Prozessoptimierung und Datenvernetzung -
Die zentralen Schlüsselthemen für kleine und mittlere Unternehmen (KMU)

Der Einsatz von künstlicher Intelligenz (KI) bedeuten für viele Unternehmen eine Umstrukturierung ihrer bisherigen Arbeitsprozesse und das Risiko vor ungeahnten Herausforderungen zu stehen. Dabei ist die Schlüsseltechnologie KI längst nicht mehr den Global Player vorbehalten. In näherer Zukunft werden immer mehr mittelständische Unternehmen die Relevanz der KI für sich entdecken.

​​​​​​​Zum einen ermöglichen die heutigen KI-Methoden die Produkte und Dienstleistungen den individuellen Kundenwünschen anzupassen und bilden damit die Grundlage für neue, KI-basierte Geschäftsmodelle. Das Potential in Konstruktion, Vertrieb oder der vorausschauenden Wartung ist sehr groß. So können etwa Anlagen- und Maschinenbauer bei der Qualitätskontrolle auf KI-gesteuerte Bilderkennung zurückgreifen oder lernfähige Algorithmen anwenden, die aus Daten wie Lärm, Schwingungen, Hitze oder Stromverbrauch den Verschleiß von Maschinen schlussfolgern. Zentrales Stichwort ist hier die vorschauende Instandhaltung (Predictive Maintenance).


Fest steht aber auch: Mittelständler stehen oftmals, wenn die Digitalisierung im Unternehmen am Anfang steht, vor großen Hürden bei der Einführung von KI-Systemen. Hemmnisse sind hier das entsprechende Know-How, fehlende Fachkräfte, hohe Investitionen und die Komplexität sowie mangelnde Datenverfügbarkeit. Technische Kompetenzen, vorhandene Infrastruktur sowie die Ausrichtung des Unternehmens bestimmen wie gut ein Unternehmen auf den Einsatz der Technologie vorbereitet ist. Desweiteren hemmen Bedenken wegen zu hoher Einstiegshürden, mangelndes Vertrauen hinsichtlich Datensouveränität sowie der Absicherung und Zertifizierung von KI-Systemen eine Einführung ins Unternehmen. Aber es lässt sich sagen:
​​​​​​​Es schlummert enormes ungenutztes Potential in den Daten des Mittelstandes - der Weg lohnt sich.

Für Unternehmen wo eigene Fachkräfte in der KMU fehlen oder die eigene Datenbasis zu klein ist - empfielt es sich auf cloudbasierte "KI-as-a-Service"-Angebot zu setzen. NVIDIA bietet hierzu zusammen mit VMware die AI for Enterprise Plattform an. NVIDIA AI Enterprise ist eine durchgängige, Cloud-native Software Suite für KI- und Datenanalyse, die von NVIDIA optimiert, zertifiziert und unterstützt wird, um auf VMware vSphere mit NVIDIA-zertifizierten Systemen™ ausgeführt zu werden. Sie umfasst wichtige Technologien von NVIDIA für die schnelle Bereitstellung, Verwaltung und Skalierung von KI-Workloads in der modernen Hybrid Cloud.
NVIDIA AI Enterprise

KI in der Produktion

Fokus: Optimierung der Wertschöpfungskette unter Einsatz von KI-basierten Anwendungen

Der Einsatz von KI (KI-Anwendungen) in Unternehmen
  • Verschafft oder sichert und baut Wissensvorsprünge aus.
  • Eröffnet völlig neue Geschäftsmodelle.
  • Vereinfacht Prozesse und führt zu schnelleren Ergebnissen.
  • Kann Kosten reduzieren.
  • Kann Lieferzeiten verkürzen.
  • Kann Produkte schneller und genauer an Kundenbedürfnisse anpassen.
  • Kann helfen Ressourcen und Produktionsmaterialien einzusparen.
  • Kann Produktdesign und Produktqualität verbessern.
  • Ermöglicht eine vorausschauende Wartung.
  • Kann Muster in Daten erkennen.
  • Kann Gruppierungen/Klassifizierungen erkennen.
  • Hilft Prozesse zu optimieren.
  • Kann Inhalte aus Texten, Bildern, Sprache oder Videos erkennen und klassifizieren.
  • Kann Produktionsprozesse im Mittelstand verbessern.
  • Kann unterstützend wirken bei der Qualitätskontrolle.
  • Kann helfen neue Daten zu prognostizieren.
  • Kann Einflüsse von bestimmten Daten auf andere Daten erkennen.

