Innovation

Artikel: Wie bringt man KI und Geschäftsmodelle zusammen? Schwerpunkt Maschinenbau (2/2)

Angetrieben durch die Digitalisierung befindet sich der Maschinenbau im Wandel. Durch die Sammlung und Auswertung von großen Datenmengen anhand von Sensoren entstehen neue Möglichkeiten der Umsatzgenerierung. Künstliche Intelligenz (KI) und Machine Learning übernehmen  immer mehr Aufgaben im traditionsreichen Maschinen- und Anlagenbau in Deutschland. Wie gelingt es Maschinenbauern jedoch, KI systematisch in ihr Geschäftsmodell zu integrieren? Genau darum geht es in diesem Artikel.

Diese Reihe besteht aus zwei Teilen:

  • Teil 1 beschäftigt sich mit der grundlegenden Frage, was Geschäftsmodelle basierend auf Künstlicher Intelligenz ausmacht und wie sie sich von klassischen Geschäftsmodellen unterscheiden.
  • Teil 2 geht stärker auf die Relevanz dieser Geschäftsmodelle im Maschinenbau ein und zeigt auf, wie die Entwicklung von AI-driven business models momentan voran geht.

Weiter geht es mit Teil 2. Die Zielgruppe dieses Teils sind Product Manager aus dem Maschinen-/Anlagenbau, Director of Digital Labs von Maschinenbau-Unternehmen, Project Manager, Lead Product Manager IIoT, Chief Digital Officer im Maschinen-/Anlagenbau. Es soll ein grundlegendes Verständnis darüber vermittelt werden, das für die Entwicklung von KI-Produkten notwendig ist.

Gerne können wir uns über Ihre Ideen und Anmerkungen per LinkedIn austauschen!

 

Teil 2: Relevanzanalyse von AI-Driven Business Models im Maschinen- und Anlagenbau

In der letzten Artikelreihe haben wir die Wichtigkeit von KI-basierten Geschäftsmodellen im Allgemeinen thematisiert. Wie sieht das Ganze jetzt im Maschinenbau aus? In einer der traditionsreichsten Branche Deutschlands?

Wieso redet jeder über KI? Und wieso sollten genau jetzt Maschinenbauer aufpassen?

Tradition? Ja. Aber auch Hightech!

Der Maschinen- und Anlagenbau in Deutschland gilt als Stabilitätsanker der Wirtschaft. Er ist nach der Automobilindustrie der zweitgrößte Industriezweig in unserem Land. Umso wichtiger ist es, dass in dieser Industrie Investitionen in neue Technologien getätigt werden!

Die Automobilhersteller preschen mit Zukunfts-Technologien nach vorne: Die Vernetzung der Fahrzeuge sei hierbei „eine einzigartige Möglichkeit“ für die Hersteller, den Kunden und dessen Bedürfnisse besser zu verstehen. „Einfach weil wir aufgrund der Nutzungsstatistiken wissen, was er die ganze Zeit über mit dem Fahrzeug macht, welche Touchpoints er mit uns hat“, sagt Dieter May, Senior Vice President Digital Services und ­Business Models bei BMW.

 

Wie sieht das im Maschinenbau aus?

Der Maschinen- und Anlagenbau erfährt momentan einen starken Wandel: Digitalisierung und Industrie 4.0 sind aktuelle Themen, die sowohl aus Sicht der Anbieter digitaler Lösungen als auch des Anwenders hochrelevant sind. Im Rahmen der digitalen Vernetzung werden Technologien entwickelt, welche von Cyber-Physical-Systemen über digitale Zwillinge („Digital Twins“) bis hin zu intelligenten Assistenten und KI reichen.

Neue, digitale Geschäftsmodelle, Plattformen und Wettbewerber, die in den Markt drängen, stellen zusätzlich zunehmende Herausforderungen für die Maschinenbauer dar. Bei den Bemühungen und Anstrengungen im Maschinenbau in der heutigen Welt steht die Digitalisierung an erster Stelle. Die Maschinenbauunternehmen sehen sich mehr und mehr in zwei Aufgabenfeldern: Als Digitalisierungs-Anwender geht es um eine möglichst kontinuierliche Vernetzung der eigenen Produktionsprozesse und damit Kosteneffizienz. Als Digitalisierungs-Anbieter sind die Maschinenbauer gefordert, für ihre Kunden (Industrieunternehmen) entsprechende Lösungen zu entwickeln, die deren Wünsche exakt erfüllen. Weltweit kann man von einer zunehmenden Nachfrage nach ganzheitlichen digitalen Produktions- und Automatisierungslösungen ausgehen.

Maschinenbau in DE – quo vadis?

Die größten Treiber für die Digitale Transformation sind die stark steigenden Rechen- und Speicherleistungen, welche Technologien wie Künstliche Intelligenz, Machine Learning, eine dezentrale Nutzung und Kommunikation in Echtzeit ermöglichen. Momentan erleben wir, dass sich klassische Maschinenbauunternehmen immer mehr vom Hardware-Geschäft hin zu Software-Anbietern entwickeln. Sie müssen flexibler auf Kundenwünsche reagieren und stärker Kooperationen mit digitalen Experten und auch mit Wettbewerbern eingehen. Nur so schaffen sie es, der Konkurrenz das Wasser reichen zu können.

