Hannover Messe 2026: Welche Chancen bietet Industrial AI?

Stella: Herzlich willkommen zu einer ganz besonderen Folge von t3n Arbeit in Progress,

Stella: quasi live von der Hannover Messe aus dem Podcast-Bus.

Stella: Mir gegenüber sitzt Simon Sack. Er ist Gründer von Neurologiq und das Unternehmen

Stella: erstellt KI-Lösungen für Industrieunternehmen.

Stella: Aber das ist nicht alles, denn er ist auch Mitglied im Verein KI-Bundesverband,

Stella: der sich als Vermittler so zwischen Start-ups, Wirtschaft und Politik sieht.

Stella: Und, wie gesagt, wir zeichnen ja heute live bei der Messe auf und da bist du

Stella: ja auch Simon quasi als Industrial-AI-Experte hier mit bei der Messe dabei.

Stella: Lass uns doch mal so beginnen, weil wir wollen ja heute über Industrial-AI genau

Stella: sprechen, nämlich welche Chancen haben wir dadurch, was hakt vielleicht auch noch bei Unternehmen?

Stella: Wir werden vielleicht auch mal auf Siemens eingehen an der einen oder anderen

Stella: Stelle, also viele Themen, deswegen lass uns loslegen.

Stella: Wenn ich mich vorgestellt habe, ich bin Stella-Sophie Wojtczak,

Stella: Host von diesem Podcast.

Stella: Also Simon, lass uns so beginnen, was ist denn eigentlich Industrial AI?

Simon: Ja, hi Stella, erstmal vielen Dank, dass du hier vorbeigekommen bist und dass wir das machen.

Simon: Industrial AI hat sehr, sehr wenig zu tun mit ChatGPT.

Simon: Industrial AI sind produktiv laufende Lösungen auf Basis von künstlicher Intelligenz

Simon: in der Produktion, in Echtzeit, auf den Daten der Maschinen.

Simon: Und da entsteht gerade ganz, ganz viel, weil das wirklich auch so eine Chance

Simon: ist für den deutschen, aber auch europäischen Industriestandort.

Stella: Kannst du es vielleicht einmal abgrenzen auch von dem Begriff Physical AI oder

Stella: wie hängt das Ganze zusammen?

Simon: Genau, also Physical AI ist ja gerade auch ein Riesenthema auf der Hannover Messe, humanoide Roboter.

Simon: Physical AI, das steckt ja schon so ein bisschen auch im Begriff quasi drin.

Simon: Anfassbare KI oder auch physische KI, also quasi Systeme, Modelle,

Simon: Software, die mit Robotern gepaart ist und die quasi dann auch miteinander interagieren

Simon: können und auch sehr, sehr menschenähnliche Handlungen ausführen können.

Stella: Und du hast eben auch eingangs gesagt, was Industrial AI nicht ist,

Stella: zum Beispiel ChatGPT oder Google Gemini oder andere KI-Tools,

Stella: KI-Chatbots, die wir so sagen wir mal aus dem Büroalltag kennen.

Stella: Aber kannst du vielleicht nochmal ein bisschen klarer auch umreißen,

Stella: auch in Abgrenzung zu Physical AI, Industrial AI, was sind da klassische Anwendungsbereiche vielleicht?

Simon: Genau, also gerade im Bereich Industrial AI geht es halt oft darum,

Simon: wie schon gesagt, dass man Daten in Echtzeit aus Maschinen verarbeiten kann.

Simon: So und gerade das ganze Thema ChatGPT, Gemini etc., das basiert auf generative

Simon: KI. Also es werden irgendwie synthetisiert Daten, quasi reproduziert und man

Simon: bekommt beispielsweise einen Text oder ein Bild oder ähnliches.

Simon: Jetzt bei Industrial AI ist es so, dass wir uns da dem großen Werkzeugkasten

Simon: der künstlichen Intelligenz bedienen.

Simon: Bedeutet beispielsweise Verfahren des maschinellen Lernens.

Simon: Und das fängt dann zum Beispiel da auch an, Maschinausfallzeiten hervorzusagen

Simon: oder auch verschiedene Anomalien an einer Maschine zu klassifizieren.

Simon: Zum Beispiel ist ein Lager kaputt, muss das getauscht werden?

Simon: Was kommt gerade in die Maschine rein?

Simon: Wie gegebenenfalls wird auch Ausschuss reduziert?

Simon: Also es geht immer um Produktivität, Steigerung, Steigerung der Qualität.

Simon: Das ist so mit eigentlich so der größte Punkt da.

Stella: Und Industrial AI ist ja auch ein Kernthema der diesjährigen Hannover Messe,

Stella: wenn ich jetzt mal so in die Vergangenheit schaue, da gab es auch einen Begriff,

Stella: der geht auch in die Richtung, nämlich das Ganze digitaler Zwilling.

Stella: Wie hängt denn das zusammen? Gibt es da überhaupt einen Zusammenhang?

Simon: Ja, Digital Twin, digitaler Zwilling.

Simon: Ich bin eigentlich so weniger Fan von, sage ich mal, diesen Oberbegriffen oder Marketingbegriffen.

Simon: Wenn wir mal überlegen, Digital Twin ist eigentlich eine Datenrepräsentation

Simon: von einer zum Beispiel Maschine, von einem Werk, wo ganz, ganz viele Maschinen drinstehen.

Simon: Hat den Vorteil, ich kann halt zum Beispiel Produktionsabläufe simulieren.

Simon: Also wir sind in der Simulation drin.

Simon: Also beispielsweise ermöglicht mir das aber auch, gewisse Verfahren mal zu testen.

Simon: Wir haben das selber bei einem Anwendungsfall, wo wir eine komplette Produktionshalle,

Simon: eine Anlagenstraße einfach simulieren, um daraus dann auch Versuche zu machen,

Simon: weil der Vorteil ist ja, wenn ich das quasi einmal im Labor teste,

Simon: dann störe ich auch nicht die Abläufe, weil das ist ja gerade auch so,

Simon: man muss sich das vorstellen, es darf einfach kein Fehler passieren.

