Gute Algorithmen sind bestenfalls die halbe Miete für erfolgreiche Industrial AI-Projekte. Notwendig sind vor allem hochwertige Daten, die sich in vernetzter Form analysieren lassen. Dafür wiederum braucht es einen Wandel: weg von isolierten Silos und veralteter Infrastruktur, die heute vielerorts noch an der Tagesordnung ist, hin zu intelligent nutzbaren Datenräumen. Simon Sack, Gründer und CEO von NEUROLOGIQ sowie Mitglied im VDI smartAI Council, erläutert im Interview, wie Unternehmen die Epoche der „Datenarchäologie“ hinter sich lassen können.
Herr Sack, welchen Stellenwert nehmen Datenräume aus Ihrer Sicht im Kontext der Industrial AI ein?
Simon Sack: Für die Industrie wird das Thema zukünftig einen sehr großen Stellenwert bekommen. Im Kern geht es bei Industrial AI darum, datenbasiert ein Abbild der Realität eines Unternehmens oder einer spezifischen Branche zu nutzen. Bei Datenräumen handelt es sich eben nicht um eine weitere Cloud-Ablage, sondern um eine smarte Architektur, die Industriedaten inklusive des darin enthaltenen Prozesswissens vorhält und für diese gewünschte Nutzung bereitstellt. Wir wollen damit aus der klassischen Silodenkweise ausbrechen und unternehmens- und branchenübergreifend einheitliche Daten zur Modellierung erhalten. Technisch gesehen setzen wir auf verknüpfte Architekturen wie Data Lakes oder Data Warehouses, aus denen dann ein Data Layer geschaffen wird. Das Oberthema dabei ist Interoperabilität: Die Anwendungsschicht benötigt Zugriff auf sämtliche Daten aus allen Domänen des Unternehmens, um komplexe Optimierungen überhaupt erst zu ermöglichen.
In Zukunft geht es nicht mehr darum, einzelne Maschinen, sondern das Zusammenspiel von Produktion, Logistik und Sales zu analysieren. Warum ist das Aufbrechen klassischer Datensilos die zwingende Voraussetzung dafür?
Simon Sack: Maschinelles Lernen in der Produktion ist wichtig und bleibt es auch. Vorhersagen über Qualitätskennwerte, Ausschussquoten oder Maschinenausfälle sind echte Mehrwerte, die Unternehmen heute schon realisieren können. Doch bei der nächsten Generation von KI-Systemen handelt es sich um verkettete Modelle, also auch um agentische Systeme, die nicht mehr nur einen Teilbereich optimieren, sondern ganze Betriebe steuern sollen. Ein solches System fragt sich nicht: Was ist die optimale Einstellung für Maschine drei? Es fragt sich: Wie muss ich gleichzeitig Produktion, Logistik, Ressourceneinsatz und Sales-Aktivitäten aufeinander abstimmen, damit das Gesamtergebnis weiterhin stimmt? Was früher ein Mensch durch mehrere Iterationen herausgearbeitet hätte, wird zukünftig in Sekunden durchgespielt.
Für diese Systeme sind Daten aus dem gesamten Unternehmen erforderlich – nicht aus einem Silo. Der Hebel dafür ist eben die Agentisierung. Auch wenn das Wort stark marketinggetrieben ist, meinen wir damit spezifische Expertensysteme für einzelne Aufgaben. Aufgrund der steigenden Komplexität der Anwendungen benötigen wir zwangsläufig größere, vernetzte Datenräume. Wenn wir diese Potenziale datengetrieben angehen, können wir Energiekosten senken und Ausschussquoten reduzieren. Das nutzt selbstverständlich dem einzelnen Unternehmen und würde gleichzeitig eine massive Stärkung des Wirtschaftsstandorts Deutschland bedeuten.
In vielen Betrieben liegen zwar Unmengen an Daten vor, aber sie werden kaum genutzt. Warum fällt es gerade dem Mittelstand so schwer, diesen Schatz zu heben?
Simon Sack: Wir beobachten oft die Notwendigkeit nach einer gewissen Art der „Datenarchäologie“. Kleine und mittelständische Unternehmen produzieren über Jahrzehnte, schaffen immer mal wieder neue Datenquellen und speichern diese historisch gewachsenen Datenmengen völlig unsystematisch ab. Während große Player wie SAP, Siemens oder ThyssenKrupp bereits über Strategien zur Operationalisierung ihrer Daten verfügen, sieht man im Mittelstand oft das Gegenteil. Daten versauern in Silos für Vertrieb, Produktion oder Logistik, ohne dass jemand über die gesamte Wertschöpfungskette hinweg mitgedacht hat. Oft haben Fachabteilungen eigene Insellösungen entwickelt, was eine ganzheitliche Vernetzung extrem aufwendig macht. Hinzu kommt die technische Realität: Nicht selten trifft man im Mittelstand noch auf veraltete Systeme quasi aus der Vor-DOS-Ära. Da braucht es dann echte Fachexperten oder eben Datenarchäologen, um überhaupt an diese Schätze zu gelangen.
Das klingt nach einem gewaltigen Rückstand. Wo sehen Sie den größten Hebel, um diese Trägheit zu überwinden?