Potentiale entlang der WertschöPFungskette

Zu den Chancen für den Mittelstand zählen etwa Effizienzgewinne, Vorteile gegenüber Wettbewerbern sowie Gewinn- und Ertragssteigerungen.

Wer kann vom Einsatz KI-basierten Anwendungen profitieren? KI-Experten sehen grosse Potentiale für den Mittelstand insbesondere in den Bereichen Logistik, Vertrieb und Produktion sowie Einkauf und Kundenmanagement. Intelligente Sensorik sowie Assistenzsysteme gelten hier als vielversprechende Anwendungen. Vom kleinen Servicetool im Marketing über die KI-basierte Optimierung substanzieller Fertigungsprozesse sowie die Schaffung neuer Geschäftsmodelle - je nach Wertschöpfungstiefe variieren
​​​​​​​ die Potentiale.

Wenn der deutsche Mittelstand weiterhin vorne am Wettbewerb mitmischen möchte, so ist der Einsatz von KI-Technologien wettbewerbsrelevant. Unternehmer sollten sich aber im Klaren sein, das der Einsatz von KI nicht unmittelbar die Produktivität im Unternehmen erhöht. Gerade mittelständische Unternehmen sollten dies in ihren Investitionsplänen berücksichtigen und bei Einführung von KI ein Hauptaugenmerk auf besondere Schlüsselkomponenten legen, denn solche müssen gezielt aufgebaut werden.

KI-Anwendungen nach verschiedenen Wertschöpfungsbereichen

Intelligente Assistenzsysteme
Sensorik
Robotik
Sprach-/
​​​​​​Text-verarbeitung
Bild-/Ton-erkennung
Dokumenten-analyse
Zeitreihen-/
​​​​​​​Clusteranalysen
Zeitreihen-/
​​​​​​​Clusteranalysen

Absatz & Logistik

  • Lagerhaltung, Sortierung, Lieferung durch autonome Fahrzeuge/Roboter
  • KI-basierte Bedarfs- und Routineplanung
  • Tourenplanung & Auslieferung
  • Lagerlogistik und Kommissionierung

Produktion

  • Automatisierungstechnik
  • Erkennung von Anomalien
  • Vorausschauende Wartung
  • Kognitive Assistenten
  • Weiterentwicklung smarter Produkte für neue Geschäftsmodelle
  • Robotik
  • Instandhaltung
  • Qualitätsmanagement und Kontrolle
  • Prozessoptimierung und -steuerung

Lieferkette

  • Optimierung der Lieferkette
  • Intelligente Absatzvorhersagenprognosen
  • Bedarfsprognosen zur Vorhersage von Umsätzen

Beschaffung/Einkauf und Bestellung

  • Inventur & Bestandsmanagement
  • Automatisierte Lagerhaltung durch autonome Fahrzeuge
  • Lieferkettenabläufe/ KI-basierte Abwicklung: Übernahme von Bestellvorgang bis Lieferung
  • Beschaffungsmarktforschung
  • Ressourcenplanung
  • Lieferantenmanagement

Unternehmensinfrastruktur, Administration und Personalwesen

  • Übernahme von Routineaufgaben
  • Teilautomatisiertes Bewerbermanagement
  • Dokumentenmanagement
  • Betrugserkennung
  • Prognosen
  • Automatische Belegerkennung
  • Intelligente Mahnverfahren
  • Energiemanagement
  • Personaleinsatzplanung
  • Personal Recruiting
  • Gebäudemanagement

Service und Kundenmanagement

  • Automatisierte Kunden-Review-Analysen
  • Unterstützung bei Kundeninteraktion (z.B. Chatbots)