Simon: Wenn ein Fehler passiert, steigen die Kosten, dann habe ich Ausfallzeiten und

Simon: produziere im Worst-Case-Schrott.

Stella: Und genau das, praktische Beispiele, gib uns da doch mal einen Einblick.

Simon: Genau, ja, das Ding ist ja, Neurologic ist 2018 entstanden, lange vor dem Hype.

Simon: Das war ja so, ich war bei ZF in der produktionsnahen IT, habe da Potenziale

Simon: mit den Daten gesehen, wie man auch entsprechend Anwendungen skalieren kann.

Simon: Dann war das bei ZF mir ein bisschen zu langweilig, da war ich als Software-Freelancer

Simon: und habe aber gesagt, da steckt mehr drin, ich möchte da was machen.

Simon: So habe ich dann meine Company gegründet und gerade über das Netzwerken,

Simon: aber auch über die Lösungsfindung, weil wir waren da first mover tatsächlich 2018 in dem Bereich,

Simon: sind wir sehr, sehr schnell mit einem großen deutschen Maschinenbauer zusammengekommen

Simon: und mit einem Tochterunternehmen, die SMS Group und die SMS Group entwickelt

Simon: für zum Beispiel Thyssen Group und baut diese ganz, ganz großen Feuerverzickungsanlagen.

Simon: Und da haben wir mit der SMS, insbesondere mit der Tochter EMG,

Simon: die entwickeln Bandlaufregelungen, ein System entwickelt, was dafür sorgt,

Simon: dass Stahlcoils, also das ist quasi wie eine Toilettenpapierrolle aus Stahl

Simon: in XXL, perfekt verzinkt wird.

Simon: Stahlcoils braucht man zum Beispiel auch, da werden Bleche rausgestanzt für die Automobilbranche.

Simon: Und man möchte ja nicht, dass zum Beispiel ein Auto rostet und aus dem Grund werden die verzinkt.

Simon: So, und was wir jetzt machen, ist Folgendes. So ein Stahlkeul läuft durch so

Simon: eine ganz, ganz lange Straße.

Simon: Die ist teilweise 400 Meter lang. Das sind Riesenhallen. Wenn man das mal sieht,

Simon: ist total beeindruckend. Dann fühlt man sich direkt sehr, sehr klein.

Simon: So, und da muss man sich das so vorstellen. Am Anfang kommt da ein Keul rein.

Simon: Das wird abgewickelt, verschieden behandelt.

Simon: Und dann ist da ein entscheidender Prozessschritt. Es wird verzinkt.

Simon: Das läuft durch ein Zinkbad.

Simon: So, und dabei kann ganz, ganz viel passieren. Entweder habe ich zu wenig Zink

Simon: auf meinem Stahlkeul oder zu viel Zink.

Simon: Zu wenig Zink bedeutet Schrott, Materialabwertung. Zu viel Zink bedeutet, meine Marge sinkt.

Simon: Und was wir jetzt gemacht haben, ist folgendes.

Simon: Wir haben aus der Maschine alle Daten aggregiert, haben überhaupt mal geguckt,

Simon: welche Daten sind relevant und haben daraus Modelle entwickelt,

Simon: die dafür sorgen, dass das Zink perfekt auf das Stahlkeul aufgetragen wird.

Simon: Vorher war das menschliche Arbeit, man kann sich das vorstellen,

Simon: das ist ein riesen Leitstand, das sieht so ein bisschen aus wie bei der Flugsicherung

Simon: am Flughafen, an so einem Tower, da sitzen Menschen drin, gucken wie die Prozessparameter laufen.

Simon: Und das Ding ist, jede Schicht produziert schichtabhängige Qualitäten.

Simon: Entweder sind nämlich genau diese Fälle aufgeräten, dass zu wenig oder zu viel Zink drauf ist.

Simon: Und das wollte man verhindern und immer gleichbleibende Qualität erzeugen.

Simon: Und genau das haben wir gemacht, indem wir halt die Daten aggregiert haben,

Simon: uns angeschaut haben, das Modell

Simon: optimiert haben und so schrittweise die Mehrwerte implementiert haben.

Simon: Genau und jetzt läuft quasi unser System im Hintergrund an verschiedenen Verzinkungsstraßen,

Simon: mittlerweile auch im europäischen Ausland bei Kunden und dafür sorgen wir,

Simon: dass das Zink immer optimal aufgetragen wird.

Stella: Heißt aber auch, dass nach wie vor Menschen in dem Prozess noch involviert sind,

Stella: das heißt es ist nicht absolut nur KI gestützt, sondern es geht darum zu optimieren

Stella: und wie du beschrieben hast eben zu verbessern, damit beispielsweise nicht zu

Stella: viel, zu wenig Zink aufgetragen wird.

Simon: Genau, auch vor allem zu entlasten, man muss sich das ja so vorstellen,

Simon: wenn man acht oder zwölf Stunden auf einen Monitor schaut und guckt,

Simon: blinkt da irgendwas rot, muss ich da irgendwas machen, würde ich mich ja sehr,

Simon: sehr darüber freuen, wenn mir ein System sagt, hier...

Simon: Bitte mal anpassen oder ich übergebe dem System die Verantwortung und das System

Simon: regelt dann für mich auch gewisse Abläufe.

Stella: Lass uns mal bei dem Beispiel bleiben und nochmal genau drauf schauen.

Stella: Du hast ja gesagt, ganz selbstverständlich, ihr hattet die Daten dafür.

Stella: Aber das ist doch häufig für Unternehmen auch ein Problem, beispielsweise,

Stella: dass sie die falschen Daten in Anführungszeichen haben oder die Daten nicht

Stella: vernünftig sortiert, nicht vernünftig zugänglich, damit sie auch übergreifend

Stella: genutzt werden können. Oder ist das ein Problem im Bereich Industrial AI?

Simon: Ja, definitiv. Also auf der einen Seite sagt man ja immer, Deutschland sitzt

Simon: auf einem riesigen Datenschatz.

Simon: Das ist die Chance für Deutschland, für Europa.

