Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht
Mitglied des Vorstands, Partner
Prof. Dr. Leo Brecht ist Mathematiker und Wirtschaftswissenschaftler mit einem Doktortitel in mathematischer Statistik und einer Professur für Innovations- und Technologiemanagement an der Universität Liechtenstein. Mit über 20 Jahren Erfahrung in Unternehmensberatung und angewandter Forschung sowie mehr als 10 Jahren im Investmentmanagement ist er ein führender Experte in den Bereichen Innovation, Technologie und Produktmanagement. Leo Brecht hat mehr als 100 Projekte für KMU und multinationale Unternehmen in verschiedenen Branchen unterstützt, von strategischer Beratung bis hin zu Technologiebewertungen. Er ist auch der Gründer von ALPORA, wo er und sein Team innovative Anlageprodukte entwickelt haben, die zu einem verwalteten Vermögen von über 700 Millionen Euro geführt haben. In den letzten zehn Jahren hat er mehr als 1.000 Investorenvorträge gehalten. Er war Partner bei Andersen und Arthur D. Little, Autor mehrerer Bücher und Konferenzredner. Als aktiver Investor und Serienunternehmer ist er insbesondere in den Sektoren FINTECH, SUSTTECH und EDUTECH tätig. In seiner Freizeit ist Leo Brecht ein leidenschaftlicher Regattasegler und Skifahrer und verbringt gerne Zeit mit seiner Familie.
Künstliche Intelligenz wird oft als Basistechnologie diskutiert, deren wirtschaftliche Auswirkungen sich erst fortwährend im gesamten Unternehmen entfalten werden. Die Fertigung bietet hierfür einen konkreteren Prüfstand. Eine Fabrik erfasst bereits die Signale, die ein KI-System benötigt: produzierte Einheiten, erkannte Fehler, Maschinenzyklen, Energieverbrauch, Ausfallzeiten und Planungsentscheidungen. Die Arbeit ist repetitiv, hochvolumig und steht in direktem Zusammenhang mit den Betriebskosten.
Diese Kombination macht Produktionsabläufe zu einem ungewöhnlich gut messbaren Umfeld für KI. Die stärksten Anwendungsfälle beginnen nicht mit dem abstrakten Versprechen, die «Fabrik zu transformieren». Sie beginnen mit einem eng gefassten Regelkreis: jede Einheit prüfen, Abweichungen früher erkennen, die Produktion neu takten oder einen Prozess anpassen, bevor aus einem kleinen Problem ein kostspieliger Ausfall wird.
Die Investitionsfrage lautet daher nicht einfach: Welches Unternehmen verfügt über das fortschrittlichste Modell? Es geht um Technologie, die den Kreislauf zwischen Daten, Entscheidungen und physischer Umsetzung schliessen kann – und diese Verbesserung über Linien, Werke und Kunden hinweg wiederholt.
Von stichprobenartiger Kontrolle zur kontinuierlichen Anpassung
Traditionelles Produktionsmanagement basiert oft auf periodischen Überprüfungen. Eine Linie produziert, eine Stichprobe wird geprüft, ein Bediener untersucht ein Signal und ein Planer aktualisiert den Zeitplan. Dieser Prozess kann effektiv sein, ist aber von Natur aus verzögert und selektiv. Er erkennt ein Qualitätsproblem möglicherweise erst, nachdem eine ganze Charge die Linie durchlaufen hat, oder plant erst im nächsten formalen Planungszyklus um.
KI verändert den Takt. Computer Vision kann jede Einheit in Liniengeschwindigkeit prüfen. Anlagenanalytik kann Vibration, Temperatur, Zykluszeit und Energieaufnahme kontinuierlich überwachen. Planungssysteme können auf Maschinenausfälle, Materialverzögerungen und Auftragsänderungen reagieren, sobald sie auftreten. Das Ergebnis ist nicht zwangsläufig eine vollautonome Fabrik. Es ist ein schnellerer operativer Regelkreis, in dem Schwierigkeiten näher an ihrem Ursprung erkannt und korrigiert werden.
Diagramm zum Vergleich eines traditionellen Produktionskreislaufs mit einem KI-beschleunigten kontinuierlichen Kreislauf.
