Datenfundament für die KI-getriebene Produktion im Mittelstand

Heute im IoT Use Case Podcast: Industrial AI und Digitalisierung beginnt nicht mit Daten oder der künstlichen Intelligenz, sondern mit der Frage, wo ein Unternehmen eigentlich hin will. Gemeinsam mit SCHUNK, Next Level Mittelstand, Cybus und Schwarz Digits sprechen wir darüber, warum der deutsche Mittelstand jetzt deutlich ambitionierter bei Automatisierung und Digitalisierung vorgehen muss, um international wettbewerbsfähig zu bleiben. Es geht um konkrete Beispiele aus der Praxis, die Bedeutung einer verlässlichen Datengrundlage und vor allem um gemeinsame Zielbilder, die Orientierung geben.

Unternehmen vom Diskutieren ins ambitionierte Umsetzen bringen. Eine Folge für alle, die sich mit der Zukunft des industriellen Mittelstands beschäftigen. Viel Spaß dabei!

Willkommen beim IoT Use Case Podcast, dem Kanal mit den aktuellsten IoT-Projekten unserer Umsetzungspartner.

Hallo liebe Freunde des IoT. Willkommen beim IoT Use Case Podcast. Über Industrie 4.0 sprechen wir inzwischen seit mehr als einem Jahrzehnt. Trotzdem ist es in vielen Fabriken noch immer sehr aufwendig, verlässliche Daten aus Maschinen und Anlagen zu bekommen, insbesondere über verschiedene Standorte standardisiert, und daraus dann auch produktive Anwendungen zu entwickeln. Mit den Wettbewerbern aus China, die durch ihren Heimatmarkt extrem skalieren können, und auch durch Industrial AI entsteht nun ein ganz neuer Handlungsdruck. Also Unternehmen wollen und müssen eigentlich ihre Durchlaufzeiten verkürzen. Die wollen Prozesse stärker automatisieren und auch das Produktionswissen besser nutzen. Dafür braucht es aber zunächst ein Datenfundament, mit dem man dann im laufenden Betrieb auch Vertrauen hat, dass das funktioniert.

Bei mir sind heute, um das zu diskutieren, Henrik Schunk, Vorsitzender des Verwaltungsrats von SCHUNK und Initiator von Next Level Mittelstand, Peter Sorowka, Mitgründer und Co-CEO von Cybus, und Daniel Traub von Schwarz Digits. Henrik bringt die Perspektive eines produzierenden Familienunternehmens und des Mittelstands ein. Peter erklärt, wie heterogene Produktionsdaten zuverlässig und skalierbar verfügbar werden. Und Daniel ergänzt die Frage, wie diese Daten souverän betrieben und für Cloud- und KI-Anwendungen genutzt werden können. Henrik, erstmal in deine Richtung. Mittelständler hören seit Jahren, sie müssen ihre Produktion stärker digitalisieren. Was ist durch die aktuelle Diskussion um künstliche Intelligenz tatsächlich anders geworden und wodurch entsteht der Handlungsdruck im Betrieb konkret?

Henrik

Ja, erstmal hallo auch von meiner Seite. Die Mittelständler haben über die letzten, ich sage es mal, fünf Jahre plus alle versucht, den Shopfloor natürlich fit zu machen, auch was Daten angeht. Das Thema Daten oder eigentlich Software Defined Manufacturing, kann man fast schon sagen, nimmt jetzt noch mal über die Thematik Industrial AI stark zu. Und das bedeutet, dass eigentlich jeder Mittelständler noch mal für sich checken muss und sein Fitnesslevel sozusagen auf dem Shopfloor überprüfen muss, was seine Datenqualität angeht.

Und der Anspruch muss schon sein, am Hochlohnstandort Deutschland die höchste Effizienz und Performance dadurch zu erreichen, dass man noch mal eine Schippe drauflegt. Und meiner Meinung nach ist durch KI, Agents, alles, was on top jetzt dazugefügt wird, die Möglichkeit enorm zugenommen, seine Durchlaufzeiten und die Effizienzen zu steigern. Ich glaube, es ist einfach notwendig, dass man als Geschäftsführer, als Inhaber noch mal nach der Performance schaut und seine Werksleiter und Produktionsleiter noch mal auf die Spur schickt, zu gucken, was alles möglich ist.

Wenn es um den Möglichkeitenraum geht, dann geht es ja um ganz viel: Daten habe ich, damit ich damit eben weiterarbeiten kann. Und Peter, gerade industrielle Datenfundamente – was hat sich jetzt auch geändert über die letzte Zeit, von diesen monolithischen IoT-Plattformen bis hin zur heutigen Zeit? Was ist der aktuelle Stand?

Peter

Wir sind bei Cybus seit etwa zehn Jahren oder elf Jahren in genau diesem Segment unterwegs, haben ganz, ganz viel im Markt beobachtet, von ersten Gehversuchen. Man hat früh gesehen, dass die meisten Unternehmen einzelne Use Cases versucht haben umzusetzen. Also Predictive Maintenance war eigentlich immer so der Knaller, der jede zweite PowerPoint-Slide geprägt hat. Also wann kann ich eigentlich vorhersagen, wann die nächste Maschine ausfällt? Das klingt ganz toll. Ehrlicherweise habe ich nicht wahnsinnig viele echte Implementierungen davon gesehen, die wirklich skaliert haben.

