Neue Geschäftsmodelle für eine Industrie im Wandel

Was bringt KI? Wachstum oder Disruption?

Folgt man aktuellen Studien, Analysen und Berichten, so ist kaum mehr zu ignorieren, dass in Deutschland vorherrschende aktuelle Konjunkturschwankungen von einem epochalem Strukturwandel überlagert sind, der als Paradigmenwechsel beschrieben werden kann. Der Strukturwandel wird gemeinhin als Krise und (leider) nicht als historische Chance für immenses, um nicht zu sagen, gigantisches Wachstum wahrgenommen. Dabei kann er auch als Ausgangspunkt ungeahnter Unternehmenserfolge genutzt werden, wie der folgende Beitrag zeigt.
Bild: Manfred B. Schrettenbrunner

Der Paradigmenwechsel zeichnet sich dadurch aus, dass er nicht nur eine technologische, sondern auch eine humanitäre und ökologische Dimension hat und damit im engen Sinne auch die Bereiche Human und Natural Ressources umfasst. Die Transformation von Geschäftsmodellen, Produkten und Prozessen findet gleichzeitig statt und ist essentieller Bestandteil des Paradigmenwechsels, der wesentlich durch die Verfügbarkeit, das Applizieren und die inhaltliche Führung von künstlicher Intelligenz (KI) bestimmt wird. Indem KI zeitgleich unter anderem in den Dimensionen Produkte, Prozesse und Organisation wirkt, entwickelt sie sich über alle Branchen hinweg zur zentralen Wettbewerbschance und -hürde. Die Wettbewerbshürde ist insofern gleichzeitig auch ein äußerst wirksamer und umfassender Investitionsschutz für die innovativen Unternehmen.

Künstliche Intelligenz ist das Vehikel zu historischem Wachstum mit intrinsischem Investitionsschutz

Derzeit offenbaren sich gerade im Wettbewerb eindrucksvoll riesige Innovationslücken mit enormen Handlungsbedarfen. Die über viele Jahrzehnte stabile Automobilindustrie, davon abhängige Investitionsgüterindustrien und Zulieferer sind gute Beispiele dafür, wie der Paradigmenwechsel sich außerhalb vom konventionellen Radar entwickeln konnte und mit welcher Geschwindigkeit er dann eine Domänen übergreifende Wucht zur Transformation ganzer Industriezweige und voneinander abhängiger Branchen entfaltet. Der Effekt ist so gewaltig, dass neue, innovative Hersteller (OEMs und First Tiers) entgegen dem kontinentalen Branchentrend Arbeitsplätze aufbauen, während gleichzeitig traditionelle Anbieter im großen Stil Arbeitsplätze abbauen müssen. Mit dem Einzug neuer Technologien und der digitalen Transformation verschmelzen bisher in sich abgeschlossene Domänen rasend schnell. Diese Verschmelzung findet in unterschiedlichen Dimensionen statt, unter anderem auch auf der Produktebene. So wird ‚das Fahrzeug zu einem Smartphone auf vier Rädern‘ oder aus dem autonom fahrenden Fahrzeug zeitgleich beispielsweise ein rollendes Büro, mit all den Anforderungen sowohl des autonomen Fahrzeuges als auch des produktiven Büros. Die neue Domäne ‚autonom fahrendes Büro‘ stellt wiederum zusätzliche Anforderungen an die Infrastruktur außerhalb des Fahrzeuges. Eine weitere Dimension der Verschmelzung von Domänen ist die Virtualisierung gegenständlicher Produkte zu Services. Die Virtualisierung traditioneller Produkte, Prozesse und Verfahren zugunsten (global) verfügbarer Services stellt erhebliche Anteile vorhandener Geschäftsmodelle und damit zusammenhängender Produktportfolios dauerhaft zur Disposition. Innerhalb eines relativ kleinen historischen Zeitfensters haben traditionelle Hersteller die einmalige Chance, sich im Verdrängungswettbewerb mit Innovationskraft zu global agierenden und mit künstlicher Intelligenz ausgestatteten Serviceprovidern zu entwickeln. Geschäftsmodelle deren Margen mit vergleichbaren Produkten allein auf komparativen Produktivitätsfortschritt basieren, haben dagegen nur eine riskante bzw. gar keine nachhaltige wirtschaftliche und ökologische Prognose. Andererseits gewinnen Unternehmen durch die digitale Transformation binnen weniger Jahre nicht nur enorm an Wert, sondern es entstehen auch eine Vielzahl innovativer neuer Produkte mit gigantischen Wachstumspotentialen.

