Industrie-AI-Start-ups, beeilen Sie sich nicht, ein "Industrie-Gehirn" zu schaffen.

Vor ein paar Tagen habe ich an einer Live-Pitchveranstaltung mit dem Thema industrielle Künstliche Intelligenz (KI) teilgenommen.

Die Projekte hatten unterschiedliche Ausrichtungen. Es gab Projekte zur Produktionsoptimierung, zur Geräteverwaltung, zur Qualitätsprüfung und auch solche, die sich in komplexere industrielle Entscheidungsumgebungen einbringen wollten. Die Gründer hatten auch beeindruckende Hintergründe. Manche kamen aus der traditionellen industriellen Softwarebranche, andere hatten an Branchenprojekten gearbeitet und waren mit der Kundenumgebung nicht unbekannt.

Aber beim Zuhören fiel mir etwas auf: Viele Projekte verbrachten zunächst viel Zeit damit, die traditionelle industrielle Software zu kritisieren und sagten dann, dass sie eine "Full-Stack-Lösung" oder ein "End-to-End-Closed-Loop-System" entwickeln wollten. Im nächsten Schritt ging es um eine Art "industrielles Gehirn".

Die Geschichte klang logisch und stimmte zusammen.

Es ist nicht schwer, die traditionelle industrielle Software zu kritisieren. Alte Systeme, getrennte Daten, sperrige Prozesse und fehlende Kommunikation zwischen Abteilungen - diese Probleme existieren natürlich, und wer schon an der Fabrikinformationssteuerung beteiligt war, hat diese Wahrscheinlichkeiten gehört.

Das Problem ist jedoch, dass die traditionelle industrielle Software nie nur Effizienzprobleme löst.

Sie löst die Probleme, wie Prozesse festgelegt werden, wie Berechtigungen verteilt werden, wie Operationen protokolliert werden, wie Störungen gemeldet werden und wie Verantwortlichkeiten zurückverfolgt werden. Effizienz ist natürlich wichtig, aber vor Sicherheit, Verantwortlichkeit und Vorschriften wird die Effizienz manchmal zurückgestellt.

Die Gründer sehen die Ineffizienz, während die Kunden die Kontrollierbarkeit betrachten. Die Gründer möchten die Prozesse optimieren, während die Kunden befürchten, wer das Risiko tragen soll, wenn die Prozesse durcheinandergebracht werden.

Deshalb bedeutet die Kritik an der Ineffizienz eines Systems nicht, dass man in der Lage ist, es zu ersetzen.

Die häufigste Fehleinschätzung bei der Gründung eines Unternehmens im Bereich industrieller KI besteht nicht darin, dass die Technologie nicht fortschrittlich genug ist, sondern darin, die Kundenumgebung als ein leeres Blatt zu betrachten.

Eine Fabrik ist nie ein leeres Blatt. Sie hat bereits Geräte, Systeme, Prozesse, Positionen, Lieferanten, Prüfstandards und eine nicht immer klare, aber immer vorhandene Verantwortungskette. Bevor man eintritt, muss man wissen, wo man in diesem Bild steht.

1. Die Sprache der Finanzierung und die Sprache der Kunden sind zwei verschiedene Dinge

Es gibt realistische Gründe, warum die Gründer gerne von Full-Stack-Lösungen sprechen.

Full-Stack bedeutet einen großen Markt, breite Grenzen und eine vollständige Geschichte. Wenn man nur von einem Qualitätsprüfmodul oder einem Gerätewarnungstool spricht, kann man auf der Pitchveranstaltung "klein" erscheinen. Aber wenn man von der Vernetzung von Daten, Modellen, Prozessen und geschlossenen Geschäftsprozesse spricht, wird die Finanzierungsgeschichte sofort größer.

Bei der Pitchveranstaltung müssen die Gründer die Geschichte vollständig erzählen. Im Kundenbereich werden die Probleme normalerweise auf ein Minimum reduziert.

Industriekunden wissen nicht, dass das bestehende System ineffizient ist. In vielen Fällen wissen sie besser als externe Gründer, wo die Probleme liegen. Aber Ineffizienz bedeutet nicht, dass es sofort ersetzt werden kann. Eine scheinbar sperrige industrielle Software kann an Produktionsprozesse, Geräte Schnittstellen, Organisationsberechtigungen, Prüfprotokolle, Lieferantenbeziehungen und interne Verwaltungshabits gebunden sein. Wenn es nicht gut funktioniert, bedeutet das nicht, dass es leicht entfernt werden kann.