Forschung und Entwicklung

  • KI-gestützte Simulation von Produktverhalten
  • Analysen für Produktentwicklung
  • Produkt- und Prozessentwicklung

Marketing und Vertrieb

  • Automatisierte Datenerfassung und -auswertung
  • KI-Unterstützung für Kundeninteraktion
  • Dynamische Preisoptimierung, Optimierung von Produktportfolio
  • Zielgenaue Werbung/Promotion
  • Chatbot
  • Visuelle Produktsuche
  • Beratungs-/Verkaufsroboter
  • Sentiment Analysis im Kundenservice
  • Digitale Assistenzsysteme

Qualitätskontrolle und -sicherung

  • Sichtprüfung von Bauteilen auf Fehlerhaftigkeit
  • Predictive Quality; optische und akustische Qualitätssicherung
Disruptives Potenzial von KI in der Wertschöpfungskette (Quelle: Universität des Saarlandes, basierend auf Experteninterviews)
​​​​​​​
sysGen hilft Ihnen bei der Erarbeitung praxistauglicher Lösungen um möglichst einfach und kostengünstig KI-Lösungen in Ihrem Unternehmen einzusetzen und von den Vorteilen zu profitieren.
​​​​​​​
Der Einsatz von KI in Unternehmen ist heutzutage keine Frage mehr ob, sondern wann! Verpassen Sie nicht den Anschluss, denn die Wettbewerbsfähigkeit des Mittelstands hängt zunehmend vom Einsatz digitaler Lösungen ab. 

Wie können Unternehmen durch den Einsatz von KI
​​​​​​​in der industriellen Wertschöpfung profitieren?

Fokus: Produktion

Ein sehr häufig genanntes Anwendungsbeispiel von KI in der Produktion ist die vorausschauende Wartung und Instandhaltung (Predictive Maintenance) von Maschinen und Anlagen. Dieses betrifft jedoch nur einen kleinen Teil des Spektrums möglicher produktionstechnischer Anwendungen in der Zukunft.
  • Predictive Analytics (z. B. Überwachung und Wartung von Produktionsanlagen)
  • Optimiertes Ressourcenmanagement (z. B. Optimierung von Produktions- und Fertigungsplänen)
  • Qualitätskontrolle (z. B. Prüfung der Beschaffenheit von Bauteilen)
  • Intelligente Assistenzsysteme (z. B. Unterstützung bei Fertigungsprozessen), Wertschöpfungspotenziale von KI in der Produktion 
  • Wissensmanagement (z. B. Datenmodelle für komplexe Engineeringprozesse)
  • Robotik (z. B. lernende, selbstregulierende Greifersysteme)
  • Autonomes Fahren und Fliegen (z. B. fahrerlose Transportsysteme)
  • Intelligente Automatisierung (z. B. Automatisierung von Routineprozessen in Fertigung und Montage) sowie
  • Intelligente Sensorik (z. B. Vorverarbeitung der Daten beim Monitoring von Produktionsanlagen).
Wartung nach Bedarf – nicht nach Planungsintervall
KI-Anwendungen ermöglichen es Industrieunternehmen, den Zustand und die Leistung ihrer Maschinen in Echtzeit, anhand einer Unzahl digitaler Informationen an der jeweiligen Anlage, zu überwachen. Doch für die Instandhaltung und Wartung dieser Assets müssen die Daten intelligent genutzt werden. Hierbei kann Künstliche Intelligenz (KI) helfen.

Bei der vorausschauenden Wartung (Predictive Maintenance) werden mithilfe von Datenanalyse und ausgefeilten Algorithmen Vorhersagen zu drohenden Stillständen getroffen und der optimale Zeitpunkt für die entsprechenden Wartungsarbeiten errechnet. So können Ausfallzeiten verhindert werden, bevor diese überhaupt entstehen. Kombiniert man im Zuge eines Asset Performance Managements das Wissen aus früheren Wartungsvorgängen mit den Analysen der aktuellen Daten für die vorausschauende Wartung, entsteht die computer- und KI-gestützte Vorhersage von Wartungseinsätzen. Durch dieses vorausschauende Denken eines Systems über die Gesamtheit aller Anlagen können die Techniker von vornherein mit den passenden Ersatzteilen zum richtigen Zeitpunkt ausgestattet werden. Dies erlaubt es zum Teil, Wartungsaktivitäten auf sich abnutzende Komponenten zu reduzieren, anstatt eine Komplettwartung anzustoßen.