Veränderungsbereitschaft und -fähigkeit sind essenziell

Die Bewertung des Paradigmenwechsels basiert generell auf dem Zusammenwirken von Prognosefähigkeit, Veränderungsbereitschaft und -fähigkeit. Der Verweis auf die historischen Erfolge macht aus einem Paradigmenwechsel über (zu) lange Zeit eine konjunkturelle Delle oder temporäre Krise. Die Risiken, die aus dieser Fehleinschätzung oder unzureichenden Umsetzung disruptiver Umwälzungen resultieren, sind sowohl für die Unternehmen selbst als auch für die Volkswirtschaft von gravierender Bedeutung, weil Unternehmen mit zu großen technischen und technologischen Schulden mangels Innovation unaufhaltsam den Gang in die Geschichtsbücher antreten. Für innovative Unternehmen hingegen ergeben sich im Verdrängungswettbewerb für ein relativ kleines Zeitfenster einmalige Wachstumschancen.

Entscheidungsprozesse

KI-gestützte Planungs- und Entscheidungsprozesse sind für die zukünftige Wettbewerbsfähigkeit unabdingbar und ausschlaggebend. Im Vergleich zu traditionellen Planungs- und Entscheidungsprozessen haben KI-gestützte Prozesse entscheidende Vorteile:

KI-gestützte Prognosen sind variabel, selbstlernend und hinsichtlich der Komplexität relativ leicht skalierbar. Prognosen sind automatisiert, rollierend aktuell und können auch counter intuitiv sein.

Die Qualität KI-gestützter Prognosen ist bereits vor dem tatsächlichen Eintritt der Prognose und nicht erst nach deren Eintreffen meßbar. Auf diese Weise sind auch relativ einfach unterschiedliche Szenarien ableitbar.

KI-gestützte Prognosen sind in allen Domänen einsetzbar, zwischen KI-Experten transferierbar und können aufeinander aufbauen. Intelligent gekoppelte KI-gestützte Prognosen liefern eine zusätzliche Beschleunigung der Prognosevielfalt und -tiefe.

KI-gestützte Prognosen sind im Rahmen der vorhandenen IT- Infrastruktur abgesichert. Aufbau, Training, Test und Deployment KI-gestützter Prognosen erfolgt ungleich viel schneller, als das mit traditionellen Prognosen domänenfixierter Experten möglich ist.

Code Snippet eines Deep Learning Models vor dem Compilieren. Derartige Modelle sind skalierbar, kopplungsfähig und im Rahmen der IT- Infrastruktur sowohl als Source- und vor allem auch als compilierter Code sicherungsfähig. Oben: Source Code: Swift for Tensorflow (V0.7 RC2 CUDA) im Linux Environment Unterer Teil vom IDE: REPL für das Prototyping. Bild: Manfred B. Schrettenbrunner

Wachstumspotenziale

Vor dem Hintergrund des Paradigmenwechsels, der damit einhergehenden Verschmelzung von Domänen, der Virtualisierung von Produkten zu Services und der Beschleunigung der Innovation durch KI stellen sich für jedes einzelne Unternehmen die beiden zentralen Fragen:

Auf welche Weise können allgegenwärtig vorhandene neuen Wachstumspotentiale vor allem als Chance (und nicht rückwärtsgewandt als Krise) identifiziert und erschlossen werden?

Mit welchen Maßnahmen wird der Wandel von bestehenden Geschäftsmodellen und davon abhängigen Prozessen, Organisationseinheiten und Interessensgruppen umgesetzt?

