KI News

Quelle: novoai.de

MASCHINEN DIGITALISIEREN: DER ENTSCHEIDENDE SCHRITT ZUR SMART FACTORY
MASCHINEN DIGITALISIEREN: ALTE MASCHINEN NUTZEN
Können Sie eine zwei Jahrzehnte alte Presse in eine verlässliche Datenquelle
verwandeln, die stündlich Produktionsentscheidungen informiert? Maschinen
digitalisieren ist kein abstraktes IT‑Projekt – es ist eine betriebliche
Strategie für den deutschen Mittelstand mit klar messbaren Ergebnissen. Wenn
eine Minute Stillstand mehrere hundert Euro kostet, erlaubt das Extrahieren von
Produktions‑ und Energiedaten aus Altmaschinen, Ursachen zu sehen, zu
quantifizieren und gezielt zu beheben.
Dieser Beitrag erklärt konkrete Schritte, realistische Kosten und Beispiele für
das Retrofit alter Maschinen sowie die messbaren KPIs, die Sie erwarten können.
Moderne Lösungen wie Novo AI's WatchMen‑Plattform kombinieren nicht‑invasive
AVA‑Sensor‑Module mit Edge‑Analytics, um Vibration, Strom und Zyklen zu
erfassen, während sensible Daten lokal bleiben.
DER TATSÄCHLICHE EFFEKT
Das Nachrüsten älterer Anlagen liefert schnelle, greifbare Ergebnisse, weil es
Informations Blindzonen beseitigt. Unternehmen, die Maschinen digitalisieren,
schaffen dadurch erstmals eine durchgängige Datensicht auf Zustand, Leistung und
Energieverbrauch ihrer Anlagen. Viele Retrofit Projekte melden OEE Zuwächse
zwischen 10 und 30 Prozentpunkten; interne Erfahrungswerte zeigen Sprünge von
etwa 30 % auf 60 %, wenn Überwachung und einfache Analytik auf heterogenen
Linien eingesetzt werden. Diese Verbesserungen entstehen durch weniger
ungeplante Stops, schnellere Rüstzeiten und datengetriebene Planung.
Warum funktioniert das? Alte Linien sind oft intransparent: Bediener beheben
Störungen, aber es existiert kein standardisiertes Ereignisprotokoll.
Zyklus‑Zeitstempel, Stromzangen und Vibrationssensoren verwandeln Anekdoten in
Daten. Binnen weniger Wochen lassen sich Muster erkennen: wiederkehrende
Leerlaufzeiten nach bestimmten Schichten, Werkzeugverschleiß bei festen
Zykluszahlen oder Anlauf‑Energiehochs, die Stromkosten treiben.
Branchendaten untermauern dieses Ergebnis. Das Mittelstand‑Digital‑Zentrum und
zahlreiche Fachberichte beschreiben Retrofit‑Ansätze als Schlüssel zur schnellen
Digitalisierungssteigerung. Studien schätzen, dass vorausschauende
Instandhaltung ungeplanten Stillstand um bis zu 45 % reduzieren kann, was direkt
die Verfügbarkeitskomponente der Gesamtanlageneffektivität (OEE) erhöht.
Kostenseitig ist Retrofit für viele KMU die risikoärmste Variante: Es ersetzt
nicht die Maschine komplett, hält CAPEX moderat und verkürzt die Time‑to‑Value.
Typische Hardware‑Stacks reichen von wenigen Hundert Euro für einfache Kits bis
zu einigen Tausend Euro für analytics‑fähige Nachrüstungen. Häufige
Amortisationszeiten liegen bei 6–18 Monaten; bei relevanten OEE‑Steigerungen ist
die Amortisation oft bereits innerhalb von 12 Monaten erreicht.
DER TATSÄCHLICHE EFFEKT 1: SICHTBARKEIT: MASCHINEN DIGITALISIEREN
Sichtbarkeit ist die erste Rendite, wenn Unternehmen Maschinen digitalisieren.
Unternehmen, die Maschinen digitalisieren, verwandeln isolierte Anlagenzustände
in kontinuierliche Datenströme, die systematische Analysen und Verbesserungen
ermöglichen. Zeitgestempelte Ereignisse ermöglichen die Berechnung von MTBF und
MTTR und schaffen eine verlässliche Grundlage für realistische Zielvorgaben in
Produktion und Instandhaltung. Statt eines vagen „Die Maschine bleibt manchmal
stehen“ entstehen belastbare Kennzahlen: Anzahl der Stillstände pro Schicht,
durchschnittliche Dauer einzelner Stopps und Energieverbrauch pro produziertem
Teil. Diese Transparenz hilft Teams, wiederkehrende Muster zu erkennen, Ursachen
schneller zu analysieren und gezielte Verbesserungen umzusetzen.
DER TATSÄCHLICHE EFFEKT 2: ENERGIEOPTIMIERUNG
Maschinen-genaue Energieüberwachung zeigt häufig Einsparpotenziale von 5–12 %,
insbesondere durch die Reduktion von Leerlaufverbrauch und effizientere
Aufheizzyklen. Wenn Unternehmen Maschinen digitalisieren, können sie
Energieprofile einzelner Anlagen systematisch analysieren und Energieverluste
gezielt reduzieren. Wenn Unternehmen Maschinen digitalisieren und den
Energieverbrauch kontinuierlich erfassen, erkennen sie schnell ineffiziente
Betriebszustände, die im Alltag oft unbemerkt bleiben. Bei energieintensiven
Prozessen skaliert diese Reduktion deutlich. Beispiel: Eine kleine Presse, die
während des Aufheizens 8 % mehr Energie verbraucht, verursacht mehrere tausend
Euro Zusatzkosten pro Jahr. Durch sequenziertes Hochfahren oder
leistungsgesteuerte Relais lassen sich solche Energieverluste unmittelbar
reduzieren und langfristig stabilere Energiekosten erreichen.