Simon: Das ist der Rohstoff der Zukunft. Auf der anderen Seite erleben wir aber auch

Simon: teilweise das Gegenteil. Dass wir, wenn wir in Industrieunternehmen sind,

Simon: dass wir dann eher, wie du schon angesprochen hast, sehr heterogene Daten vorfinden.

Simon: Und da gerade in einem Projekt, wenn man in der Industrie ist,

Simon: geht teilweise von dem Projekt Ablauf und da fehlt dann teilweise auch so ein

Simon: bisschen das Selbstverständnis quasi des Mittelstands oder auch der Industrie zu sagen,

Simon: da müssen wir jetzt mal reingehen, weil 80 Prozent der Zeit fallen teilweise

Simon: nur darauf, aufs Data Engineering nennt man das dann, dass man die Daten optimal zur Verfügung stellt.

Simon: Und beispielsweise in dem Fall bei ThyssenKrupp war es so, also das,

Simon: was ich sagen kann, es waren sehr, sehr viele Daten und am Schluss hat man rausgefunden,

Simon: dass eigentlich nur 26 Parameter relevant für den Gesamtprozess sind,

Simon: was ja auch wieder bedeutet oder wo man quasi auch die Frage stellen kann,

Simon: werden heute viel zu viele Daten gesammelt und was sind die relevanten Daten?

Stella: Hast du denn da eine pauschale Antwort? Was sind so relevante Daten im Bereich Industrial AI?

Simon: Pauschal lässt sich das tatsächlich nicht sagen. In der Regel kann man aber

Simon: sagen, das hat häufig was mit Taktzeit zu tun.

Simon: Aber es ist auch immer sehr Use-Case-spezifisch. Also gerade im Feuerverzinkungsprozess

Simon: ist sowas wie Temperatur, Vorschub, wie schnell fährt die Anlage.

Simon: Dann gibt es sowas an dem Zinkbad, wird quasi mit einer Luftdüse wieder überschüssiges Zink abgeblasen.

Simon: Also dann braucht man den Düsendruck und sowas. Aber das lässt sich pauschal

Simon: tatsächlich jetzt auch nicht direkt sagen.

Stella: Wenn wir jetzt nochmal auf die Herausforderungen schauen. Wir haben über Daten

Stella: gesprochen, zu wenig Daten eher nicht, zu viele Daten schon und auch unsortiert.

Stella: Welche Probleme gibt es denn dafür vielleicht auch noch und was ist auch mit

Stella: dem Punkt Kosten überhaupt, um Industrial AI nutzbar zu machen?

Simon: Ja, fange ich erstmal noch mit ein paar Herausforderungen an,

Simon: bevor wir auf Kosten gehen.

Simon: Der Punkt ist, die deutsche Industrie ist sehr, sehr verwöhnt. Sehr, sehr verwöhnt.

Simon: Mit Lösungen, die sie einfach aus der Box nehmen können.

Simon: Also früher war das so, gerade im Automatisierungsbereich, dann sind Vertreter

Simon: von den typischen deutschen Sensorherstellern gekommen, Vertriebler,

Simon: die hatten Koffer, da war dann der Sensor drin, sagt, der bringt euch die Lösung, der macht das.

Simon: Bei KI ist das, oder gerade industrieller KI, industrieller AI ist das nochmal

Simon: ein bisschen anders, weil ich erst eine gewisse Vorlaufzeit habe.

Simon: So und dann, wenn ich diese Daten verarbeite, möchte auch der deutsche Mittelstand

Simon: oder die Industrie, die diese Daten auch oder die Antworten aus den Daten in

Simon: Echtzeit haben. Das ist auch so ein Riesenthema.

Simon: Man kann es sich nicht erlauben, wie bei ChatGPT, ich prompte irgendwas,

Simon: drücke Enter, bekomme eine Antwort, dass ich dann erst in 10 oder 20 Sekunden

Simon: irgendwas bekomme, sondern es muss in Echtzeit sein.

Simon: Und Echtzeitanforderungen in der Industrie, das ist schon eine Aufgabe.

Simon: Da muss ich die Architektur von den Systemen so wählen, damit ich dann auch

Simon: in Echtzeit mit der Maschine kommunizieren kann. So, das ist auf jeden Fall eine Herausforderung.

Simon: Aktuell haben wir aber auch noch regulatorische Herausforderungen.

Simon: Industrial AI ist tatsächlich noch im European AI Act eingeschlossen, bedeutet...

Simon: Ich habe, wenn ich in das Thema reingehe, auch teilweise in welche Domäne,

Simon: Produktivitätssteigerung, hat oft auch was mit Mitarbeitenden zu tun.

Simon: So bedeutet, ich habe einen gewissen Rückschluss auf die Schicht.

Simon: So, dann habe ich auch auf einmal was mit personenbezogenen Daten.

Simon: So, da muss ich auch aufpassen, ja, wie gestalte ich überhaupt solche Projekte,

Simon: damit ich DSGVO-konform bin.

Simon: Dann habe ich Themen wie Informationssicherheit. Dann habe ich den European AI Act.

Simon: Und darauf möchte ich jetzt hinaus. Ich habe unterschiedliche Regelungen und

Simon: Vorgaben, die mir dann die Einführung der Projekte von der Compliance-Seite

Simon: nochmal enorm schwierig machen.

Simon: Und deswegen ist es auch so, dass gerade darauf geschielt wird,

Simon: dass Industrial AI aus dem European AI Act rausgenommen wird,

Simon: weil es sehr, sehr maschinennah ist, weil ich habe auch noch eine Maschinenvorgabe etc.

Simon: Und damit möchte man da auch mehr Geschwindigkeit reinbringen.

Simon: Das ist so ein Thema. Und jetzt kommen wir auch dann direkt zu dem Punkt Kosten.

Simon: Jetzt habe ich ganz viel gesprochen und wir haben ja noch gar nicht richtig gearbeitet.