Die Handlungsfelder zur Beantwortung der zwei Fragen lassen sich wie folgt gruppieren:

a) Geschäftsmodelle
b) Organisation
c) Innvoation
d) Produktion
e) Qualität
f) Supply Chain Management
g) Service. Jedes einzelne Handlungsfeld ist unbedingt mit KI-Audits abzusichern.

Risk Assessment, Potenzialanalyse und Anpassen der Geschäftsmodelle im Kontext von KI. Einstufung des Wettbewerbs hinsichtlich der Reifegrade und KI-Fähigkeiten. Wahrnehmen der historischen Wachstumschance: (1) M&A Programm aufsetzen und eigenen Reifegrad mindestens auf Level 4 erhöhen (2) Mithilfe von KI-Projekten den Wettbewerber solange outperformen bis (1) greift.

Risk Assessment, Potenzialanalyse und Anpassung der Aufbau- und Ablauforganisation. Selbstverpflichtung für agile, kollaborative Zusammenarbeit und den Einsatz von KI bzw. Robotern in allen Domänen. Aktualisierung der Vorgaben für Personalmaßnahmen, Belohnungssysteme und Qualifikationen. Anpassen der Stellen- und Aufgabenbeschreibungen, Mission Statements und Betriebsvereinbarungen. Reifegrad mindestens auf Level 4 erhöhen. Aktualisieren der RASIC- Matrix.

Risk Assessment, Potenzialanalyse und Anpassen der Standorte: Aktualisierung der Vorgaben für IT-Infrastruktur, SLAs und Toolchains. Unternehmensweit synchronisiertes Deployment KI-gestützter (geschlossener) Toolchains. KI-gestützte Nutzung von Standortvorteilen auf Basis tatsächlicher (domänenübergeifender) Strukturkosten. KI-gestützte Auslastung der Standorte.

Risk Assessment, Potenzialanalyse und Anpassen der regulären Geschäftsplanung mit Einsatz KI-gestützter Prognosen, Planungen und Entscheidungsprozesse. Planung und zügige Umsetzung der Ablösung domänenfixierten Expertentums.

Risk Assessment, Potenzialanalyse und Aufbau von nachhaltigem Investitionsschutz. KI-gestützte Absicherung von Produkten und Prozessen, aller damit zusammenhängender Algorithmen, Daten, Innovationsfähigkeiten und Transformationen.

Risk Assessment, Potenzialanalyse und Anpassung des produktionsnahen Engineerings: KI-gestütztes Generieren von Fertigungsaufträgen, Materialbewegungen und Maschinenbelegungen unter Berücksichtigung der prognostizierten Kapazität, des gewünschten Lieferzeitpunktes und der tatsächlichen Auslastung über alle relevante Domänen

Risk Assessment, Potenzialanalyse und Anpassen der vorhandenen und geplanten Produktionsinfrastruktur. Aktualisierung der Vorgaben (inkl. Source Code Level) für Neu- und Ersatzinvestitionen (inkl. Lieferanten) im Hinblick auf die Beschleunigung der Implementierung von KI. Anpassen der Vorgaben für die Softwarearchitektur im Hinblick auf die KI- gestützte Automatisierungstechnikpyramide.

Risk Assessment, Potenzialanalyse und Anpassung der Produktportfolios. Identifikation der Chancen, die sich aus vorhandenen Produktportfolios ergeben, indem es digital transformiert und vor allem mit KI ergänzt wird. Kurz-, mittel- und langfristige Prognosen über Kapazitäts-, Qualifikations- und aller damit zusammenhängender Transformationsbedarfe.

Genauigkeit eines exemplarischen Modells für die Klassifizierung. Oben: N-dimensionaler realer Feature Space. Alle vorhandenen Features fließen in das Modell ein. Das Modell klassifiziert mit einer Genauigkeit von 98%. Unten: Abbildung vom realen N-dimensionalen Feature Space auf zwei virtuelle Dimensionen. Das Modell klassifiziert anhand der beiden virtuellen Features mit einer Genauigkeit von 94%. Bild: Manfred B. Schrettenbrunner

Risk Assessment, Potenzialanalyse und Anpassen der Innovationsfähigkeit in allen Domänen und Standorten: KI-gestütztes (1) Überwachen und Lenken realisierter Reifegrade, (2) Schließen vorhandener Lücken in Tool Chains, (3) Ausschließen von überbuchtem Personal, (4) Terminieren der Gate Approvals (5) Überwachen der Qualität von Lieferobjekten, (6) Verfolgen von LOPs, (7) Planung und Umsetzung des Reifegrades (=5) in allen innovationsrelevanten Bereichen, (8) Überwachen der Patente und Performance der Wettbewerber.