DER TATSÄCHLICHE EFFEKT 3: ENGPASSBESEITIGUNG: MASCHINEN DIGITALISIEREN
Daten machen Engpässe sichtbar und ermöglichen fundierte Entscheidungen. Wenn
Unternehmen Maschinen digitalisieren, entsteht erstmals eine durchgängige
Datensicht auf Durchsatz, Wartezeiten und Prozessabhängigkeiten entlang der
gesamten Linie. Wenn eine Drehmaschine beispielsweise 30 % des Tages
nachfolgende Arbeitsschritte blockiert, wird klar, wo die tatsächlichen
Leistungsgrenzen der Linie liegen. Durch das Digitalisieren von Maschinen lassen
sich Durchsatz, Wartezeiten und Prozessabfolgen präzise analysieren. Dadurch
entstehen konkrete Optionen: Produktionsabläufe umplanen, eine Paralleleinheit
ergänzen oder Werkzeugwechsel optimieren. Solche Maßnahmen sind gezielt und
risikoarm, weil der erwartete Nutzen bereits vor einer CAPEX-Entscheidung anhand
realer Produktionsdaten messbar ist.
3 PRAKTISCHE SCHRITTE
Starten Sie klein, messen Sie schnell und skalieren Sie intelligent. Wenn
Unternehmen Maschinen digitalisieren, beginnen erfolgreiche Projekte meist mit
wenigen Pilotanlagen und klar definierten Messgrößen. Schritt 1: Wählen Sie 2
bis 4 Pilotmaschinen, die Bediener gut kennen und die den Shopfloor
repräsentieren. Schritt 2: Instrumentieren Sie für Zykluszeit, Strom und
Vibration und sammeln Sie eine Basislinie über 30 bis 90 Tage. Schritt 3:
Priorisieren Sie Quick Wins, Rüstzeiten verkürzen, häufige kleine Stops beheben
und Energieverluste angehen.
Definieren Sie von Tag eins klare KPIs: Gesamtanlageneffektivität OEE, MTTR,
Ausschussquote und Energie pro Teil. Nutzen Sie monatliche Reviews, um
Ergebnisse zu vergleichen und Maßnahmen anzupassen. Das schafft Dynamik und
fördert die Akzeptanz, weil Teams sichtbare Verbesserungen sehen.
KOSTEN UND AMORTISATION
Ein typisches Retrofit Kit besteht aus Stromzangen, Beschleunigungsaufnehmern,
einem Gateway und einer lokalen Analytikkomponente. Diese Hardware erfasst
zentrale Maschinensignale wie Energieverbrauch, Vibration und Betriebszustände
und macht sie für Produktionsanalysen nutzbar. Unternehmen, die Maschinen
digitalisieren, können solche Retrofit Komponenten ohne tiefgreifende Eingriffe
in bestehende Steuerungen installieren. Je nach Komplexität beginnen die Kosten
pro Maschine im niedrigen dreistelligen Bereich und reichen bis in den niedrigen
vierstelligen Bereich.
Wenn Retrofit dazu beiträgt, Ausschuss zu reduzieren und ungeplante Stillstände
zu vermeiden, erreichen viele KMU die Amortisation innerhalb von zwölf Monaten.
Die wirtschaftlichen Effekte entstehen meist durch mehrere Faktoren
gleichzeitig: weniger Überstunden durch stabilere Produktion, geringere
Wartungskosten durch frühzeitige Fehlererkennung und niedrigere Energiekosten
durch optimierte Maschinenzustände. In vielen Fällen finanziert bereits eine
kleine Verbesserung der OEE den größten Teil der Investition.
INTEGRATIONSHINWEISE
Die Anbindung an ERP und MES ist eine häufige Hürde. Wenn Unternehmen Maschinen
digitalisieren, müssen Integrationskonzepte von Beginn an offene Schnittstellen
und standardisierte Protokolle berücksichtigen. Setzen Sie auf Lösungen mit
Standardprotokollen OPC UA und MQTT und Middleware für legacy PLCs. Edge first
Architekturen minimieren Netzwerkauslastung, verarbeiten Daten lokal und senden
nur aggregierte KPIs an Unternehmenssysteme. Das respektiert die
Datensouveränität, die im deutschen Mittelstand hoch geschätzt wird. Moderne
Plattformen, darunter WatchMen, sind für diese Szenarien ausgelegt.
HÄUFIGE EINWÄNDE
"Unsere Maschinen sind zu alt" gehört zu den häufigsten Einwänden gegen
Digitalisierungsprojekte in der Fertigung. In der Praxis erweisen sich jedoch
viele Altanlagen als besser integrierbar als erwartet. Gerade bei
Bestandsanlagen zeigt sich, dass Unternehmen Maschinen digitalisieren können,
ohne bestehende Steuerungen grundlegend zu verändern. Selbst ältere Steuerungen
liefern häufig diskrete Signale, die sich für Zustandsanalysen nutzen lassen.