Deshalb ist die erste Frage der Kunden oft nicht "Sind Sie klüger als das alte System?", sondern "Können Sie ein konkretes Problem lösen, ohne neue Probleme zu schaffen?"

Die Gründer denken an eine Full-Stack-Ersetzung, während die Kunden daran denken, ob es sicher in die bestehenden Prozesse integriert werden kann. Diese beiden Sprachen lassen sich nicht einfach übersetzen. Selbst wenn man auf der Bühne eine vollständige Geschichte erzählt, weiß man im Kundenbereich nicht, wo man ansetzen soll.

2. Das traditionelle System trägt nicht nur Prozesse, sondern auch Verantwortung

Bei dieser Pitchveranstaltung konzentrierte sich die Kritik an der traditionellen Software hauptsächlich auf die Effizienz.

Aber in der industriellen Umgebung ist Effizienz nie das einzige Problem.

Viele traditionelle industrielle Softwareprogramme erscheinen sperrig, nicht nur wegen der alten Technologie, sondern auch weil sie die Funktion der Institutionalisierung von Managementvorschriften übernehmen: Wer gibt die Daten ein, wer genehmigt, wer überprüft, wer unterschreibt, wer ist für das Ergebnis der Produktionslinie verantwortlich und wie wird bei Problemen nachgegangen. Diese Dinge sind möglicherweise nicht effizient, aber sie machen die Organisation kontrollierbar.

Die industrielle Umgebung unterscheidet sich von Internetprodukten. Wenn in der Internetwelt ein Inhalt falsch empfohlen oder ein Satz falsch generiert wird, ist es meistens ein Problem der Benutzererfahrung. Aber in der industriellen Umgebung kann ein falscher Rat Auswirkungen auf Geräte, Produktionslinien, Energieverbrauch, Qualitätsprüfung, Sicherheit und sogar die Lieferfrist haben.

Deshalb möchten die Kunden wirklich wissen, wer den Rat prüft, wer die Durchführung entscheidet, wer für Probleme verantwortlich ist und wo die Betriebsprotokolle gespeichert werden.

Diese Fragen klingen "traditionell", aber genau hier hängt es oft davon ab, ob die industrielle KI umgesetzt werden kann.

Die traditionelle industrielle Software ist schwer zu ersetzen, nicht weil die Technologie fortschrittlich oder die Benutzeroberfläche gut ist, sondern weil sie bereits eine Verantwortungsposition in der Kundenorganisation einnimmt. Sobald dies der Fall ist, können externe Gründungsmärkte nicht nur mit "intelligenter" oder "effizienter" Erklärung die Ersetzungslogik begründen.

Ein KI-System, das nur einen Hilfsbereich verbessert, wird von den Kunden interessiert. Aber wenn es von Anfang an die Entscheidungsabläufe und die Verantwortungsgrenzen verändert, werden die Kunden sicher vorsichtig sein. Dies ist keine Konservativität, sondern die Grundlogik der industriellen Umgebung.

Was das traditionelle System wirklich schwer zu ersetzen macht, ist nicht die Funktion, sondern seine Position in der Kundenorganisation.

3. Kleine Szenarien sind keine kleinen Chancen, sondern der erste Prozessabschnitt, den die Kunden bereit sind, herauszugeben

Es gibt viele Bereiche in der industriellen Umgebung, die von KI verbessert werden können: Schwierigkeiten bei der Erfahrungsaufzeichnung, verzögerte Fehlererkennung, unzureichende Datennutzung und ungleiche Qualifikation der Mitarbeiter vor Ort. Die Chancen bestehen tatsächlich.

Aber je komplexer das Szenario ist, desto weniger sollte man von Anfang an mit der "Gehirn"-Narrative ansetzen.

Ein realistischerer Weg besteht darin, zunächst ein kleines, aber klar definiertes Szenario zu finden. Wer nutzt es, welches Problem wird gelöst, was sind die Eingänge und Ausgänge, wie wird es überprüft und wer behandelt Probleme - alles muss klar sein.

