Hannover Messe 2026: Welche Chancen bietet Industrial AI?

0:13Stella Herzlich willkommen zu einer ganz besonderen Folge von t3n Arbeit in Progress, quasi live von der Hannover Messe aus dem Podcast-Bus. Mir gegenüber sitzt Simon Sack. Er ist Gründer von Neurologiq und das Unternehmen erstellt KI-Lösungen für Industrieunternehmen. Aber das ist nicht alles, denn er ist auch Mitglied im Verein KI-Bundesverband, der sich als Vermittler so zwischen Start-ups, Wirtschaft und Politik sieht.

0:37Stella Und, wie gesagt, wir zeichnen ja heute live bei der Messe auf und da bist du ja auch Simon quasi als Industrial-AI-Experte hier mit bei der Messe dabei. Lass uns doch mal so beginnen, weil wir wollen ja heute über Industrial-AI genau sprechen, nämlich welche Chancen haben wir dadurch, was hakt vielleicht auch noch bei Unternehmen?

0:57Stella Wir werden vielleicht auch mal auf Siemens eingehen an der einen oder anderen Stelle, also viele Themen, deswegen lass uns loslegen. Wenn ich mich vorgestellt habe, ich bin Stella-Sophie Wojtczak, Host von diesem Podcast. Also Simon, lass uns so beginnen, was ist denn eigentlich Industrial AI?

1:11Simon Ja, hi Stella, erstmal vielen Dank, dass du hier vorbeigekommen bist und dass wir das machen. Industrial AI hat sehr, sehr wenig zu tun mit ChatGPT. Industrial AI sind produktiv laufende Lösungen auf Basis von künstlicher Intelligenz in der Produktion, in Echtzeit, auf den Daten der Maschinen. Und da entsteht gerade ganz, ganz viel, weil das wirklich auch so eine Chance ist für den deutschen, aber auch europäischen Industriestandort.

1:42Stella Kannst du es vielleicht einmal abgrenzen auch von dem Begriff Physical AI oder wie hängt das Ganze zusammen?

1:47Simon Genau, also Physical AI ist ja gerade auch ein Riesenthema auf der Hannover Messe, humanoide Roboter. Physical AI, das steckt ja schon so ein bisschen auch im Begriff quasi drin. Anfassbare KI oder auch physische KI, also quasi Systeme, Modelle, Software, die mit Robotern gepaart ist und die quasi dann auch miteinander interagieren können und auch sehr, sehr menschenähnliche Handlungen ausführen können.

2:12Stella Und du hast eben auch eingangs gesagt, was Industrial AI nicht ist, zum Beispiel ChatGPT oder Google Gemini oder andere KI-Tools, KI-Chatbots, die wir so sagen wir mal aus dem Büroalltag kennen. Aber kannst du vielleicht nochmal ein bisschen klarer auch umreißen, auch in Abgrenzung zu Physical AI, Industrial AI, was sind da klassische Anwendungsbereiche vielleicht?

2:32Simon Genau, also gerade im Bereich Industrial AI geht es halt oft darum, wie schon gesagt, dass man Daten in Echtzeit aus Maschinen verarbeiten kann. So und gerade das ganze Thema ChatGPT, Gemini etc., das basiert auf generative KI. Also es werden irgendwie synthetisiert Daten, quasi reproduziert und man bekommt beispielsweise einen Text oder ein Bild oder ähnliches.

2:56Simon Jetzt bei Industrial AI ist es so, dass wir uns da dem großen Werkzeugkasten der künstlichen Intelligenz bedienen. Bedeutet beispielsweise Verfahren des maschinellen Lernens. Und das fängt dann zum Beispiel da auch an, Maschinausfallzeiten hervorzusagen oder auch verschiedene Anomalien an einer Maschine zu klassifizieren.

3:16Simon Zum Beispiel ist ein Lager kaputt, muss das getauscht werden? Was kommt gerade in die Maschine rein? Wie gegebenenfalls wird auch Ausschuss reduziert? Also es geht immer um Produktivität, Steigerung, Steigerung der Qualität. Das ist so mit eigentlich so der größte Punkt da.

3:35Stella Und Industrial AI ist ja auch ein Kernthema der diesjährigen Hannover Messe, wenn ich jetzt mal so in die Vergangenheit schaue, da gab es auch einen Begriff, der geht auch in die Richtung, nämlich das Ganze digitaler Zwilling. Wie hängt denn das zusammen? Gibt es da überhaupt einen Zusammenhang?

3:48Simon Ja, Digital Twin, digitaler Zwilling. Ich bin eigentlich so weniger Fan von, sage ich mal, diesen Oberbegriffen oder Marketingbegriffen. Wenn wir mal überlegen, Digital Twin ist eigentlich eine Datenrepräsentation von einer zum Beispiel Maschine, von einem Werk, wo ganz, ganz viele Maschinen drinstehen.

4:08Simon Hat den Vorteil, ich kann halt zum Beispiel Produktionsabläufe simulieren. Also wir sind in der Simulation drin. Also beispielsweise ermöglicht mir das aber auch, gewisse Verfahren mal zu testen. Wir haben das selber bei einem Anwendungsfall, wo wir eine komplette Produktionshalle, eine Anlagenstraße einfach simulieren, um daraus dann auch Versuche zu machen, weil der Vorteil ist ja, wenn ich das quasi einmal im Labor teste, dann störe ich auch nicht die Abläufe, weil das ist ja gerade auch so, man muss sich das vorstellen, es darf einfach kein Fehler passieren.