Zusätzlich ermöglichen nicht invasive Sensoren die Erfassung von Strom,
Vibration oder Zyklusmustern, ohne Änderungen am PLC Code vorzunehmen oder in
die Maschinensteuerung einzugreifen.
Auch Budgetbedenken lassen sich meist relativieren. Eine gestaffelte Einführung
reduziert das Risiko, da zunächst nur wenige Pilotmaschinen instrumentiert
werden. Die Einsparungen und Produktivitätsgewinne aus dieser ersten Phase
können anschließend die nächste Ausbaustufe finanzieren. Ebenso wichtig ist der
kulturelle Aspekt: Veränderungen werden besser akzeptiert, wenn Bediener und
Instandhaltung früh eingebunden werden. Einfache visuelle KPIs und transparente
Verbesserungen helfen Teams zu erkennen, dass Datentransparenz ihre tägliche
Arbeit erleichtert und nicht nur zusätzliche Kontrolle bedeutet.
PRAXISBEISPIEL: BLECHBEARBEITUNG
Ein deutscher Blechfertiger hatte hohe Ausschusskosten bei einer Produktfamilie.
Das Beispiel zeigt, wie Unternehmen Maschinen digitalisieren können, um
versteckte Qualitätsprobleme datenbasiert zu identifizieren. Das Nachrüsten von
drei Stanzpressen mit Vibrations und Stromsensoren offenbarte ein
verschleißbedingtes Muster, das an eine bestimmte Schicht gekoppelt war. Durch
Anpassung der Schnittgeschwindigkeit und eine kurze tägliche Werkzeugprüfung
sank der Ausschuss um 40 %, das entspricht rund 35.000 € jährlich für diese
Produktfamilie. Diese konkrete Einsparung finanzierte die weitere Ausrollung und
lieferte eine klare Geschäftsbegründung für die Skalierung.
SKALIERUNG UND GOVERNANCE
Nach einem erfolgreichen Pilotprojekt sollte die Einführung schrittweise und
kontrolliert auf weitere Maschinen oder Produktionslinien ausgeweitet werden.
Wenn Unternehmen Maschinen digitalisieren, ermöglicht ein strukturierter Rollout
die Skalierung von Datenanalysen und Verbesserungsmaßnahmen über den gesamten
Maschinenpark hinweg. Ein strukturierter Rollout in mehreren Wellen reduziert
Risiken und ermöglicht es Teams, aus jeder Phase zu lernen. Sensortemplates
helfen dabei, Konfigurationen über ähnliche Maschinentypen hinweg zu
standardisieren. Dadurch sinkt der Installationsaufwand vor Ort und neue Anlagen
können schneller integriert werden.
Ebenso wichtig ist eine klare Governance Struktur. Unternehmen sollten
festlegen, wer für Alarme verantwortlich ist, wie Ursachenanalysen durchgeführt
werden und wie Prozessänderungen dokumentiert werden. Ein zentrales Change
Control Log stellt sicher, dass Anpassungen nachvollziehbar bleiben und nicht zu
neuen Störungen führen. Monatliche KPI Reviews sollten zudem fest in die
operative Planung und die Instandhaltungsstrategie integriert werden, damit
Daten nicht nur gesammelt, sondern aktiv für kontinuierliche Verbesserungen
genutzt werden.
SICHERHEIT UND DATENSCHUTZ
Sicherheit und Datenschutz sind zentrale Anforderungen bei der Digitalisierung
von Produktionsanlagen. Unternehmen, die Maschinen digitalisieren, müssen
deshalb Architekturen wählen, die Datensouveränität und industrielle Sicherheit
gewährleisten. Lokale Edge Analytik hilft dabei, geistiges Eigentum zu schützen,
weil Rohsignale und detaillierte Maschinendaten direkt im Unternehmen
verarbeitet und gespeichert werden. Dadurch verlassen sensible
Produktionsinformationen nicht unnötig das Werk, was besonders für
exportorientierte Mittelstandsunternehmen wichtig ist.
Nur aggregierte Kennzahlen oder ausgewählte KPIs werden bei Bedarf an Cloud
Systeme übertragen, beispielsweise für standortübergreifende Analysen oder
Management Dashboards. Dieser hybride Ansatz verbindet Datensouveränität mit
moderner Analysefähigkeit. Gleichzeitig reduziert er Netzwerklast, minimiert
Cyberrisiken und entspricht Best Practices, die in aktuellen deutschen Industrie
und Digitalisierungsberichten empfohlen werden.
PRAKTISCHER FAHRPLAN
Monat 0–60: Pilotmaschinen auswählen, Sensorplatzierung planen und KPIs
definieren. In dieser Phase beginnen viele Unternehmen, Maschinen zu
digitalisieren, um erste verlässliche Produktionsdaten zu gewinnen. Monat 2–3:
Baseline Daten sammeln und Quick Fixes umsetzen. Monat 4–6: Templates auf
ähnliche Assets anwenden und ERP MES Integration für roll up KPIs starten. Monat
6–12: Vollständiges Shopfloor Rollout und kontinuierliche Optimierungszyklen mit
Fokus auf Energie und Qualität.