Ich glaube, es sind zwei Sachen passiert. Das eine ist so ein bisschen die Rückbesinnung zur Einfachheit. Mit Einfachheit meine ich erstens: die meisten Unternehmen im produzierenden Bereich – und da rede ich jetzt eher über die diskrete Fertigung, also die, die mit sehr vielen Werkzeugmaschinen, vielleicht sogar mit manueller Montage unterwegs sind, also nicht so sehr die Prozessindustrie – die meisten Unternehmen wissen nicht, welche ihrer Maschinen jetzt gerade laufen und welche jetzt gerade eine Störung haben. Also sie wissen das nicht live. Sie wissen es auch nicht wirklich historisch, weil diese Daten traditionell auf Papierkarten erfasst werden, handschriftlich, und vielleicht mal ausgewertet werden, wenn man die Schrift lesen kann.

Und damit ist es natürlich unheimlich schwierig – wenn wir jetzt gerade das Stichwort Durchlaufzeiten optimieren erwähnt haben – rauszufinden, wo eigentlich die Bottlenecks sind. Also wer nicht weiß, welches Problem er lösen muss, der kann es auch nicht lösen. Das heißt, ein gewisses Fundament, die Basics herzustellen, ist glaube ich der erste Punkt.

Der zweite Punkt ist, dass die meisten Unternehmen, mit denen wir heute sprechen, verstanden haben, es reicht nicht, isolierte Use Cases anzuschauen, also eine Maschine an ein Dashboard anzuschließen, sondern wir müssen einen ganzheitlichen Blick haben. Also den gesamten Produktionsprozess von vorne bis Ende betrachten. Das hat einerseits mit der durchgängigen Produktivitätsanalyse zu tun, aber andererseits auch mit Use Cases wie zum Beispiel Traceability, Carbon Footprint Tracking, Qualitätsanalyse – also wo in einem langen Produktionsprozess passieren Qualitätsprobleme. Also wenn ich nicht alle Daten entlang der Fertigungslinie tatsächlich einheitlich bekomme, kriege ich auch nicht genug Kontext, um wirklich Probleme zu analysieren. Das ist das zweite.

Das dritte ist, und ich glaube, das ist das ganz Entscheidende: Uns wurde jetzt zwölf Jahre lang erzählt, Data is the new oil, und ihr müsst nur genug Daten haben und Analytics drüber sprenkeln, wie ein bisschen Salz drüber streuen, und dann wird das schon, und dann habt ihr data-driven decision making und Smart Factories. Und ich glaube, wir wissen alle, das hat nicht verfangen im Markt, weil erstens die Heterogenität der Daten so hoch ist, dass es eben nicht so einfach ist wie im E-Commerce, wo ich sage, okay, jetzt analysiere ich mal 10.000 Warenkörbe in meinem Shopify und dann kriege ich da eine Conclusion draus. So einfach ist es in der Fabrik nicht. Und zweitens fehlte vielleicht auch manchmal die Fantasie, was die Daten uns dann erzählen könnten.

Was wir jetzt aber sehen, ist, dass durch AI und die Power von Claude und den ganzen Tools, die wir heute nutzen können, diese Kreativität plötzlich nicht mehr allein den Menschen überlassen ist, sondern ich kann Claude sagen, überleg mal, welche Daten bräuchte ich denn aus meiner Fertigung, um sie zu analysieren? Und Claude wird mir eine Antwort geben, die sinnvoll ist. Und er wird dir sogar einen Prototypen bauen mit einem Dashboard, der dir die Auswertung ermöglicht. Und jetzt ist das letzte verbleibende Element: Kriege ich das, was ich jetzt in diesen Prototypen gebaut habe, tatsächlich mal mit einer echten Fertigung verbunden?

Und dieses ganze leidige Thema IT-OT-Integration, was wir seit Jahren beackern, wird plötzlich zu einem Implementierungs-Bottleneck. Und umgedreht sehen wir jetzt, das führt dazu, dass endlich auch die Produktionsleiter – und nicht nur die Innovations- und IT- und Digitalisierungsleiter, sondern die Produktionsleiter – sagen, verdammt, ich brauche die Daten.

Da rennst du bei mir sehr offene Türen ein, dass man KI, generative KI auch nutzen kann, eben um zu analysieren: Was brauche ich, wie gehe ich vor? Viele denken bei KI nur an die Endinstallation, den Endprozess, wie der abläuft, aber tatsächlich sich da an die Hand nehmen zu lassen und mit der KI das Ganze zu diskutieren und aufzubereiten. Und jetzt – und das ist tatsächlich auch sehr neu aus meiner Sicht – dass wirklich KI in der Lage ist, diese Applikationen zu bauen. Wir haben uns auch erst unsere Homepage neu bauen lassen von der KI. Das ist super beeindruckend, finde ich sehr gut.

Dieses Bottleneck ist jetzt die IT-OT-Integration, dieses Verständnis und eben die Verfügbarkeit der Daten. Daniel, in deine Richtung dann als nächstes: Verfügbarkeit von Daten und Vertrauen in die Daten. Wie kommt da Schwarz Digits ins Spiel? Also was ist da euer Ansatz im Kontext einer souveränen Cloud?

Daniel

Ja gut, ich meine, es sind ja schon viele wertvolle und wichtige Stichpunkte eben gefallen. Also herzlich willkommen auch noch mal von meiner Seite: Daniel Traub, bei Schwarz Digits verantwortlich für das Manufacturing Automotive Vertical. Von daher ist es natürlich auch der perfekte Schulterschluss hier mit Henrik und Peter.

Wir bei Schwarz Digits sind ganz klar dafür angetreten, nicht nur mit STACKIT den Hyperscaler Nummer eins für souveräne Workloads an den Start zu bringen – was das genau bedeutet und wo wir uns da einordnen, das werden wir mit Sicherheit im Laufe des Gesprächs noch erörtern. Wir wollen aber ganz klar auch dafür einstehen, ein digital führendes Europa zu etablieren, ein Ökosystem aufzubauen aus Partnern, aus Kunden, die darauf einzahlen und beitragen, dass wir einfach gemeinschaftlich nicht nur irgendwie eine Single-Vendor-Strategie bei einem Kunden haben, sondern dass wir einfach dort Alternativen bieten und auch einen Raum für Optionen. Ich glaube, das ist erstmal, wofür wir stehen, wofür wir antreten.