4:43Simon Wenn ein Fehler passiert, steigen die Kosten, dann habe ich Ausfallzeiten und produziere im Worst-Case-Schrott.

4:48Stella Und genau das, praktische Beispiele, gib uns da doch mal einen Einblick.

4:52Simon Genau, ja, das Ding ist ja, Neurologic ist 2018 entstanden, lange vor dem Hype. Das war ja so, ich war bei ZF in der produktionsnahen IT, habe da Potenziale mit den Daten gesehen, wie man auch entsprechend Anwendungen skalieren kann. Dann war das bei ZF mir ein bisschen zu langweilig, da war ich als Software-Freelancer und habe aber gesagt, da steckt mehr drin, ich möchte da was machen.

5:16Simon So habe ich dann meine Company gegründet und gerade über das Netzwerken, aber auch über die Lösungsfindung, weil wir waren da first mover tatsächlich 2018 in dem Bereich, sind wir sehr, sehr schnell mit einem großen deutschen Maschinenbauer zusammengekommen und mit einem Tochterunternehmen, die SMS Group und die SMS Group entwickelt für zum Beispiel Thyssen Group und baut diese ganz, ganz großen Feuerverzickungsanlagen.

5:42Simon Und da haben wir mit der SMS, insbesondere mit der Tochter EMG, die entwickeln Bandlaufregelungen, ein System entwickelt, was dafür sorgt, dass Stahlcoils, also das ist quasi wie eine Toilettenpapierrolle aus Stahl in XXL, perfekt verzinkt wird. Stahlcoils braucht man zum Beispiel auch, da werden Bleche rausgestanzt für die Automobilbranche.

6:06Simon Und man möchte ja nicht, dass zum Beispiel ein Auto rostet und aus dem Grund werden die verzinkt. So, und was wir jetzt machen, ist Folgendes. So ein Stahlkeul läuft durch so eine ganz, ganz lange Straße. Die ist teilweise 400 Meter lang. Das sind Riesenhallen. Wenn man das mal sieht, ist total beeindruckend. Dann fühlt man sich direkt sehr, sehr klein.

6:25Simon So, und da muss man sich das so vorstellen. Am Anfang kommt da ein Keul rein. Das wird abgewickelt, verschieden behandelt. Und dann ist da ein entscheidender Prozessschritt. Es wird verzinkt. Das läuft durch ein Zinkbad. So, und dabei kann ganz, ganz viel passieren. Entweder habe ich zu wenig Zink auf meinem Stahlkeul oder zu viel Zink.

6:44Simon Zu wenig Zink bedeutet Schrott, Materialabwertung. Zu viel Zink bedeutet, meine Marge sinkt. Und was wir jetzt gemacht haben, ist folgendes. Wir haben aus der Maschine alle Daten aggregiert, haben überhaupt mal geguckt, welche Daten sind relevant und haben daraus Modelle entwickelt, die dafür sorgen, dass das Zink perfekt auf das Stahlkeul aufgetragen wird.

7:07Simon Vorher war das menschliche Arbeit, man kann sich das vorstellen, das ist ein riesen Leitstand, das sieht so ein bisschen aus wie bei der Flugsicherung am Flughafen, an so einem Tower, da sitzen Menschen drin, gucken wie die Prozessparameter laufen. Und das Ding ist, jede Schicht produziert schichtabhängige Qualitäten.

7:25Simon Entweder sind nämlich genau diese Fälle aufgeräten, dass zu wenig oder zu viel Zink drauf ist. Und das wollte man verhindern und immer gleichbleibende Qualität erzeugen. Und genau das haben wir gemacht, indem wir halt die Daten aggregiert haben, uns angeschaut haben, das Modell optimiert haben und so schrittweise die Mehrwerte implementiert haben.

7:44Simon Genau und jetzt läuft quasi unser System im Hintergrund an verschiedenen Verzinkungsstraßen, mittlerweile auch im europäischen Ausland bei Kunden und dafür sorgen wir, dass das Zink immer optimal aufgetragen wird.

7:58Stella Heißt aber auch, dass nach wie vor Menschen in dem Prozess noch involviert sind, das heißt es ist nicht absolut nur KI gestützt, sondern es geht darum zu optimieren und wie du beschrieben hast eben zu verbessern, damit beispielsweise nicht zu viel, zu wenig Zink aufgetragen wird.

8:11Simon Genau, auch vor allem zu entlasten, man muss sich das ja so vorstellen, wenn man acht oder zwölf Stunden auf einen Monitor schaut und guckt, blinkt da irgendwas rot, muss ich da irgendwas machen, würde ich mich ja sehr, sehr darüber freuen, wenn mir ein System sagt, hier... Bitte mal anpassen oder ich übergebe dem System die Verantwortung und das System regelt dann für mich auch gewisse Abläufe.

8:32Stella Lass uns mal bei dem Beispiel bleiben und nochmal genau drauf schauen. Du hast ja gesagt, ganz selbstverständlich, ihr hattet die Daten dafür. Aber das ist doch häufig für Unternehmen auch ein Problem, beispielsweise, dass sie die falschen Daten in Anführungszeichen haben oder die Daten nicht vernünftig sortiert, nicht vernünftig zugänglich, damit sie auch übergreifend genutzt werden können. Oder ist das ein Problem im Bereich Industrial AI?