Risk Assessment, Potenzialanalyse und Anpassen von Requirement- und Systemengineering in allen Domänen und Standorten: KI-gestützte und automatisierte Selektion (un)relevanter bzw. neuer (obsoleter) Features für Plattformen, Neuprodukte und Produktmodifikationen. KI-gestützte automatisierte Auslaufsteuerung kostentreibender „veralteter“ bzw. obsoleter Produkteigenschaften (inkl. daran gekoppelter Bauteile, Baugruppen und Codes). KI-gestütztes Überwachen der Konformität neuer Bauteile, Baugruppen und Codes zu Plattformen und sonstigen Anforderungen von Kunden und Gesetzgeber.

Risk Assessment, Potenzialanalyse und signifikante Verkürzung der Lieferzeit von Angeboten für kundenspezifische Produktentwicklungen. Der KI-unterstützte Vertrieb soll bereits vor Ort beim Kunden (und unter Einsparung von zeit- und kostenintensiven Schleifen im Innendienst) verzögerungsfrei Preis und Lieferzeit des noch zu entwickelnden neuen Produktes anbieten.

Risk Assessment, Potenzialanalyse und Anpassungen im Qualitätsmanagement: KI-gestützte Identifikation von Anomalien im Produktionsprozess, bei Feldausfällen, Rückläufern und Serviceeinsätzen. KI-gestützte Analysen zur Qualitätsverbesserung, Kostensenkung und Verringerung der Lieferzeit. KI-gestützte Auslaufsteuerung (von Bauteilen und Codes) durch obsolete Vorgaben, Gesetze, Zentraldirektiven und Werksnormen.

Risk Assessment, Potenzialanalyse und Anpassung im Supply Chain Management: KI-gestütztes Erfassen, Bewerten und Aussteuern von Lieferanten. KI-gestützte Einkaufsverhandlungen durch Hinzunahme intelligenter Prognosen. Audit der (zukünftigen) Lieferanten hinsichtlich ihrer KI-Fähigkeit.

Risk Assessment, Potenzialanalyse und Anpassung im Service: KI-gestützte Prognose von Standzeit und Servicebedarf bei Kunden, Lieferanten und vor allem auch im eigenem Haus.

Restrukturierung und Reengineering

Veränderungsbereitschaft, Prognose- und Veränderungsfähigkeit sind Bestandteile der konkreten Ausgangslage, die den Inhalt und Zeitplan der Umsetzung des Paradigmenwechsels bestimmen. Der Paradigmenwechsel bietet Unternehmen historische Wachstums- (Reengineering) oder auch einmalige Überlebenschancen (Restrukturierung). Domänenfixiertes Expertentum hat sich schon länger überlebt, birgt in jeder Hinsicht essentielle Risiken und ist möglichst rasch abzulösen. Methoden, die bei einer konventionellen Restrukturierung zum Einsatz kommen, sind zwar notwendig aber für die disruptive Restrukturierung bei weitem nicht hinreichend. Anders als bei einer konventionellen Restrukturierung sind vorhandene Geschäftsmodelle, Produktportfolios, Organisation, Prozesse und Unternehmenskultur vor dem Hintergrund der essentiellen Bedeutung von künstlicher Intelligenz neu zu bewerten. Im Gegenzug sind dafür aber auch die Potentiale deutlich größer, weil sich einerseits mit künstlicher Intelligenz sofort immense Wachstumschancen eröffnen und andererseits überkommene margenschwache Technologie- und Kompetenzportfolios zügig für Entlastung sorgen. Unter der Voraussetzung, dass neue Geschäftsmodelle die künstliche Intelligenz in Organisation, Produkten und Prozessen implementieren und ausrollen, kann erwartet werden, dass disruptive Restrukturierungen auch signifikant schneller als konventionelle Restrukturierungen umsetzbar sind.