CHECKLISTE FÜR DEN ERFOLG
* Repräsentative Pilotmaschinen auswählen
* KPIs und Governance im Vorfeld definieren
* Maßnahmen nach klarem ROI priorisieren
* Templates für die Skalierung nutzen
* Rohdaten lokal halten; aggregierte KPIs teilen
DER WEG NACH VORN
Analoge Maschinen in Datenquellen zu verwandeln verlagert Entscheidungen von
Bauchgefühl zu Evidenz. Wenn Unternehmen Maschinen digitalisieren, entsteht eine
datenbasierte Grundlage für kontinuierliche Verbesserungen in Produktion,
Wartung und Energieeffizienz. Für viele Mittelständler sprechen die Zahlen für
Retrofit: geringere Investitionskosten, schnellere Amortisation und
schrittweises Lernen. Moderne Lösungen wie die WatchMen Plattform von Novo AI
unterstützen genau diese Anforderungen mit nicht invasiven AVA Sensoren, lokaler
Analytik und Templates, die den Rollout erleichtern.
Wenn Sie praktisch starten möchten: Wählen Sie einen Pilot mit hohem Hebel,
instrumentieren Sie für Zyklus, Energie und Vibration und messen Sie 30 bis 120
Tage. Nutzen Sie die Ergebnisse zur Priorisierung von Maßnahmen und skalieren
Sie mit Templates. Das Ergebnis sind messbare Verbesserungen bei OEE,
Energieverbrauch und Prozessstabilität.
REFERENZEN
1. – Leitfaden zur Nachrüstung alter Maschinen (Zugriff am: 16.04.2026)
2. – Praxisorientierte Empfehlungen für KMU (Zugriff am: 16.04.2026)
3. – Überblick und Herausforderungen (Zugriff am: 16.04.2026)
4. – Praxisbeispiele und Anbieterübersicht (Zugriff am: 16.04.2026)
5. - Fachbeiträge, Praxisbeispiele und Analysen zu Produktionsmonitoring,
Retrofit-Sensorik und Industrie 4.0 im Mittelstand (Zugriff am: 16.04.2026)
Dimitrij Lewin, Co-Founder von Novo AI, verbindet industrielle Praxis mit
KI-gestützter Retrofit-Technologie. Sein Fokus liegt darauf, bestehende
Maschinen in Echtzeit-Datenquellen zu verwandeln und Fertigungen transparenter,
effizienter und zukunftsfähiger zu machen.

Quelle: www.bigdata-insider.de

KOMMUNIKATION ARZTGESPRÄCH PER CHATBOT? CHANCEN, RISIKEN, NEBENWIRKUNGEN
23.06.2026 Quelle: dpa 4 min Lesedauer
Anbieter zum Thema
Ein Chatbot für das Behandlungsgespräch, KI-Agenten für Diagnose- und
Therapieentscheidungen: Der Einsatz künstlicher Intelligenz ist möglich, aber
nicht zwingend sinnvoll.
„Könnten Sie bitte beschreiben, wie lange Sie diesen Husten schon haben und ob
begleitende Symptome wie Fieber, Atemnot oder Brustschmerzen auftreten?“ Was wie
eine klassische Frage eines Arztes oder einer Ärztin klingt, hat in diesem Fall
eine künstliche Intelligenz () gestellt. KI kann schon länger etwa Tumore auf
Röntgenbildern erkennen. Doch inzwischen reicht die Entwicklung bis zum Gespräch
mit Patienten und Patientinnen.
Forschende vor allem des Universitätsklinikums Heidelberg und des Else Kröner
Fresenius Zentrums für Digitale Gesundheit an der TU Dresden sowie ein Team von
Google haben zwei unabhängige KI-Modelle fürs Patientenmanagement entwickelt,
die von der Diagnose bis zu Behandlungsempfehlungen reichen. Beide werden
aktuell im Fachjournal „Nature“ vorgestellt.
WAS IST DAS NEUE DARAN?
Viele KI-Entwicklungen im Gesundheitsbereich sind bisher auf spezielle Aufgaben
beschränkt. Die beiden Modelle MIRA (Medical Intelligence for Reasoning and
Action) der Forschenden aus Deutschland und AMIE (Articulate Medical
Intelligence Explorer) von Google gehen da deutlich weiter: Unter anderem
erfassen sie eigenständig per Chat die Krankheitsgeschichte, ordnen
diagnostische Tests wie mikrobiologische Untersuchungen an und erstellen
Behandlungspläne samt der Verschreibung konkreter Medikamente.
Dabei berücksichtigen sie zum Beispiel klinische Leitlinien, Fachliteratur und
Aspekte wie Wechselwirkungen bei Medikamenten. Statt vager Empfehlungen gab das
System von Google den Angaben nach äußerst detaillierte, umsetzbare Anweisungen.
In Tests erwiesen sich beide Modelle laut den Autorinnen und Autoren als teils
besser und präziser als menschliche Ärztinnen und Ärzte.
WAS SOLL DAS BRINGEN?
Das Google-Team verweist auf Probleme wie Personalmangel und fehlende
Kontinuität während einer Behandlung über mehrere Termine hinweg. Die Fachleute
aus Heidelberg und Dresden schreiben von „Copiloten“ für Ärzte, damit diese mehr
Zeit für die Patientenversorgung haben.