8:53Simon Ja, definitiv. Also auf der einen Seite sagt man ja immer, Deutschland sitzt auf einem riesigen Datenschatz. Das ist die Chance für Deutschland, für Europa. Das ist der Rohstoff der Zukunft. Auf der anderen Seite erleben wir aber auch teilweise das Gegenteil. Dass wir, wenn wir in Industrieunternehmen sind, dass wir dann eher, wie du schon angesprochen hast, sehr heterogene Daten vorfinden.

9:18Simon Und da gerade in einem Projekt, wenn man in der Industrie ist, geht teilweise von dem Projekt Ablauf und da fehlt dann teilweise auch so ein bisschen das Selbstverständnis quasi des Mittelstands oder auch der Industrie zu sagen, da müssen wir jetzt mal reingehen, weil 80 Prozent der Zeit fallen teilweise nur darauf, aufs Data Engineering nennt man das dann, dass man die Daten optimal zur Verfügung stellt.

9:41Simon Und beispielsweise in dem Fall bei ThyssenKrupp war es so, also das, was ich sagen kann, es waren sehr, sehr viele Daten und am Schluss hat man rausgefunden, dass eigentlich nur 26 Parameter relevant für den Gesamtprozess sind, was ja auch wieder bedeutet oder wo man quasi auch die Frage stellen kann, werden heute viel zu viele Daten gesammelt und was sind die relevanten Daten?

10:04Stella Hast du denn da eine pauschale Antwort? Was sind so relevante Daten im Bereich Industrial AI?

10:09Simon Pauschal lässt sich das tatsächlich nicht sagen. In der Regel kann man aber sagen, das hat häufig was mit Taktzeit zu tun. Aber es ist auch immer sehr Use-Case-spezifisch. Also gerade im Feuerverzinkungsprozess ist sowas wie Temperatur, Vorschub, wie schnell fährt die Anlage. Dann gibt es sowas an dem Zinkbad, wird quasi mit einer Luftdüse wieder überschüssiges Zink abgeblasen.

10:33Simon Also dann braucht man den Düsendruck und sowas. Aber das lässt sich pauschal tatsächlich jetzt auch nicht direkt sagen.

10:39Stella Wenn wir jetzt nochmal auf die Herausforderungen schauen. Wir haben über Daten gesprochen, zu wenig Daten eher nicht, zu viele Daten schon und auch unsortiert. Welche Probleme gibt es denn dafür vielleicht auch noch und was ist auch mit dem Punkt Kosten überhaupt, um Industrial AI nutzbar zu machen?

10:54Simon Ja, fange ich erstmal noch mit ein paar Herausforderungen an, bevor wir auf Kosten gehen. Der Punkt ist, die deutsche Industrie ist sehr, sehr verwöhnt. Sehr, sehr verwöhnt. Mit Lösungen, die sie einfach aus der Box nehmen können. Also früher war das so, gerade im Automatisierungsbereich, dann sind Vertreter von den typischen deutschen Sensorherstellern gekommen, Vertriebler, die hatten Koffer, da war dann der Sensor drin, sagt, der bringt euch die Lösung, der macht das.

11:22Simon Bei KI ist das, oder gerade industrieller KI, industrieller AI ist das nochmal ein bisschen anders, weil ich erst eine gewisse Vorlaufzeit habe. So und dann, wenn ich diese Daten verarbeite, möchte auch der deutsche Mittelstand oder die Industrie, die diese Daten auch oder die Antworten aus den Daten in Echtzeit haben. Das ist auch so ein Riesenthema.

11:41Simon Man kann es sich nicht erlauben, wie bei ChatGPT, ich prompte irgendwas, drücke Enter, bekomme eine Antwort, dass ich dann erst in 10 oder 20 Sekunden irgendwas bekomme, sondern es muss in Echtzeit sein. Und Echtzeitanforderungen in der Industrie, das ist schon eine Aufgabe. Da muss ich die Architektur von den Systemen so wählen, damit ich dann auch in Echtzeit mit der Maschine kommunizieren kann. So, das ist auf jeden Fall eine Herausforderung.

12:07Simon Aktuell haben wir aber auch noch regulatorische Herausforderungen. Industrial AI ist tatsächlich noch im European AI Act eingeschlossen, bedeutet... Ich habe, wenn ich in das Thema reingehe, auch teilweise in welche Domäne, Produktivitätssteigerung, hat oft auch was mit Mitarbeitenden zu tun. So bedeutet, ich habe einen gewissen Rückschluss auf die Schicht.

12:29Simon So, dann habe ich auch auf einmal was mit personenbezogenen Daten. So, da muss ich auch aufpassen, ja, wie gestalte ich überhaupt solche Projekte, damit ich DSGVO-konform bin. Dann habe ich Themen wie Informationssicherheit. Dann habe ich den European AI Act. Und darauf möchte ich jetzt hinaus. Ich habe unterschiedliche Regelungen und Vorgaben, die mir dann die Einführung der Projekte von der Compliance-Seite nochmal enorm schwierig machen.

12:53Simon Und deswegen ist es auch so, dass gerade darauf geschielt wird, dass Industrial AI aus dem European AI Act rausgenommen wird, weil es sehr, sehr maschinennah ist, weil ich habe auch noch eine Maschinenvorgabe etc. Und damit möchte man da auch mehr Geschwindigkeit reinbringen. Das ist so ein Thema. Und jetzt kommen wir auch dann direkt zu dem Punkt Kosten.

