Die überwiegende Mehrheit der industriellen KI-Anwendungen kann keine nachweisbare Rendite erzielen, und Zhi'an Antu möchte sich als die sogenannte „Abnahmeebene“ positionieren.
In den letzten zwei Jahren ist das Kapital für industrielle KI sehr schnell geflossen.
Laut Daten von IDC stieg der Anteil chinesischer Industrieunternehmen, die große Modelle und Agenten einsetzen, im Jahr 2025 von 9,6 % im Vorjahr auf 47,5 %; nach Berechnungen des 36Kr Research Institute beträgt der umsetzbare Marktumfang der chinesischen industriellen KI im Jahr 2026 etwa 116,3 Milliarden Yuan und wird bis 2030 300 Milliarden Yuan übersteigen.
Eine andere Zahlenreihe zeigt das Gegenteil. Eine Umfrage zur Bereitschaft für industrielle KI im Jahr 2026 ergab, dass 68 % der Fertigungsunternehmen noch im Pilot-, Konzeptnachweis- oder reinen Forschungsstadium stecken und nur 7 % die KI wirklich in ihre Kernprozesse integriert haben. Eine Studie des MIT aus dem Jahr 2025 geht noch weiter: 95 % der generativen KI-Projekte von Unternehmen haben keine messbaren finanziellen Erträge erzielt.
Das Geld ist hereingekommen, aber die Rechnung lässt sich nicht aufstellen.
Das 36Kr Research Institute hat in dem „Forschungsbericht zur Entwicklung der chinesischen industriellen KI-Branche 2026“ eine Schlussfolgerung gezogen: Der Schlüssel zum Durchbruch liegt in „szenariobasierter Anpassung und geschlossenem Verifizierungskreislauf“. Mit anderen Worten: Der Engpass liegt nicht darin, ob das Modell stark genug ist, sondern darin, dass niemand überwacht, ob eine Änderung nach der Umsetzung tatsächlich gültig ist.
Genau diesen Teil will Zhian Antu (Beijing) Intelligent Equipment Co., Ltd. umsetzen.
I. Am letzten Kilometer steckengeblieben: Die KI ist in die Werkstatt eingezogen, aber nicht in die Prozesse
Die Art und Weise, wie industrielle Kunden Anforderungen stellen, stimmt oft nicht mit dem überein, was Softwareunternehmen verstehen.
Der Satz „Zu viele Fehlalarme“ übersetzt in Ingenieursprache bedeutet: Wie viele Alarme im letzten Monat von Menschen ignoriert wurden, welche Art von Alarmen ignoriert wurden und ob nach dem Ignorieren echte Vorfälle übersehen wurden. Wenn diese drei Fragen nicht beantwortet werden können, erfolgt die Modelländerung nur nach Gefühl. Und gerade im industriellen Umfeld darf man nicht nach Gefühl handeln – wie ein befragter Ingenieur sagte: Wenn die KI anweisungsbezogene Fehler macht, führt das zu unumkehrbaren systemischen Risiken im Produktionsprozess.
Daraus ergibt sich eine sehr häufige Situation: Der Pilotlauf funktioniert, der Chef ist einverstanden, aber sechs Monate später ist das System immer noch nur auf dieser einen Produktionslinie im Einsatz. In der Branche werden die durchschnittlichen versuchten Skalierungsversuche, die fehlschlagen, auf versunkene Kosten von 2,3 Millionen US-Dollar geschätzt.
Zhian Antu ist der Ansicht, dass hier nicht Algorithmen fehlen, sondern drei Arten von Infrastruktur: die Grundlage für Änderungen, die Verifizierung von Änderungen und die Protokollierung von Änderungen.
Ihr erstes umgesetztes Einsatzgebiet war keine Produktionslinie, sondern eine Baustelle – Arbeitssicherheit ist der Bereich der industriellen KI mit den festesten Budgets und der stärksten politischen Förderung.
