Unbedingt lesen: Sieben Erkenntnisse zu KI, Internet der Dinge und Edge Computing, die in 2025 beachtet werden sollten.

Mit der tiefgreifenden Integration des Internets der Dinge (IoT) und der künstlichen Intelligenz (KI) erleben Branchen wie Industrie, Fertigung, Energie und Logistik eine beispiellose Intelligenz-Welle. Vom Edge-Gerät bis zur Cloud-Analyse, von der Hardware-Einrichtung bis zur datengesteuerten Entscheidungsfindung – das IoT verändert die Betriebsweisen und Wettbewerbssituationen von Unternehmen grundlegend. Doch hinter den technologischen Chancen lauern auch Herausforderungen: Skill-Lücken, Cybersicherheit, Unsicherheiten in der Lieferkette sowie die Auswirkungen globaler Handelspolitik prüfen die Fähigkeit von Unternehmen, in dieser digitalen Transformation einen Vorsprung zu erlangen.

In letzter Zeit haben Analysten und Führungskräfte von IoT Analytics, Verizon Business, IDC und Lantronix mit CRN über einige zentrale Erkenntnisse aus dem IoT-Markt in diesem Jahr gesprochen. Der Autor hat die wichtigsten Punkte zusammengestellt:

Erkenntnis 1: IoT-Hersteller stehen vor einem großen KI-Skill-Engpass

Mit der beschleunigten Penetration von Technologien wie generativer KI, Edge-Intelligenz und Large-Model-Inferenz durchläuft die IoT-Branche eine strukturelle Fähigkeitsumgestaltung. Der KI-Skill-Engpass ist einer der zentralen Engpässe, die die Branche daran hindern, auf ein höheres Niveau zu gelangen. Sinha, Leiter der IoT-Komponenten-, Konnektivitäts- und Sicherheitsteams bei IoT Analytics, sagt: "Wir sehen in der IoT-Branche einen großen Skill-Engpass, insbesondere bei der Integration von KI-Technologien in IoT-Produkte und -Dienste."

Erstens wird die Ungleichgewichtung zwischen Personalstruktur und Skill-Spektrum immer deutlicher. Seit langem konzentrieren sich die Kernkompetenzen von IoT-Herstellern auf traditionelle Bereiche wie Hardware-Design, eingebettete Entwicklung, drahtlose Kommunikationsprotokolle und Geräteverwaltung. Die Einführung von KI zwingt Unternehmen, in Bereichen wie Algorithmen-Engineering, Modelltraining, Rechenleistungsoberfläche, Datenverwaltung und MLOps schnell an Kompetenzen zu gewinnen. Doch in der Realität fehlt es vielen Ingenieuren an systematischen KI-Skills, und Fachkräfte mit transversalen Fähigkeiten sind rar und ihre Ausbildung dauert lange. Dies führt dazu, dass Unternehmen bei der Umsetzung von KI-Einsatz "auf die Technologie warten". Ähnliche Herausforderungen traten auch bei der "Integration von OT und IT" auf – IT-Mitarbeiter waren nicht vertraut mit der OT-Umgebung und OT-Mitarbeiter kannten die IT-Umgebung nicht. Wenn beide Seiten ohne transversale Schulung zusammenarbeiten müssen, entstehen viele komplexe Probleme.

Zweitens ist die Iterationsgeschwindigkeit von KI-Technologien viel schneller als die Lebenszyklen von IoT-Produkten, was zu einer Zyklusfehlanpassung führt. Die Lebenszyklen traditioneller IoT-Geräte erstrecken sich oft über mehrere Jahre, während sich KI-Technologien in Quartalen oder sogar Monaten entwickeln. Während des Prozesses von Produktentwicklung, -test und -einführung kann sich die technologische Basis bereits geändert haben, sodass KI-Lösungen bereits vor der Inbetriebnahme veraltet sein können. Diese Zyklusfehlanpassung erhöht nicht nur die Forschungs- und Entwicklungskosten, sondern zwingt auch IoT-Hersteller, über Themen wie Versionsplanung, Trennung von Hardware und Software, aktualisierbare Architekturen und Online-Upgrades von Modellen nachzudenken.

