Data Science und AI
Dr. Paul Elvers ist Chief AI Officer der FUNKE Mediengruppe. Zu Data Science und AI schreibt er aus der eigenen Arbeit mit Big Data und Data Engineering, unter anderem mit Apache Airflow. Deterministische Workflows hält er für den falschen Ansatz; stattdessen überträgt er Rich Suttons Bitter Lesson auf AI-Architekturen: dem Modell Werkzeuge und ein Ziel geben und so wenig wie möglich selbst bauen.
Quelle: Agents > Workflows, Entering the Third Era of AI
Stand der Belege: 2. November 2026. Die Positionen folgen den verlinkten Texten, nicht den Titeln der Auftritte.
Positionen
Bevor KI das Hype-Thema war, schreibt er, habe er mit Big Data und Data Engineering gearbeitet. Die erste intensive Begegnung mit graph-basierten Workflow-Tools sei Apache Airflow gewesen. In Konzernen entstehe dort Komplexität, die bei wenigen Data Engineers liege: Bottlenecks, Inselwissen, technische Schulden.
Quelle: Agents > Workflows
Er glaubt nicht, dass Werkzeuge wie n8n, Make, Zapier oder Power Automate das Grundproblem lösen. Im Text steht: „Ich glaube nicht. Denn der Ansatz, die Constraints einer Aufgabe deterministisch zu denken und in einen Workflow zu gießen, war von vornherein der falsche.“
Quelle: Agents > Workflows
Agentic AI heißt für ihn, sich von der Idee zu lösen, man müsse dem Agenten helfen, sein Ziel zu erreichen. Der bessere Ansatz: dem Modell Werkzeuge geben, ein Ziel definieren und den Weg selbst finden. Context Engineering und Tool-Integrationen, etwa über MCP, nennt er die Kernkonzepte. Die Orchestrierung überlasse er dem Modell.
Quelle: Agents > Workflows
Seine Lesart von Rich Suttons Bitter Lesson: Durchgesetzt haben sich Methoden, die auf Skalierung und Generalität setzen, nicht solche, die menschliches Wissen explizit einbauen. Die Frage formt er so: „Nicht was wir bauen, ist die Frage. Sondern wie wenig wir bauen müssen, damit es funktioniert.“
Quelle: Agents > Workflows
Im Essay zur dritten Epoche ergänzt er die praktische Seite. Viele hätten in aufwendige RAG-Anwendungen investiert, für Agent-Harnesses seien aber flache Dateisuche und Bash ausreichend genau gewesen. Context Engineering verlagere, welche Information in den Kontext kommt, vom einzelnen Prompt auf das System.
Quelle: Entering the Third Era of AI
Beiträge
Agents > Workflows: Warum die Bitter Lesson auch für AI-Architekturen gilt
Von Airflow zu Agentic AI: Warum deterministische Workflows ein Auslaufmodell sind und was Rich Suttons Bitter Lesson für moderne KI-Architekturen bedeutet.
Entering the Third Era of AI
Models were the moat, then agent harnesses took over. The third era belongs to solitary agents deeply integrated into enterprise processes — and to the companies that own their own AI platform.
Die Maschine strebt nicht
Über Claude Code, Aristoteles und die Frage nach dem Telos. Was bleibt uns als Menschen, wenn KI-Agenten immer mehr Aufgaben übernehmen?
Podcast
Im geprüften Inventar ist kein Podcast-Gastauftritt eigens zu Data Science und AI belegt.
Vorträge
Häufige Fragen
Welche Position vertritt Dr. Paul Elvers zu Data Science und AI?
In „Agents > Workflows“ schreibt er, deterministische Workflows seien der falsche Ansatz, auch wenn Tools wie n8n oder Zapier KI versprechen. Er überträgt Suttons Bitter Lesson auf AI-Architekturen: Werkzeuge und ein Ziel vorgeben, die Orchestrierung dem Modell überlassen und so wenig wie möglich selbst bauen.
Welcher Vortrag ist zu Data Science und AI belegt?
Belegt ist der Vortrag „Maximizing Efficiency and Scalability in Open-Source MLOps“ auf der PyCon DE & PyData Berlin am 17. April 2023. Den Vortragsinhalt gibt diese Seite nicht wieder, weil hier kein Transkript liegt.