Ähnliche Wege können auch in öffentlichen Fällen beobachtet werden. Beispielsweise bei der Fehlererkennung von Einspritzdüsenventilsitzen: Die Prüfmenge ist groß, die Beurteilung hängt von der menschlichen Augenprüfung von erfahrenen Arbeitern ab, die Personalkosten sind hoch und das Ergebnis kann überprüft werden. Die KI greift nicht in das Fabrikgehirn ein, sondern in den Prozessabschnitt, der die meiste Arbeitskraft verbraucht. Die Kunden zahlen nicht, weil "KI die Fertigungsindustrie transformiert", sondern weil dieser Arbeitsplatz wirklich personal- und zeitaufwendig ist, Fehlermöglichkeiten hat und die Verbesserungsergebnisse bilanziert werden können.

Das gleiche Prinzip gilt auch bei der Qualitätsprüfung in der Automobilherstellung. Die Messung von Spalten und Flächenabweichungen, die Prüfung der Montagebewegungen und die Erkennung von Bauteilfehlern sind alle sehr konkrete Szenarien. Es wird nicht das gesamte Produktionssystem ersetzt, sondern es wird in einen Prüfprozessabschnitt eingegriffen, um zunächst ein genaues Ergebnis zu erzielen und erst dann über die Erweiterung zu sprechen.

Das gleiche gilt für die vorausschauende Wartung. Es wird nicht das Geräteverwaltungssystem abgeworfen, sondern es werden zunächst die vorhandenen Sensoren, PLCs, MES oder Wartungssysteme angeschlossen, um bei kritischen Geräten zu überprüfen, ob Störungen frühzeitig erkannt werden können und die unplanmäßigen Ausfälle reduziert werden können.

Diese Szenarien klingen nicht so aufregend wie das "industrielle Gehirn", aber sie sind näher am Kundenbudget. Die Kunden zahlen nicht für Konzepte, sondern für konkrete Probleme, konkrete Ergebnisse und kontrollierbare Risiken.

Die Überprüfungsfähigkeit ist der Einstieg. Die Einbindung in die Verantwortungskette zeigt, dass die Kunden wirklich von Ihnen abhängig werden.

Ein Projekt ist erst wirklich erfolgreich, wenn die Kunden nicht nur die Demo gesehen oder einen Pilotversuch durchgeführt haben, sondern wenn sie das System in einen echten Prozess integrieren lassen: Die Ausgabe wird von den Mitarbeitern vor Ort berücksichtigt, die Vorschläge beeinflussen die Operationen, Fehleinschätzungen müssen behandelt werden und die Ergebnisse werden intern ausgewertet.

An diesem Punkt stehen die KI-Unternehmen nicht nur vor Modellproblemen, sondern auch vor Fragen der Lieferung, Schulung, Wartung, Störungsbehandlung und interner Zusammenarbeit mit den Kunden. Wer erklärt die Ausgabe? Wer behandelt Fehleinschätzungen? Was passiert, wenn die Mitarbeiter vor Ort nicht vertrauen? Was passiert, wenn die Daten des alten Systems unvollständig sind? Was passiert, wenn die Abteilungen der Kunden nicht kooperieren?

Diese Probleme sind mühsam. Aber die Barrieren werden genau in diesem Prozess der Problemlösung aufgebaut.

4. Das Projekt ist der Einstieg, nicht das Ziel

Viele Unternehmen im Bereich industrieller KI beginnen in der Anfangsphase mit Projekten. Das ist normal. Die industrielle Umgebung ist komplex, und ohne Projekte ist es schwierig, die Kunden wirklich zu verstehen und Daten und Prozesskenntnisse zu erhalten.

Das Problem ist, ob es nach dem Projekt eine Aufzeichnung gibt.

Wenn der erste Kunde über die Beziehungen der Gründer gewonnen wird, der zweite von der Projektgruppe neu bearbeitet wird und der dritte nochmals individuell angepasst werden muss, wird es zwar Einnahmen geben, aber jedes Projekt ist eine neue manuelle Lieferung, und das Wachstum wird durch die Lieferungskosten behindert.