Asset Performance Management (APM)
Beim Asset Performance Management wird unter folgenden Technologie-Komponenten unterschieden: 
  • Asset Health Insights – zustandsbasiertes Instandhalten auf Basis von digitalen IoT-Daten, die von vernetzten Geräten, Anlagen, Sensoren und Cyber-Physikalischen Systemen (CPS) erzeugt werden.
  • Predictive Maintenance – auf den Daten basierende Analysen zur Vorhersage von benötigten Ersatzteilen, Wartungsbedarf und Ausfällen, bevor diese akut eintreten.
  • Equipment Maintenance Assistant – die umfassende Unterstützung der Wartungstechniker mithilfe von Künstlicher Intelligenz (KI). 
Optimierte Lagerverwaltung und Haltung dank KI
Unternehmen setzen bereits heute auf den Einsatz von Softwareprodukten um mithilfe von Aktionsplanungs- und Optimierungsalgorithmen in der Lagerhaltung die Produktivität zu verbessern. Dies reicht über den Einsatz einer verbesserten Lagerverwaltung, vor allem in Hinblick auf Lagerbestände und genauere Bestellprognosen um zu hohe Lagerbestände zu vermeiden über den Einsatz von KI-Technologien z.B. von KI-Robotik zur Verkürzung von Kommissionierarbeiten sowie einer dynamischen Routenanpassung oder frei navigierenden fahrerlosen Transportsystemen.

Die Top 3- Beweggründe für KI in der Logistik:
  • Vorhersage von Verbrauchertrends
  • Automatisierung der Produktbewegung im gesamten Lager
  • Optimierung der Transportwege und Bewegungen innerhalb der Lagerhalle
Qualitätssicherung - Garant zum Erfolg
In produzierenden Unternehmen spielt das Qualitätsmanagement eine zentrale Rolle für den Geschäftserfolg. Denn um auf dem globalisierten Markt konkurrenzfähig zu bleiben, müssen Hersteller wirtschaftlich arbeiten und gleichzeitig höchste Produktqualität liefern.

Die Qualitätskontrolle spielt eine entscheidende Rolle für produzierende Unternehmen. Fehler müssen identifiziert, analysiert, lokalisiert und beseitigt werden. Dabei fallen mitunter vielfältige und teils sehr komplexe Aufgaben an, die sich nur schwer automatisieren lassen und welche wertvolle Zeit kosten. Dies kann durch den Einsatz einer KI-gestützten Oberflächeninspektion durch den Einsatz von Kamerasystemen und Sensoren entlang der Fertigungsstrasse erzielt werden. Dies ermöglicht eine exakte Bestimmung von unerwünschten Abweichungen per Bild und Klang. Softwareprogramme zeigen z. B. die exakte Position von Materialfehlern auf Oberflächen, nachgelagerten Systemen werden diese Informationen zur Verfügung gestellt. Systeme, auf Basis von Maschinellem Lernen, können bei passenden Eingangsdaten Muster erkennen, die auf Abweichungen hinweisen und damit die Suche nach Ursachen für Qualitätsschwankungen erleichtern. Als Fehler diagnostizierte, unklare Produkte können anschließend manuell von erfahrenen Mitarbeitern, KI-gestützt, geprüft werden.
Der Einsatz von KI für Planungstätigkeiten verfolgt zwei Hauptziele, unabhängig von der Art der Ressource:
  1. ​​​​​​​Entlastung von Mitarbeitern durch Automatisierung einfacher Planungsaufgaben durch Planungsalgorithmen. Abhängig von der benötigten Rechenzeit ermöglicht dies auch, im Fall von unerwarteten Ereignissen, schnell ein neues Planungsergebnis zu erhalten.
  2. Erzielung besserer Planungsergebnisse bei komplexen Anwendungsfällen durch den Einsatz von KI-Systemen. Komplexität kann durch eine große Anzahl an sich stetig verändernden Eingangsgrößen oder konkurrierende Optimierungsziele, z. B. minimale Durchlaufzeit bei möglichst hoher Anlagenauslastung, entstehen. In diesen Fällen bieten sich neben den Planungs- und Optimierungsalgorithmen auch maschinelle Lernansätze an.
Zusammenhänge und Muster sichtbar machen mit Hilfe von KI
KI macht es möglich, Zusammenhänge und Muster zu erkennen, die uns sonst- insbesondere bei großen Datenmengen- verborgen bleiben. Hierbei fließen, neben unmittelbaren Prozessdaten auch historische Daten, in die Steuerungsprozesse ein. Historische Daten können Informationen aus vorherigen Maschinenläufen oder vorgelagerten Prozessen umfassen. Durch die Erweiterung des Informationsumfangs können sich ggf. bessere Prozessergebnisse erzielen oder qualitätsrelevante Prozessabweichungen durch Adaption der Folgeprozesse ausgleichen. Bei der Prozessoptimierung steht aber immer die Automatisierung von dynamischen Regelschleifen im Vordergrund. Hier werden oftmals Planungsalgorithmen angewendet. Im Vergleich zum Menschen bieten diese eine höhere Verfügbarkeit sowie häufig auch eine beschleunigte Verarbeitung. 

