KI-Projekte in der Industrie: So beschleunigen Start-ups

Wenn Industrieunternehmen Künstliche Intelligenz einführen wollen, stoßen sie nach Ansicht von Lisa Reehten, Commercial Director bei Resourcly, häufig an organisatorische Grenzen. Lange Abstimmungsprozesse und starre Budgetzyklen passten nicht zur Dynamik neuer Technologien.

„Wenn wir acht Wochen brauchen, um einen Termin zu finden, frage ich mich, wie schnell etwas passieren soll“, sagt sie. Technologiezyklen warteten nicht auf jährliche Budgetplanungen. Deshalb brauche es unterjährige Planungen oder AI-Budgets, über die flexibel entschieden werden könne.

Im Podcast Industry Insights erklärt sie, eine Stärke von Startups liege darin, neue Anforderungen schnell umzusetzen. Sie arbeiteten ohne umfangreiche Legacy-Systeme oder zusätzliche Hierarchieebenen. „Wenn ein Kunde ein Feature braucht, das ein ‚Gamechanger‘ ist, dann ist das bei uns nächste Woche da.“ Zudem würden moderne Technologien und KI bereits in der Entwicklung eingesetzt, was Geschwindigkeit und Qualität erhöhe.

Eigenentwicklung scheitert oft an Kapazitäten

Viele Industrieunternehmen wollten KI-Lösungen aber zunächst selbst entwickeln. Nach Einschätzung von Reehten werde dabei jedoch häufig der notwendige Aufwand unterschätzt.

Denn selbst wenn personelle Ressourcen vorhanden seien, dauerten interne Projekte oft lange. Bis Budgetfreigaben und notwendige Gremienentscheidungen abgeschlossen seien, könne ihr Unternehmen nach eigenen Angaben bereits innerhalb von zwölf Wochen einen Piloten inklusive Business Case realisieren.

Hinzu komme, dass interne Entwickler vielfach nicht auf modernste Werkzeuge zugreifen könnten, weil langwierige Freigabeprozesse dies erschwerten.

Rollout von Beginn an mitdenken

Für erfolgreiche Projekte reicht aus Sicht von Reehten ein funktionierender Pilot allein nicht aus. Entscheidend sei vielmehr, bereits zu Projektbeginn den späteren Rollout zu planen.

„Uns ist wichtig, von Anfang an zu klären, wie die Lösung ausgerollt werden kann“, erklärt sie. Reine Pilotprojekte ohne nachhaltigen Nutzen seien nicht das Ziel. Deshalb diskutiere ihr Unternehmen lieber mehrere Wochen länger über Kernsysteme, Kapazitäten und Zuständigkeiten über verschiedene Business Units hinweg.

Besonders kritisch sei die Situation, wenn nach einem erfolgreichen Piloten unklar bleibe, wie es weitergehe. „Das Schlimmste ist, wenn nach einem erfolgreichen Piloten alle in ein tiefes Loch fallen, weil der Anschluss nicht klar ist.“

Industrie und Startups müssen voneinander lernen

Auch zwischen Industrieunternehmen und Startups gebe es nach Ansicht von Reehten immer wieder Missverständnisse. Startups unterschätzten häufig die Komplexität etablierter Industrieunternehmen mit ihren Legacy-Systemen, Prozessen und Quality Gates.

Umgekehrt würden Startups oftmals als junge Unternehmen mit unrealistischen Vorstellungen wahrgenommen. Dieses Bild treffe jedoch nicht zwangsläufig zu. Reehten verweist darauf, dass sowohl sie selbst als auch die Gründerin ihres Unternehmens über Erfahrung in Industrieunternehmen verfügten. Dadurch kenne man beide Perspektiven und könne zwischen den Welten vermitteln.

KI-Projekte: Worauf Maschinenbauer setzen müssen

KI-Projekte im Maschinenbau scheitern häufig nicht an der Technologie, sondern an fehlenden Datenstrukturen, mangelndem Kontext und unklaren Verantwortlichkeiten.

Weitere Themen im Podcast: Industrial AI und Datenqualität

Daten gelten als Grundlage für Industrial AI. Doch in vielen Industrieunternehmen sind sie über gewachsene Systeme verteilt, uneinheitlich gepflegt oder nur schwer auffindbar. In der neuen Folge von Industry Insights spricht Anja Ringel mit Lisa Reehten auch darüber, warum saubere Daten für KI-Anwendungen in der Industrie entscheidend sind und weshalb viele Projekte noch an fehlender Durchgängigkeit, Silos und knappen IT-Kapazitäten scheitern.

Hören Sie rein!