„Kein Pilotprojekt gewinnt einen Marktanteil"

Redaktion: Herr Dr. Dransfeld, eine neue Infor-Studie zeigt: Fast die Hälfte der Unternehmen weltweit steckt bei KI noch in frühen Pilotphasen fest. Dabei glauben 80 % – in Deutschland sogar 83 % – dass sie intern die nötige Kompetenz haben. Wie erklären Sie diesen Widerspruch?

Dr. Henning Dransfeld: Das hängt immer von der Perspektive ab. Viele Unternehmen verfügen tatsächlich über das Fachwissen, um KI einzusetzen, und viele testen bereits ihre ersten Agenten zur Optimierung von Produktionsprozessen. Sie haben frühzeitig Algorithmen eingeführt, beschäftigen Datenanalysten und haben ein oder zwei Pilotprojekte erfolgreich abgeschlossen. Allerdings sehen wir nach wie vor selten die Umsetzung einer betrieblich robusten KI-Initiative, die zu Skaleneffekten führt.

Viele Unternehmen verwechseln das für ein isoliertes Pilotprojekt erforderliche Fachwissen mit dem, was für eine umfassende Großinitiative benötigt wird. Der entscheidende Unterschied liegt nicht im Modell selbst, sondern im Umfeld, einschließlich Datensicherheit, Integration, Governance und einem tragfähigen Business Case. In unserem „Enterprise AI Adoption Impact Index“ nannten 36 % der Unternehmensleiter weltweit, 33 % in Deutschland, Datensicherheit und Compliance als das größte Einzelhindernis. 25 % beklagen fehlende interne Fachkompetenz für den Betrieb, und 23 % sind nicht in der Lage, das Kosten-Nutzen-Verhältnis klar genug einzuschätzen, um einen tragfähigen Business Case zu erstellen. Das ist ein Umsetzungs-, kein Technologieproblem.

Redaktion: Wenn der Business Case so zentral ist: Wie sieht ein wirklich belastbarer aus?

Dransfeld: Er beginnt mit der Frage: Wo verlieren wir Zeit, Qualität oder Marge, und was kostet uns das heute genau? Ein belastbarer Business Case muss das gesamte Szenario abbilden. Welche Daten werden benötigt? Wie steht es um Integrationsaufwand, Verantwortlichkeiten und Compliance? Zudem müssen die Vorteile schnell messbar sein. Ein gutes Beispiel kommt aus dem Lager: Mit KI-gestützter Pick-Path-Optimierung haben unsere Kunden die Laufwege ihrer Mitarbeiter um bis zu 25 % verkürzt und gleichzeitig die Kommissioniergeschwindigkeit um 15 % gesteigert. Solche Benchmarks helfen Unternehmen, die KI aus dem Experimentierraum herauszuholen.

Redaktion: In vielen Betrieben entstehen gerade KI-Insellösungen: ein Tool hier, ein Chatbot dort. Warum ist das problematisch?

Dransfeld: Weil isolierte Tools selten die „letzte Meile“ schaffen. Für mich zählt der Schritt von der Erkenntnis zur operativen Aktion wie einer Buchung, Benachrichtigung oder Freigabe. Ohne diese Brücke bleibt KI ein teures Analysetool. Zudem unterschätzen viele die Risiken unkontrollierter Systeme: Unsere Studie ergab, dass sich international 31 % der Befragten unwohl damit fühlen, wenn autonome KI-Systeme kritische Geschäftsprozesse eigenständig ausführen. Wer mehrere spezialisierte KI-Funktionen nutzt, braucht eine koordinierende Schicht. Andernfalls laufen Pilotprojekte einfach parallel, ohne dass eines davon skaliert wird.

Redaktion: Stichwort Koordination: Welche Rolle spielt dabei das ERP-System?

Dransfeld: Eine zentrale. ERP ist dort stark, wo KI oft Schwierigkeiten hat: im durchgängigen, kontextreichen Prozess. Ein ERP-System enthält Stammdaten, Rollen, Berechtigungen und Compliance-Regeln. Genau diesen Kontext braucht KI, um präzise und im Einklang mit Branchenstandards zu agieren. Ohne diesen Rahmen produziert sie nur allgemeine Empfehlungen, die im Tagesgeschäft keinen praktischen Nutzen haben. Das ERP als Integrationsplattform stellt zudem sicher, dass Entscheidungen direkt zurückgeschrieben werden, etwa als Buchung oder Auftrag. Erst dann entsteht echte Wertschöpfung.

„Mach ein Dashboard, Digger!“

Malcolm Werchota, ehemals Global AI Evangelist bei Novartis und mittlerweile freier Consultant, lieferte in seiner Keynote auf der Packaging Machinery Conference 2026 eine teils provokante und immer praxisnahe Anleitung für den echten KI-Durchbruch in Unternehmen.