Simon: So, bedeutet, und genau das ist der Punkt, gerade in den großen Industrieunternehmen,

Simon: die sind es gewohnt, ThyssenKrupp, ja, Risikomanagement machen wir,

Simon: ne, dann gucken wir, sind die Lieferanten ISO-zertifiziert, Haken dran,

Simon: dann gucken wir, was wird an Daten gemacht, dann ist das erstmal bei der Legal-Abteilung.

Simon: Was passiert aber mit den Unternehmen, die es vielleicht gerade sehr,

Simon: sehr gut brauchen, 20 bis 50 Mitarbeiter, 50 bis 100 Mitarbeiter?

Simon: Ich glaube nicht, dass die dann einfach mal eine Viertelmillion in irgendein

Simon: Legal Assessment stecken möchten, bevor die überhaupt anfangen mit einer Entwicklung.

Stella: Ich wollte gerade sagen, da kommen ja zu der Viertelmillion für Legal noch andere Kosten dazu.

Stella: Kannst du mal Piemaldamm abschätzen für ein Unternehmen, 100 Mitarbeitende,

Stella: was ist es, um ein Projekt abzusetzen?

Stella: Das ist wahrscheinlich auch sehr schwer, weil es ist ja auch immer individuell.

Simon: Genau, also der Punkt ist, es kommt wirklich auch da wieder drauf an.

Simon: Aktuell haben wir ein Projekt, das kann ich so ein bisschen umreißen,

Simon: da kriegt man ein Gefühl dafür.

Simon: Das ist in der Kreislaufwirtschaft, da geht es um die Sortierung von gewissen

Simon: industriellen Substanzen. Das hat man vorher mit einem Laser gemacht.

Simon: Ein Lasersystem kostet 200.000 Euro und wir sind gerade dabei,

Simon: eine Lösung zu entwickeln, die jetzt nach dem Proof of Concept erst 10.000 Euro gekostet hat.

Simon: Wo man dann auch sagt, okay, die haben eine gute Datengrundlage,

Simon: man kann mit den Daten arbeiten.

Simon: Dann kommt man auch schon mal schneller zu einer prototypischen Anwendung,

Simon: zu einem Demonstrator und sieht, okay, die Lösung funktioniert und dann geht

Simon: es um den Sprung in die Produktivität.

Simon: Und man hört ja auch oft, dass gerade KI in der Produktion, in der Industrie

Simon: oft in dieser Proof-of-Concept-Prototypen-Falle hängen bleibt.

Simon: Und das ist genau dieser Punkt.

Simon: Ungefähr 85 Prozent aller Proof-of-Concept scheitern von dem Transfer,

Simon: von dem Proof-of-Concept-Status ins produktive System.

Simon: Und das hängt vor allem an einem Punkt, nämlich an dem Übertrag der Architektur,

Simon: der Implementierung in den Unternehmen, weil da kommen dann tatsächlich noch

Simon: mal Kosten, teilweise dann auch noch mal für Architekturaufbau, Konzeption.

Simon: Das ist ja dann auch oft Arbeit, was dann auch der typische Mittelständer sagt,

Simon: so, ich bezahle jetzt hier niemanden, der mir hier bunte Konzepte malt,

Simon: sondern ich will das Ergebnis sehen. Im Schnitt lässt sich aber sagen,

Simon: Wirklich belastbare Systeme und kommt nach großen Anwendungsfällen,

Simon: je nachdem, ist das schon eher so eine Range, dass man da 30.000 bis 100.000

Simon: Euro einplanen muss und auch ganz, ganz große Systeme, wie dann so eine komplette

Simon: Produktentwicklung, das geht dann schon in die Millionen rein.

Stella: Dann lass uns doch jetzt, wo wir die Probleme umrissen haben,

Stella: auch langsam auf die Lösung gucken.

Stella: Und zwar fangen wir mit dem Legal-Bereich an. Du hast ja unter anderem den AI-Act angesprochen.

Stella: Ist das was, wo du sagst, da braucht es dringend diese Anpassung,

Stella: dass eben Industrial AI da vielleicht auch ausgenommen wird,

Stella: die Regelungen angepasst werden? Oder was gibt es da noch? Ja, definitiv.

Simon: Also Lösungen dafür sind, wie du schon angesprochen hast, ist genau das.

Simon: Diese starke Regulierung im Bereich Industrial AI, in dem European AI Act,

Simon: das ist auf jeden Fall ein Punkt, der rausgenommen wird. dann ist das der Punkt,

Simon: auch vielleicht Bereitschaft, Daten zu teilen.

Simon: Wenn ich Daten teile, auch in

Simon: einem gewissen Ökosystem, wo auch gerade das Bundeswirtschaftsministerium

Simon: so ein paar Projekte am Aufsetzen ist, ist es der Punkt, dass das auch schon

Simon: mal dafür sorgt, wir brauchen ein anderes Selbstverständnis.

Simon: In den USA ist das normal, da werden alle Daten in einen Topf geschmissen und

Simon: man holt sich so raus, was man braucht.

Simon: Das Ding ist aber, gerade die europäischen Daten, die deutschen Daten,

Simon: die deutschen Industriedaten, da steckt ganz viel Prozesswissen drin,

Simon: was man ableiten kann. Deswegen möchten die ganzen Hyperscaler auch an die Daten ran.

Simon: So, dann ist aber auch noch der andere Punkt, der total entscheidend ist,

Simon: dass wir überhaupt auch dann mal anfangen, ins Machen zu kommen und uns weniger

Simon: über dieses ganze Setup Gedanken machen.

Simon: Ja, weil da auch so, sage ich mal, die Diskrepanz immer noch da ist,

Simon: diese Transferleistung zu legen.

Simon: Und zu guter Letzt würde ich auch noch sagen,

Simon: Das haben wir auch noch gar nicht so vertieft, ist der Punkt,

Simon: dass das auch vor allem auch ein richtiges Change Management in den Unternehmen

Simon: ist, weil man muss fairerweise sagen,

Simon: das wird ganz schön rütteln, ja, da werden Arbeitsplätze tatsächlich und ich

Simon: will jetzt hier keine Angst machen, aber da werden Arbeitsplätze wegfallen,

Simon: die anders eingesetzt werden, das habe ich auch schon erlebt,

Simon: dass Abteilungen zum Teil geschlossen wurden, Weil man auch gesagt hat,

Simon: okay, wir müssen jetzt die Personalien woanders einsetzen.