 

Zum Thema „Einsatz von Machine Learning-Lösungen für Produkte/Dienstleistungen“ liegen für den Maschinen- und Anlagenbau in Deutschland Ergebnisse aus einer Studie des VDMA von Juni 2019 vor.

Befragt wurden verschiedene Maschinenbau-Unternehmen aus den Bereichen Verfahrenstechnik, Verpackungsmaschinen, Robotik/Automation, Werkzeugmaschinen, Antriebstechnik, Electronics, Kunststoffmaschinen, Pumpen, Lufttechnik, Baumaschinen und Baustoffanlagen, Fördertechnik, Mess- und Prüftechnik und anderen Maschinenbau-Fachzweigen.

 

Welche Einsatzmöglichkeiten für Lösungen basierend auf Machine Learning für Unternehmensprozesse gibt es/sind geplant?

 

Man sieht, dass KI besonders in Maschinen und Softwarelösungen Einsatz findet, sowie in den Trends „Predictive Maintenance“ und „Condition Monitoring“, also der automatischen Überwachung und Instandhaltung von Maschinen und Anlagen. Auch wenn es 2019 noch nicht viele reale Einsätze von Machine Learning im Maschinenbau geben wird, so werden erste Produkte bis 2022 fertigstellt werden und das Thema höchstrelevant bleiben.

An neuen Ideen oder MVPs mangelt es in jungen Startups aus dem Bereich KI und Machine Learning sicher nicht: Startups, die Handschuhe mit Sensoren und Scannern für die Produktion entwickeln, Software-Lösungen für Predictive Maintenance, oder auch Automatisierung in der Roboter-Programmierung sind bereits Realität. Es fehlt allerdings viel öfter der große Gesamtblick, eine KI-Strategie oder -Geschäftsmodell für große Maschinenbau-Unternehmen.

Wie kann Künstliche Intelligenz helfen?

Einige der größten pontiellen Vorteile von KI im Maschinen- und Anlagenbau sind:
  • Verbesserte Prozesse: Shopfloor-Daten können nutzenbringend ausgewertet und Prozesse automatisiert werden
  • Customizing: kundenspezifische Individuallösungen
  • Ressourcen-Effizenz: Bottlenecks (z.B. materiell, personell) können identifiziert und frühzeitig erkannt werden
  • Buzzword „Predictive Maintenance“: Vorhersagen in der Maschineninstandhaltung werden ermöglicht
  • Verbessertes Kundenerlebnis: Maschinenanwender können durch Datenfreigabe an die Hersteller von Vorteilen wie individuelle Analyse und Reparatur profitieren

Jedoch gibt es Berichte, die KI als „Allheilmittel“ und als Wunderwaffe für Alles darstellen, wirklich genug.

Was für einen konkreten Nutzen kann KI – oder besser gesagt – Machine Learning  im Maschinen- und Anlagenbau stiften? Was hat der Kunde davon?

Das ist die Frage, die viel mehr Unternehmen momentan stellen sollten. Auf Konferenzen, in Interviews und in verschiedenen Umfragen liest man immer wieder, dass sich ein Großteil der Corporates und Startups „KI“ oder „AI“ auf die Fahne schreiben, aber die Technologie in deren Produkten kaum oder überhaupt nicht eingesetzt ist.

Es wird oft behauptet, Künstliche Intelligenz habe eine „transformatorische Wirkung“ auf Unternehmen im Vergleich zu anderen universellen Technologien. Obwohl KI, und Unterkategorien wie Machine Learning (inkl. Deep Learning), bereits in Tausenden von Unternehmen auf der ganzen Welt auf der Agenda steht, wurden die meisten großen Chancen noch überhaupt nicht genutzt. Die meisten dieser Möglichkeiten werden aus Bereichen wie Fertigung, Einzelhandel, Transport oder Finanzen kommen, in denen neue Geschäftsmodelle entwickelt werden, um die Vorteile des maschinellen Lernens zu nutzen. Eine der größten Herausforderungen im Zeitalter der Künstlichen Intelligenz ist jedoch die richtige Implementierung und Verwaltung von KI, um ein nachhaltiges Geschäft mit dieser vielversprechenden Technologie aufzubauen. Viele Führungskräfte sind sich nicht sicher, was sie von KI erwarten oder wie sie diese Technologie in ihren Geschäftsmodellen umsetzen können. Eine Studie zeigt: Während 85 % der befragten Führungskräfte  glauben, dass KI ihren Unternehmen Wettbewerbsvorteile verschaffen oder beibehalten wird, hat nur jedes fünfte Unternehmen  KI oder Machine Learning in einige Angebote oder Prozesse integriert. Die Lücke zwischen Wunschdenken und tatsächlicher Ausführung ist in einigen Unternehmen nach wie vor groß.