Redaktion .

Redaktion: Ein klassisches Hindernis auf diesem Weg sind Datensilos. Wie lässt sich das strukturell angehen?

Dransfeld: Das Silo-Problem ist in erster Linie eine Frage der Governance: Wer ist für Daten verantwortlich und wer darf unter welchen Bedingungen darauf zugreifen? Da Integration teuer ist – Unternehmen geben dafür 30 bis 40 % ihres IT-Budgets aus –, treibt jede neue Punkt-zu-Punkt-Anbindung die Kosten. Deshalb braucht es standardisierte Zugriffsmechanismen. Wir arbeiten bei Infor mit MCP-Servern (Model Context Protocol), um den sicheren Zugriff von KI-Modellen auf Daten und die Ausführung von Aktionen zu standardisieren. Da MCP ein offener Standard ist, funktioniert das systemübergreifend. Das senkt den Aufwand und schafft eine verlässliche Datenbasis.

Redaktion: Angenommen, ein Unternehmen hat einen belastbaren Use Case und saubere Daten Wie sieht der strukturierte Weg vom Pilot in die Skalierung aus?

Dransfeld: Zuerst wählt man einen betriebsnahen Anwendungsfall mit hoher Frequenz, klaren KPIs und eindeutigen Prozessverantwortlichen. Nach einer ehrlichen Bewertung der Datenbasis folgt die Frage nach dem „Human-in-the-loop“: Wo muss ein Mensch aus regulatorischen oder qualitativen Gründen prüfen oder freigeben? Erst danach geht es an die Systemorchestrierung.

Parallel dazu muss eine kontinuierliche Leistungsmessung (Observability) sowie ein klares Betriebsmodell mit Schulungen und Change-Management aufgebaut werden. KI ist kein einmaliges Projekt, sondern ein fortlaufender Prozess.

Redaktion: Welche organisatorischen Voraussetzungen müssen Unternehmen dafür schaffen?

Dransfeld: Im Wesentlichen drei Dinge:

• Erstens Governance: klare Regeln für Datensicherheit und Compliance samt deren Durchsetzung.
• Zweitens Kompetenz: klare Rollenprofile für die Brücke zwischen IT und Fachbereich sowie den laufenden Betrieb.
• Drittens Planbarkeit: Laut unserer Studie fordern 87 % der Befragten eine vorhersehbare KI-Preisgestaltung. Unternehmen können KI nur vernünftig skalieren, wenn die Kosten kontrollierbar bleiben und Budgetsicherheit herrscht.

Redaktion: Zum Abschluss: Was sind die realistischen KI-Entwicklungen für die nächsten zwei bis drei Jahre?

Dransfeld: Erstens der Übergang von Einzelfunktionen zu agentischen Workflows, also mehrstufigen, systemübergreifenden Prozessen, in denen spezialisierte KI-Komponenten koordiniert zusammenarbeiten.

Zweitens Branchenspezifität als Wettbewerbsfaktor, da der wahre Wert im Verständnis des tiefgreifenden Prozesskontexts liegt.

Und drittens werden Observability und Governance zur Pflicht, um das für die Skalierung nötige Vertrauen aufzubauen. Kein Pilotprojekt gewinnt einen Marktanteil. Der Wert entsteht in der Produktion.

Automation NEXT Conference 2026

Datum: 30. September 2026

Ort: CU.BE Ulm by Bosch Rexroth, Ulm

Die Automation NEXT Conference ist die Fachkonferenz für industrielle Automatisierung, Digitalisierung und KI im Maschinen- und Anlagenbau.

Sie richtet sich an Entscheider, Produktions- und Automatisierungsverantwortliche sowie Entwickler, die ihre Fertigung zukunftsfähig aufstellen möchten. Im Fokus stehen praxisnahe Vorträge, Best Practices und der Austausch zwischen Industrie, Technologieanbietern und Forschung.

Themenschwerpunkte:

• Künstliche Intelligenz und generative Copilots im Engineering und in der Produktion

• Cobots und kognitive Robotik zur Bewältigung des Fachkräftemangels

• Smart Factory, IIoT, Industrial Networks und Cybersecurity

• Energieeffizienz, Nachhaltigkeit und Wettbewerbsfähigkeit

Teilnehmer:

Fach- und Führungskräfte aus industrieller Automatisierung, Produktion und Maschinenbau sowie Expert:innen aus Forschung und Technologieunternehmen.

Besonderheiten:

• Hochkarätige Speaker aus Industrie und Forschung

• Ein kompakter Konferenztag mit starkem Praxisbezug

• Intensives Networking und direkter Austausch auf Augenhöhe

Weitere Informationen & die Möglichkeit zur Anmeldung gibt es hier.