Ein weiteres Anwendungsbeispiel für KI-Technologien in der Prozessoptimierung mittels Maschinellem Lernen ist die Analyse von umfangreichen Datensätzen aus komplexen Systemen, wie z. B. aus verketteten Produktionslinien. Gerade in komplexen Systemen besteht das Potenzial, dass Zusammenhänge aufgedeckt werden, die sich menschlichen Beobachtern nicht direkt erschließen, da diverse Vorbedingungen eintreten, die sich dem Beobachter entziehen. Dies kann bspw. genutzt werden, um die Ursachen für wandernde Engpässe in der Produktion aufzudecken. Allerdings ist der erfolgreiche Einsatz der KI von der Qualität der Daten abhängig, mit der sie vorab trainiert wurde. Sie ist immer nur so gut, wie die Datengrundlage, auf der sie basiert.
Digitale Assistenzsysteme unterstützen Menschen etwa bei der Informationssammlung und -aufbereitung, dem Treffen von Entscheidungen sowie dem Ausführen und der Kontrolle von Menschen, Maschinen, Prozessen und Produkten. Ebenso können sie beim Lernen und Einüben von Tätigkeiten helfen. Sie gewinnen in Fabriken an Bedeutung. Gerade komplexe Fertigungsaufgaben lassen sich so schnell, mit weniger Fehlern und von geringer qualifizierten Mitarbeitern ausüben.