Diese Unterscheidung ist für Investoren relevant. Ein Produktivitätsgewinn durch ein einmaliges Investitionsprojekt ist oft schwer zu replizieren. Ein softwaregestützter Feedback-Zyklus hingegen kann an Wert gewinnen, je mehr er auf zusätzlichen Produktionslinien eingesetzt wird – vorausgesetzt, das System lässt sich in bestehende Anlagen integrieren und der Kunde kann die Empfehlungen operativ umsetzen.
Warum ist die Fertigung ein besonders günstiges Umfeld für KI?
Die Fertigung hat zwei strukturelle Vorteile gegenüber weniger instrumentierten Unternehmensfunktionen.
Erstens wird der Output bereits gemessen. Produktionssysteme erfassen routinemässig Stückzahlen, Taktzeiten, Fehlercodes, Maschinenzustände und den Energieverbrauch. Eine KI-Anwendung kann daher aus bereits vorhandenen Betriebsdaten lernen, anstatt darauf zu warten, dass ein neues Messsystem von Grund auf neu aufgebaut wird.
Zweitens summieren sich kleine Verbesserungen schnell. Eine moderate Reduzierung von Fehlalarmen, Ausschuss oder Umrüstzeiten kann bei Tausenden Einheiten und mehreren Schichten erhebliche Auswirkungen haben. In einem Umfeld mit hohem Produktionsvolumen kann eine kleine Verbesserung pro Einheit zu einem signifikanten jährlichen Effekt führen.
Qualitätskontrolle und Produktionsplanung sind besonders geeignet. Menschliche Kontrollen sind während einer ganzen Schicht nur schwer auf gleichbleibendem Aufmerksamkeitsniveau zu halten. Statische Zeitpläne sind zudem schlecht für ein Produktionsumfeld geeignet, in dem verspätete Materialien, Maschinenstillstände und Änderungen im Produktmix eher die Regel als die Ausnahme sind.
Das bedeutet nicht, dass der Mensch aus dem Prozess verschwindet. Oft ist der praktischste Ansatz ein KI-System, das Ausnahmen priorisiert, repetitive Prüfungen eliminiert und den Bedienern bessere Informationen liefert. Die Rolle des Menschen verlagert sich von der Überprüfung jedes unklaren Signals hin zur Lösung der Fälle, in denen Kontext und Urteilsvermögen am wichtigsten sind.
Drei Technologieschichten – und warum sie nicht vermischt werden sollten
Der vorliegende Deep Dive in die Fertigung bildet den Bereich über verschiedene Technikfamilien hinweg ab. Sie lösen unterschiedliche Probleme und weisen unterschiedliche kommerzielle und wettbewerbsrelevante Merkmale auf.
1. Wahrnehmung: Jede Einheit im Blick
Computer-Vision-Systeme analysieren Bilder von Produkten oder Komponenten und klassifizieren Fehler wie Kratzer, fehlende Teile, Schweissunregelmässigkeiten oder Farbabweichungen. Der Produktivitätsvorteil liegt auf der Hand: Die gesamte Produktion wird kontinuierlich geprüft, anstatt nur Stichproben zu nehmen oder sich auf ermüdete manuelle Kontrollen zu verlassen.
Die praktische Herausforderung sind die Daten. Seltene Fehler sind der Definition nach schwer in grossen Trainingsdatensätzen abzubilden. Plattformen, die mit relativ kleinen, benannten Datensätzen lernen können, in Umgebungen mit hoher Variantenvielfalt funktionieren und sich in bestehende Prüfgeräte integrieren lassen, bieten daher oft einen grösseren Mehrwert als ein technisch beeindruckendes Modell, das eine aufwendige, massgeschneiderte Vorbereitung erfordert.
2. Entscheidungsfindung: Die Linie neu planen
Produktionsplanung ist ein Optimierungsproblem unter Nebenbedingungen. Aufträge, Materialien, Maschinen, Arbeitskräfte, Umrüstzeiten und Liefertermine beeinflussen sich ständig gegenseitig. KI-gestützte Planungssysteme zielen darauf ab, den Plan bei sich ändernden Bedingungen neu zu berechnen, anstatt den Zeitplan bis zum nächsten Planungszyklus als starr zu betrachten.