13:14Simon Jetzt habe ich ganz viel gesprochen und wir haben ja noch gar nicht richtig gearbeitet. So, bedeutet, und genau das ist der Punkt, gerade in den großen Industrieunternehmen, die sind es gewohnt, ThyssenKrupp, ja, Risikomanagement machen wir, ne, dann gucken wir, sind die Lieferanten ISO-zertifiziert, Haken dran, dann gucken wir, was wird an Daten gemacht, dann ist das erstmal bei der Legal-Abteilung.

13:33Simon Was passiert aber mit den Unternehmen, die es vielleicht gerade sehr, sehr gut brauchen, 20 bis 50 Mitarbeiter, 50 bis 100 Mitarbeiter? Ich glaube nicht, dass die dann einfach mal eine Viertelmillion in irgendein Legal Assessment stecken möchten, bevor die überhaupt anfangen mit einer Entwicklung.

13:51Stella Ich wollte gerade sagen, da kommen ja zu der Viertelmillion für Legal noch andere Kosten dazu. Kannst du mal Piemaldamm abschätzen für ein Unternehmen, 100 Mitarbeitende, was ist es, um ein Projekt abzusetzen? Das ist wahrscheinlich auch sehr schwer, weil es ist ja auch immer individuell.

14:03Simon Genau, also der Punkt ist, es kommt wirklich auch da wieder drauf an. Aktuell haben wir ein Projekt, das kann ich so ein bisschen umreißen, da kriegt man ein Gefühl dafür. Das ist in der Kreislaufwirtschaft, da geht es um die Sortierung von gewissen industriellen Substanzen. Das hat man vorher mit einem Laser gemacht.

14:24Simon Ein Lasersystem kostet 200.000 Euro und wir sind gerade dabei, eine Lösung zu entwickeln, die jetzt nach dem Proof of Concept erst 10.000 Euro gekostet hat. Wo man dann auch sagt, okay, die haben eine gute Datengrundlage, man kann mit den Daten arbeiten. Dann kommt man auch schon mal schneller zu einer prototypischen Anwendung, zu einem Demonstrator und sieht, okay, die Lösung funktioniert und dann geht es um den Sprung in die Produktivität.

14:47Simon Und man hört ja auch oft, dass gerade KI in der Produktion, in der Industrie oft in dieser Proof-of-Concept-Prototypen-Falle hängen bleibt. Und das ist genau dieser Punkt. Ungefähr 85 Prozent aller Proof-of-Concept scheitern von dem Transfer, von dem Proof-of-Concept-Status ins produktive System. Und das hängt vor allem an einem Punkt, nämlich an dem Übertrag der Architektur, der Implementierung in den Unternehmen, weil da kommen dann tatsächlich noch mal Kosten, teilweise dann auch noch mal für Architekturaufbau, Konzeption.

15:20Simon Das ist ja dann auch oft Arbeit, was dann auch der typische Mittelständer sagt, so, ich bezahle jetzt hier niemanden, der mir hier bunte Konzepte malt, sondern ich will das Ergebnis sehen. Im Schnitt lässt sich aber sagen, Wirklich belastbare Systeme und kommt nach großen Anwendungsfällen, je nachdem, ist das schon eher so eine Range, dass man da 30.000 bis 100.000 Euro einplanen muss und auch ganz, ganz große Systeme, wie dann so eine komplette Produktentwicklung, das geht dann schon in die Millionen rein.

15:53Stella Dann lass uns doch jetzt, wo wir die Probleme umrissen haben, auch langsam auf die Lösung gucken. Und zwar fangen wir mit dem Legal-Bereich an. Du hast ja unter anderem den AI-Act angesprochen. Ist das was, wo du sagst, da braucht es dringend diese Anpassung, dass eben Industrial AI da vielleicht auch ausgenommen wird, die Regelungen angepasst werden? Oder was gibt es da noch? Ja, definitiv.

16:11Simon Also Lösungen dafür sind, wie du schon angesprochen hast, ist genau das. Diese starke Regulierung im Bereich Industrial AI, in dem European AI Act, das ist auf jeden Fall ein Punkt, der rausgenommen wird. dann ist das der Punkt, auch vielleicht Bereitschaft, Daten zu teilen. Wenn ich Daten teile, auch in einem gewissen Ökosystem, wo auch gerade das Bundeswirtschaftsministerium so ein paar Projekte am Aufsetzen ist, ist es der Punkt, dass das auch schon mal dafür sorgt, wir brauchen ein anderes Selbstverständnis.

16:40Simon In den USA ist das normal, da werden alle Daten in einen Topf geschmissen und man holt sich so raus, was man braucht. Das Ding ist aber, gerade die europäischen Daten, die deutschen Daten, die deutschen Industriedaten, da steckt ganz viel Prozesswissen drin, was man ableiten kann. Deswegen möchten die ganzen Hyperscaler auch an die Daten ran.

16:57Simon So, dann ist aber auch noch der andere Punkt, der total entscheidend ist, dass wir überhaupt auch dann mal anfangen, ins Machen zu kommen und uns weniger über dieses ganze Setup Gedanken machen. Ja, weil da auch so, sage ich mal, die Diskrepanz immer noch da ist, diese Transferleistung zu legen. Und zu guter Letzt würde ich auch noch sagen, Das haben wir auch noch gar nicht so vertieft, ist der Punkt, dass das auch vor allem auch ein richtiges Change Management in den Unternehmen ist, weil man muss fairerweise sagen, das wird ganz schön rütteln, ja, da werden Arbeitsplätze tatsächlich und ich will jetzt hier keine Angst machen, aber da werden Arbeitsplätze wegfallen, die anders eingesetzt werden, das habe ich auch schon erlebt,

17:44Simon dass Abteilungen zum Teil geschlossen wurden, Weil man auch gesagt hat, okay, wir müssen jetzt die Personalien woanders einsetzen. Aber das ist auch so ein Ding, dass man einfach auch, sage ich mal, so im Blick behalten muss, dass das auch nochmal wirklich für Veränderungen sorgen wird.