Wenn ich das jetzt in den Kontext bringe von Peter und Henrik und gerade auch in den Kontext von KI und einer unfassbar schnelldrehenden Industrie an dem Punkt, dann glaube ich schon, dass es wichtig und wertvoll ist, genau an der Stelle auch darüber zu sprechen, wo denn dann die für die KI verwendeten Daten entsprechend ihre Heimat finden. Weil eins ist ganz klar: Wir haben hier eine Situation, in der sprechen wir in der Regel über kritisches Domain-Know-how. Oft ist Produktionswissen, sind Produktionsdaten, ist Produktionsknow-how auch ein differenzierendes Merkmal am Markt.

Gerade wenn wir in die deutsche Mittelstandsindustrie schauen, wenn wir zu unseren Hidden Champions schauen, dann ist es tatsächlich oft so, dass Produktionsknow-how auch differenzierendes Know-how ist. Und dementsprechend sind wir angetreten, für diese Daten auch einen, in Anführungszeichen, sicheren Hafen zu finden. Aus unterschiedlichen Perspektiven: einmal aus einer legalen Perspektive – legal im Sinne von, mit wem und in welchem Rechtsraum schließe ich meinen Vertrag. Und auf der anderen Seite natürlich auch im Kontext: Wo liegen wirklich meine Daten? Ist es auch nachvollziehbar, wo meine Daten liegen?

Und im Idealfall dann auch hinten raus zu sagen, na ja, welche KI setze ich denn ein? Peter, jetzt hast du natürlich ein tolles Stichwort gebracht mit Claude. Wir treten natürlich auch dafür an, dass wir entsprechende Open-Source-Modelle, dass wir auch in Gemeinschaft in Europa antreten, potentiell Industrial Foundation Models an den Start zu bringen, die dann in der STACKIT potentiell auch gehostet werden können. Also da sind viele Ansatzpunkte. Ich hoffe, es ist ein bisschen klar geworden, wofür wir antreten und was hier auch dann die Zusammenarbeit zwischen uns allen auch draus machen kann.

Peter

Daniel, da hast du natürlich völlig recht. Claude ist natürlich irgendwie nur das aktuelle Beispiel. Ich glaube, wenn wir die letzten ein, zwei Jahre KI-Entwicklung anschauen, dann wissen wir eins: Da bleibt nicht drei Monate lang ein Stein auf dem anderen, sondern das ist eigentlich wochenweise eine Neuigkeit da. Ich glaube, eine ganz entscheidende strategische Positionierung für sämtliche Unternehmen – nicht nur Manufacturing, da zähle ich auch unser Softwareunternehmen und wahrscheinlich auch euch als Podcast-Producer, Peter – ist, sich von der konkreten KI unabhängig zu machen.

Also ich glaube, wir müssen die Fundamente dafür schaffen und die Arbeitsmethoden und den Technologie-Stack, dass wir jeweils best of breed nutzen können. Natürlich mit den nötigen Entscheidungskriterien: Manchmal ist es Trust, manchmal ist es Performance, manchmal sind es Kosten. Aber da wird ja die Welt sich auch in drei Monaten und in sechs Monaten und in zwölf Monaten wieder völlig verändern.

Und gerade im Manufacturing, wo solche Veränderungsgeschwindigkeiten eigentlich absolut nicht denkbar sind – da reden wir normalerweise von fünf Jahren –, ist glaube ich die Grundlagenschaffung, also diese Fundamentschaffung, entscheidend für Unternehmen, auf der ich dann relativ flexibel sagen kann, heute ist es Claude, morgen ist es Aleph Alpha oder ein Open-Source-Modell, ein anderes.

Gerade die aktuelle Entwicklung spielt euch ja dann bei Schwarz Digits ziemlich in die Karten, oder? Denn zum Beispiel der Hersteller von diesen Claude-Modellen, Anthropic, die hatten ja dieses neue Modell Fable rausgebracht, was plötzlich von der amerikanischen Regierung von heute auf morgen praktisch gestoppt wurde, und niemand hatte mehr Zugriff auf dieses Modell. Und solche Unzuverlässigkeiten, die kann man sich ja jetzt in einem produzierenden Unternehmen überhaupt nicht erlauben. Solche Themen oder auch begrenzte Rechenkapazität – das sind ja spannende Aspekte, die euch eigentlich in die Karten spielen. Und gleichzeitig gibt es ja immer schon die Diskussion: Mache ich das on-premise, also rücke ich meine Daten überhaupt raus aus meiner Fabrikumgebung, nutze ich eine Cloud? Also wo siehst du da gerade die aktuelle Diskussion mit euren Kunden?

Daniel

Ja gut, ich meine, du hattest jetzt schon letztlich eigentlich die zwei unterschiedlichen Typen von Kunden skizziert. Einerseits diejenigen, die noch sehr stark on-prem orientiert sind. Aber wir dürfen nicht vergessen, wir haben natürlich auch in der deutschen Industrie, gerade auch wenn wir an die großen Enterprise-Kunden denken, Kunden, die bereits zum großen Teil auch seit langen, langen Jahren Cloud-Services der bekannten großen Hyperscaler nutzen. Und ich muss da ganz klar sagen, ich glaube, das ideale Profil gibt es wahrscheinlich gar nicht, weil es gibt an allen Stellen immer ein entsprechendes Für und Wider.