Drittens kann die externe Abhängigkeit zwar kurzfristig Lücken schließen, aber es ist schwierig, langfristige Wettbewerbsfähigkeit zu entwickeln. Viele Unternehmen versuchen, KI-Projekte durch Outsourcing oder die Einbindung von Drittparteien zu beschleunigen. Doch Drittparteien müssen die Gerätelogik, das Protokollstapel, die Datenmerkmale und die Geschäftsszenarien der Unternehmen verstehen, was normalerweise viel Zeit und Kommunikationsaufwand erfordert. Bei der Einhaltung von NDAs wird dieser Prozess noch komplexer. Am wichtigsten ist, dass die Abhängigkeit von externen Kräften es schwierig macht, nachhaltige interne Fähigkeiten aufzubauen. Langfristig wird dies die Initiative der Unternehmen in der KI-Wettbewerbsfähigkeit schwächen. Wenn Unternehmen KI in ihrer Branche oder im Unternehmen einführen möchten, müssen ihre Mitarbeiter die entsprechenden Fähigkeiten erwerben, anstatt auf kurzfristige Lösungen von Drittparteien zu vertrauen.

Daher ist die Entwicklung von "KI-fähigen" IoT-Organisationsfähigkeiten ein zentrales Thema, mit dem sich die Branche auseinandersetzen muss.

Erkenntnis 2: Zölle verändern tatsächlich Unternehmensstrategien und Lieferkettenstrategien

Zölle haben tatsächlich die Betriebsweisen vieler Unternehmen verändert. Sie erhöhen die Rohstoffkosten, beeinflussen die Produktpreise und die Gewinne der Lieferanten. Eine Marktsentiment-Umfrage von IDC zeigt, dass 60 % der Unternehmen glauben, dass die steigenden Zölle die Rentabilität und die Stabilität des Technologiebudgets bedrohen.

Zölle führen zu Verzögerungen bei der Gerätebeschaffung, verursachen Lieferkettenunterbrechungen und zwingen Unternehmen zu strategischen Anpassungen, um die Kunden nicht zu stark zu beeinträchtigen, wie z. B. die Verlagerung von Fertigungsstandorten und die Diversifizierung der Lieferkette.

Zugleich haben Zölle in gewisser Weise auch einen "Innovations-Effekt" gebracht. Carlos Gonzalez, Manager für industrielles IoT und intelligente Strategien bei der Marktforschungsfirma IDC, sagt in seinem Beitrag zum Bericht "IDC Global DataSphere IoT Device Installed Base and Data Generation Forecast": "Ich kann nicht sagen, dass Zölle der einzige Grund für die Veränderungen sind, aber sie haben sicherlich einen Einfluss gehabt. Wir sehen nicht, dass die Nachfrage nach Hardware stagniert, sondern dass sie sinkt. Unternehmen planen derzeit nicht, viel in Hardware zu investieren, aber die Anwendungen rund um Daten wachsen weiterhin stark."

Die aktuelle Realität ist: Unternehmen beginnen zu verstehen, dass die Hardwareversorgung schwierig ist und auch in Zukunft möglicherweise knapp sein wird. Daher müssen sie "mehr mit weniger Hardware erreichen". Deshalb ist synthetische Daten so wichtig – sie ermöglichen es uns, auf der Grundlage vorhandener Informationen mehr Analysen durchzuführen. Ein Großteil dieser Daten stammt aus unstrukturierten Umgebungen, wie z. B. visuellen Systemen. Durch tiefere Analysen der Daten vorhandener Kameras können wir mehr Wert aus diesen unstrukturierten Quellen ziehen.

Insgesamt bringen Zölle weiterhin Instabilität in den Markt. Aber selbst in dieser instabilen Situation wissen Kunden und Lieferanten genau, dass einige Investitionen nicht gestoppt werden können: die Modernisierung der Fertigung, die Aufbau von IoT-Netzwerken und -Systemen, die Cybersicherheit usw. Die Investitionen in diesen Bereichen werden nicht gestoppt. Unternehmen werden möglicherweise nach Wegen suchen, die zusätzlichen Kosten auszugleichen, und diese Maßnahmen werden unweigerlich die Preise beeinflussen. Das Wachstum wird weiterhin anhalten, aber die Übertragung der Kosten an die Nachfolgeebenen wird sich ändern, und am Ende wird dies die Preise und die Gewinne der Lieferanten beeinflussen.

Erkenntnis 3: Die zunehmende Verbreitung von synthetischen Daten in IoT-Anwendungen

Mit der tiefgreifenden Integration von IoT und KI ist Daten das Kernasset, das intelligente Anwendungen antreibt. Wenn Unternehmen Daten für Analysen, Modellierung und Simulation nutzen, sind sie oft von der Schutz von geistigem Eigentum, der Sicherheit sensibler Informationen und der Einhaltung von Datenschutzbestimmungen gebunden. In diesem Kontext werden synthetische Daten (Synthetic Data) zu einem Schlüsselwerkzeug für Unternehmen, um diese Herausforderungen zu bewältigen.