Hierbei wird unterschieden in:
  • Wahrnehmungsassistenzsysteme unterstützen die Informationsaufnahme
    Das Spektrum reicht von klassischen Stücklisten bis hin zu Informationssystemen, die die Mitarbeiter bei der Ausführung unterstützen z.B. digitale Arbeitsanweisungen.
  • Entscheidungsassistenten unterstützen die Informationsverarbeitung
    Mitarbeiter werden durch digitale Assistenten bei komplexen Entscheidungssystemen unterstützt, da sie eine vorige Priorisierung treffen oder umfangreiche Datenanalysen zur Entscheidungsfindung bereitstellen können.
  • Ausführungsassistenten unterstützen die Arbeitsausführung
    Der Mitarbeiter wird hier bei der Ausführung seiner Tätigkeit z.B. durch Bewegungsabläufe mit Maschinenunterstützung entlastet. Das Anwendungsspektrum reicht hier von einfachen Handhubwägen bis hin zu Mensch-Roboter-Kooperationen.
​​​​​​​
Die Anwendungsbereichen von Assistenzsystemen reichen von Intralogistik, Montage oder Qualitätsprüfung bis hin zur Produktionsplanung.
Produktionsplanung: Mit KI schneller vom Produktdesign zur Auslieferung.
Werkzeuge und Prozesse für die Entwicklung sind in der Regel stark an Produkt, Prozesse und Organisationsstruktur angepasst. Dementsprechend sind die Anwendungsmöglichkeiten für KI-Technologien sehr vielfältig. Aufgrund der fehlenden Standardisierung existieren allerdings bisher wenige Softwareangebote, die über KI-Technologien einen Mehrwert für den Nutzer erzeugen.
​​​​​​​
​​​​​​​Eine der vielen Einsatzmöglichkeiten für KI ist die Nutzung von Maschinellem Lernen zur Auswertung von Test- oder Simulationsdaten, um komplexe Zusammenhänge per Mustererkennung aufzudecken. Auch der Einsatz von Planungs- und Optimierungsalgorithmen in automatisierten Expertensystemen ist möglich, um manuellen Aufwand einzusparen und den Entwicklungsprozess zu beschleunigen. Hier ist bspw. die automatische Generierung von Montageanweisungen oder Stücklisten, insbesondere bei der Bildung von Untervarianten, denkbar. Die Umsetzung von Assistenzfunktionen in Form von Designvorschlägen oder Plausibilitäts- und Konsistenzprüfung ist ein weiteres Anwendungsgebiet. KI-Systeme können vergleichen, ob Anzahl und Größe von Gewinden einer CAD-Konstruktion zu den genannten Schrauben in der Stückliste passen.
Zu den wesentlichen Hemmnissen für die Einführung von Industrierobotern gehört sicherlich der hohe Trainingsaufwand für Automatisierungslösungen mit den im Zuge dessen hohen Einrichtungskosten. Auch eine geringe Flexibilität machte den Einsatz derartiger Lösungen bisher nur bei häufig wiederkehrenden Prozessen wirtschaftlich.
​​​​​​​
Mittlerweile erlaubt die Kombination Multidimensionaler Mustererkennung und Aktionsplanungsalgorithmen das Einrichten neuer Prozesse durch eine Nachahmung der Bewegungen des Menschen. Zudem steigt die flexible Adaption zur Prozesslaufzeit durch den Einsatz von KI-Technologien. So lassen sich z. B. Übergabebereiche definieren, statt dass präzise, festgelegte Übergabepunkte beim Einrichten des Prozesses benötigt werden. Die dynamische Erkennung von Lage und Orientierung der benötigten Bauteile erfolgt dann mit Hilfe von Bildverarbeitung und ggf. weiterer Sensorik. Dies erhöht neben der Flexibilität gegenüber bisherigen Automatisierungslösungen auch die Stabilität der Prozesse.
