explore whether AI will soon replace management jobs — and why the real question goes deeper: what remains of management when coordination, reporting, and translation are increasingly automated? Daniel puts current headlines about management cuts at major companies into context, distinguishes between AI as the actual cause and AI as a convenient narrative, and explains why real leadership becomes more important — not less — in an AI-driven organization. Topics in this episode: - Why AI can automate many management routines - Why coordination is not the same as leadership - What current studies and corporate reversals really show - Why middle management may become even more pressured by AI - The risk of a future leadership gap - Daniel’s five-layer model: coordinate, translate, decide, align, develop - Why AI rewards true leadership capability
S1 · E27
August 4 · 26 min
#13 (DE): Leadership Entscheidungen bei rasanter Veränderung
In dieser Folge von **Me, Myself & IT Leadership** geht es um eine Führungsfrage, die in vielen Unternehmen immer akuter wird: Wie entscheidet man gut, wenn sich Technologie, Märkte und Rahmenbedingungen schneller verändern als klassische Entscheidungsprozesse? Daniel und Nova sprechen darüber, warum in dynamischen Umfeldern nicht die falsche Entscheidung der größte Kostenblock ist, sondern oft die verzögerte Entscheidung. Es geht um Analyse ohne Scheinsicherheit, um Konsens als Stärke und Risiko, um Reversibilität, Portabilität und darum, warum Unternehmen gerade in knappen Zeiten oft ausgerechnet mit Langsamkeit reagieren. **Themen der Folge:** - Warum Entscheidungszyklen in Konzernen oft nicht mehr zum Tempo technologischer Veränderung passen - Weshalb perfekte Analyse bei KI, Cloud und Plattformthemen schnell zur Illusion wird - Warum Konsens Entscheidungen absichern kann, aber spätere Korrekturen erschwert - Reversibilität als zentrales Entscheidungskriterium - Portabilität als praktische Antwort auf schnelle Technologiewechsel - Two-Way-Doors und One-Way-Doors in der Umsetzung - Warum Teams eskalieren, obwohl sie unter langsamen Entscheidungen leiden - Wie falsche Anreizsysteme Nicht-Entscheidungen belohnen - Warum Budgetknappheit Entscheidungswege oft verlängert statt verkürzt - Was KI-Hype mit ungeklärter Verantwortung zu tun hat - Welche Rolle Führungskräfte einnehmen müssen, wenn Technologiezyklen immer kürzer werden **Kernaussage:** In schnellen Märkten gewinnt nicht automatisch die Organisation mit der einen perfekten Entscheidung. Es gewinnt die Organisation, die schneller bewusst revidierbare Entscheidungen trifft — und ihre Architektur, Verträge und Verantwortlichkeiten so baut, dass Kurskorrekturen möglich bleiben. **Hosts:** Nova und Daniel Jauss **Podcast:** Me, Myself & IT Leadership
S1 · E26
August 4 · 23 min
#13 (EN): Decision Making In Rapid Change
In this episode of **Me, Myself & IT Leadership**, Nova and Daniel discuss one of the most pressing leadership challenges in technology today: how to make good decisions when markets, technologies, and operating conditions move faster than traditional corporate decision cycles. The conversation explores why, in fast-changing environments, the biggest cost is often not the wrong decision — but the delayed one. Daniel explains why perfect analysis can become an illusion, why consensus can both help and slow organizations down, and why reversibility and portability are becoming essential leadership principles. **Topics in this episode:** - Why corporate decision cycles often no longer match the speed of technological change - Why perfect analysis can create false confidence in fast-moving topics like AI, cloud, and platforms - How consensus can protect decisions but make later corrections harder - Reversibility as a