Der wirtschaftliche Wert liegt in der Sicherung des Durchsatzes und der Reduzierung vermeidbarer Stillstandzeiten. Doch die Qualität der Implementierung ist entscheidend: Ein Zeitplan, der mathematisch effizient, aber für Planer und Bediener schwer verständlich ist, wird möglicherweise nicht akzeptiert. Erklärbarkeit und Workflow-Integration sind daher kommerzielle Merkmale und nicht nur technische Präferenzen.
3. Anlagenanalytik und physische Umsetzung
Prädiktive Analytik sucht in Telemetriedaten nach Mustern, die Ausfallzeiten, Qualitätsverlusten oder Ertragseinbussen vorausgehen. Robotik fügt die physische Ebene hinzu: Eine Maschine kann Abweichungen an dem vor ihr liegenden Teil erkennen und ihre Bewegung anpassen, anstatt ein starres Programm zu wiederholen.
Diese Kategorien unterscheiden sich in ihrer Kapitalintensität. Eine cloudbasierte Analyseanwendung lässt sich oft mit begrenzten Hardwareänderungen implementieren. Eine Robotiklösung muss Software, Sensoren, mechanische Systeme, Tests und Vor-Ort-Service kombinieren. Für Kapitalgeber beeinflusst diese Unterscheidung die Finanzierungsanforderungen, Verkaufszyklen, das Implementierungsrisiko und die potenzielle Dauerhaftigkeit des Wettbewerbsvorteils.
Der Fokus verschiebt sich von Pilotprojekten hin zur Wirtschaftlichkeit im Anlagenbetrieb
Die aussagekräftigsten Belege stammen aus konkreten Produktionsstätten mit definierten Betriebskennzahlen. Drei europäische Beispiele aus der beigefügten Analyse verdeutlichen verschiedene Wege zur Wertschöpfung.
Im Siemens-Werk Rastatt in Deutschland wurde eine KI-gestützte Software zur Reduzierung von Fehlalarmen auf die bestehenden automatischen optischen Inspektionssysteme für Leiterplattenbestückungen aufgesetzt. Das Ergebnis war eine Steigerung der Erstausbeute um 42 %, ohne dass die Inspektionsmaschinen ausgetauscht werden mussten. Dieser Fall verdeutlicht ein wichtiges Prinzip: Der Mehrwert von KI kann darin liegen, bestehende Infrastruktur effizienter zu nutzen, anstatt nur neue Hardware anzuschaffen.
Im Agilent-Werk Waldbronn wurde ein Computer-Vision-Toolkit für fünf verschiedene Inspektionsanwendungen eingesetzt. Der vorliegende Bericht verzeichnet eine Senkung der Fehlerquoten um 49 % innerhalb von vier Monaten, ergänzt durch umfassendere Verbesserungen im Rahmen der digitalen Transformation des Standorts. Die «Global Lighthouse»-Initiative des Weltwirtschaftsforums beschreibt zudem den Einsatz von KI-gestützter Inspektion, Datenanalyse und industriellem IoT in diesem Werk sowie die damit erzielten Produktivitäts- und Output-Steigerungen.
Im Danone-Werk Opole in Polen waren vernetzte Fertigungssysteme, KI-gestützte Planung und Automatisierung Teil einer umfassenden, von den Mitarbeitern getragenen Transformation. Danone meldet eine Senkung der Fertigungskosten um 19 % zwischen 2019 und 2021, einen Effizienzgewinn von 12 % sowie eine Reduzierung der Treibhausgasemissionen um etwa 50 %. Der Standort diente als Vorbild für die Implementierung dieses Ansatzes in anderen Werken des europäischen Netzwerks des Unternehmens.
Der gemeinsame Nenner ist nicht ein bestimmter Anbieter oder ein einzelnes Modell. Es ist die Kombination aus einem klar definierten betrieblichen Problem, einem vorhandenen Datenstrom und einer Kennzahl, die für das Management bereits von Bedeutung ist: Ausbeute, Fehlerquote, Stückkosten, Effizienz, Output oder Emissionen.
Die Investorenperspektive: Wo kann sich der Wert vervielfachen?
Eine hilfreiche Methode zur Markteinschätzung besteht darin, vier Fragen zu stellen.
Verbessert die Technologie eine messbare Betriebskennzahl? Ein glaubwürdiger Anwendungsfall sollte einen direkten Bezug zu Ertrag, Durchsatz, Ausfallzeiten, Qualität, Arbeitsproduktivität, Energieintensität oder einer anderen wirtschaftlich relevanten Kennzahl aufweisen.