Klar, es geht vielen Unternehmen einerseits um die skalierfähige globale Verfügbarkeit. Ich glaube, diese Use Cases sind auch absolut relevant und legitim. Auf der anderen Seite gibt es auch immer stärker – das ist das, was du angesprochen hattest – aus einem geopolitischen Momentum, so möchte ich es mal nennen, eine Überlegung hin zu stärkerer Risikodiversifizierung in Bezug auf meine IT-Services generell. Das gilt einfach mal.

Und dementsprechend gilt es einfach auch, den richtigen Anwendungsfall für den entsprechenden Kunden zu finden. Also einerseits wirklich in die Cloud zu begleiten und die Sicherheit zu geben, dass die ehemals On-Prem-Daten in der STACKIT als unser Cloud-Produkt richtig sicher verwahrt sind und auch richtig skalierbar verfügbar sind. Und auf der anderen Seite auch den Kunden, die schon sehr Cloud-agnostisch und sehr Cloud-orientiert unterwegs sind, eine Möglichkeit zu geben, Risiko zu diversifizieren. Also ja, Momentum ist da.

Nichtsdestotrotz ist es wichtig, dass wir mit unseren potenziellen Kunden und in den Gesprächen auch das Richtige rauspicken. Den richtigen Ansatzpunkt, um ein komplementäres Angebot zu der heutigen Landschaft zu geben. Also ein komplementäres Offering im Kontext von einem Unternehmen, das stark on-prem ist. Aber das Gleiche auch, wenn sie schon in der Cloud sind: ein komplementäres Offering für die richtigen Use Cases. Und das hatten wir vorher schon kurz angesprochen: Domain-Know-how, kritische Themen, Produktionsdaten, Kundendaten et cetera.

Und das eröffnet einen riesigen Möglichkeitenraum. Ich glaube, der Begriff Möglichkeitenraum ist davor auch schon gefallen. Und das macht es auch schwierig. Ich weiß noch, bei meiner Zeit bei Siemens sind wir mit einer Plattform angetreten, wo wir praktisch gesagt haben, liebe Kunden, ihr könnt damit alles machen. Und das überfordert ja auch schnell, gerade im Mittelstand. Henrik, daher in deine Richtung: Du hast ja diese Initiative Next Level Mittelstand auch gestartet. Und mein Verständnis zumindest – und da bin ich sehr gespannt, wie du das ausführst – ist ja, dass das so ein bisschen auch einen Rahmen geben soll, ein bisschen helfen soll, leiten soll, in diesem riesigen Möglichkeitenraum, was alles geht, auch die richtigen Themen rauszupicken. Kannst du da ein bisschen erklären, also wie geht ihr da vor, was ist diese Initiative und was sind da empfohlene Schritte?

Henrik

Es ist exakt so, wie du sagst. Also die Themenvielfalt mit den Möglichkeiten, die immer mehr da sind, die rund um die KI-Agenten entstehen, aber auch unabhängig von den Agenten die ganze Thematik, wie muss ich meine IT-Infrastruktur aufbauen, wie schütze ich meine Daten – alles so ein bisschen bereits erwähnt –, führt dazu, dass man als Mittelständler mit begrenzten Ressourcen natürlich schnell an seine Grenzen stößt. Und es ist viel geschickter und cleverer, zu sagen, ich tue mich mit anderen zusammen, bilde eine starke Community, tausche mich aus und lerne von den Besten oder mache Fehler, die andere gemacht haben, nicht ein weiteres Mal. Das ist ein bisschen der Hintergrund von Next Level Mittelstand.

Und das Ziel ist, dass mittelständische Anwender sich zusammenschließen und gemeinsam die digitale Transformation angehen, mit der Zielsetzung, selber digitaler Champion zu werden, und quasi in dieser Community mit starker Orientierungsleistung, aber auch starker Umsetzungsorientierung dem Thema digitale Transformation, Anwendung von KI-Agenten, Verbesserung der Shopfloor-Performance und allen anderen Themen, die relevant sind, mit einem ressourcenärmeren, schnelleren und smarteren Ansatz zu begegnen und dadurch in der Breite des Mittelstandes einfach das Thema Digitalisierung noch mal stark zu aktivieren.

Das ist so die Zielsetzung, und wir haben bis dato nach knapp einem Jahr jetzt 47 Mitglieder gewonnen, die quasi an den Community-Gedanken glauben, und wollen da stark weiter wachsen. Es ist ein offenes Netzwerk, also es können auch IT-Dienstleister, Softwareentwickler, jeder, der der Meinung ist, dass er einen Beitrag dazu leisten kann, die Mittelständler vorwärts zu bringen, ist herzlich willkommen. Und das ist eine schöne Sache. Erfreulicherweise ist STACKIT mit dem Daniel Traub als Gesellschafter auch vertreten, also es ist ein Joint Venture von sechs Unternehmen, und Cybus mit Peter Sorowka ist als Mitglied dabei. Wir machen uns da auf den Weg und haben schon einiges erreicht und freuen uns natürlich über viele neue Mitglieder.

Kannst du da mal ein konkretes Thema herausgreifen? Ich meine, ihr hattet zum Beispiel auch bei der Hannover Messe so einen Demonstrator, wo ihr einfach mal auch so eine Automatisierungszelle von euch gezeigt habt, im Zusammenspiel mit dann Schwarz Digits und Cybus. Aber einfach mal ein Beispiel, was dir jetzt spontan einfällt, wo du sagst, das ist was, wo wir schon wissen, dass es funktioniert, was Mittelständlern einfach helfen würde – so von Daten sozusagen abgreifen und dann über die Cloud verfügbar machen. Wo ist da der Nutzen? Was ist da ein Beispiel, was dir richtig gut gefällt?