core decision criterion - Portability as the practical answer to fast technology shifts - Two-way doors and one-way doors in real implementation work - Why teams escalate decisions even when they suffer from slow decision-making - How incentive systems reward non-decisions and punish mistakes - Why budget pressure often makes organizations slower instead of faster - What the AI hype reveals about unclear responsibilities - What leadership needs to do when technology cycles keep getting shorter **Core idea:** In fast markets, the winning organization is not necessarily the one that makes the one perfect decision. It is the organization that makes faster, consciously revisable decisions — and designs its architecture, contracts, and responsibilities so that course corrections remain possible. **Hosts:** Nova and Daniel Jauss **Podcast:** Me, Myself & IT Leadership
S1 · E25
July 28 · 18 min
#12 (DE): IT Leadership News Juli 2026
Die Themen dieser News-Folge: von Anthropic, das deutsche offene KI-Modell Soofi S, europäische Cloud-Souveränität, Bewegungen bei OVH Cloud und StackIT — und die Frage, ob „AI-Native SAFe“ ein hilfreicher Governance-Ansatz oder eher ein Warnsignal für neues Framework-Theater ist. Themen dieser Folge: • Der autonome KI-Angriff auf Hugging Face — was wirklich passiert ist • Warum OpenAIs Cyber-Testumgebung zum Problem wurde • Zero-Day-Marktplätze verständlich erklärt • Die Asymmetrie zwischen angreifender und verteidigender KI • Warum lokale oder souverän betriebene Modelle für Cyberabwehr wichtig werden • Anthropic: Fable 5, Opus 5 und die neue Modelllandschaft • Soofi S: ein offenes deutsches KI-Modell für industrielle Anwendungen • IPCEI-CIS und Europas Weg zu digitaler Souveränität • OVH Cloud, StackIT und souveräne Cloud Architekturen AI-Native SAFe, KI-Governance und die Gefahr von Frameworks vor Praxis
S1 · E24
July 28 · 16 min
#12 (EN): IT Leadership News July 2026
Topics in this news episode: • The autonomous AI attack on Hugging Face — what really happened • Why OpenAI’s cyber test environment became a problem • Zero-day marketplaces explained in plain language • The asymmetry between attacking and defending AI systems • Why locally or sovereignly operated models matter for cyber defense • Anthropic: Fable 5, Opus 5 and the evolving model landscape • Soofi S: an open German AI model for industrial applications • IPCEI-CIS and Europe’s path toward digital sovereignty • OVH Cloud, StackIT and sovereign cloud as a real architecture decision • AI-Native SAFe, AI governance and the risk of putting frameworks before practice
S1 · E23
July 20 · 28 min
#11 (DE): Wenn der Vorhang fällt, schau hinter die Kulissen
Wenn der Vorhang fällt – schau hinter die Kulissen Wie entsteht dieser Podcast eigentlich? In dieser Folge legen Daniel und Nova nichts weg – schonungslos offen, Schritt für Schritt. Von der ersten Idee über das Skript, die KI-Stimme, den Produktions-Agenten bis hin zu Instagram und den Stellen, wo es wirklich weh tut. Themen dieser Folge: - Warum Transparenz das Versprechen dieses Podcasts ist – von Anfang an - Die Podcast-Pipeline: Skript, Stimme, Veröffentlichung – wie alles zusammenhängt - Warum Daniel inzwischen selbst ins Mikrofon spricht, obwohl er einen Stimmklon hat - Wo Automatisierung einfach war – und wo sie an Zugangshürden scheitert (Stichwort LinkedIn) - Der Unterschied zwischen einem funktionierenden Piloten und einem dauerhaften Betrieb - Take-Away in drei Schritten: wie du selbst anfängst, ohne ein Vollzeitprojekt zu starten - Sonderhinweis: diese Folge erscheint zusätzlich auf Hindi – als Live-Beweis für die Geschwindigkeit der Automatisierung Me, Myself & IT Leadership – der Podcast für IT-Führungskräfte zwischen Technologie, Strategie und Menschlichkeit.