Eines der bereits umgesetzten Szenarien ist ein kommunales Bauunternehmen in Peking. Die Kameras auf der Baustelle wurden ursprünglich nur zur nachträglichen Abfrage von Aufnahmen und zur Überprüfung bei Haftungsfällen verwendet; sie sollen jetzt vorzeitig Warnungen ausgeben: Ob Helme, reflektierende Westen und Sicherheitsgurte getragen werden, ob bei Arbeiten am Rand von Absturzstellen Schutzmaßnahmen vorhanden sind und ob Personen in Gefahrenbereiche eindringen. Das klingt nach einem Erkennungsproblem, die eigentliche Schwierigkeit liegt in der Definition von Maßstäben: Ab welchem Grad gilt etwas als „nicht ordnungsgemäß getragen“, wie lange muss jemand verweilen, damit es als „Eindringen“ gilt, braucht man zwei verschiedene Standards für Tag- und Nachtschicht. 24 Regeln wurden nacheinander mit dem Sicherheitsverantwortlichen des Auftraggebers abgestimmt, bis ein System entstand, das vor Ort tatsächlich verwendet wird.
Derselbe Prozess wurde bei einer Restaurantkette und einer Kühlhaus-Lieferkette wiederholt, mit 24 bzw. 20 Regeln. Die drei Branchen unterscheiden sich stark, aber eines ist gemeinsam: „Bilder verstehen“ ist eine allgemeine Fähigkeit, aber was wirklich darüber entscheidet, ob das System verwendet werden kann, ist der Beurteilungsmaßstab. Diese Maßstäbe können nicht von Ingenieuren festgelegt werden, sondern müssen von Experten des Auftraggebers Punkt für Punkt abgestimmt werden. Dieses Verfahren „Experten legen Maßstäbe fest, das System führt die Ausführung durch“ ist das gleiche Vorgehen, das sie in den drei Branchen erprobt haben.
II. MEDC Engine: Keine Erhöhung der Modellfähigkeiten, sondern Verwaltung der „Verbesserung“ an sich
Die technische Grundlage von Zhian Antu heißt MEDC Engine, der vollständige Name lautet Evolution Control Plane (Evolutionssteuerungsebene).
Die Bezeichnung selbst zieht eine Grenze: Es handelt sich nicht um ein Agent-Framework und auch nicht um eine Ausführungsorchestrierung. Wie Geschäftsprozesse ablaufen und wie Tools angepasst werden, ist Sache der Ausführungsebene; die MEDC Engine verwaltet etwas anderes – welche Erfahrungen wert sind, behalten zu werden, welche Änderungen in den Produktivbetrieb übernommen werden können und welche Verbesserung tatsächlich wirksam ist.
Zerlegt betrieben werden zwei Modellreihen. Die eine ist online, sie ist für die einzelne Beurteilung zuständig, die einzelne Bewertung wird innerhalb von 0,3 Sekunden abgeschlossen und gibt einen kalibrierten Wahrscheinlichkeitswert aus, keinen generierten Text. Der Vorteil davon ist struktureller Natur: Die „Erfindung einer nicht existierenden Erkennung“ ist architektonisch unmöglich, da das System überhaupt keine Inhalte generiert. Wenn es ein Bild nicht klar erkennen kann, gibt es es von sich aus auf – es zieht es vor, etwas nicht zu erkennen, statt einen Fehlalarm auszulösen.
Die andere ist offline, sie extrahiert Beurteilungskriterien aus den Ausführungsprotokollen – warum diese Beurteilung richtig war, jene falsch war und wo die Grenzen liegen. Sie ist nicht an der Echtzeitbeurteilung beteiligt, sondern nur dafür zuständig, das, was vor Ort passiert ist, zu Einschränkungen zu machen, die beim nächsten Mal wiederverwendet werden können.
Zwischen den beiden Modellreihen besteht eine bidirektionale Verbindung: Erfahrungen verbessern die Entscheidungen, Ausführungsbeweise fließen zurück. Dazwischen liegt eine Zugangskontrolle mit sechs Schritten: Verbesserungsvorschlag, isolierte Bewertung, drei Prüfungen zu Sicherheit, Generalisierung und Regression, Risikogenehmigung, graduelle Veröffentlichung, Verifizierung der tatsächlichen Ergebnisse. Ein Grundsatz gilt durchgehend: Unverifizierte Erfahrungen und Verbesserungen dürfen nicht automatisch in die Produktivumgebung übernommen werden.