Simon Sack: Wir plädieren dafür, mit dem Thema KI zu starten, sich zu orientieren und die ersten Schritte zu gehen. Junge Unternehmen und Start-ups können einem dabei helfen, gewohnte Handlungsmuster zu verlassen. Nicht jedes KI-Unternehmen versteht die industrielle Realität, aber kann wichtige Impulse für Innovationen liefern. Wir nehmen manche Kunden auch bewusst in Forschungsprojekte auf und versuchen, für komplexe Themen über Förderungen ein zusätzliches Budget zu erhalten. Somit ist nicht direkt ein wirtschaftlicher Verwertungsdruck vorhanden, doch die Unternehmen können so Erfahrungen sammeln, wie man Lösungen im Bereich Industrial AI schaffen und nutzen kann.
Viele Unternehmen scheitern bereits an der Skalierung vom Pilotprojekt zur Serie. Könnten Sie ein konkretes Beispiel geben, wie die Umsetzung gelingen kann?
Simon Sack: Ein gutes Beispiel ist unsere Zusammenarbeit mit ThyssenKrupp und EMG Automation. Dabei ging es um die Optimierung der Zinkauflage in einer 400 Meter langen Feuerverzinkungsanlage. Früher wurden die Parameter wie Vorschub, Temperatur oder die Einstellung der Düsen, die das Zink abblasen, quasi nach Bauchgefühl der Mitarbeiter händisch eingestellt. Wir haben eine Plattform entwickelt, um die Anlage in Echtzeit – also in unter 100 Millisekunden – adaptiv zu steuern. ThyssenKrupp spart dadurch pro Jahr einen siebenstelligen Betrag. Die Modelle und die Orchestrierungsplattform sind von uns entwickelt worden. Jetzt geht es darum, weitergehende Anwendungen dafür zu entwickeln.
Besonders spannend an diesem Beispiel ist, dass sich dabei EMG Automation vom reinen Hardware-Anbieter zum Software-Provider transformiert hat. Alkes „Made in Germany“ durch die erfolgreiche Kooperation zwischen einem Stahlkonzern, einem Traditionsmittelständler und einem jungen Unternehmen wie uns.
Dem Interesse an diesen Chancen steht eine große Skepsis gegenüber US-amerikanischen Plattformen gegenüber. Wie wichtig ist das Thema Datensouveränität für deutsche und europäische Unternehmen?
Simon Sack: In der Tat ist dies ein absolut kritischer Faktor. Mehr oder minder jedes Unternehmen, mit dem wir aktuell zusammenarbeiten, möchte seine Daten lokal verarbeiten oder kapseln. Es gibt einen klaren Wunsch nach Alternativen zu großen US-Techkonzernen hin zu industrienahen europäischen oder deutschen Systemen. Die Sorge ist in mehrerer Hinsicht berechtigt: US-Anbieter ködern Mittelständler mit kostenlosen Lockangeboten und freien Nutzungszeiträumen auf ihre Plattformen. Einerseits ist es so schwierig, die realen Kosten für diese Infrastruktur von Anfang an transparent zu haben und den Return-on-Invest für die Anwendungen langfristig zu kalkulieren. Hier zeigt die nahe Vergangenheit, dass die Preise ansteihen, sobald sich eine Technologie sich etabliert hat – zu Lasten der Industrieunternehmen.
Anderseits wandern so Daten, wertvolles Prozesswissen und die eigenen Modelle zwangsläufig aus Europa in unsichere Drittländer. Ich verstehe unser Industrie-Know-how als eines der letzten großen Assets in Europa. Zusätzlich sollte man politische Risiken mit Blick auf die USA nicht außer Acht lassen. Niemand kann beispielsweise sagen, ob es nicht morgen Zölle auf Datenflüsse gibt.
Oft ist zu hören, dass die EU mit dem AI Act Innovationen eher bremst als fördert. Wie bewerten Sie die regulatorischen Rahmenbedingungen?
Simon Sack: Aus meiner Sicht ist es ein wichtiges Signal, dass Industrial AI teilweise aus dem European AI Act herausgenommen wurde, um mehr Flexibilität zu ermöglichen. Genau das entspricht einem pragmatischen Ansatz, den die Unternehmen in Europa benötigen. Denn eine zu starre, 80-seitige EU-Regulatorik schießt oft über das Ziel hinaus und kann die Entwicklung im industriellen Umfeld hemmen. Gleichzeitig kann KI aber auch helfen, regulatorische Lasten wie Dokumentationspflichten oder den kommenden Materialpass effizienter zu bewältigen. So wird der Kopf wieder frei für den eigentlichen Geschäftskern.
Zum Abschluss: Was empfehlen Sie mittelständischen Unternehmen, die jetzt in das Thema Industrial AI einsteigen möchten, aber noch Bedenken hinsichtlich der Umsetzbarkeit haben?
Simon Sack: Die wohl wichtigste Empfehlung lautet: Tappen Sie nicht in der Strategiefalle. Erstellen Sie keine Fünf-Jahres-Pläne auf PowerPoint-Slides, sondern legen Sie fest, welches Ziel Sie erreichen möchten, und identifizieren Sie dazu konkrete Anwendungsfälle. Nutzen Sie einen Fail-Fast-Ansatz: kurze praktische Schleifen, frühzeitig die Datenverfügbarkeit prüfen und verproben, was schnell funktionieren kann. Viele drohen festzustecken, weil sie hektisch in Proof of Concepts starten, die keinen klaren Bezug zu den Unternehmenszielen haben. Erst wenn ein Prototyp echten Mehrwert zeigt, sollten sich Überlegungen über die Skalierung und die belastbare Systemarchitektur anschließen. Und ganz wichtig: Nehmen Sie die Menschen mit. Viele industrielle KI-Projekte scheitern nicht an der Technik, sondern an einer mangelnden Akzeptanz oder Perspektive im eigenen Unternehmen.