18:00Stella Klingt, könnte ich mir vorstellen, aus Angestellten-Sicht jetzt erstmal wenig attraktiv Daten freigeben, generell auch das Thema Datenschutz dabei und dazu natürlich auch, was du gerade gesagt hast, da wird es rütteln, sprich, da werden vielleicht auch Arbeitsplätze abgebaut werden, die in geringer Zahl an anderer Stelle wieder auftauchen.

18:17Stella Wie können, wenn du schon über Change Management sprichst, denn Unternehmen auch damit umgehen und wie kann das Ganze auch möglichst fair vor allen Dingen laufen?

18:25Simon Ja, also was ich da gesehen habe, auch bei einem Unternehmen im Hunsrück, da haben wir eine Lösung entwickelt, um die Logistikplanung zu entlasten. Da war es einfach so, man hat zu viele Menschen an relativ stupide Arbeit gebunden. Das ist tatsächlich oft, dass in solchen, sag ich mal, strukturschwachen Regionen tatsächlich aber auch an anderen Stellen einfach Arbeitskräfte benötigt werden im Unternehmen.

18:51Simon Und ich glaube, das ist einfach so ein Ding und vielleicht habe ich es ein bisschen zu negativ ausgedrückt. Man muss einfach eine gewisse Bereitschaft haben, sich zu verändern und auch in andere Bereiche reingehen, weil gewisse Bereiche lassen sich halt datengestützt sehr, sehr gut abbilden. Und ich glaube, das ist auch einfach so ein Thema, was man einfach mitnehmen muss auf der einen Seite und auf der anderen Seite.

19:18Simon Ist es auch so, dass ja tatsächlich auch Schulungsmaßnahmen immer mehr angeboten werden, um neue Perspektiven zu ermöglichen.

19:29Stella Bevor wir gleich auch nochmal zum Beispiel auf den Punkt mit Siemens gucken, lass uns doch nochmal kurz darüber sprechen, Thema Datenschutz. Gibt es denn da auch Varianten durchaus zu sagen, weil das ist ja ein Punkt, Unternehmen hängen ja auch an ihren persönlichen Daten, wollen aber auch gerne die von den anderen haben.

19:44Stella Wie kann das auch möglichst fair laufen?

19:46Simon Ja, ich glaube, man muss so ein bisschen Datenschutz und Informationssicherheit trennen. Informationssicherheit ist das kritische Wissen, was eigentlich an den Produkten hängt. Das Cola-Rezept, sage ich mal, was niemand wissen darf. Datenschutz, da geht es ja oft um personenbezogene Daten. Dass man weiß, okay, bei der Schicht X war Mitarbeiter, Mitarbeiterin Y, haben an Stanze Z gearbeitet.

20:10Simon Das ist das Produktionsergebnis. Was da gemacht wird, ist natürlich entweder zu anonymisieren, die Daten auf der einen Seite oder auf der anderen Seite tatsächlich auch einfach wegzulassen, weil irrelevant. Mich interessiert dann vielleicht einfach nur die Taktzeit und die Schicht. Und dann kann das Unternehmen intern das wieder aufschlüsseln.

20:32Simon Es gibt unterschiedliche Projektansätze, Daten zu teilen, auch in Gemeinschaftsprojekten. Das ist auch so ein Thema, weil das auch immer relevanter wird. Wir wollen ja souverän werden in Europa und das schaffen wir dann auch nur gemeinsam. Und da gibt es verschiedene Plattformlösungen, wo man sagt, okay, zum Beispiel die Maschinenbauer machen das ganz gerne.

20:54Simon Es gibt ganz, ganz viele Hidden Champions, die in gewissen Maschinen ganz weitführend sind. Und die legen Plattformen auf und aggregieren alle Daten aus den Maschinen, um neue Lösungen zu entwickeln für die Anwender schlussendlich. Den Vorteil oder der da gerade so entsteht, das versteht dann auch die Industrie, versteht der Mittelstand, dass man Daten teilen muss, weil ich dann quasi kostenfreie oder auch in Abo-Modellen, das kommt immer drauf, Optimierung für meine Maschinen bekomme und so einfach schneller werde.

21:28Stella Dann lass uns doch jetzt auch einmal bei den Lösungen bleiben. Und zwar gibt es ja hier auch bei der Hannover Messe, hat Siemens wie gesagt den Eigen Engineering Agent oder Agent. Lass uns darüber nochmal sprechen. Wie schätzt du den denn ein?

21:39Simon Genau, also ich habe mir das schlussendlich angeguckt. Tatsächlich haben die das zum Teil mit Accenture entwickelt. Wir waren auch vor Ort, haben mit einem Entwickler gesprochen. Ich glaube, das Spannende, was man da gerade sieht, ist einfach so der Ansatz, den man auch an ganz vielen anderen Ständen nicht nur präsent sieht, ist das Thema Orchestrierung.

22:01Simon Orchestrierung von unterschiedlichen einzelnen KI-Lösungen, werden dann oft Agenten genannt, weil die dann eine Aufgabe lösen, zum Beispiel Maschine automatisiert einstellen auf Basis von irgendwelchen Rückschlüssen und dann hat man festgestellt, jetzt hat man ganz, ganz viele unterschiedliche Agenten auf einmal, die irgendwelche Lösungen machen, aber wie werden die denn gesteuert?