Die Wirkung dieses Mechanismus lässt sich teilweise anhand ihrer gemessenen Daten ablesen. Eine einzelne Kamera erzeugt täglich 86.400 Bildframes. Nach der Gruppierung werden 23,9 % als leere Frames direkt verworfen, 43,9 % werden zurückgehalten, weil sie nicht vollständig erfasst sind oder die Qualität nicht den Anforderungen entspricht, 15,2 % werden mit hohem Vertrauen direkt als Ergebnis ausgegeben, und nur 6,3 % müssen an das große Cloud-Modell zur Entscheidung übermittelt werden. Etwa 87 % der Bilder werden lokal verarbeitet. Diese Zahlen stammen aus einem bewusst ausgewählten Testdatensatz mit schwierigen Fällen (Nacht, Verdeckungen, weit entfernte kleine Ziele), der Anteil leerer Frames bei echten fest montierten Kameras ist sogar noch höher.
Das spart nicht nur Kosten. Industrielle Kunden legen größten Wert darauf, dass Daten das Werk nicht verlassen – in Branchen wie Energie, Militärindustrie und Halbleiterindustrie dürfen Bilder das Werksgelände überhaupt nicht verlassen. Deshalb ist ihr Produkt in drei Formen erhältlich: Cloud-API/MCP für Teams mit eigenen Entwicklungsfähigkeiten zur nutzungsabhängigen Abrechnung, privates SDK für die Integration in interne Netze von Finanzinstituten, Behörden und zentralen staatlichen Unternehmen, sowie das seitennahe Hardwaregerät MEDC Box mit 32 Kanälen pro Gerät, das auch ohne Netzwerkverbindung funktioniert.
Die drei Formen nutzen denselben Kern, der Unterschied liegt nur im Bereitstellungsort. Die Preisgestaltung richtet sich ebenfalls nach der Form: Die API wird nach Aufrufen berechnet, das SDK wird jährlich verkauft, die Hardware wird pro Gerät angeboten, zusätzlich gibt es Implementierungsdienstleistungen und jährliche Abonnements.
Das Kundenprofil ist daher recht klar: Eine Gruppe besteht aus mittelständischen und großen Unternehmen mit eigenem KI-Team, denen es aber an Verifizierungs- und Zugangskontrollfunktionen fehlt. Eine weitere Gruppe sind Einrichtungen, die aufgrund von regulatorischen Beschränkungen keine Daten außerhalb des Werksgeländes übermitteln dürfen. Und die dritte Gruppe sind Integratoren und Gerätehersteller, die visuelle Fähigkeiten in ihre eigenen Produkte integrieren wollen.
III. Ein Unternehmen mit neun Mitarbeitern – warum traut es sich, eine Plattform aufzubauen
Ehrlich gesagt ist das kein leichtgewichtiges Modell.
Zhian Antu hat derzeit 9 Mitarbeiter und plant, die Zahl innerhalb von 18 Monaten auf 21 zu erhöhen, wobei der größte Teil für die Engine-Entwicklung und die branchenspezifische Bereitstellung zuständig ist.
Gründer Li Xin arbeitete zuvor 8 Jahre lang im Bereich der Anwendungsarchitektur für Deep-Learning-Inferenz, führte Teams bei der Eigenentwicklung verschiedener industrieller Qualitätsprüfsysteme und intelligenter Roboter-Montagesysteme und arbeitete auch an großen Modellen mit mehreren Agenten. Sein Lebenslauf erklärt ihre Prioritäten: Dieselbe Gruppe von Mitarbeitern könnte sich dafür entscheiden, ein stärkeres Modell zu entwickeln, oder die technischen Probleme bei der Umsetzung von Modellen zu lösen – Inferenzlatenz, seitennahe Rechenleistung, Fehlalarmrate, Beurteilungsmaßstäbe. Sie haben sich für Letzteres entschieden.
„Sicherheitsrelevante Steuerungen sollten immer von zertifizierten DCS-, SIS- und PLC-Systemen übernommen werden, das machen wir nicht“, sagt Li Xin. „Wir beantworten nur eine andere Frage: Was muss von Menschen überprüft werden, was kann in den Produktivbetrieb übernommen werden und welche Verbesserung ist gültig.“
Das Unternehmen hat sich ein Personalprinzip gesetzt: „Keine Projekte durchführen, bei denen keine Vermögenswerte entstehen“ – nach Abschluss jedes Auftrags müssen drei Dinge übrig bleiben: eine Regelbibliothek, ein Bewertungsdatensatz und eine Liste von Fehlern. Wenn das nicht möglich ist, nehmen sie den Auftrag lieber nicht an. Derzeit werden 2 Patente und 6 Software-Urheberrechte beantragt.