​​​​​​​
Sicherheitszertifizierte Sensorik vorausgesetzt, ermöglicht Bildverarbeitung darüber hinaus die direkte Mensch-Roboter-Kollaboration ohne Sicherheitszaun. Auch kann die die Mensch-Maschine-Schnittstelle mit Hilfe von Natural Language Processing intuitiver gestaltet werden.
Insbesondere produzierenden Mittelständlern ist oft nicht bewusst, über welche Datenschätze sie verfügen – und wie sie diese mit Hilfe vom KI-Anwendungen nutzbar machen können. Die industrielle Wertschöpfungskette umfasst den gesamten Prozess rund um ein Produkt – von der Idee über die Gewinnung und Verarbeitung der notwendigen Rohstoffe, die Lieferung der Produktmaterialien und Komponenten bis hin zur Herstellung des Produkts und dem damit verbundenen Marketing, Vertrieb, Kundenservice und Recycling. Bei jedem einzelnen Wertschöpfungsschritt können KI-basierte Lösungen unterstützen. Sie können helfen, Ideen zu generieren, Ressourcen und Produktionsmaterialien einzusparen, defekte Produkte zu ermitteln oder recyceln sowie den Energieverbrauch zu senken. 
Generatives Design: Ideen entwickeln
Beim so genannten generativen Design können mit Hilfe von KI-Methoden in kürzester Zeit eine Vielzahl von unterschiedlichen Designs und Konstruktionsvarianten erprobt werden. Gemäß vorab festgelegter Produktparameter (Material, Maße und Gewicht) kann KI diese Parameter kombinieren und innerhalb weniger Minuten diverse Kombinationen durchspielen und als Ergebnis verschiedene Gestaltungsvorschläge und Entwürfe ausgeben. Welche Vorschläge weiterverfolgt, getestet und produziert werden sollen, entscheidet das Designer-Team.
Digitale Assistenten: Wissen vermitteln
KI-gestützte digitale Assistenten sind bereits seit einigen Jahren in unserem Alltag präsent – sei es in Smartphones oder in Form von intelligenten Lautsprechern in vielen Haushalten. Auch in der Industrie können intelligente Assistenz-Systeme die Beschäftigten wirksam bei ihren Tätigkeiten unterstützen. 
Intelligente Logistik: Warenströme optimieren
Die Logistik von Waren ist ein komplexes System. KI-Verfahren können dabei helfen, kurzfristige Kundenbestellungen und Stornierungen in Echtzeit zu erfassen, Fahrten zu optimieren und innerhalb kürzester Zeit neue Transportrouten zu ermitteln. So kann die Kundschaft mit pünktlichen Lieferungen rechnen, Transportunternehmen sparen Zeit und Geld.
Ressourcen im Blick: umweltschoned produzieren
Ein hoher Energieverbrauch ist für Unternehmen ein Kostenfaktor und zudem ein Treiber des Klimawandels. KI-Lösungenen können Unternehmen künftig dabei unterstützen den Energieverbrauch von industriellen Anlagen zu optimieren und somit einen Beitrag zum Umweltschutz und zu mehr Lebensqualität zu leisten.
Circular Economy: Produktionskreisläufe schließen
Immer mehr Rohstoffe werden verbraucht, um Produkte herzustellen, die später wieder entsorgt werden müssen. Diese „Wegwerfwirtschaft“ will das Konzept der Circular Economy durch eine Rücklauflogistik ersetzen: Produkte sollen länger nutzbar sein und am Ende ihrer Lebensdauer wiederaufbereitet oder recycelt werden.