Was wirklich interessant ist, ist, ob die Probleme, die in dem ersten Szenario gelöst wurden, in wiederverwendbare Elemente wie Modelle, Datenverarbeitungsverfahren, Schnittstellenkenntnisse, Lieferhandbücher und Kunden-Schulungspfade umgewandelt werden können. Wenn dies möglich ist, sinken die Implementierungskosten für den nächsten Kunden, und das Unternehmen nähert sich einem echten Unternehmen im Bereich industrieller KI.

Von einem Arbeitsplatz zu einer Produktionslinie, von einer Geräteart zu einer Gerätefamilie, von einem Qualitätsprüfprozess zu einem Qualitätsmanagementprozess - die Expansion sollte so erfolgen. Es geht nicht darum, zunächst einen vollständigen geschlossenen Kreis zu zeichnen und dann die Kunden anzupassen, sondern darum, zunächst einen kleinen echten Prozessabschnitt in den bestehenden Systemen der Kunden zu erobern, diesen Prozessabschnitt tiefgreifend, stabil und replizierbar zu gestalten. Erst dann kann man über Full-Stack-Lösungen sprechen.

5. Das Interesse großer Kunden bedeutet nicht die Marktbewährung

Bei der Pitchveranstaltung war ein weiteres häufiges Phänomen: Viele Projekte sagten, dass sie gerade mit großen Kunden in Kontakt stehen, dass ein großes Unternehmen interessiert sei und dass ein bestimmtes Szenario in Zukunft viel Potenzial habe.

Das Interesse großer Kunden bedeutet nicht, dass sie kaufen werden. Die Bereitschaft zu einem Pilotversuch bedeutet nicht, dass es akzeptiert wird. Die Zustimmung der Führung bedeutet nicht, dass die Mitarbeiter vor Ort es nutzen werden. Wenn eine Abteilung es für wertvoll hält, bedeutet das nicht, dass die Budgetabteilung bezahlen wird.

Das, was die industrielle KI wirklich beweisen muss, ist, dass die Kunden bereit sind, ein Problem an Sie zu übergeben, einen Prozess an Ihr System anzuschließen, eine Verbesserung in die Prüfung aufzunehmen und ein Budget an Sie zu zahlen.

Der gefährlichste Zustand besteht nicht darin, keine Leads von großen Kunden zu haben, sondern darin, die Leads von großen Kunden als Marktbewährung zu betrachten. Mündliches Interesse erzeugt leicht die Illusion, als sei die Nachfrage bereits bewiesen und fehle nur noch die Verbesserung des Produkts und die Förderung der Finanzierung. Aber die echte Kommerzialisierung hängt oft an späterer Stelle - wer in der Kundenorganisation den Prozess vorantreibt, wer unterschreibt, wer nutzt und wer das Risiko trägt. Wenn diese Fragen nicht geklärt werden, bleibt die Geschichte nur eine Geschichte.

Nach der Pitchveranstaltung habe ich mit einem der Gründer ein paar Worte gewechselt.

Er arbeitet an der vorausschauenden Wartung von Geräten. In seiner Präsentation sprach er von Plattformisierung, Ganzlebenszyklusmanagement und industrieller Digitaler Zwilling. Ich habe ihn gefragt, wie viele echte zahlende Kunden er derzeit hat. Er sagte, er sei noch in Verhandlungen, aber einige große Unternehmen hätten starkes Interesse gezeigt.

Ich habe nicht weiter gefragt.

Aber was ich wirklich wissen wollte, war ganz einfach: Gibt es einen Kunden, der Ihnen erlaubt, zunächst ein Gerät anzuschließen und innerhalb von drei Monaten ein akzeptables Ergebnis zu liefern?

Wenn ja, ist dies der Anfang.

Wenn man noch auf das Interesse großer Unternehmen wartet, um daraus ein offizielles Projekt zu machen, bleibt die Full-Stack-Geschichte, wie vollständig sie auch sein mag, nur eine Wartezeit auf eine noch nicht begonnene Chance.

Die industrielle KI fürchtet keine kleinen Eingangspunkte. Sie fürchtet, dass die großen Geschichten zu früh erzählt werden, bevor die kleinen Szenarien noch nicht etabliert sind.

Dieser Artikel stammt aus dem WeChat-Account "Pfad und Grenze", Autor: Yan Jun. Veröffentlicht von 36Kr mit Genehmigung.