Ausblick

Bild: UlrichAAB – Eigenes Werk, CC BY 3.0, https://commons.wikimedia.org/w/index.php?curid=16208781 / Dr. Manfred B. Schrettenbrunner

Der Paradigmenwechsel ist gekennzeichnet durch die Virtualisierung von Produkten, das Verschmelzen von Domänen und das Ausrollen der künstlichen Intelligenz. Ohne KI-gestützte Prozesse und Organisationen sind tatsächlich vorhandene Wachstumspotentiale weder sichtbar, noch sind sie zu erschließen, weil es ohne KI schlicht keine organischen Wachstumspotentiale mehr gibt. KI löst domänenfixiertes Expertentum ab und ist die zentrale Herausforderung für die zukunftssichernde Führung von Unternehmen. Gekoppelte Branchen stehen in der Verantwortung, die Einführung von KI wechselseitig zu beschleunigen (und nicht anhand des eigenen Produktportfolios auszubremsen). Die Produktlebenszyklen vorhandener Produkte sind für das eigene Unternehmen und zumindest im Investitionsgüterbereich für die Relevanz abhängiger Branchen neu zu bewerten. Die Verteilung der Marktanteile ist durch KI enorm beschleunigt. Neue Märkte sind absehbar zügig besetzt und werden mit noch nie da gewesener Innovationsgeschwindigkeit verteidigt werden. Moderne Entwicklungsumgebungen und Sprachen wie z.B. Swift, Swift for Tensorflow und Julia werden die Entwicklung von ‚AI-Driven-Management‘ gravierend beschleunigen. In einem relativ kleinen Zeitfenster liefert KI historische Wachstumschancen mit intrinsischen Investitionsschutz. Zu spät Kommende haben nach dem KI-Upgrade mit hinreichender Sicherheit dauerhaft das Nachsehen.

Künstliche Intelligenz löst domänenfixiertes Expertentum ab

Künstliche Intelligenz ist die Fähigkeit, mit automatisierten Prozessen in großen Datenräumen verborgene Informationen zu entdecken oder Lösungen für komplexe Probleme zu finden. Künstliche Intelligenz ist nicht einfach nur ein additives Werkzeug oder eine besondere Anwendung, sondern sie ist eine Basistechnologie, die für überlebensnotwendige Mobilität im global verfügbaren, komplexen Datenraum sorgt. Ihre Lieferobjekte sind abstrakte Modelle, die – gleichsam einem Mikroskop oder einem Radar – Auflösung und Fernsicht schaffen. So könnten z.B. mit Anomalien (z.B. Defekte, Verbesserungspotentiale, widerrechtliche Manipulation von Daten) sichtbar, oder (kostentreibende) überflüssige bzw. neue (erforderliche, kostensenkende, begeisternde) Anforderungen jederzeit aktuell und automatisiert identifiziert werden. Ein weiteres Beispiel wäre die Nutzung von KI, um den Lieferzeitpunkt und den Preis (noch zu entwickelnder) kundenspezifischer Produkte vor Ort prognostizieren und (unter Einsparung von zeit- und kostenintensiven Schleifen im Innendienst) bereits im Gespräch mit dem Kunden verzögerungsfrei anbieten zu können. Planungen und Prognosen, die mithilfe künstlicher Intelligenz erstellt werden, brauchen neue qualifizierte Experten, die es bisher in der Regel weder in der Aufbau- noch in der Ablauforganisation gibt. Mit Einzug der künstlichen Intelligenz in die Unternehmen verändern sich unmittelbar auch Rolle, Bedeutung und prozessuale Einbindung traditioneller, domänenfixierter Experten mit ihren, auf Kausalketten basierenden ‘vernünftigen’ Prognosen. Dies wiederum stellt neue Anforderungen auch an Entscheidungsträger, die bisher auf Basis ‚vernünftiger‘ Kausalketten recht komfortabel auf, vermeintlich ‘vernünftiger’ Sicht entscheiden konnten. Entscheidungsträger haben zukünftig weitreichende Entscheidungen auf Basis von Prognosen zu treffen, die auf KI-Algorithmen und Modellen basieren.