Laut einer anderen globalen Studie  wird KI „die nächste Welle der digitalen Disruption auslösen“ und Unternehmen „sollten sich jetzt darauf vorbereiten“. Die Investitionen in KI-Technologien, einschließlich Machine Learning und Deep Learning, nehmen schnell zu, während sie hauptsächlich von Technologieriesen wie Google und Baidu dominiert werden. Schätzungen zufolge beliefen sich KI-Investitionen von großen Technologieunternehmen im Jahr 2016 auf 20 bis 30 Milliarden US-Dollar, davon 90 Prozent für Forschung, Entwicklung und Einsatz und 10 Prozent für KI-Unternehmensakquise. Während viele Beratungsunternehmen die Bedeutung von Künstlicher Intelligenz im geschäftlichen Kontext betonen, haben mehr als 95 Prozent der Befragten „KI-Technologien nicht genutzt, um ihre Geschäftsabläufe neu zu erfinden“.

 

Wo liegen die aktuellen Barrieren, die Maschinenbauer zu überwinden haben?

Laut aktuellen Experteninterviews  aus den Bereichen Product Management, Software Development, Executive Management, Intrapreneurship von verschiedenen Unternehmen aus dem Industrie 4.0-Sektor, Maschinenbau, und der Roboter-Automatisierung lassen sich die momentanen Herausforderungen bei der Entwicklung von KI-basierten Geschäftsmodellen in die folgenden Kategorien gliedern:

  • Momentaner Reifegrad der Lösungen am Markt
  • (Noch) Fehlende Marktakzeptanz
  • Recruiting von KI-Experten
  • Datensicherheit

In der Theorie gibt es zigtausende mögliche Use Cases für das Szenario „KI im Maschinenbau“, in der Praxis fehlt es aktuell an fertigen, verkaufsfähigen KI-Produkten mit signifikantem Mehrwert für den Endkunden. Der bisherige Reifegrad vieler Lösungen geht über ein MVP nicht hinaus. Einige Unternehmen befinden sich noch in der Experimentierphase, in der sie in ihren Labs an Lösungen basteln. Der Faktor Zeit wird für Unternehmen und deren Akquisestrategien entscheidend sein. Viele der Maschinenbauer in Deutschland fahren keine sonderlich aggressive Kundenakquise-Strategie, sondern warten noch ab, bis das Thema wirklich relevant für deren Kunden wird. Einige der Kunden werden wahrscheinlich auch überhaupt nicht deren Lösungen benötigen. Das Ziel müsse es letztendlich sein, Flexibilität, Usability, und Einfachheit mit den KI-Produkten zu liefern. Komplexe Aufgaben für den Endkunden weniger komplex zu gestalten, das ist das Hauptziel jeder KI-Komponente in Produkten, die für den Endkunden bestimmt sind.

Im Recruiting fehlt es aktuell an erfahrenen KI-Experten. Aktuelle Absolventen von Universitäten oder Hochschulen sind eher durch verschiedene Online-Kurse zum Thema Künstliche Intelligenz und Machine Learning trainiert, aber es fehlt an langjähriger praktischer Erfahrung.

Zum Thema Datensicherheit sind die Datenweitergabe, die Speichersicherheit, und die Datenfreigabe momentane Hürden für Maschinenhersteller. Hier gibt es laut den Experten verschiedene Kundengruppen: Die einen Maschinenanwender sind eher aufgeschlossener und teilen gerne ihre Daten mit den Maschinenherstellern, andere wiederum sorgen sich um die Datensicherheit und -hoheit.

Fazit

Die Zukunft des Maschinen- und Anlagenbaus in Deutschland wird maßgeblich davon geprägt, wie Unternehmen diese Technologie einsetzen und monetarisieren wird. KI-Anwendungen müssen stets auf den Endkunden angepasst sein und ein konkretes Problem von ihm lösen – sonst macht es keinen Sinn, KI und auch andere Technologien überhaupt einzusetzen.

KI kann Unternehmen helfen, Prozesse zu automatisieren, die Effizienz zu erhöhen, Prognosen zu verbessern, Produkte zu personalisieren und damit Kunden letztendlich besser zu erreichen und diese zufriedener zu machen. Um diese Potenziale aber sinnvoll auszuschöpfen und in Geschäftsmodelle zu übersetzen, braucht es eine aktive nüchterne Auseinandersetzung mit den vielfältigen Einsatzmöglichkeiten von KI – insbesondere in Deutschland und Europa. Es sollte aber auch vor zu viel Euphorie gewarnt werden: KI ist eine mächtige Technologie – aber kein Allheilmittel für jedes Problem!  Sämtliche KI-Anwendungen, von Machine Learning bis Deep Learning, sind nicht die Lösung, sondern nur ein Mittel zum Zweck.

 

Hier geht es nochmal zurück zu Teil 1 (Was sind AI-driven business models?).

esentri unterstützt Ihr Unternehmen dabei, die richtigen Schritte für eine solche Transformation zu identifizieren und konsequent bei der Umsetzung zu helfen.

Mehr zum Thema Machine Learning und digitaler Innovationsberatung findet ihr in unserem Portfolio von Digital Innovation und Data Science.