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.
Das 1,4-Billionen-Dollar-Problem, das hinter den Kulissen verborgen liegt
Dieser Artikel ist der dritte Teil der zwölfteiligen Serie von Averdas darüber, wo Unternehmen Produktivitätsgewinne erzielen können. Er zeigt die operativen Bereiche auf, in denen künstliche Intelligenz branchenübergreifend messbare Effizienzsteigerungen liefert.
Lesen Sie den Überblick zur Serie: Wo Unternehmen Produktivitätsgewinne erzielen können
Jede rotierende Industrieanlage sendet ein Warnsignal aus, bevor sie ausfällt. Ein Lager, das kurz vor dem Festfressen steht, vibriert bereits Wochen zuvor anders. Ein Motor, der kurz vor dem Durchbrennen steht, zieht anders Strom. Eine Pumpe, bei der Kavitation auftritt, klingt schon lange, bevor sie den Pumpvorgang einstellt, anders. Während des grössten Teils der Industriegeschichte blieb diese Warnung ungehört – niemand führte kontinuierliche Messungen durch, und niemand verfügte über die Fähigkeit zur Mustererkennung, um eine langsame Abweichung zu bemerken, die in den verrauschten Sensordaten verborgen war.
Diese Kombination – katastrophale Ausfallkosten, ein deutliches physikalisches Signal, das dem Ausfall vorausgeht, und bis vor ein paar Tagen das Fehlen einer praktikablen Möglichkeit, darauf zu achten – macht die vorausschauende Instandhaltung zu einem der am umfassendsten dokumentierten Beispiele für die Rentabilität industrieller KI‑Anwendungen. Für Investoren, die verfolgen, wie sich Produktivitätssteigerungen in Unternehmensgewinnen niederschlagen, bieten nur wenige Bereiche so viele nachprüfbare, konkret benannte Belege.
Warum die Zahlen wichtig sind
Das Ausmass des zugrunde liegenden Problems macht die Lösung so wertvoll. Die Siemens-Studie «True Cost of Downtime 2024» beziffert die Kosten für ungeplante Ausfallzeiten bei den weltweit grössten Herstellern auf rund 1,4 Billionen US‑Dollar pro Jahr – etwa 11 Prozent ihres Jahresumsatzes, ein Anstieg gegenüber 8 Prozent in den Jahren 2019–2020.
Vor diesem Hintergrund sind die dokumentierten Gewinne konkret underheblich:
- Der IBM‑Plattform «Maximo» wird eine Reduzierung der Ausfälle um bis zu 70 Prozent und der Ausfallzeiten um 50 Prozent im grossen Massstab zugeschrieben.
- Die digitalen Zwillinge für Triebwerke von GE Aerospace signalisieren den Bedarf an vorbeugender Wartung nun 60 Prozent früher als noch vor einem Jahrzehnt, während sich die Zahl der Fehlalarme im gleichen Zeitraum halbiert hat.
- Das Werk von Unilever in Indaiatuba, Brasilien, senkte die Wartungskosten um 45 Prozent, nachdem KI auf mehr als 50 000 IoT‑Sensoren eingesetzt wurde, und amortisierte seine Investition in weniger als sieben Monaten.
Ein vergleichsweise überschaubares Problem des maschinellen Lernens
Was die vorausschauende Instandhaltung von vielen anderen KI‑Anwendungen unterscheidet, ist die Natur des zugrunde liegenden Problems. Die Vorhersage, dass ein Lager ausfallen wird, basiert auf bekannten physikalischen Gesetzen und nicht auf der Ableitung menschlichen Verhaltens – im Gegensatz beispielsweise zur Vorhersage, welche Marketingkampagne einen Kunden zum Kauf bewegen wird. Das macht sie zu einem vergleichsweise überschaubaren Problem des maschinellen Lernens, bei dem eine korrekte Vorhersage mit einem ungewöhnlich starken und unmittelbaren finanziellen Signal verbunden ist.
Dies ist wahrscheinlich der Grund, warum die vorausschauende Instandhaltung über unabhängige Quellen hinweg – McKinsey, Deloitte, Siemens, das Lighthouse-Network des Weltwirtschaftsforums und namentlich genannte Unternehmensfallstudien – eine konsistente Übereinstimmung aufweist als fast jeder andere KI-Anwendungsfall in der Industrie.