Das könnte Sie auch Interessieren

Bild: Fraunhofer IEM
Bild: Fraunhofer IEM
Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Effiziente Produktionsplanung: KI reduziert Aufwand bei Schulte Kartonagen um 25%

Welcher Liefertermin steht wann an? Wie aufwändig muss die Maschine umgerüstet werden? Ist das benötigte Material bereits geliefert? Um die Reihenfolge verschiedener Kundenaufträge optimal zu planen, müssen Produktionsplaner:innen eine Vielzahl von Faktoren kennen und einschätzen. Bei Schulte Kartonagen hat ab sofort ein intelligenter KI-Assistent alle Faktoren im Blick – und macht Vorschläge für die effiziente Planung der Produktion. Gefördert wurde die Zusammenarbeit mit dem Fraunhofer IEM und den Universitäten Paderborn und Bielefeld im it’s OWL-Projekt ARISE.

Bild: schoesslers GmbH
Bild: schoesslers GmbH
appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

appliedAI Institute for Europe launcht kostenlosen KI-Onlinekurs

Das gemeinnützige appliedAI Institute for Europe stellt den kostenfreien Online-Kurs ‚AI Essentials‘ zur Verfügung, der es Interessierten ermöglicht, in die Welt der Künstlichen Intelligenz einzusteigen. Konzepte wie maschinelles Lernen und Deep-Learning sowie deren Anwendungsmöglichkeiten und Auswirkungen auf unser Leben und unsere Wirtschaft sind Teile der umfassenden Einführung.

Bild: Trumpf SE + Co. KG
Bild: Trumpf SE + Co. KG
Künstliche Intelligenz macht Fabriken clever

Künstliche Intelligenz macht Fabriken clever

Seit dem Siegeszug des Chatbots ChatGPT ist künstliche Intelligenz in aller Munde. Auch in der industriellen Produktionstechnik kommt KI mit großen Schritten voran. Lernende Maschinen machen die Fertigung effizienter. Wie funktioniert das genau? Das können Interessierte auf der EMO Hannover 2023 vom 18. bis 23. September erfahren. Die Weltleitmesse für Produktionstechnologie wird ihr Fachpublikum unter dem Claim ‚Innovate Manufacturing‘. mit frischen Ideen inspirieren und künstliche Intelligenz spielt dabei ihre Stärken aus.

Bild: Mitsubishi Electric Corporation, Japan
Bild: Mitsubishi Electric Corporation, Japan
KI-gestütztes Analysetool für moderne Produktionslinien

KI-gestütztes Analysetool für moderne Produktionslinien

Das Data-Science-Tool Melsoft MaiLab von Mitsubishi soll Unternehmen bei der Digitalisierung ihrer Fertigung und unterstützen und so deren Produktivität steigern. Die neue Lösung ist eine intuitive, bedienerzentrierte Plattform, die KI nutzt, um Abläufe automatisch zu verbessern. Sei es Abfallvermeidung durch geringere Ausschussmengen, weniger Stillstandszeiten durch vorbeugende Wartung oder Senkung des Energieverbrauchs durch Prozessoptimierung.

Bild: Fraunhofer IGD
Bild: Fraunhofer IGD
Software Arrange beschleunigt Absortierprozesse

Software Arrange beschleunigt Absortierprozesse

In Kombination mit einer Augmented-Reality-Brille bietet eine neue Software des Fraunhofer IGD digitale Unterstützung von Absortiervorgängen. Zusammengehörige Bauteile werden direkt im Sichtfeld der Beschäftigten an der Produktionslinie farblich überlagert. Anwender im Automotive-Bereich können so etwa durch beschleunigte Prozesse und eine minimierte Fehleranfälligkeit Kosten reduzieren.