22:24Simon Und da ist tatsächlich so dieser Ansatz entstanden, dass man sagt, okay, man legt eine Schicht quasi, einen Layer da drüber und hat die Möglichkeit, dann zum Beispiel seinen kompletten Produktionsablauf zu sehen und daraus dann an die unterschiedlichen Agenten Befehle zu geben, über einen quasi Masteragent.

22:44Simon Man sieht dann zum Beispiel, an Maschine Z haben wir ein Problem, das hat Auswirkungen auf die Logistik, also setze quasi jetzt gewisse Maßnahmen ein, damit wir kein Problem haben, das wird dann simuliert, dann sind wir beim Thema Digital Twin wieder, Dann wird da an der Simulation, kann man feststellen, das Ganze dauert sechs Minuten, möchtest du das jetzt machen, du wirst einen Stillstand haben, passt das jetzt rein, dann sagt ein anderer Agent, ja passt jetzt und dann wird das ausgeführt.

23:13Simon Und dadurch hat man einfach die Möglichkeit, belastbarer zu planen, weil man das Ganze immer erst verprobt in einer Simulation und dann anwenden kann. Und das ist schon sehr, sehr stark, weil man da vor allem dann auch dieses Prozesswissen, was ich ja auch schon mal angesprochen habe, auch tatsächlich einfach verproben kann, bevor man einfach einen Blindflug startet.

23:37Stella Und du hast ja gesagt, sehr, sehr stark generell die Orchestrierung, dass das ein wichtiges Thema ist. Ist denn jetzt zum Beispiel dieser Vorstoß was, wo du sagst, okay, das ist jetzt auch aus meiner Sicht so ein Auftakt, das Industrial AI, dass wir mehr jetzt in Deutschland in diesem Bereich für Nutzen Chancen kommen oder ist das quasi eine Sache, aber das reicht noch nicht für die breite Masse in der Anwendung?

23:58Simon Also meine persönliche Meinung ist da, das habe ich gestern auch mit ein paar Leuten diskutiert, ist, das ist schlussendlich, wenn man so möchte, ja einfach ein Management-Tool. Es klingt halt dann ein bisschen fancier, wenn man dem guten Namen gibt. Es sorgt dafür, gerade in Enterprise-Lösungen, also in wirklich riesen, riesen Lösungen, dass das benötigt wird.

24:24Simon Kleine Anwender, ja, auch die kleinen Unternehmen, die werden da jetzt nicht so viel, sage ich mal, von haben im ersten Schritt. Die brauchen eher die spezifischeren Lösungen direkt an der Maschine. Und das ist auch das Ding, gerade so, sage ich mal, so große agentische Systeme, da braucht man sehr, sehr viel Anwendung.

24:42Simon Was natürlich helfen wird, ist, wenn das, sage ich mal, und dann sind wir aber schon wieder zwei, drei Jahre weiter, dann ist das schon wieder breiter für die Masse, zugänglicher, bezahlbarer, das ist ja auch immer das Thema. Dann kann man da sehr, sehr viele Aufgaben im Hintergrund natürlich super automatisieren und wieder für Produktivität sorgen.

25:00Stella Was ist denn genau mit den KMUs, über die du ja auch gesprochen hast, 50 bis 100 Mann oder Frauen? Was brauchen die denn jetzt, damit sie eben da weiterkommen im Bereich Industrial AI?

25:11Simon Leicht zugängliche Lösungen tatsächlich. Also ganz, ganz oft fehlt es aber auch da an der Basis. Ja, entweder, wenn man durch verschiedene Industriehallen geht, dann fängt man oft bei dem Wort Digitalisierung an. So, dann ist das nächste Wort Daten. Ja, dann fehlt oft Datenhaltung. Gerade das Thema Datenhaltung wird oft unterschätzt, ja, oder ist auch gar nicht angefangen.

25:34Simon Wir waren, oder ich bin schon durch Hallen gelaufen, da waren Maschinen noch gar nicht im Netzwerk drin. Und was da dann auch einfach entsteht, ist, dass man da überhaupt mal sorgen muss, diese quasi mit einem Brownfield-Ansatz, nennt man das oft, überhaupt Maschinen anzubinden in die Datenwelt. Und ich glaube, was dem Mittelstand helfen wird, sind einfach zugängliche Lösungen von auch gestandenen Unternehmen wie Siemens, IFM, die einfach dafür sorgen, dass man ja gewisse Funktionalitäten schon in einem Sensor hat.

26:08Simon Ja, weil da fängt es dann schon oft an, wenn zum Beispiel an der Maschine Produkte rauskommen, die werden jetzt noch händisch sortiert, sollen klassifiziert werden. Zum Beispiel, ich sage mal... Das ist eine Achse, das ist eine Schraube oder Ähnliches. So, da gibt es dann Lösungen mittlerweile schon, wo die KI auf dem Sensor ist und wo man schon Rückschlüsse an die Maschinensteuerung geben kann.

26:30Simon Und da zum Beispiel schon für Produktivitätssteigerung sorgt und das dann kein Mensch mehr machen muss.