Mit Blick auf das breite Spektrum an Aufgaben im klinischen Management von
Patientinnen und Patienten heißt es bei „Nature“: „Wenn KI-Agenten solche
Aufgaben übernehmen und effektives klinisches Entscheidungsdenken leisten
könnten, wären sie in der Lage, Ärztinnen und Ärzte bei Routineaufgaben zu
unterstützen und möglicherweise Ärztemangel in einigen Regionen der Welt zu
lindern.“
SPRECHE ICH DANN SCHON BALD MIT DOKTOR KI?
Nein. Beide Gruppen schreiben, dass ihre Modelle noch nicht im echten Leben
angewendet werden könnten. Getestet haben sie ihre Anwendungen mit KI-Versionen
von Patienten, die aber auf realen Daten basierten. Diese Simulationen haben den
Angaben nach Tücken. Etwa antwortet und reagiert ein solch virtueller Patient
völlig anders als ein Mensch aus Fleisch und Blut, der mit akuten Beschwerden in
eine Klinik kommt. MIRA habe im Allgemeinen eine angemessene, evidenzbasierte
Behandlung vorgeschlagen, heißt es zwar. Die Empfehlungen seien aber nicht zu
100 Prozent zuverlässig gewesen.
WIE SCHÄTZEN FACHLEUTE DAS EIN?
„Die Ergebnisse belegen, welches Potenzial KI-Agenten für die Medizin besitzen“,
sagt Uwe Platzbecker, Medizinischer Vorstand des Uniklinikums Dresden. Für die
weitere Entwicklung gehe es um die Frage, „wie wir solche Innovationen sicher,
transparent und zum Nutzen der Patientinnen und Patienten in die klinische
Praxis integrieren können“.
Kerstin Denecke von der Berner Fachhochschule sieht als Hürden aktuell die
Datenrealität im Gesundheitswesen, Zulassungsverfahren, unklare
Verantwortlichkeiten und repräsentative Studien zu Risiken solcher Systeme. „Für
klinische Entscheidungen braucht es mehr als Folgsamkeit gegenüber Guidelines“,
erklärt die Expertin für patientenzentrierte digitale Gesundheit. Es brauche
Verständnis für die individuelle Situation der Betroffenen.
In der MIRA-Studie sieht Robert Ranisch, unter anderem Professor für
Medizinische Ethik an der Universität Potsdam, zwar einen „spannenden und
methodisch klug gemachten Beitrag“. Sie untersuche die Leistungsfähigkeit von
KI-Agenten aber eben unter Laborbedingungen. Hier stelle sich wie bei vielen
KI-Studien die Kardinalfrage: Funktioniert das auch im Klinikalltag? „Genau
daran scheitern bislang viele vielversprechende KI-Systeme“, erklärt er. Sie
stießen schnell an Grenzen, sobald beispielsweise reale Patienten und Behandler,
unvollständige Daten, unterschiedliche IT-Systeme ins Spiel kämen.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können  abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter  abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
Dass ein KI-Agent klinische Abläufe sowie Diagnose- und Therapieentscheidungen
strukturiert abbilden kann, heißt aus Sicht von Reinhard Busse, Leiter des
Fachgebiets Management im Gesundheitswesen an der TU Berlin, noch nicht, dass
dadurch im Alltag bessere Versorgung entsteht oder Kosten reduziert werden
können.
WELCHE ROLLE SPIELT KI IN DER KOMMUNIKATION MIT PATIENTEN?
Die Bundesärztekammer hat sich mit KI in der Medizin ausführlich befasst. In
einer Publikation heißt es zu Kommunikation, das Erstellen etwa von Diagnosen,
Therapien und Prognosen umfasse nicht nur technische Handlungen, sondern sei
auch mit Emotionen und Wertvorstellungen verbunden. „Diese sind Basis des
Vertrauensverhältnisses zwischen Ärzten und Patienten.“ Beim Einsatz
KI-basierter Assistenzsysteme müsse man prüfen, ob die zwischenmenschlichen und
emotionalen Aspekte unangemessen in den Hintergrund gedrängt werden – etwa wenn
menschliche Kommunikation durch technische Sprachassistenzsysteme wie
unterstützt oder gar ersetzt wird.
Bei all dem Zeitgewinn dank KI betont Eugen Brysch, Vorstand der Deutschen
Stiftung Patientenschutz, ebenfalls: „Dem ärztlichen Gespräch kommt für den
Patienten auch zukünftig eine unverzichtbare Rolle zu.“ Gerade für ältere
Menschen sei das von herausragender Bedeutung.
GIBT ES WEITERE BEDENKEN?
Bei dem Milliardenprojekt elektronische Patientenakte fehlt laut Brysch
weiterhin die Hinterlegung einer KI. „Die Filterung, Verknüpfung und Analyse der
Datenmengen wäre ein Durchbruch.“ Gleichzeitig warnt er vor einer zunehmenden
Abhängigkeit außereuropäischer Unternehmen: „Es kann nicht sein, dass die
Zukunftsfähigkeit der Analyse und Kommunikation in den Händen von
Tech-Milliardären und ihren politischen Verflechtungen liegt.“
(ID:50877923)

Quelle: www.bigdata-insider.de

CONTINUAL LEARNINGS WARUM KI-MODELLE AB TAG EINS VERALTEN UND WIE WAKELINE DAS
ÄNDERN WILL
23.06.2026 Von 4 min Lesedauer
Anbieter zum Thema
Produktive KI-Modelle veralten ab dem Tag ihres Deployments: Sie bleiben auf dem
Stand ihres letzten Trainings, bis ein Team sie aufwendig nachtrainiert. Das
Düsseldorfer Start-up Wakeline hält diesen Kompromiss für vermeidbar und hat
dafür 2,1 Millionen Euro Pre-Seed-Kapital eingesammelt. Hinter der Finanzierung
steht eine streitbare These über die Architektur von KI.