Synthetische Daten sind künstliche Daten, die auf die Nachahmung von echten Welt-Daten abzielen. Sie werden durch statistische Methoden oder KI-Technologien (wie Deep Learning und generative KI) erzeugt. Obwohl synthetische Daten künstlich erzeugt werden, behalten sie die grundlegenden statistischen Eigenschaften der Originaldaten, auf denen sie basieren. Daher können synthetische Datenmengen echte Datenmengen ergänzen oder sogar ersetzen.

Synthetische Daten sind eine hochgradig realitätsnahe Kopie von echten Daten und enthalten keine ursprünglichen sensiblen Informationen. Sie ermöglichen es, geistiges Eigentum zu schützen und gleichzeitig mehrdimensionale Analysen und Simulationen durchzuführen. Ihre Hauptanwendungen sind:

Modelltraining und Algorithmenentwicklung: Unternehmen können synthetische Daten verwenden, um Trainingsmengen zu generieren und KI-Modelle zu erstellen, ohne direkt auf echte Produktions- oder Kundendaten zugreifen zu müssen.

Kooperation zwischen Unternehmen: Verschiedene Hersteller oder Partner können Daten für gemeinsame Analysen oder Systemoptimierungen teilen, ohne ihre Kernbetriebsdaten preiszugeben.

Systemsimulation und Szenariotests: Vor der Installation von IoT-Geräten können synthetische Daten für Simulations- und Testszenarien verwendet werden, um die Wirksamkeit von Edge-Computing, KI-Inferenz und Netzwerkstrategien zu überprüfen.

Die Treiber für die Entwicklung von synthetischen Daten sind:

Bedenken hinsichtlich Datensicherheit und Datenschutz: Unternehmensnutzer sind sehr sensibel gegenüber der Sicherheit und Vertraulichkeit ihrer Daten. Dies ist ein wichtiger Faktor, der die Cloud-Anwendungen von IoT, die Investitionen in Cybersicherheit und die Umsetzung von KI-Projekten beeinflusst.

Bedarf an Analysen zwischen Systemen und Herstellern: IoT-Geräte werden immer vielfältiger und die Daten sind auf verschiedenen Systemen verteilt. Synthetische Daten ermöglichen es, Analysen zwischen Plattformen durchzuführen, ohne dass sensible Daten tatsächlich ausgetauscht werden müssen.

Bedarf von KI-Anwendungen an Datenmenge und Vielfalt: Die Genauigkeit von KI-Modellen hängt von großen, vielfältigen Datensätzen ab, aber echte Daten sind oft begrenzt oder eingeschränkt. Synthetische Daten können diese Lücke schließen und die Implementierung und Iteration von KI beschleunigen.

Insgesamt ist synthetische Daten nicht nur ein Werkzeug zur Lösung von Datenschutz- und Datensicherheitsproblemen, sondern auch ein Schlüsselinstrument für Unternehmen, um den Datenwert im Zeitalter von IoT und KI zu maximieren. In Zukunft wird synthetische Daten in der Intelligenz von IoT-Geräten, der Interkonnektivität zwischen Systemen und den End-to-End-KI-Lösungen eine immer zentralere Rolle spielen, wenn die Algorithmen-Generationsfähigkeit und die Simulationsgenauigkeit verbessert werden.

Erkenntnis 4: IoT-Hersteller (sogar Konkurrenten) stärken ihre Interkonnektivitätsfähigkeiten

Im IoT-Bereich wird die Interkonnektivität zwischen Konkurrenten zu einer wichtigen Wachstumsrichtung. Die Kundenanforderungen treiben die Zusammenarbeit zwischen Herstellern an, da der Markt nicht darauf warten kann, dass jeder Lieferant unabhängige Lösungen entwickelt.

In der Vergangenheit waren IoT-Systeme meist auf "geschlossene Ökosysteme eines einzelnen Herstellers" ausgerichtet. Jeder Hersteller baute ein eigenes System um seine eigenen Protokolle, Geräte und Plattformen auf. Doch mit der zunehmenden Skalierung der Installationen und der alltäglichen Koexistenz von Geräten unterschiedlicher Marken können die Kunden "isolierten Systemen" nicht mehr folgen. Beispielsweise kann eine Fabrik gleichzeitig PLCs, Roboter und Sensoren von mehreren Herstellern verwenden; in Gebäuden werden viele Systeme von verschiedenen Lieferanten aufgebaut; Haushalts- und Konsumprodukte betreffen viele Marken und verschiedene Protokollfamilien... Um höhere Betriebseffizienz und niedrigere Systemintegrationskosten zu erzielen, verlangen die Kunden aktiv, dass verschiedene Hersteller Daten austauschen und ihre Systeme kompatibel machen, was das bisherige Wettbewerbsmodell grundlegend verändert.