Simon: Aber das ist auch so ein Ding, dass man einfach auch, sage ich mal,

Simon: so im Blick behalten muss, dass das auch nochmal wirklich für Veränderungen sorgen wird.

Stella: Klingt, könnte ich mir vorstellen, aus Angestellten-Sicht jetzt erstmal wenig

Stella: attraktiv Daten freigeben, generell auch das Thema Datenschutz dabei und dazu

Stella: natürlich auch, was du gerade gesagt hast, da wird es rütteln,

Stella: sprich, da werden vielleicht auch Arbeitsplätze abgebaut werden,

Stella: die in geringer Zahl an anderer Stelle wieder auftauchen.

Stella: Wie können, wenn du schon über Change Management sprichst, denn Unternehmen

Stella: auch damit umgehen und wie kann das Ganze auch möglichst fair vor allen Dingen laufen?

Simon: Ja, also was ich da gesehen habe, auch bei einem Unternehmen im Hunsrück,

Simon: da haben wir eine Lösung entwickelt, um die Logistikplanung zu entlasten.

Simon: Da war es einfach so, man hat zu viele Menschen an relativ stupide Arbeit gebunden.

Simon: Das ist tatsächlich oft, dass in solchen, sag ich mal, strukturschwachen Regionen

Simon: tatsächlich aber auch an anderen Stellen einfach Arbeitskräfte benötigt werden im Unternehmen.

Simon: Und ich glaube, das ist einfach so ein Ding und vielleicht habe ich es ein bisschen

Simon: zu negativ ausgedrückt.

Simon: Man muss einfach eine gewisse Bereitschaft haben, sich zu verändern und auch

Simon: in andere Bereiche reingehen, weil gewisse Bereiche lassen sich halt datengestützt

Simon: sehr, sehr gut abbilden.

Simon: Und ich glaube, das ist auch einfach so ein Thema, was man einfach mitnehmen

Simon: muss auf der einen Seite und auf der anderen Seite.

Simon: Ist es auch so, dass ja tatsächlich auch Schulungsmaßnahmen immer mehr angeboten

Simon: werden, um neue Perspektiven zu ermöglichen.

Stella: Bevor wir gleich auch nochmal zum Beispiel auf den Punkt mit Siemens gucken,

Stella: lass uns doch nochmal kurz darüber sprechen, Thema Datenschutz.

Stella: Gibt es denn da auch Varianten durchaus zu sagen, weil das ist ja ein Punkt,

Stella: Unternehmen hängen ja auch an ihren persönlichen Daten, wollen aber auch gerne

Stella: die von den anderen haben.

Stella: Wie kann das auch möglichst fair laufen?

Simon: Ja, ich glaube, man muss so ein bisschen Datenschutz und Informationssicherheit trennen.

Simon: Informationssicherheit ist das kritische Wissen, was eigentlich an den Produkten hängt.

Simon: Das Cola-Rezept, sage ich mal, was niemand wissen darf.

Simon: Datenschutz, da geht es ja oft um personenbezogene Daten. Dass man weiß,

Simon: okay, bei der Schicht X war Mitarbeiter, Mitarbeiterin Y, haben an Stanze Z gearbeitet.

Simon: Das ist das Produktionsergebnis.

Simon: Was da gemacht wird, ist natürlich entweder zu anonymisieren,

Simon: die Daten auf der einen Seite oder auf der anderen Seite tatsächlich auch einfach

Simon: wegzulassen, weil irrelevant. Mich interessiert dann vielleicht einfach nur

Simon: die Taktzeit und die Schicht.

Simon: Und dann kann das Unternehmen intern das wieder aufschlüsseln.

Simon: Es gibt unterschiedliche Projektansätze, Daten zu teilen, auch in Gemeinschaftsprojekten.

Simon: Das ist auch so ein Thema, weil das auch immer relevanter wird.

Simon: Wir wollen ja souverän werden in Europa und das schaffen wir dann auch nur gemeinsam.

Simon: Und da gibt es verschiedene Plattformlösungen, wo man sagt, okay,

Simon: zum Beispiel die Maschinenbauer machen das ganz gerne.

Simon: Es gibt ganz, ganz viele Hidden Champions, die in gewissen Maschinen ganz weitführend sind.

Simon: Und die legen Plattformen auf und aggregieren alle Daten aus den Maschinen,

Simon: um neue Lösungen zu entwickeln für die Anwender schlussendlich.

Simon: Den Vorteil oder der da gerade so entsteht, das versteht dann auch die Industrie,

Simon: versteht der Mittelstand, dass man Daten teilen muss, weil ich dann quasi kostenfreie

Simon: oder auch in Abo-Modellen, das kommt immer drauf,

Simon: Optimierung für meine Maschinen bekomme und so einfach schneller werde.

Stella: Dann lass uns doch jetzt auch einmal bei den Lösungen bleiben.

Stella: Und zwar gibt es ja hier auch bei der Hannover Messe, hat Siemens wie gesagt

Stella: den Eigen Engineering Agent oder Agent.

Stella: Lass uns darüber nochmal sprechen. Wie schätzt du den denn ein?

Simon: Genau, also ich habe mir das schlussendlich angeguckt.

Simon: Tatsächlich haben die das zum Teil mit Accenture entwickelt.

Simon: Wir waren auch vor Ort, haben mit einem Entwickler gesprochen.

Simon: Ich glaube, das Spannende, was man da gerade sieht, ist einfach so der Ansatz,

Simon: den man auch an ganz vielen anderen Ständen nicht nur präsent sieht,

Simon: ist das Thema Orchestrierung.

Simon: Orchestrierung von unterschiedlichen einzelnen KI-Lösungen,

Simon: werden dann oft Agenten genannt, weil die dann eine Aufgabe lösen,

Simon: zum Beispiel Maschine automatisiert einstellen auf Basis von irgendwelchen Rückschlüssen

Simon: und dann hat man festgestellt, jetzt hat man ganz, ganz viele unterschiedliche Agenten auf einmal,

Simon: die irgendwelche Lösungen machen, aber wie werden die denn gesteuert?