Die traditionelle Alternative, ein fester Wartungskalender, ist ein stumpfes Instrument. Entweder werden Anlagen häufiger als nötig gewartet, was Arbeitsaufwand und Ersatzteile verschwendet, oder nicht oft genug, was das Risiko eines ungeplanten Ausfalls birgt, der weitaus mehr kostet als die Wartung, die ihn eigentlich verhindern sollte. Ein KI-System, das den Zustand kontinuierlich überwacht, ersetzt dieses Rätselraten durch eine Antwort, die auf dem tatsächlichen, aktuellen Zustand der Anlage basiert – ein Wechsel von kalendargesteuerten zu zustandsgesteuerten Abläufen.
Der Technologie-Stack, Schicht für Schicht
Vibrationssensoren und Warnmeldungen auf Basis von maschinellem Lernen stehen meist im Mittelpunkt der Aufmerksamkeit, doch der Produktivitätsgewinnin diesem Bereich wird durch einen mehrschichtigen Stack erzielt. DasVerständnis dieser Schichten ist wichtig für jeden, der beurteilen möchte, welche Unternehmen über wirklich wettbewerbsfähige Technologie verfügen und nicht nur eine dünne Software-Schicht über der Hardware eines anderenAnbieters.
Der Maschine zuhören – IoT-Sensornetzwerke. Drahtlose Schwingungs-, Temperatur-, Akustik- und Magnetflusssensoren, die direkt an rotierenden und stationären Anlagen – Motoren, Pumpen, Kompressoren, Getrieben – angebracht sind, übertragen kontinuierlich Zustandsdaten, anstatt dass ein Techniker nach einem festen Zeitplan mit einem Handgerät vor Ort erscheinen muss. Dies ist die physische Ebene, auf der alles andere aufbaut.
Den Ausfall hören, bevor er eintritt – Anomalieerkennung und Modelle zur verbleibenden Nutzungsdauer. Modelle des maschinellen Lernens, die anhand von Bibliotheken bekannter Ausfallmodi trainiert wurden, lernen, wie das Signal einer intakten Maschine aussieht, und melden den Moment, in dem eine bestimmte Anlage davon abweicht – oft schon Wochen, bevor ein Mensch etwas Ungewöhnliches bemerken würde.
Dem Techniker sagen, was zu tun ist – präskriptive Diagnostik. KI‑Systeme, die über die Erkennung hinausgehen und konkrete Korrekturmassnahmen empfehlen – dieses Lager austauschen, diese Welle neu ausrichten, diesen Rotor neu auswuchten –, schliessen den Kreis von einem abstrakten Anomaliewert zu einem konkreten, planbaren Arbeitsauftrag.
Die gesamte verbleibende Lebensdauer der Anlage simulieren – digitale Zwillinge. Physikbasierte virtuelle Nachbildungen hochwertiger Anlagen – einer Turbine, einer Kompressorkette, einer Offshore-Plattform – simulieren Verschleiss und Alterung in die Zukunft hinein und ermöglichen es Ingenieuren, die Instandhaltung über die gesamte verbleibende Lebensdauer einer Anlage hinweg zu optimieren, anstatt nur auf eine einzelne Schwellenwertüberschreitung zu reagieren.
Die Bündelung von Sensorik und Software in einem Produkt – integrierte Hardware- und KI‑Plattformen. Eine neuere Kategorie von Anbietern liefert proprietäre Sensoren zusammen mit den KI-Modellen und der Instandhaltungsmanagement-Software in einem einzigen Paket aus, wodurch sich der Integrationsaufwand für eine Anlage im Vergleich zur Zusammenführung von Sensoren, einer Datenplattform und einer Analyseebene von drei verschiedenen Anbietern verringert.
Drei Unternehmen, die diesen Bereich bereits nutzen
IBM setzt seine Asset-Management-Plattform „Maximo“, kombiniert mit IoT-Sensordaten, sowohl intern als auch bei grossen Industriekunden aus den Bereichen Fertigung, Versorgungswirtschaft und Transport ein. IBM hat Einsatzbeispiele dokumentiert, bei denen durch kombinierte KI- undIoT-Implementierungen eine Reduzierung der Ausfallzeiten um bis zu 50 Prozent und der Ausfälle um 70 Prozent erreicht wurde. Dies verdeutlicht, wie ein etablierter Anbieter von Unternehmenssoftware die vorausschauende Instandhaltung als zentrale, umsatzgenerierende Funktion integriert hat.