26:36Stella Da muss ich da nochmal tiefer rein. Weil ich mich frage, dieses Datenthema, du hattest es ja auch angesprochen, wir haben es zum Anfang angesprochen. Wir haben über Lösungen gesprochen. Aber das ist ja auch nicht, dass wir jetzt quasi was ganz Neues erzählen, sondern was, was auch bei der Hannover Messe schon seit Jahren immer wieder Thema ist, nämlich Datenerhebung.

26:53Stella Mit Daten vernünftig umgehen, sind es da wirklich die Kosten, die daran hindern oder wird einfach vielleicht nicht die Chance durch Industrial AI gesehen? Was ist es?

27:02Simon Ja, das Ding ist, viele Unternehmen tatsächlich stehen ja auch aktuell teilweise mit dem Rücken an der Wand. So und wenn du jetzt da hingehst und sagst, ja, ihr müsst jetzt erstmal in Infrastruktur investieren, ihr habt aber erst was in drei bis fünf Jahren davon. So, da siehst du die Perspektive. Und deswegen ist das so ein Spagat.

27:20Simon Auf der einen Seite muss ich dafür sorgen, perspektivisch Datenquellen aufzubauen, aber auf der anderen Seite brauche ich auch einfach so Lucky Shots, ja also so Lösungen out of the box, aber das ist so ein Spannungsfeld, was einem gerade in der Industrie einfach begegnet. Und du hast gesagt, auf der Hannover Messe wurde das schon ganz oft gesagt, denk mir einfach mal an das Buzzword Industrie 4.0 oder Plattform Industrie 4.0, was es auch nur so in Deutschland gibt, das ist genau der Punkt, da wurden auch schon die Daten angesprochen.

27:50Simon Und wenn wir da zurückgucken, meines Wissens war das 2011, jetzt haben wir 2026, 15 Jahre und wir sprechen immer noch darüber und wir werden da auch noch die nächsten Jahre darüber sprechen, weil Daten und die Datenqualität gibt immer das Ergebnis von einem System, was auf KI, Mathematik schlussendlich basiert.

28:12Simon Schmeiße ich schlechte Daten rein, kommen schlechte Aussagen raus.

28:16Stella Garbage in, garbage out, das ist auch der Klassiker für alle KI-Systeme. Du hattest eingangs auch ein paar Mal ChatGPT zum Beispiel als KI-Chatbot erwähnt. Wie ist es da eigentlich, das Thema Halluzination? Ist das für Industrial AI auch so ein großes Ding wie für beispielsweise ChatGPT oder Gemini Cloud?

28:33Simon Genau, wir sind ja oft im Bereich Industrial AI. Also man muss das so sagen, bei Industrial AI ist es so, wir arbeiten ja oft mit Daten und mathematischen Modellen, Machine Learning. So bedeutet Halluzination jetzt irgendwie, dass synthetische Daten generiert werden. An produktiven Systemen ist erst mal wenig, wenn man keine generative KI einsetzt.

28:57Simon Ich habe mich mit jemandem von Bosch erzählt, weil ich genau auch mal wissen wollte. Er sagte, ihr promotet jetzt hier wieder auch Agentic AI, an keinem Stand kommt man vorbei. Was ist eigentlich der Punkt bei euch, generative KI einzusetzen und genau auch, wie geht ihr damit um? Und das fand ich total spannend, egal ob es bei Siemens war oder bei Bosch, die Antwort war immer ähnlich. Wir setzen generative KI ein, dass wir eine Akzeptanz bekommen der Lösung.

29:25Simon Die unterschiedlichen KI-Lösungen, die quasi unter dieser Schicht der Anwendungen liegt, wie man das dann kennt, dann hat man irgendwie ein Screen, ein Dashboard, man kann interagieren, man kann der Maschine eine Frage stellen, was ist bei dir kaputt, was muss ich auswechseln. Das sind dann oft Modelle aus dem Bereich maschinelles Lernen, also eigentlich so Oldschool-AI-Anwendungen, wenn man so möchte, wo ich Daten bewerte und einfach eine Antwort bekomme, zum Beispiel Schwingungslager kaputt, so und das wird abgelegt.

29:55Simon Und der Agent oder dieser Top-Layer-Anwendung, das Sprachmodell, was halluzinieren könnte, gibt dann einfach nur die Antwort weiter. Und so kann ich mit der Maschine quasi sprechen, macht das zugänglich. Und Halluzination, wenn wir dann da reingehen, würde dieses System dann falsche Antworten oder Herleitungen geben und das ist einfach so der Punkt, dann kann natürlich auch sehr, sehr viel Quatsch noch entstehen.

30:19Simon Entstehen gerade und dann sind wir wieder beim Produktionsthema. Das muss sehr, sehr stark verifiziert werden.

30:26Stella Das heißt wahrscheinlich auch da gerade, ich erinnere mich gerade an den Mittelteil unserer Folge heute, wahrscheinlich genau beim Aufsetzen wieder auf die Daten schauen und genau überwachen, Human in the Loop, wo dann auch wieder Menschen notwendig sind, die das Ganze einfach mit begleiten und auch das Fachwissen haben, um Einschätzungen zu geben.

30:41Simon Korrekt und das sehen wir ja bei ganz, ganz vielen Anwendungen. Entweder laufen die wirklich parallel mit in einer Art Schattenbetrieb quasi, die einem nur Anwendung geben. Aber es gibt auch mittlerweile ganz, ganz gute Prozesse. Ich habe einen sehr, sehr starken Use Case mit Produktionsplanung zum Beispiel gesehen, wo man einfach drei Vorschläge bekommt.