Simon: Und da ist tatsächlich so dieser Ansatz entstanden, dass man sagt,

Simon: okay, man legt eine Schicht quasi, einen Layer da drüber und hat die Möglichkeit,

Simon: dann zum Beispiel seinen kompletten Produktionsablauf zu sehen und daraus dann

Simon: an die unterschiedlichen Agenten Befehle zu geben, über einen quasi Masteragent.

Simon: Man sieht dann zum Beispiel, an Maschine Z haben wir ein Problem,

Simon: das hat Auswirkungen auf die Logistik, also setze quasi jetzt gewisse Maßnahmen

Simon: ein, damit wir kein Problem haben, das wird dann simuliert, dann sind wir beim

Simon: Thema Digital Twin wieder,

Simon: Dann wird da an der Simulation, kann man feststellen, das Ganze dauert sechs

Simon: Minuten, möchtest du das jetzt machen, du wirst einen Stillstand haben,

Simon: passt das jetzt rein, dann sagt ein anderer Agent, ja passt jetzt und dann wird das ausgeführt.

Simon: Und dadurch hat man einfach die Möglichkeit, belastbarer zu planen,

Simon: weil man das Ganze immer erst verprobt in einer Simulation und dann anwenden kann.

Simon: Und das ist schon sehr, sehr stark, weil man da vor allem dann auch dieses Prozesswissen,

Simon: was ich ja auch schon mal angesprochen habe, auch tatsächlich einfach verproben

Simon: kann, bevor man einfach einen Blindflug startet.

Stella: Und du hast ja gesagt, sehr, sehr stark generell die Orchestrierung,

Stella: dass das ein wichtiges Thema ist.

Stella: Ist denn jetzt zum Beispiel dieser Vorstoß was, wo du sagst,

Stella: okay, das ist jetzt auch aus meiner Sicht so ein Auftakt, das Industrial AI,

Stella: dass wir mehr jetzt in Deutschland in diesem Bereich für Nutzen Chancen kommen

Stella: oder ist das quasi eine Sache, aber das reicht noch nicht für die breite Masse in der Anwendung?

Simon: Also meine persönliche Meinung ist da, das habe ich gestern auch mit ein paar

Simon: Leuten diskutiert, ist, das ist schlussendlich, wenn man so möchte,

Simon: ja einfach ein Management-Tool.

Simon: Es klingt halt dann ein bisschen fancier, wenn man dem guten Namen gibt.

Simon: Es sorgt dafür, gerade in Enterprise-Lösungen, also in wirklich riesen,

Simon: riesen Lösungen, dass das benötigt wird.

Simon: Kleine Anwender, ja, auch die kleinen Unternehmen, die werden da jetzt nicht

Simon: so viel, sage ich mal, von haben im ersten Schritt.

Simon: Die brauchen eher die spezifischeren Lösungen direkt an der Maschine.

Simon: Und das ist auch das Ding, gerade so, sage ich mal, so große agentische Systeme,

Simon: da braucht man sehr, sehr viel Anwendung.

Simon: Was natürlich helfen wird, ist, wenn das, sage ich mal, und dann sind wir aber

Simon: schon wieder zwei, drei Jahre weiter, dann ist das schon wieder breiter für

Simon: die Masse, zugänglicher, bezahlbarer, das ist ja auch immer das Thema.

Simon: Dann kann man da sehr, sehr viele Aufgaben im Hintergrund natürlich super automatisieren

Simon: und wieder für Produktivität sorgen.

Stella: Was ist denn genau mit den KMUs, über die du ja auch gesprochen hast,

Stella: 50 bis 100 Mann oder Frauen?

Stella: Was brauchen die denn jetzt, damit sie eben da weiterkommen im Bereich Industrial AI?

Simon: Leicht zugängliche Lösungen tatsächlich. Also ganz, ganz oft fehlt es aber auch

Simon: da an der Basis. Ja, entweder, wenn man durch verschiedene Industriehallen geht,

Simon: dann fängt man oft bei dem Wort Digitalisierung an.

Simon: So, dann ist das nächste Wort Daten. Ja, dann fehlt oft Datenhaltung.

Simon: Gerade das Thema Datenhaltung wird oft unterschätzt, ja, oder ist auch gar nicht angefangen.

Simon: Wir waren, oder ich bin schon durch Hallen gelaufen, da waren Maschinen noch

Simon: gar nicht im Netzwerk drin.

Simon: Und was da dann auch einfach entsteht, ist, dass man da überhaupt mal sorgen

Simon: muss, diese quasi mit einem Brownfield-Ansatz, nennt man das oft,

Simon: überhaupt Maschinen anzubinden in die Datenwelt.

Simon: Und ich glaube, was dem Mittelstand helfen wird, sind einfach zugängliche Lösungen

Simon: von auch gestandenen Unternehmen wie Siemens, IFM, die einfach dafür sorgen,

Simon: dass man ja gewisse Funktionalitäten schon in einem Sensor hat.

Simon: Ja, weil da fängt es dann schon oft an, wenn zum Beispiel an der Maschine Produkte

Simon: rauskommen, die werden jetzt noch händisch sortiert, sollen klassifiziert werden.

Simon: Zum Beispiel, ich sage mal...

Simon: Das ist eine Achse, das ist eine Schraube oder Ähnliches.

Simon: So, da gibt es dann Lösungen mittlerweile schon, wo die KI auf dem Sensor ist

Simon: und wo man schon Rückschlüsse an die Maschinensteuerung geben kann.

Simon: Und da zum Beispiel schon für Produktivitätssteigerung sorgt und das dann kein

Simon: Mensch mehr machen muss.

Stella: Da muss ich da nochmal tiefer rein. Weil ich mich frage, dieses Datenthema,

Stella: du hattest es ja auch angesprochen, wir haben es zum Anfang angesprochen.