Das erklärt auch, warum ihre Einnahmestruktur etwas „unrein“ aussieht. Derzeit tragen zwei Anwendungsprodukte zum Cashflow bei: Antu Zhiwei für die physische Sicherheitsüberwachung und der Wissenskompilierungs-Agent für die Unternehmenswissensverwaltung. Nach Prognosen für 2026 machen diese beiden Bereiche zusammen mit Schulungen und Wartung etwa 76 % der Einnahmen aus.
In ihrer Buchführung sind diese beiden jedoch „abgeleitete Produkte“, die als erste Anwendungen der Engine positioniert sind – um Grenzen zu überprüfen, branchenspezifische Vermögenswerte aufzubauen und den laufenden Cashflow zu sichern. Das eigentliche Kernprodukt sind die drei oben genannten Bereitstellungsformen. Nach den Planungen wird der Anteil der Einnahmen aus Kernprodukten von 24 % im Jahr 2026 auf 50 % im Jahr 2028 steigen.
Vier Dinge stützen diese Wachstumskurve, von denen sie glauben, dass sie nur im Laufe der Zeit aufgebaut werden können: ausführbare Bewertungsfälle, die industrielle Fehlermuster abdecken, eine nach Branchen kategorisierte Bibliothek von Fehlerfällen, vor Ort erfasste Ablaufprotokolle sowie gemeinsame namentlich genannte Kunden, die sich bereit erklären, ihre Namen in den Vertrag aufzunehmen. Die Ziele lauten, innerhalb von 18 Monaten 60 Kategorien, 600 Fälle, 20.000 Protokolle und 8 Kunden zu erreichen. 90 Tage nach der Finanzierung wird die erste Basisversion bereitgestellt, danach werden die Ergebnisse quartalsweise offengelegt.
Auf finanzieller Ebene planen sie einen Umsatz von 10,84 Millionen Yuan im Jahr 2026, 40,01 Millionen Yuan im Jahr 2027 und 111 Millionen Yuan im Jahr 2028, wobei der Betriebsgewinn im Jahr 2028 positiv wird.
Zhian Antu startet gerade die Pre-A-Finanzierungsrunde, plant die Beschaffung von 10 Millionen Yuan und gibt dafür 10 % der Unternehmensanteile ab, was eine Post-Money-Bewertung von 100 Millionen Yuan ergibt. Von den Mitteln werden 43 % für die Erweiterung des Teams, 22 % für die Entwicklung von Bewertungsressourcen und Produkten, 18 % für das Markt- und Vertriebssystem und der Rest für die Bereitstellung von Rechenleistung und das FDE-Bereitstellungsteam verwendet.
In diesem Bereich ist die Frage, die schwerer zu beantworten ist als die „Frage nach einem stärkeren Modell“: Warum sollte der Kunde glauben, dass Sie diesmal die Änderung richtig vorgenommen haben? Dieses Unternehmen mit neun Mitarbeitern setzt auf die Beantwortung dieser zweiten Frage.
Über Zhian Antu
Zhian Antu (Beijing) Intelligent Equipment Co., Ltd. wurde im Dezember 2025 gegründet und befindet sich im Zhongguancun (West Peking) AI Science Park. Das Kernprodukt MEDC Engine (Evolution Control Plane) wird in drei Formen bereitgestellt: API/MCP, SDK und seitennahe Hardware. Die abgeleiteten Produkte sind Antu Zhiwei und der Wissenskompilierungs-Agent, die derzeit in drei Branchen – Baustellen, Restaurantketten und Kühlhaus-Lieferketten – eingesetzt werden.
Das Unternehmen hat derzeit 9 Mitarbeiter, es werden 2 Patente und 6 Software-Urheberrechte beantragt. In dieser Finanzierungsrunde sollen 10 Millionen Yuan beschafft werden, wofür 10 % der Unternehmensanteile abgegeben werden.