S1 · E22
July 20 · 17 min
#11 (EN): When the curtain falls
When the Curtain Falls – A Look Behind the Scenes How is this podcast actually made? In this episode, Daniel and Nova hold nothing back — radically open, step by step. From the first idea to the script, the AI voice, the production agent, Instagram, and the places where it really hurts. Topics in this episode: - Why transparency has been the promise of this podcast from the beginning - The podcast pipeline: script, voice, publishing — how everything connects - Why Daniel now speaks into the microphone himself, even though he has a voice clone - Where automation was easy — and where it fails because of access barriers, especially LinkedIn - The difference between a working pilot and sustainable operations - A three-step take-away: how to start yourself without turning it into a full-time project - Special note: this episode is also released in Hindi — as live proof of the speed automation makes possible Me, Myself & I.T. Leadership — the podcast for I.T. leaders between technology, strategy, and humanity.
S1 · E21
July 20 · 23 min
#11 (HIN): पर्दा गिरा, सच दिखा
पर्दा गिरा – पर्दे के पीछे की सच्चाई यह पॉडकास्ट असल में बनता कैसे है? इस एपिसोड में Daniel और Nova पूरी पारदर्शिता के साथ पर्दे के पीछे ले जाते हैं — पहली सोच से लेकर स्क्रिप्ट, AI voice, production agent, Instagram workflow और उन जगहों तक जहाँ automation आसान नहीं रहती। इस एपिसोड में: - शुरुआत से transparency क्यों इस podcast का वादा रही है - Podcast pipeline: idea, script, voice, publishing — सब कैसे जुड़ता है - Daniel अब German episodes में कई बार खुद microphone पर क्यों बोलते हैं, voice clone होने के बावजूद - AI automation कहाँ बहुत तेज़ है — और कहाँ access barriers, खासकर LinkedIn, limits बना देते हैं - एक working pilot और sustainable operations के बीच असली फर्क - Leadership takeaway: छोटे से शुरू करो, pipeline बनाओ, फिर सच में operate करना सीखो - Special note: यह episode German और English के साथ Hindi में भी उपलब्ध है — automation की speed का live proof Me, Myself & IT Leadership — IT leaders के लिए podcast, जहाँ technology, strategy और humanity साथ आते हैं.
S1 · E20
July 14 · 43 min
#10 (DE): Cloud and AI FinOps
Cloud und AI FinOps In dieser Folge sprechen Daniel und Nova darüber, warum Cloud und KI die Kostenlogik in der IT-Führung grundlegend verändern: unbegrenzte technische Leistungsfähigkeit trifft auf begrenzte Budgets — und klassische Planungs- und Steuerungsprozesse reichen dafür nicht mehr aus. Themen in dieser Folge: - Warum Cloud und KI den Wechsel von Kapazitätsmonitoring zu Verbrauchsmonitoring erzwingen - Was FinOps wirklich bedeutet — jenseits von Dashboards und Tooling - Warum Product Owner echte Kostenverantwortung und brauchbare Unit Economics brauchen - Wie KI FinOps unterstützen kann: Anomalie-Erkennung, natürliche Kostenanalyse, Tagging und Rightsizing - Warum KI selbst zum neuen Kostentreiber wird: Subscriptions, Tokens, API-Nutzung und Agenten - Wie Token-Kosten, Modell-Routing, Kontextgröße, Output-Länge und selbst betriebene Modelle auf AI-Budgets wirken - Warum Shadow AI gleichzeitig ein Finanz- und Compliance-Risiko ist - Wie kontinuierlicher Forecast klassische Jahresplanung ersetzen kann - Warum KI-Kosten oft zuerst on top kommen, bevor Effizienzgewinne messbar werden - Daniels persönliche FinOps-Learnings aus Enterprise Cloud und seinem privaten KI-Setup Me, Myself & IT Leadership – der Podcast für IT-Führungskräfte zwischen Technologie, Strategie und Menschlichkeit.

Showing 1–20 of 28 episodes