Henrik

Also ein Beispiel, wo der Spirit sehr gut ersichtlich wird, ist sicherlich – das war ein frühes Thema – das Thema Product Carbon Footprint. Jeder Mittelständler muss sich dem Thema widmen oder auch generell jedes Unternehmen. Das Thema ist nicht einfach zu durchdringen, und wir haben in der Community eine Working Group gestartet, die sich dem Thema PCF gewidmet hat, mit der Zielsetzung – nach zwei Monaten, drei Monaten haben wir es fertig gehabt –, einen PCF ausweisen zu können für eine bestimmte Produktanzahl und quasi ein Kochrezept zu entwickeln, wie man das selber in jedem anderen Unternehmen anwenden kann.

Und haben es dann in der Community schön erproben können an einem Fall, wo ein Mittelständler einen Auftrag avisiert bekommen hat von einem Automotive OEM, der aber die Bedingung gestellt hat, ich möchte einen PCF für das Produkt, einen PCF-Wert ausgewiesen haben für das Produkt, was ich bei dir bestellen möchte. Und wir haben dann aufgrund unseres Kochrezeptes konnten wir in zwei Stunden einen PCF vermitteln. Und das hat zum Auftrag geführt vom Automotive OEM. Das ist der Beweis dafür, dass es gut funktioniert hat.

Weitere Fälle sind – du hattest es angesprochen – eine Microfactory, wo wir sagen, eine Standard-Automationszelle von SCHUNK kann über die Datenlogistik von Cybus und die sichere Cloud von STACKIT in einem abgeschlossenen Case sehr schnell an Netzwerke angebunden werden und kann dazu führen, dass in einem Produktionsverbund der Zukunft quasi dezentrale Einheiten geschaffen werden können.

Wir haben das auf der Hannover Messe gezeigt, und es ist angedacht, hochstandardisiert, dass das Thema Anbindung von Automatisierungszellen der Zukunft schneller bewerkstelligt werden kann und den KMUlern dadurch ein Zeitvorteil generiert werden kann. Das mal als zwei Beispiele.

Peter

Ich würde es noch viel größer ziehen. Also ein Kernproblem von uns in Deutschland, in der Industrie: Es ist ein Land von tollen Ingenieuren, und die sind es gewohnt, Probleme selber lösen zu wollen. Und wir haben ein riesiges Not-invented-here-Problem. Ein riesengroßes. Seit 2015 mache ich Cybus, und seit 2015 war ich bei so vielen Unternehmen, die sich Spezifikationen ausdenken, die neue Dinge, die drei Jahre lang sich mit der Anbieterauswahl aufhalten von Problemen, die nicht isoliert für ihr Unternehmen sind. Das sind alles Digitalisierungsthemen, sind alles Datenthemen, das sind alles IT-Themen. Die kann man dann noch mal ein bisschen aufblasen mit Cybersecurity und unser Produktionsprozess ist ja so besonders.

Und natürlich ist die Geschäftsführung, sind die Vorstände der ganzen Maschinenbauunternehmen nicht klassisch aus der Digitalisierung und müssen sich darauf verlassen, dass ihre IT-Abteilungen und ihre Fachleute das alles beurteilen können. Und wenn ihr mich fragt, das hält uns alles nur auf, weil jeder sozusagen vom Sensor, vom Netzwerkzugriff den gesamten Technologie-Stack nach oben hin individuell aufbaut und so tut, als würde das Thema an einer Connectivity liegen oder ähnliches.

Stattdessen, glaube ich, ist Technologie überhaupt gar nicht unser Problem. Also seit zehn Jahren ist Technologie nicht unser Problem. Also wer sagt, dass Technologie und Technologie-Skalierbarkeit uns irgendwie hemmt in der Digitalisierung, hat den Schuss nicht gehört. Wir haben so viel Technologie verfügbar. Netflix ist in der Lage, Millionen von Leuten zu befeuern mit den gleichen Video-Streams, ohne einmal zu ruckeln. Das ist Skalierung. Wenn wir irgendwie 200 Werkzeugmaschinen anbinden und gucken wollen, wie schnell die Spindel sich dreht – das, was da an Daten aufkommt, das ist keine Skalierung in dem Vergleich. Die Technologie ist längst fertig. Die gibt es zu hunderten, auch Open Source, auch for free, zur Not.

Das Problem ist der Business-Durchstich, das Verständnis, wie müssen Entscheidungsprozesse datenbasiert aufgesetzt werden, die Bereitschaft, Daten aus den Excel-Tabellen, die auf dem Desktop vom Produktionsleiter sind, rauszukriegen und global verfügbar zu machen, sich transparent zu machen als Schichtleiter gegenüber seinem Vorgesetzten – weil Daten sagen immer auch etwas über Performance, und das macht Benchmarking, da kommt dann der Betriebsrat. Das hemmt uns alles.

Wenn wir jetzt Next Level Mittelstand nehmen, um uns die Brücke zu schlagen, als Austauschnetzwerk, wo eben nicht die Techniker, sondern die Geschäftsführung sich austauschen kann, Success Stories austauschen kann, dann kommen wir vielleicht zu einem Verständnis davon, was möglich ist und wo man voneinander lernen kann, ohne jedes Mal das Rad neu zu erfinden. Denn Räder gibt es genug, und die Zeit haben wir nicht mehr in Deutschland. Da sind wir uns glaube ich alle einig, wir können nicht noch drei Jahre so weitermachen.