Stella: Wir haben über Lösungen gesprochen. Aber das ist ja auch nicht,

Stella: dass wir jetzt quasi was ganz Neues erzählen, sondern was, was auch bei der

Stella: Hannover Messe schon seit Jahren immer wieder Thema ist, nämlich Datenerhebung.

Stella: Mit Daten vernünftig umgehen, sind es da wirklich die Kosten,

Stella: die daran hindern oder wird einfach

Stella: vielleicht nicht die Chance durch Industrial AI gesehen? Was ist es?

Simon: Ja, das Ding ist, viele Unternehmen tatsächlich stehen ja auch aktuell teilweise

Simon: mit dem Rücken an der Wand.

Simon: So und wenn du jetzt da hingehst und sagst, ja, ihr müsst jetzt erstmal in Infrastruktur

Simon: investieren, ihr habt aber erst was in drei bis fünf Jahren davon.

Simon: So, da siehst du die Perspektive. Und deswegen ist das so ein Spagat.

Simon: Auf der einen Seite muss ich dafür sorgen, perspektivisch Datenquellen aufzubauen,

Simon: aber auf der anderen Seite brauche ich auch einfach so Lucky Shots,

Simon: ja also so Lösungen out of the box, aber das ist so ein Spannungsfeld,

Simon: was einem gerade in der Industrie einfach begegnet.

Simon: Und du hast gesagt, auf der Hannover Messe wurde das schon ganz oft gesagt,

Simon: denk mir einfach mal an das Buzzword Industrie 4.0 oder Plattform Industrie

Simon: 4.0, was es auch nur so in Deutschland gibt, das ist genau der Punkt,

Simon: da wurden auch schon die Daten angesprochen.

Simon: Und wenn wir da zurückgucken, meines Wissens war das 2011,

Simon: jetzt haben wir 2026, 15 Jahre und wir sprechen immer noch darüber und wir werden

Simon: da auch noch die nächsten Jahre darüber sprechen, weil Daten und die Datenqualität

Simon: gibt immer das Ergebnis von einem System, was auf KI,

Simon: Mathematik schlussendlich basiert.

Simon: Schmeiße ich schlechte Daten rein, kommen schlechte Aussagen raus.

Stella: Garbage in, garbage out, das ist auch der Klassiker für alle KI-Systeme.

Stella: Du hattest eingangs auch ein paar Mal ChatGPT zum Beispiel als KI-Chatbot erwähnt.

Stella: Wie ist es da eigentlich, das Thema Halluzination?

Stella: Ist das für Industrial AI auch so ein großes Ding wie für beispielsweise ChatGPT oder Gemini Cloud?

Simon: Genau, wir sind ja oft im Bereich Industrial AI.

Simon: Also man muss das so sagen, bei Industrial AI ist es so, wir arbeiten ja oft

Simon: mit Daten und mathematischen Modellen, Machine Learning.

Simon: So bedeutet Halluzination jetzt irgendwie, dass synthetische Daten generiert werden.

Simon: An produktiven Systemen ist erst mal wenig, wenn man keine generative KI einsetzt.

Simon: Ich habe mich mit jemandem von Bosch erzählt, weil ich genau auch mal wissen wollte.

Simon: Er sagte, ihr promotet jetzt hier wieder auch Agentic AI, an keinem Stand kommt man vorbei.

Simon: Was ist eigentlich der Punkt bei euch, generative KI einzusetzen und genau auch, wie geht ihr damit um?

Simon: Und das fand ich total spannend, egal ob es bei Siemens war oder bei Bosch,

Simon: die Antwort war immer ähnlich. Wir setzen generative KI ein,

Simon: dass wir eine Akzeptanz bekommen der Lösung.

Simon: Die unterschiedlichen KI-Lösungen, die quasi unter dieser Schicht der Anwendungen

Simon: liegt, wie man das dann kennt, dann hat man irgendwie ein Screen,

Simon: ein Dashboard, man kann interagieren, man kann der Maschine eine Frage stellen,

Simon: was ist bei dir kaputt, was muss ich auswechseln.

Simon: Das sind dann oft Modelle aus dem Bereich maschinelles Lernen,

Simon: also eigentlich so Oldschool-AI-Anwendungen, wenn man so möchte,

Simon: wo ich Daten bewerte und einfach eine Antwort bekomme, zum Beispiel Schwingungslager

Simon: kaputt, so und das wird abgelegt.

Simon: Und der Agent oder dieser Top-Layer-Anwendung, das Sprachmodell,

Simon: was halluzinieren könnte, gibt dann einfach nur die Antwort weiter.

Simon: Und so kann ich mit der Maschine quasi sprechen, macht das zugänglich.

Simon: Und Halluzination, wenn wir dann da reingehen, würde dieses System dann falsche

Simon: Antworten oder Herleitungen geben und das ist einfach so der Punkt,

Simon: dann kann natürlich auch sehr, sehr viel Quatsch noch entstehen.

Simon: Entstehen gerade und dann sind wir wieder beim Produktionsthema.

Simon: Das muss sehr, sehr stark verifiziert werden.

Stella: Das heißt wahrscheinlich auch

Stella: da gerade, ich erinnere mich gerade an den Mittelteil unserer Folge heute,

Stella: wahrscheinlich genau beim Aufsetzen wieder auf die Daten schauen und genau überwachen,

Stella: Human in the Loop, wo dann auch wieder Menschen notwendig sind,

Stella: die das Ganze einfach mit begleiten und auch das Fachwissen haben,

Stella: um Einschätzungen zu geben.

Simon: Korrekt und das sehen wir ja bei ganz, ganz vielen Anwendungen.

Simon: Entweder laufen die wirklich parallel mit in einer Art Schattenbetrieb quasi,

Simon: die einem nur Anwendung geben.

Simon: Aber es gibt auch mittlerweile ganz, ganz gute Prozesse.

Simon: Ich habe einen sehr, sehr starken Use Case mit Produktionsplanung zum Beispiel

Simon: gesehen, wo man einfach drei Vorschläge bekommt.

Simon: A, B oder C, welchen möchtest du gehen? Da guckt ein Mensch einfach nur noch

Simon: drüber, sagt B und dann geht es los.