Daten- und KI-basierte Wertschöpfungsnetzwerke: Potenziale für KMU

Durch die Verknüpfung und Analyse von Daten mit Hilfe von Methoden der Künstlichen Intelligenz lassen sich neue, individualisierbare Produkte und Dienstleistungen entwickeln. Doch insbesondere der Mittelstand verfügt selten allein über die notwendigen Daten und Technologien, um datengetriebene Geschäftsmodelle zu realisieren. Zudem mangelt es in den Betrieben oft an den nötigen Kompetenzen in den Bereichen Datenanalyse und KI. Eine Kooperation mit Anbietern von Daten, Technologien und digitalen Plattformen kann helfen, das benötigte Wissen innerhalb sogenannter digitaler Wertschöpfungsnetzwerke aufzubauen und daraus Mehrwert zu schaffen.

Plattform

Zulieferer

KMU oder Großunternehmen

Unternehmen

KMU oder Großunternehmen

Kunde

Cloud-Dienstleister

Wertschöpfungs-kreislauf:
  • Datenströme
  • Leistungsströme
  • Zahlungsströme
Kontinuirlicher Austausch von Daten untereinander

Bedeutung von Wertschöpfungsnetzwerken

Was sind Wertschöpfungsnetzwerke?
Wertschöpfungsnetzwerke entstehen durch das Aufbrechen von geordneten, teils starren Wertschöpfungsketten. Indem verschiedene Akteure flexibel und dynamisch zusammenarbeiten, werden innovative Leistungsangebote möglich. Voraussetzung dafür ist der sichere, weitgehend offene Datenzugang bzw. -austausch aus unterschiedlichen Quellen über Unternehmens- und Branchengrenzen hinweg.
Wozu werden Daten ausgetauscht?
Der übergreifende Zugang bzw. Austausch von Daten ist essentiell, um KI-Systeme zu trainieren. Basis dafür ist die Implementierung von Elektronik, Sensorik und Aktorik in Gegenständen (z.B. Geräten, Maschinen, Fahrzeugen) bis hin zu ganzen (Produktions-) Anlagen und deren Vernetzung über das Internet. Es entsteht so ein Internet der Dinge, in dem physische Objekte einen sogenannten Digitalen Zwilling erhalten.
Wie entstehen neue Produkte und Dienstleistungen?
Der Einsatz von KI ermöglicht es in nahezu alle Wirtschaftssektoren, aus den über die Sensorik generierten Daten wertvolle Informationen bzw. Erkenntnisse in Echtzeit zu gewinnen. Den Ausgangspunkt stellen somit die Hersteller oder Betreiber von digitalisierten Gegenständen und Systemen dar, die verschiedene Datenarten (z. B. Betriebs-, Umgebungs- oder Nutzungsdaten) bereitstellen. Die Kombination, Aufbereitung und KI-basierte Analyse erfolgt auf digitalen Plattformen, auf deren Basis über direkte bzw. indirekte Netzeffekte skalier- und individualisierbare neue Leistungsversprechen für Kunden entstehen können.
Warum sind Kooperationen nötig?
Die gemeinsame Nutzung von Daten unter Einsatz von KI-Methoden erfordert unterschiedliche Kompetenzen. Für deren Konfiguration und dynamische Anpassung ist es wichtig, bestehende technische, ökonomische und datenbezogene Lücken zu erkennen, den eigenen Wertbeitrag zu definieren und passende Kooperations- bzw. Kollaborationspartner über ihren möglichen Beitrag (z. B. Daten-, Technologie- und Kompetenzbereitstellung) zu identifizieren.

Umsetzung eines Wertschöpfungsnetzwerks

Do's
Dont's
  • Transparenter Netzwerkaufbau mit klar formulierter Wertbeitrag aller Beteiligten (Value Proposition)
  • Definition einer klaren Datenstrategie, welche Qualität, Relevanz und Verfügbarkeit der für die Wertschöpfung nötigen Daten festlegt
  • Strategisch und langfristig angelegte (Forschungs-) Kooperation zur Generierung von eigenen Kompetenzen im Bereich Data Science
  • Agiler Roll-out des Produkts, um Hürden frühzeitig zu erkennen und das Produkt anpassen zu können
  • Kontinuierliche Prüfung und Anpassung des Geschäftsmodells und geeigneter Finanzierungsmodelle, z.B. Aufteilung der Einnahmen (Revenue Sharing)
  • Schlecht kommunizierte und abgestimmte Projekte
  • Sammeln von Daten ohne klar definierte Kriterien und Methoden
  • Komplette Auslagerung der KI-Kompetenzen an externe Unternehmen ohne kontinuierlichen Austausch und wechselseitiger Abstimmung
  • Starre Festsetzung des Zeitplans und Festhalten am ursprünglichem Konzept
  • Festhalten an klassischen Geschäftsmodellen und Überzeugen der Netzwerkteilnehmer, das Investitionsrisiko selbst zu tragen

Schon gewusst? Der Weg in die Digitalisierung wird vom Staat gefördert

„Digital Jetzt“- Neue Förderung für die Digitalisierung des Mittelstands

 Digitale Technologien und Know-how entscheiden in der heutigen Arbeits- und Wirtschaftswelt über die Wettbewerbs- und Zukunftsfähigkeit von Unternehmen. Damit der Mittelstand die wirtschaftlichen Potenziale der Digitalisierung ausschöpfen kann, unterstützt das Bundesministerium für Wirtschaft und Energie (BMWi) kleine und mittlere Unternehmen (KMU) mit dem Programm „Digital Jetzt – Investitionsförderung für KMU“. Das Programm bietet finanzielle Zuschüsse und soll Firmen dazu anregen, mehr in digitale Technologien sowie in die Qualifizierung ihrer Beschäftigten zu investieren.
 
Zur Förderung des BMWI