Geht ein -Modell in den produktiven Betrieb, beginnt es zu veralten. Die Welt,
auf die es trainiert wurde, verschiebt sich: Märkte bewegen sich,
Betriebsbedingungen ändern sich, Datenverteilungen driften. Das Modell merkt
davon nichts. Es bleibt auf dem Stand seines letzten Trainings, bis ein Team es
nachtrainiert, validiert und neu ausrollt. Bis dahin liegt es hinter der
Realität.
Dieser Zustand gilt als normal. Retraining-Zyklen, Drift-Monitoring und
regelmäßige Modell-Updates, der gesamte -Apparat existiert, um ein Modell zu
verwalten, das aus sich heraus nicht lernt. Das 2025 gegründete Start-up stellt
die Frage, ob dieser Kompromiss zwangsläufig ist. Lead-Investor der
Pre-Seed-Runde ist der Aachener TechVision Fonds, beteiligt ist Neoteq Ventures
aus Köln. Die Summe ist für diese Phase üblich und sagt wenig über die
technische Reife. Interessanter ist allerdings das Problem, an dem das Team
arbeitet.
DAS DILEMMA HINTER DEM KONTINUIERLICHEN LERNEN
Kontinuierliches Lernen ist keine neue Idee: Online Learning, inkrementelles
Lernen und adaptive Systeme sind seit Jahren Forschungsgegenstand. Dass
produktive Systeme trotzdem fast nie im Betrieb lernen, hat einen handfesten
Grund: „Catastrophic Forgetting“. Lernt ein fortlaufend neue Daten, überschreibt
es tendenziell das zuvor Gelernte. Es gewinnt Aktualität und verliert
Stabilität.
Dahinter steht das Stabilitäts-Plastizitäts-Dilemma. Ein System muss formbar
genug sein, um Neues aufzunehmen, und stabil genug, um Bewährtes zu behalten.
Etablierte Verfahren wie Elastic Weight Consolidation, Replay-Puffer oder
progressive Netzarchitekturen mildern den Effekt, lösen ihn aber nicht
grundlegend.
Ein anderer aktuell diskutierter Weg, , setzt auf Self-Distillation, bei der ein
Modell als sein eigener Lehrer auftritt und neues Wissen innerhalb seiner
bestehenden Parameter-Struktur verfeinert. Wakeline schlägt die entgegengesetzte
Richtung ein. Hinzu kommt das Validierungsproblem. Ein Modell, das sich
permanent verändert, lässt sich nicht einmal abnehmen und dann dauerhaft
vertrauen. Das wiegt besonders schwer in regulierten oder sicherheitskritischen
Umgebungen. Wie wenig isolierte Testergebnisse über reale Einsatzfähigkeit
aussagen, .
WAKELINES THESE: TRENNUNG STATT GETEILTER GEWICHTE
Wakelines Ausgangspunkt ist eine Diagnose des Problems. Catastrophic Forgetting
entstehe, weil in einem konventionellen neuronalen Netz alles Wissen im selben
Parameterraum liege. Jedes Update, das Neues kodiert, verschiebe zwangsläufig
auch die Parameter, die Altes kodieren. Neues und altes Wissen seien am Ort der
Speicherung verflochten. Das Unternehmen bezeichnet das nach eigener Darstellung
als architektonisches Problem, nicht als bloße Trainingsfrage.
Die vorgeschlagene Antwort beruht auf zwei Prinzipien. Erstens auf Separation.
Neue Information wird nicht sofort in den bestehenden Parameterraum
eingeschmolzen, sondern zunächst in einer getrennten Struktur gehalten, wo sie
bewertet, revidiert oder verworfen werden kann, ohne vorhandenes Wissen zu
beschädigen. Zweitens auf zeitlicher Tiefe. Wiederholt bestätigtes Wissen
verfestigt sich zu stabileren Repräsentationen, während Vorläufiges leicht
revidierbar bleibt. Aus diesem Grund verzichtet Wakeline nach eigenen Angaben
auf konventionelles . Erfahrung soll gerade nicht in geteilten Gewichten
abgelegt werden.
An diesem Punkt wird das Schlagwort vom biologisch inspirierten Ansatz konkret.
Wakeline beruft sich auf die Arbeitsteilung zwischen Hippocampus und Neocortex
im Gehirn: schnelles, episodisches Lernen in einer separaten Struktur, getrennt
vom integrierten Langzeitwissen, mit gradueller Konsolidierung über die Zeit.
Das Prinzip ist in den Neurowissenschaften als Complementary Learning Systems
bekannt und auch in der KI-Forschung nicht neu. Neu wäre allenfalls die konkrete
Umsetzung.
Und genau hier liegt die Grenze des Überprüfbaren. Wakeline begründet
ausführlich, warum eine solche Architektur nötig wäre und was sie ermöglichen
würde. Wie das Unternehmen Separation und zeitliche Tiefe konkret implementiert,
mit welchem Mechanismus und mit welcher Leistung gegenüber den etablierten
Verfahren, legt es bislang nicht offen. Es gibt keine veröffentlichten
Benchmarks und keine Forschungspublikation. Den Aufbau belastbarer Evidenz nennt
Wakeline selbst als laufende Aufgabe.