Zugleich fordern Drittparteien wie Cloud-Anbieter, Datenplattformunternehmen und KI-Dienstleister, die immer tiefer in das IoT-Ökosystem eingebunden sind: "Wenn wir auf alle Gerätedaten zugreifen können, können wir Unternehmen helfen, die Daten zu integrieren und stärkere Cloud- oder KI-Fähigkeiten zu entwickeln." Dies zwingt die unteren Hardwarehersteller, Schnittstellen zu öffnen, Datenformate zu teilen und Standardprotokolle zu kompatibilisieren, sonst werden sie aus dem größeren Datenökosystem ausgeschlossen.

Deshalb fördert diese Interkonnektivität, sei es durch offene Standards oder offene Protokolle, tatsächlich die Zusammenarbeit zwischen Unternehmen (einschließlich direkter Konkurrenten). Um die Zusammenarbeit zwischen Herstellern und Szenarien zu ermöglichen, nähert sich die Branche schnell an bewährte offene Standards an, wie z. B. OPC UA, das derzeit der offene Standard für die Kommunikation zwischen Geräten ist, und Matter, das das Ökosystem der Interkonnektivität von Konsumgeräten neu gestaltet und die Smart Home-Branche von getrennten Plattformen hin zu einer einheitlichen Interkonnektivität führt.

Unternehmen beginnen zu verstehen: Es reicht nicht mehr, nur in der Hardware zu konkurrieren, sondern es muss auch in der Ökosystemfähigkeit, der Servicefähigkeit und dem Integrationswert konkurriert werden – dies wird tiefgreifendere Veränderungen in der Branche bringen: von der Differenzierung in der Hardware hin zu der Differenzierung in Software, Plattform und Ökosystemkooperation.

Erkenntnis 5: Das industrielle Internet der Dinge treibt die schnelle Entwicklung von Hybrid-KI-Modellen voran

Mit der ständigen Entwicklung des industriellen Internets der Dinge (IIoT) müssen Branchen immer stärker die Fähigkeit zur Echtzeitintelligenz an den Edge verlagern. Kein Unternehmen kann diese Herausforderung allein bewältigen. Das zukünftige KI-gesteuerte IIoT wird auf Zusammenarbeit basieren – Hardware-, Software- und Netzwerk-Anbieter werden zusammenarbeiten, um ein integriertes Ökosystem aufzubauen, das Hybrid-KI-Modellen für Edge-Intelligenz unterstützt.

Um eine vollständige IIoT-Lösung mit eingebetteter KI zu entwickeln, müssen alle Bereiche der Technologie beitragen. Beispielsweise benötigt man für die Realisierung einer KI-gesteuerten Drohne oder eines industriellen Roboters leistungsstarke Kameras und Sensoren, effiziente Prozessoren, fortschrittliche Video-Komprimierungstechnologien, zuverlässige Netzwerkverbindungen und eine Cloud-Plattform für die Orchestrierung und Analyse. In einer solchen Umgebung entstehen Hybrid-KI-Modellen, die die Intelligenz zwischen Edge-Geräten und der Cloud teilen, um ein Gleichgewicht zwischen Geschwindigkeit, Kosten und Leistung zu erreichen.

In der industriellen Produktion kann jede Sekunde die Produktivität und Sicherheit beeinflussen. Die Fähigkeit von Edge-KI, sofortige lokale Entscheidungen zu treffen, ist daher besonders wichtig. Beispielsweise kann ein Roboter sofort auf ein Hindernis reagieren, ein Kompressor potenzielle Störungen vorhersagen und eine Drohne anomale Situationen erkennen, ohne auf eine Rückmeldung von der Cloud zu warten. Dies verbessert nicht nur die Reaktionsgeschwindigkeit und die Betriebszeit der Geräte, sondern bietet auch Schutz in Bezug auf Datenschutz und Sicherheit. Zugleich ist die Cloud für komplexere Analysen, die Aggregation großer Datenmengen und das kontinuierliche Training von KI-Modellen verantwortlich. Die Zusammenarbeit beider führt zu einer Hybrid-Architektur, die sowohl Echtzeitintelligenz bietet als auch langfristige Einblicke und skalierbare Analysen ermöglicht.

Die Anwendung von Hybrid-KI im IIoT beschleunigt sich. Von der prädiktiven Wartung und der Verhinderung von Geräteausfällen bis hin zur Optimierung von Prozessen in der Fertigung und der Energiewirtschaft, zur Fernüberwachung von Rohrleitungen, Heizungs-, Lüftungs- und Klimaanlagen (HV