Ist das System mit der bestehenden Infrastruktur kompatibel? Lösungen, die vorhandene Kameras, Maschinen oder Unternehmenssysteme optimieren, stossen bei der Einführung oft auf weniger Widerstand als solche, die einen kompletten Austausch der Infrastruktur erfordern.
Wird das Produkt fest in den Arbeitsablauf integriert? Der reine Datenzugriff ist oft leicht ersetzbar. Ein System hingegen, das Teil der Inspektion, Planung, Wartung oder Produktionssteuerung wird, schafft eine tiefere betriebliche Abhängigkeit – auch wenn dies höhere Anforderungen an die Integration stellt.
Lässt sich das Konzept auf weitere Standorte skalieren? Die besten wirtschaftlichen Ergebnisse erzielt man meist dann, wenn ein validierter Anwendungsfall von einem Werk auf ein grösseres Netzwerk übertragen wird. Diese Replikation geschieht jedoch nicht automatisch: Produktmix, Anlagenalter, Arbeitspraktiken und Datenqualität variieren von Standort zu Standort. Dennoch kann eine wiederholbare Implementierungsmethode aus einem erfolgreichen Pilotprojekt die Basis für umfassendere Produktivitätssteigerungen schaffen.
Genau deshalb ist die Marktübersicht so wichtig. Sichtprüfung, Prozessoptimierung, prädiktive Anlagenanalytik, Robotik und Dateninfrastruktur in der Fertigung stehen jeweils für unterschiedliche Kombinationen aus wiederkehrenden Softwareeinnahmen, Hardware-Abhängigkeiten, Implementierungsaufwand und Wechselkosten für Kunden. Sie sollten nicht so analysiert werden, als wären sie austauschbare „KI-Unternehmen“.
Was könnte die Einführung verlangsamen?
Die Chance ist gross, aber der Weg dorthin ist nicht frei von Hindernissen. Daten können über verschiedene Maschinen und Werke hinweg fragmentiert sein. Ein Modell, das in einer Umgebung zuverlässig funktioniert, kann bei veränderten Lichtverhältnissen, Materialien oder Produktspezifikationen an Leistung verlieren. Bediener misstrauen möglicherweise Empfehlungen, die nicht nachvollziehbar sind. Cybersicherheit und Dateneigentum können zu erheblichen Barrieren werden, insbesondere wenn Produktionssysteme standortübergreifend vernetzt sind.
Zudem besteht ein Messrisiko. Eine angegebene prozentuale Verbesserung bezieht sich oft auf eine spezifische Ausgangslage, einen bestimmten Zeitraum oder nur einen Teilbereich einer umfassenderen Transformation. Sie sollte nicht als universell erwartete Rendite verallgemeinert werden. Investoren müssen zwischen einer Kundenfallstudie, einem kontrollierten Pilotprojekt, einem tatsächlich realisierten finanziellen Nutzen und einem skalierbaren Geschäftsmodell unterscheiden.
Fazit: Die Fabrik ist ein Test für die Umsetzung, nicht nur für die Erfindung
Die Fertigung ist möglicherweise einer der besten Bereiche, um zu beobachten, ob KI nachhaltige Produktivität schafft. Die Daten sind nah am Prozess, die Feedbackzyklen sind kurz und die wirtschaftlichen Auswirkungen lassen sich in Einheiten, Stunden, Fehlerraten, Energieverbrauch und Kosten messen.
Das macht jedoch nicht jedes industrielle KI-Angebot zu einer lohnenden Investition. Es macht den Bereich jedoch aussergewöhnlich gut geeignet, um allgemeine Technologie-Narrative von operativen Belegen zu unterscheiden. Die Gewinner werden sich wahrscheinlich weniger durch die Neuartigkeit eines Algorithmus auszeichnen, sondern durch die Fähigkeit, sich in reale Fabriken zu integrieren, das Vertrauen der Bediener zu gewinnen, eine relevante Kennzahl zu verbessern und das Ergebnis netzwerkweit zu skalieren.
Für Investoren, die sich mit Produktivitätsführern befassen, ist die entscheidende Frage daher einfach: Welche Unternehmen verwandeln Fabrikdaten in einen schnelleren, zuverlässigeren und anpassungsfähigeren Betriebsablauf?