Ich habe gerade letzte Woche mehrmals gehört: China war früher billig, jetzt ist China auch noch gut. Wir haben ein Riesenproblem, wenn wir so weitermachen und wir Ingenieure rühren im eigenen Saft. Und deswegen glaube ich, dass Netzwerke wie Next Level Mittelstand absolut entscheidend sind, damit wir mal so ein bisschen Kräfte bündeln können.

Das finde ich super. Ich finde ganz toll diesen Spin. Eigentlich wäre ich jetzt wirklich in die Details gegangen, wie werden Daten übertragen und wie kann eure Plattform da zu einer Skalierung führen. Aber ich würde dann auf dieser allgemeinen und aus meiner Sicht super wichtigen Flughöhe bleiben und mal ein Thema einbringen, was ich noch aus meiner Zeit bei Siemens gut kenne. Wie du sagst, viele Datenprojekte scheitern nicht an Technologie, sondern maßgeblich auch, weil kein gemeinsames Verständnis da ist, wo man eigentlich hin will. Also keine Zielbilder.

Datentransparenz allein ist ja noch kein Business Case, aber schafft halt eine große Grundlage für unglaublich viele Anwendungsfälle mit nicht dem einen Killer Use Case, sondern eben viele kleinere und größere Hebel, die man halt quer durch die ganze Organisation zieht: Einsparungen, Effizienzgewinne und so weiter. Und was sich aus meiner Sicht da verändert hat: Früher war so ein Thema Zielbilder entwickeln halt ein teures Beratungsprojekt. Und daher ist das auch nicht passiert. Die Leute hatten einfach keine Zeit dazu. Jetzt heute mit generativer KI lassen sich solche Zielbilder superschnell entwickeln. Mit meiner Firma SMC machen wir das halt in einem Tagesworkshop. Und ich würde gerne von euch wissen, wie betrachtet ihr diese Zielbilder? Also so ein Verständnis, wo man hin will. Wie wertvoll ist das? Und auch in der Praxis: Warum passiert das nicht? Warum gibt es da nicht dieses, guck mal, wir haben ein Verständnis, wo wir als Firma, als produzierender Mittelständler hin wollen?

Daniel

Vielleicht fange ich mal kurz an mit einer Perspektive, weil ich war vor vielen Jahren auch Teil von einem Zentralprojekt für Industrie 4.0 bei einem der großen Tier-1s. Und ich glaube, generell schlägt da wieder auch im KI-Kontext was zu, was schon mal bei Industrie 4.0 zugeschlagen hat. Es ist eine extrem schnell drehende Industrie und kontinuierlich neue Player, die in diesem Kontext sind, die manchmal dazu führen, dass – das ist meine Erfahrung jetzt persönlich – das führt manchmal dazu, dass Unternehmen tendieren, eher keine Entscheidung zu treffen, weil sie keine falsche Entscheidung treffen wollen.

Das zahlt natürlich ein Stück weit auch auf deine Frage ein, wie wichtig Zielbilder sind. Ich glaube, Zielbilder sind extrem wichtig. Eine Frage, die gerne wir auch noch mal gemeinsam erörtern können, ist, wie wichtig ist diese Use-Case-ROI-Orientierung versus den Mut, eine Autobahn zu bauen? Sagen wir es einfach mal in pragmatischen Worten. Und ich glaube, das ist was – da muss ein Umdenken stattfinden.

Du hattest gerade diesen Killer Use Case angesprochen. Selbst wenn ich ihn nicht auf dem Silbertablett in der Excel-Tabelle geliefert bekomme, heißt das nicht, dass ich nichts tun muss. Und dieses allgemein mutige Voranschreiten, in dieses Thema einzutauchen, ist, glaube ich, ein wichtiger Punkt.

Peter

Darf ich da direkt reinspringen? ROI betrachtet, dann rennst du bei mir sofort offene Türen ein. Ich hatte neulich ein Beispiel bei einem Kunden. Da habe ich das Werk besichtigt und wir haben darüber gesprochen, dass man hier was verbessern müsste und da was verbessern müsste. Und dann sah ich da so ein Board mit so Papierkarten, wo Maschinenstörgründe eingetragen wurden. Ja, und dann wurde da handschriftlich Zeitpunkt, Störgrund, und dann wurde das da reingesteckt. Und dann habe ich gesagt, das wäre das erste, was ich anfassen würde.

Das wäre das Allererste, was ich einfach digitalisieren würde, durch einen digitalen Prozess. Damit man es auswerten kann, damit es nicht daran scheitert, dass man die Schrift lesen kann, damit man auf Störgründe automatisch vielleicht sogar reagieren kann und so. Was sich nicht alles da hinten heran zieht. Weil ich habe Kunden, die haben es digitalisiert. Da ist es dann so digital, dass die Störung direkt automatisiert im Teams bei der richtigen Person aufpoppt, und dann ist plötzlich die Reaktionszeit für die Störungsbehebung von durchschnittlich 30 Minuten auf durchschnittlich zwei Minuten runtergegangen. Und sowas schafft Produktivität.

Aber in dem Moment: Die Antwort von dem Kunden war, ja, aber das Papier kostet ja nichts, das ist kein ROI. Und da habe ich gesagt, da haben wir ein Mindsetproblem, in dem wir uns so bestimmte Paradigmen mal als Default setzen müssen. Ich meine, wenn du mich fragst, Peter, nach Zielbildern: Das absolute Zielbild ist für mich die absolut autonome Fabrik.

Vielleicht ist es ein theoretisches Zielbild, aber es ist erst mal das Zielbild. Die autonome Fabrik, die sich komplett alleine steuert. KI-Agenten managen die Produktion, rufen den AGV, Roboter beladen die Zelle. Vielleicht gibt es irgendwo einen Human in the Loop oder vielleicht einen im Background, aber die weitestgehend autonome Fabrik ist das Zielbild. So wie beim autonomen Fahren definiere ich in diesem Zielbild verschiedene Autonomie-Level. Natürlich starten wir nicht bei der vollautonomen Fabrik, sondern wir starten natürlich – so wie beim autonomen Fahren gibt es Fahrerassistenzsysteme.