JETZT NEWSLETTER ABONNIEREN
TÄGLICH DIE WICHTIGSTEN INFOS ZU BIG DATA, ANALYTICS & AI
Geschäftliche E-Mail
Bitte geben Sie eine gültige E-Mailadresse ein.
Abonnieren
Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und
Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details)
einverstanden und akzeptiere die . Weitere Informationen finde ich in unserer .
Die Einwilligungserklärung bezieht sich u. a. auf die Zusendung von
redaktionellen Newslettern per E-Mail und auf den Datenabgleich zu
Marketingzwecken mit ausgewählten Werbepartnern (z. B. LinkedIn, Google, Meta).
Aufklappen für Details zu Ihrer Einwilligung
Stand: 08.12.2025
Es ist für uns eine Selbstverständlichkeit, dass wir verantwortungsvoll mit
Ihren personenbezogenen Daten umgehen. Sofern wir personenbezogene Daten von
Ihnen erheben, verarbeiten wir diese unter Beachtung der geltenden
Datenschutzvorschriften. Detaillierte Informationen finden Sie in unserer .
EINWILLIGUNG IN DIE VERWENDUNG VON DATEN ZU WERBEZWECKEN
Ich bin damit einverstanden, dass die Vogel IT-Medien GmbH,
Max-Josef-Metzger-Straße 21, 86157 Augsburg, einschließlich aller mit ihr im
Sinne der §§ 15 ff. AktG verbundenen Unternehmen (im weiteren: Vogel
Communications Group) meine E-Mail-Adresse für die Zusendung von Newslettern und
Werbung nutzt. Auflistungen der jeweils zugehörigen Unternehmen
können  abgerufen werden.
Der Newsletterinhalt erstreckt sich dabei auf Produkte und Dienstleistungen
aller zuvor genannten Unternehmen, darunter beispielsweise Fachzeitschriften und
Fachbücher, Veranstaltungen und Messen sowie veranstaltungsbezogene Produkte und
Dienstleistungen, Print- und Digital-Mediaangebote und Services wie weitere
(redaktionelle) Newsletter, Gewinnspiele, Lead-Kampagnen, Marktforschung im
Online- und Offline-Bereich, fachspezifische Webportale und E-Learning-Angebote.
Wenn auch meine persönliche Telefonnummer erhoben wurde, darf diese für die
Unterbreitung von Angeboten der vorgenannten Produkte und Dienstleistungen der
vorgenannten Unternehmen und Marktforschung genutzt werden.
Meine Einwilligung umfasst zudem die Verarbeitung meiner E-Mail-Adresse und
Telefonnummer für den Datenabgleich zu Marketingzwecken mit ausgewählten
Werbepartnern wie z.B. LinkedIN, Google und Meta. Hierfür darf die Vogel
Communications Group die genannten Daten gehasht an Werbepartner übermitteln,
die diese Daten dann nutzen, um feststellen zu können, ob ich ebenfalls Mitglied
auf den besagten Werbepartnerportalen bin. Die Vogel Communications Group nutzt
diese Funktion zu Zwecken des Retargeting (Upselling, Crossselling und
Kundenbindung), der Generierung von sog. Lookalike Audiences zur
Neukundengewinnung und als Ausschlussgrundlage für laufende Werbekampagnen.
Weitere Informationen kann ich dem Abschnitt „“ in der Datenschutzerklärung
entnehmen.
Falls ich im Internet auf Portalen der Vogel Communications Group einschließlich
deren mit ihr im Sinne der §§ 15 ff. AktG verbundenen Unternehmen geschützte
Inhalte abrufe, muss ich mich mit weiteren Daten für den Zugang zu diesen
Inhalten registrieren. Im Gegenzug für diesen gebührenlosen Zugang zu
redaktionellen Inhalten dürfen meine Daten im Sinne dieser Einwilligung für die
hier genannten Zwecke verwendet werden. Dies gilt nicht für den Datenabgleich zu
Marketingzwecken.
Recht auf Widerruf
Mir ist bewusst, dass ich diese Einwilligung jederzeit für die Zukunft
widerrufen kann. Durch meinen Widerruf wird die Rechtmäßigkeit der aufgrund
meiner Einwilligung bis zum Widerruf erfolgten Verarbeitung nicht berührt. Um
meinen Widerruf zu erklären, kann ich als eine Möglichkeit das unter  abrufbare
Kontaktformular nutzen. Sofern ich einzelne von mir abonnierte Newsletter nicht
mehr erhalten möchte, kann ich darüber hinaus auch den am Ende eines Newsletters
eingebundenen Abmeldelink anklicken. Weitere Informationen zu meinem
Widerrufsrecht und dessen Ausübung sowie zu den Folgen meines Widerrufs finde
ich in der .
DER ERSTE ANWENDUNGSFALL: STROMPREISPROGNOSEN
Am konkretesten wird das Konzept dort, wo das Team zuerst liefern will. Das
erste Produkt heißt Market Edge und liefert nach Herstellerangaben adaptive
24-Stunden-Prognosen für Day-Ahead-Strompreise (SDAC) in europäischen
Gebotszonen. Zielgruppe sind Betreiber von Batteriespeichern, Energiehändler und
Infrastrukturteilnehmer, die auf präzise Day-Ahead-Prognosen angewiesen sind, um
Einsatz und Erlöse zu optimieren.