31:01Simon A, B oder C, welchen möchtest du gehen? Da guckt ein Mensch einfach nur noch drüber, sagt B und dann geht es los. Aber das ist der Punkt. Gerade in kritischen Prozessen haben wir immer noch Human in the Loop und der Mensch, der entscheidet, in welche Richtung es geht.

31:15Stella Könnte schon fast ein Abschlusswort sein, Aber ein paar Minuten haben wir noch für diesen Podcast. Deshalb noch eine Frage. Wir haben die Chancen immer, so finde ich, ein bisschen gestreift. Aber ich will sie noch einmal plakativ zum Abschluss haben. Was genau Industrial AI kann das in Deutschland Positives bewirken, gerade in diesem Spannungsfeld, was wir ja auch beschrieben haben?

31:32Simon Ja, wir müssen natürlich ehrlicherweise gerade in die Situation reingucken. Wir haben das auch Klassiker demografischer Wandel. Ja, gerade ganz, ganz viele oder viel Fachwissen verlässt die Industriehalle. Wie können wir das auffangen? Und wie können wir überhaupt dafür sorgen, dass wir dann noch die Produktivität hochhalten und auch gerade das Thema immer energieeffizient produzieren?

31:56Simon Ja, das ist ja auch so ein Thema. Dadurch, dass wir natürlich da auch eine große Umstrukturierung haben, Wir haben auf günstiges russisches Gas gesetzt, die ganzen Energiekosten sind massiv gestiegen, müssen wir natürlich auch jetzt dafür sorgen, dass wir Kosten optimiert produzieren und auch so wenig Ausschuss wie möglich einfach produzieren.

32:16Simon Und das ist auf jeden Fall eine Chance, das alles datenbasiert anzugehen, um dann überhaupt dafür zu sorgen, dass wir auch noch eine Chance auf Wohlstand dann in Deutschland haben und auch industrielles Wachstum. So, das ist ein Punkt. Auf der anderen Seite müssen wir aber auch fairerweise sagen, das kann unser Maschinenbau 4.0 werden, wenn man so will.

32:36Simon Warum? Die ganzen Daten, die in den Maschinen sind und die Maschinen teilweise, die aus Deutschland kommen, stehen weltweit. Wenn man diesen ganzen Datenpool nimmt, dieses Prozesswissen aggregiert, können wir natürlich auch neuere Maschinen bauen, bessere Maschinen bauen und können uns auch durch den internationalen Wettbewerb einfach durchsetzen.

32:57Stella Heißt auch, was du gerade ansprichst, dass es nicht nur darum geht, zum Beispiel schneller zu arbeiten, die Qualität zu steigern, sondern dass Industrial AI auch ein ganz wichtiger Punkt einmal ist für digitale Souveränität, was du ja indirekt angesprochen hast und natürlich auch um weiter zu entwickeln.

33:12Stella Also sprich, um neue Maschinen, neue Programme vielleicht auch aus Deutschland heraus in die Welt zu bringen.

33:17Simon Genau, also Industrial AI ist für uns tatsächlich eigentlich der Hebel, ja diesen Daten, diesen Rohstoff, den wir tatsächlich dann wirklich haben, in den Industriedaten überhaupt nutzbar zu machen.

33:30Stella Dann eine letzte Frage zum Abschluss und zwar Zeithorizonte. Du hattest, glaube ich, vorhin einmal gesagt, so die nächsten zwei bis drei Jahre werden wir auch immer noch über die Erhebung von Daten, was muss sein, was muss nicht sein, sprechen. Gut, aber wann werden wir denn vielleicht darüber sprechen und zurückgucken und sagen, ja Mensch, jetzt läuft es mit das Industrial AI.

33:48Stella Wir haben jetzt folgende Beispiele, tolle neue Maschinen entwickelt. Also sprich, wann ist denn da dieser positive Outcome, auf den jetzt gehofft wird?

33:56Simon Genau, also der Punkt ist ja, seit ChatGPT ist einfach die Geschwindigkeit auch in der Industrie angekommen. Wir sehen sehr, sehr viele unterschiedliche Lösungen, die einfach gerade an den Start gebracht werden. Siemens baut jetzt eine sehr, sehr moderne Fabrik in Erlangen. Das wurde ja auch mehrfach auch an dem Stand angesprochen, die tatsächlich komplett AI gesteuert ist. So, da wird man das schon sehen.

34:22Simon Der Punkt ist jetzt auch durch Investitionsmaßnahmen der Bundesregierung werden wir positive Effekte, mein Dafürhalten, schon in den nächsten zwei bis vier Jahren sehen. Das ist einfach so. Aber es kommt jetzt einfach auch darauf an, zu machen, sich zu trauen, nach vorne zu gehen, um auch Investments in den Bereich einfach zu lenken, damit man dieses Wachstum ermöglichen kann.

34:46Stella Okay, wir machen so. In zwei bis vier Jahren, großer Zeitraum, vielleicht in zwei Jahren sprechen wir nochmal und gucken, was draus geworden ist. Aber lieber Simon, für die Folge erstmal vielen Dank, dass du oder dass ich quasi jetzt bei der Hannover Messe für t3n Arbeit in Progress, dass du da zu Gast gewesen bist.

35:02Simon Sehr gerne, hat Spaß gemacht.

35:04Stella Und in der nächsten Woche, hier soll ja die Abmoderation sein wie immer, in der nächsten Woche gibt es eine Folge zum Thema Portfolio-Karriere. Schaltet also gern wieder ein und schickt uns Feedback an podcast@t3n.de. Auf Wiederhören.