Für mich ist Level 0 die Fabriken, die wir heute haben. Die sind zwar automatisiert, aber nicht autonom, aber vielleicht sind sie vernetzt. Das muss ich erst mal herstellen. Ich muss erst mal eine Connectivity herstellen, damit ich überhaupt Basistransparenz hinkriege. Dann kann ich Level 1: Das ist für mich Advisory, also die Fabrik, die mich berät. Ich habe eine KI, die vielleicht mit zuschaut, über die Schultern schaut, die Daten mit anschaut und den Menschen Vorschläge gibt. Ich justiere mal hier nach, aber die Handlung macht der Mensch.

Level 2 ist, die KI kann anfangen zu handeln, vielleicht sogar Maschinen zu steuern, Prozesse zu automatisieren, aber immer noch mit der Hand vom Menschen drauf. Dann gibt es den Level 3, da hat die KI schon das Mandat, bestimmte Sachen selber zu steuern, und dann Level 4 wäre vollautonom. Und das kann man sozusagen runterbrechen, und in einer autonomen Fabrik – und so einfach ist es dann – gibt es hundertprozentig kein Papier.

Und dann kann ich mich sozusagen mit solchen Themen beschäftigen. Das braucht aber Mut, braucht Budgets, das braucht am Ende einen CEO und auch einen CFO, der sagt, okay, ich gebe hier Investitionen frei. Und das ist heutzutage schwierig in einer Welt, in der viele Kunden uns heute sagen, sie haben nicht mal genug Budget, überhaupt den IT-Betrieb aufrechtzuerhalten. Wo soll ich denn Innovation herholen? Ja, aber deswegen sage ich, jetzt noch das Rad neu zu erfinden und Zeit zu verschwenden, das ist definitiv der falsche Weg. Man muss sich so ein Zielbild definieren. Da muss man mutig voranschreiten.

Tolles Modell, auch ganz konkret mit den unterschiedlichen Stufen. Henrik, jetzt aus Sicht von den Mittelständlern: Wie betrachtest du das? Woran scheitert es und wie würden Zielbilder da vielleicht helfen?

Henrik

Ich glaube, der Peter hat es auf den Punkt gebracht. Ich würde gerne das, was du gesagt hast, Peter, gleich mal im Mittelstand diskutieren bei einem der nächsten Roundtables oder Sitzungen, die wir haben. Wie können wir vielleicht sogar gemeinsam so ein Zielbild erarbeiten und den KMUlern oder den Mittelständlern eine helfende Hand quasi ausstrecken? Ich glaube, wir müssen groß denken lernen. Wir dürfen nicht im Kleinen klein verharren.

Das geht von uns Führungskräften und auch von den Geschäftsführern und Inhabern aus, dass wir Freiräume zulassen, dass wir sagen, pass mal auf, du hast hier ein Werk, wie soll das Werk in fünf Jahren aussehen? Zeig mir mal deine Ambition und deine Vision. Und ich stelle oftmals fest, dass aufgrund der Tatsache, dass das Tagesgeschäft einfach immer da ist und immer Priorität hat, dass zu wenig Innovation auf dem Shopfloor stattfinden kann und zu wenig Vision nach vorne gerichtet stattfindet. Und das ist für den Standort Deutschland ein Problem und ein Riesenrisiko, was wir da haben.

Ich glaube, wir müssen den Hebel umlegen. Wir müssen Gelder freimachen. Wir müssen Investments freimachen. Und wir müssen von oben runter den Leuten Möglichkeiten geben, dass sie was vorschlagen dürfen und groß denken dürfen. So wie es der Peter gerade richtig beschrieben hat, kann ich das immer mal wieder auch bei SCHUNK sehen, dass erst mal an den Return on Invest gedacht wird und dass dann dadurch große Pläne oder visionäre Richtungen so ein bisschen ins Stocken geraten.

Und für mich ist es immer ein schönes Beispiel – und ich glaube, viele Mittelständler nicken, wenn sie das hören: Es wird auf der Treppe entschieden, dass eine neue Maschine beschafft wird. Da wird relativ selten über Return on Investment gesprochen, weil die Maschine natürlich Späne macht. Und ich glaube, wir müssen in der IT vom Mindset her einen ähnlichen Shift hinbekommen. Wenn wir wirklich unsere Fabriken auf Software Defined umgestellt bekommen wollen, dann müssen wir Abstriche machen beim Return on Invest und müssen erst mal eine Basis schaffen.

Und die Basis heißt, ich muss Investitionen zulassen, auch wenn man nicht sofort einen Return sehen kann oder jemand sich schwer tut, einen Return auszudrücken. Weil wenn ich das nicht mache, dann habe ich als einzige Möglichkeit in X Jahren, dass ich meinen Standort verlagere in irgendein Billiglohnland. Und das wollen wir alle für Deutschland eigentlich nicht haben. Also wir wissen doch jetzt, als Inhaber, als Unternehmer müssen wir hergehen und zur Standortsicherung und zur Nachhaltigkeit auch für unsere Kinder, die wir haben, müssen wir dem Thema IT und Digitalisierung mehr Schub verleihen und Investments frei machen.

