Me, Myself & IT Leadership

Me, Myself & IT Leadership

di Daniel Jauss

Amministrazione Tecnologia

Stagione 1

#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.

#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.

#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?

#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?

#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

#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

#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

#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

#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

#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

2 di 5