GE Aerospace setzt KI-gesteuerte Digital-Twin-Technologie für seine gesamte Düsentriebwerksflotte ein und unterhält dabei eine kontinuierlich aktualisiertevirtuelle Nachbildung des Zustands jedes einzelnen Triebwerks. In den letztenzehn Jahren hat dies zu einer um 60 Prozent früheren Vorlaufzeit bei vorbeugenden Wartungsmassnahmen geführt und gleichzeitig die Rate der Fehlalarme halbiert – bemerkenswert, da hier beide Seiten des üblichen Kompromisses bei der vorausschauenden Instandhaltung gleichzeitig verbessert wurden.
Unilever setzte KI-gesteuerte vorausschauende Instandhaltung mit mehr als 50 000 IoT‑Sensoren in seinem Werk in Indaiatuba, Brasilien, ein. Das Ergebnis: jährliche Einsparungen in Höhe von 2,3 Millionen US-Dollar und eine Senkung der Instandhaltungskosten um 45 Prozent, wobei sich die Investition von 1,2 Millionen US‑Dollar in weniger als sieben Monaten amortisiert hat.
Eine konsolidierende Start-up-Landschaft
Dies ist einer der stärker konsolidierten Bereiche im Umfeld der Produktivitätssteigerungen. Zwei in der zugrunde liegenden Studie vorgestellte Unternehmen sind nicht mehr unabhängig: Siemens hat das britische Unternehmen Senseye im Jahr 2022 übernommen, und Bosch wird Uptake im Jahr 2026 übernehmen– ein Muster, bei dem grosse etablierte Industrieunternehmen eher kaufen als selbst aufbauen.
Die verbleibenden unabhängigen Unternehmen sind bemerkenswert gut kapitalisiert. Augury hat 369 Millionen US-Dollar eingeworben und durch seine Serie-F-Finanzierungsrunde im Februar 2025 eine Bewertung von über 1 Milliarde US‑Dollar aufrechterhalten. Tractian hat in einer Finanzierungsrunde im Dezember 2024 120 Millionen US-Dollar bei einer Bewertung von 720 Millionen US‑Dollar eingeworben; zu den Kunden zählen Bosch, Kraft Heinz, Carrier und Hyundai. Sparkognition wird mit einer Bewertung von 1,4 Milliarden US‑Dollar angegeben. Im Gegensatz zu einigen KI-Start-ups, die Standardhardware mit Software ausstatten, kombinieren mehrere dieser Unternehmen eigene Sensoren mit ihren Algorithmen, was die Kapitalanforderungen für den Wettbewerb erhöht und es schwieriger macht, einen etablierten Marktführer zu verdrängen.
Was dies für produktivitätsorientierte Investoren bedeutet
Die vorausschauende Instandhaltung ist ein anschauliches Beispiel für das, was Averdas als «Prozessproduktivität» bezeichnet – also die Effizienz, mit der operative Arbeitsabläufe und Verfahren Inputs in wirtschaftlichen Output umwandeln – sowie für «Resilienzproduktivität», die Fähigkeit, die Leistung auch bei sich ändernden Bedingungen, einschliesslich ungeplanter Anlagenausfälle, aufrechtzuerhalten. Unternehmen, die von einer kalendergesteuerten zu einer zustandsgesteuerten Instandhaltung übergegangen sind, demonstrieren genau die Art von strukturellen Effizienzgewinnen, die das Produktivitäts-Framework von Averdas unternehmensübergreifend identifizieren und messen möchte.
Wie bei den anderen elf Bereichen dieser Reihe lautet die Erkenntnis nicht, dass eine einzelne Technologie für sich genommen den Gewinn bringt, sondern dass eine vielschichtige Kombination aus Erfassung, Erkennung, Empfehlung und Simulation – die sowohl von etablierten Unternehmen als auch von finanzstarken unabhängigen Akteuren zunehmend konsolidiert wird – zu einem dauerhaften Motor der Unternehmensproduktivität wird.