Peter

Darf ich das kurz relativieren? Ich finde, Abstriche machen beim Return on Invest klingt, wie, das zahlt sich nicht aus. Und ich glaube, das Gegenteil ist der Fall. Ich habe so viele Beispiele von Kunden, die gesagt haben, an dem Tag, als wir das erste Mal die Daten live auf dem Dashboard gesehen haben, haben wir sofort Probleme gelöst, von denen wir vorher nicht wussten, dass wir sie hatten.

Ich hatte letztes Jahr einen Kunden, der hat gesagt, mit den Daten auf dem Dashboard haben sie innerhalb von einer Woche festgestellt, dass, wenn sie die Maschine abends in einem anderen Beladungszustand zurücklassen als bisher, sie morgens schneller anfahren können. Und zack, hatten sie 30 Minuten Produktivität gewonnen und konnten mehr produzieren. Das war ihnen aber nicht bewusst, dass das ein Bottleneck war vorher.

Und diese Themen – die meisten Unternehmen kennen ja ihre OEEs gar nicht. Die haben gar nicht die KPIs, wo sie sagen können, hier müssten noch mal 3 % gehen. Und deswegen ist es ein Henne-Ei-Problem. Wenn ich mein Problem nicht kenne, dann kann ich auch nicht sagen, ich will es lösen. Und dann kann ich auch nicht sagen, wo wird der Return on Invest herkommen.

Ich war letzte Woche Freitag bei einem Kunden, der hat mir gezeigt, sein Werk voll vernetzt, reines Montagewerk. Die produzieren große Baumaschinen, reines Montagewerk, rein manuelle Tätigkeiten, also gar nicht mal automatisiert. Aber die haben alles digitalisiert. Also jeder Rufknopf vom Werker – ich brauche hier Unterstützung – ist ein digitales Event in ihrem Daten-Backbone. Und mit den Daten, das haben sie seit drei Jahren, mit den Daten konnten sie Analysen fahren und sagen, okay, hier an dem Arbeitsplatz haben wir überdurchschnittlich viel Supportbedarf. Dann haben sie Prozesse umgestellt und Probleme gelöst und Durchsatz erhöht.

Durchsatz erhöht heißt entweder – und das ist je nach wirtschaftlicher Lage – ich kann mehr produzieren, wenn das auch abgenommen wird, oder ich kann in der Kurzarbeit mit weniger Werkern die Produktivität aber aufrechterhalten, oder mit der Labor Shortage, weil ich habe Schwierigkeiten, Mitarbeiterinnen und Mitarbeiter zu bekommen, junge, weil mehr pensioniert werden als unten nachkommen, trotzdem mit weniger Personal gleich viel Produktivitätsausstoß oder sogar höheren haben. Und das sind dann sozusagen Effekte, da ist der ROI phänomenal hoch. Aber die Voraussetzungen, die muss ich schaffen.

Und die Planung des ROI ist oft schwierig im Vorfeld. Deswegen finde ich ganz stark unsere Diskussion, das hat mir gerade richtig Spaß gemacht. Ich würde sie auch gerne noch fortsetzen, merke aber, dass wir auch zeitlich sonst in die Bredouille kommen. Ich würde daher noch mal eine letzte Abschlussrunde machen. Mein Verständnis wäre, Next Level Mittelstand wäre so eine Austauschplattform, wo man sowas wirklich mal diskutieren kann, wo zum Beispiel Zielbilder als auch anstehendes Thema diskutiert werden. Weitere Themen mitzugeben, wo man euch erreichen kann, wie man euch einsetzen kann, wie sollten Mittelständler loslegen – also was wären so konkrete Schritte für Zuhörer und Zuhörerinnen, da loszulegen oder mit euch in Kontakt zu treten?

Daniel

Next Level Mittelstand kann man uns natürlich über unsere Webseite erreichen. Ich glaube, wir sind auch alle darüber hinaus greifbare Personen über LinkedIn und Co. oder natürlich entsprechend dann über unsere Companies. Was ich gerne noch tun würde, ist wirklich die Einladung auszusprechen an alle, heute bei was mitzuwirken, was entsprechend auch einen gesellschaftlichen Wert hat.

Der Henrik hat was extrem Wichtiges angesprochen. Er hat darüber gesprochen, dass wir noch mal wirklich die Chance haben im Kontext von KI und allem, was entsteht. Der Peter hat gesagt, wie schnell sich die Welt dreht. Das ist kein verlorener Posten, auf dem wir sind. Und wir sollten alle daran gemeinschaftlich im Sinne eines Ökosystems festhalten und mitarbeiten, dass wir auch in unsere Gesellschaft zurückzahlen. Gerade im Kontext von KI, von Infrastruktur und Co.

Wenn wir weiter noch mal 10, 15 Jahre wirklich ausschließlich auch Technologien finanzieren, deren Ownership nicht bei uns liegt, dann kriegen wir auch hinten raus ein anderes Problem. Dann haben wir nämlich niemanden mehr, der am Ende des Tages auch irgendwie einen KI-Agenten aufs nächste Level heben kann, sondern wir sind einfach nur noch Konsumenten. Und das ist nicht enkelfähig. Wer es schon mal gehört hat, der weiß, dass das etwas ist, was die Schwarz Gruppe als eine ihrer wichtigen Identifikationen hervorhebt. Und ich glaube, das ist etwas, was uns allen wichtig ist. Und die Einladung, über Next Level Mittelstand zu partizipieren oder in der direkten Ansprache – ja, mein Aufruf an der Stelle.

Super, dann vielen Dank an alle Zuhörerinnen und Zuhörer. Bitte teilt diese Folge. Ich glaube tatsächlich, dass jeder Mittelständler in Deutschland das einmal hören sollte, was wir jetzt heute besprochen haben. Da bin ich der festen Überzeugung. Daher danke fürs Zuhören, danke fürs Teilen und danke für den weiteren Austausch.