Simon: Aber das ist der Punkt. Gerade in kritischen Prozessen haben wir immer noch

Simon: Human in the Loop und der Mensch, der entscheidet, in welche Richtung es geht.

Stella: Könnte schon fast ein Abschlusswort sein, Aber ein paar Minuten haben wir noch

Stella: für diesen Podcast. Deshalb noch eine Frage.

Stella: Wir haben die Chancen immer, so finde ich, ein bisschen gestreift.

Stella: Aber ich will sie noch einmal plakativ zum Abschluss haben.

Stella: Was genau Industrial AI kann das in Deutschland Positives bewirken,

Stella: gerade in diesem Spannungsfeld, was wir ja auch beschrieben haben?

Simon: Ja, wir müssen natürlich ehrlicherweise gerade in die Situation reingucken.

Simon: Wir haben das auch Klassiker demografischer Wandel.

Simon: Ja, gerade ganz, ganz viele oder viel Fachwissen verlässt die Industriehalle.

Simon: Wie können wir das auffangen?

Simon: Und wie können wir überhaupt dafür sorgen, dass wir dann noch die Produktivität

Simon: hochhalten und auch gerade das Thema immer energieeffizient produzieren?

Simon: Ja, das ist ja auch so ein Thema. Dadurch, dass wir natürlich da auch eine große

Simon: Umstrukturierung haben, Wir haben auf günstiges russisches Gas gesetzt,

Simon: die ganzen Energiekosten sind massiv gestiegen,

Simon: müssen wir natürlich auch jetzt dafür sorgen, dass wir Kosten optimiert produzieren

Simon: und auch so wenig Ausschuss wie möglich einfach produzieren.

Simon: Und das ist auf jeden Fall eine Chance, das alles datenbasiert anzugehen,

Simon: um dann überhaupt dafür zu sorgen, dass wir auch noch eine Chance auf Wohlstand

Simon: dann in Deutschland haben und auch industrielles Wachstum. So, das ist ein Punkt.

Simon: Auf der anderen Seite müssen wir aber auch fairerweise sagen,

Simon: das kann unser Maschinenbau 4.0 werden, wenn man so will.

Simon: Warum? Die ganzen Daten, die in den Maschinen sind und die Maschinen teilweise,

Simon: die aus Deutschland kommen, stehen weltweit.

Simon: Wenn man diesen ganzen Datenpool nimmt, dieses Prozesswissen aggregiert,

Simon: können wir natürlich auch neuere Maschinen bauen, bessere Maschinen bauen und

Simon: können uns auch durch den internationalen Wettbewerb einfach durchsetzen.

Stella: Heißt auch, was du gerade ansprichst, dass es nicht nur darum geht,

Stella: zum Beispiel schneller zu arbeiten, die Qualität zu steigern,

Stella: sondern dass Industrial AI auch ein ganz wichtiger Punkt einmal ist für digitale

Stella: Souveränität, was du ja indirekt angesprochen hast und natürlich auch um weiter zu entwickeln.

Stella: Also sprich, um neue Maschinen, neue Programme vielleicht auch aus Deutschland

Stella: heraus in die Welt zu bringen.

Simon: Genau, also Industrial AI ist für uns tatsächlich eigentlich der Hebel,

Simon: ja diesen Daten, diesen Rohstoff, den wir tatsächlich dann wirklich haben,

Simon: in den Industriedaten überhaupt nutzbar zu machen.

Stella: Dann eine letzte Frage zum Abschluss und zwar Zeithorizonte.

Stella: Du hattest, glaube ich, vorhin einmal gesagt, so die nächsten zwei bis drei

Stella: Jahre werden wir auch immer noch über die Erhebung von Daten,

Stella: was muss sein, was muss nicht sein, sprechen.

Stella: Gut, aber wann werden wir denn vielleicht darüber sprechen und zurückgucken

Stella: und sagen, ja Mensch, jetzt läuft es mit das Industrial AI.

Stella: Wir haben jetzt folgende Beispiele, tolle neue Maschinen entwickelt.

Stella: Also sprich, wann ist denn da dieser positive Outcome, auf den jetzt gehofft wird?

Simon: Genau, also der Punkt ist ja, seit ChatGPT ist einfach die Geschwindigkeit auch

Simon: in der Industrie angekommen.

Simon: Wir sehen sehr, sehr viele unterschiedliche Lösungen, die einfach gerade an

Simon: den Start gebracht werden.

Simon: Siemens baut jetzt eine sehr, sehr moderne Fabrik in Erlangen.

Simon: Das wurde ja auch mehrfach auch an dem Stand angesprochen, die tatsächlich komplett

Simon: AI gesteuert ist. So, da wird man das schon sehen.

Simon: Der Punkt ist jetzt auch durch Investitionsmaßnahmen der Bundesregierung werden

Simon: wir positive Effekte, mein Dafürhalten, schon in den nächsten zwei bis vier

Simon: Jahren sehen. Das ist einfach so.

Simon: Aber es kommt jetzt einfach auch darauf an, zu machen, sich zu trauen,

Simon: nach vorne zu gehen, um auch Investments in den Bereich einfach zu lenken,

Simon: damit man dieses Wachstum ermöglichen kann.

Stella: Okay, wir machen so. In zwei bis vier Jahren, großer Zeitraum,

Stella: vielleicht in zwei Jahren sprechen wir nochmal und gucken, was draus geworden ist.

Stella: Aber lieber Simon, für die Folge erstmal vielen Dank, dass du oder dass ich

Stella: quasi jetzt bei der Hannover Messe für t3n Arbeit in Progress,

Stella: dass du da zu Gast gewesen bist.

Simon: Sehr gerne, hat Spaß gemacht.

Stella: Und in der nächsten Woche, hier soll ja die Abmoderation sein wie immer,

Stella: in der nächsten Woche gibt es eine Folge zum Thema Portfolio-Karriere.

Stella: Schaltet also gern wieder ein und schickt uns Feedback an podcast@t3n.de.

Stella: Auf Wiederhören.