Der Anwendungsfall passt zur These. Strommärkte sind volatil und
regimegetrieben, Preise und Einspeisung schwanken kurzfristig und stark. In
einer solchen Umgebung könnte ein Modell, das sich laufend anpasst, einem
periodisch nachtrainierten überlegen sein. Beweisen muss sich das an realer
Prognosegüte gegenüber etablierten Verfahren.
ANSPRUCH UND WIRKLICHKEIT
Wakeline arbeitet an einer der substanziellen offenen Fragen der KI-Entwicklung
und gehört zur selteneren Sorte Start-up, die die Architektur selbst angreift,
statt nur das Modell darauf zu optimieren. Die Diagnose des
Verflechtungsproblems ist sauber, die vorgeschlagene Lösung in sich schlüssig.
Bewiesen ist sie damit nicht.
Wakeline positioniert sich nicht als Spezialanbieter für Energieprognosen,
sondern als anderer Weg zur Künstlichen allgemeinen Intelligenz, als neue
Spezies von Intelligenz. Für ein Pre-Seed-Unternehmen mit 2,1 Millionen Euro ist
die Distanz zwischen diesem Anspruch und dem aktuellen Reifegrad beträchtlich.
Der überprüfbare Kern ist heute ein Energiemarkt-Produkt mit einer plausiblen,
aber unbelegten technischen These dahinter. Die kommenden Monate, in denen
Market Edge an einem realen Markt Prognosegüte zeigen muss, werden mehr aussagen
als jede Architektur-Beschreibung.
(ID:50878798)

Quelle: www.bigdata-insider.de

BOX-STUDIE ZUR KI-REIFE IM UNTERNEHMEN KI-AGENTEN BREIT IM EINSATZ, DIE
ABSICHERUNG HINKT NACH
23.06.2026 Von 3 min Lesedauer
Anbieter zum Thema
83 Prozent der für Box befragten Unternehmen setzen KI-Agenten ein, 80 Prozent
berichten einen messbaren Return-on-Investment. Doch fast die Hälfte hat bereits
einen KI-bezogenen Datenvorfall erlebt, und nur ein gutes Drittel hat seine
Agenten an vertrauenswürdige interne Inhalte angebunden.
83 Prozent der für den befragten Unternehmen setzen KI-Agenten ein, 19 Prozent
davon autonom und im größeren Maßstab. 80 Prozent berichten von einem messbaren
Return-on-Investment von mindestens zehn Prozent aus ihrer bisherigen KI-Arbeit.
Das Marktforschungsinstitut Harris Poll befragte für die Studie zwischen dem 30.
April und 8. Mai 2026 im Auftrag von Box 1.640 IT-Entscheider in den USA,
Großbritannien, Frankreich und Japan. Deutschland war nicht Teil der Stichprobe.
REIFEGRAD NACH SELBSTEINSCHÄTZUNG
Der Report ordnet die Befragten vier selbsteingestuften Reifegraden zu: early
stage, developing, advanced und leading edge. Der Anteil der Unternehmen, die
sich als „advanced“ oder „leading edge“ einordnen, liegt 2026 bei 64 Prozent.
Box vergleicht diesen Wert mit acht Prozent im Vorjahr, weist die
Vorjahresvergleiche in der Methodik allerdings ausdrücklich als „bestenfalls
richtungsweisend“ aus, da sich Stichprobe und Methodik gegenüber 2025 verändert
haben.
Eine deutsche Erhebung dämpft das Bild zusätzlich: , obwohl die große Mehrheit
vom Potenzial überzeugt ist.
Die Ergebnisse fallen je nach Reifegrad deutlich unterschiedlich aus. Während 50
Prozent der als leading edge eingestuften Unternehmen einen ROI von über 25
Prozent angeben, sind es bei den Early-stage-Unternehmen elf Prozent. Die am
stärksten nachgefragten neuen Rollen betreffen den Betrieb von Agenten:
KI-Agenten-Operatoren in der IT (44 Prozent), Sicherheits- und
Compliance-Fachleute (37 Prozent) sowie Operatoren in den Fachabteilungen (31
Prozent).
PERSONALBESTAND: BOX RECHNET MIT WACHSTUM
Beim erwarteten Personalbestand zeigt sich eine der größten Differenzen der
Studie: 79 Prozent der reifsten Unternehmen rechnen über die nächsten drei Jahre
mit steigender Mitarbeiterzahl, gegenüber 30 Prozent bei den am wenigsten weit
fortgeschrittenen. Über alle Befragten hinweg erwarten 58 Prozent steigende
Beschäftigtenzahlen; neun Prozent sehen KI-Agenten derzeit primär als Mittel zum
Stellenabbau.
Andere Erhebungen relativieren diesen Optimismus: , ohne dass dies mit einem
höheren ROI korreliert.
ZUGANG ZU INHALTEN ALS ZENTRALE HÜRDE
Als zentrale Hürde benennt die Studie den Zugang zu Unternehmensinhalten. 96
Prozent der Befragten halten es für wichtig, dass Agenten auf
unternehmensspezifische Inhalte zugreifen können, doch nur 36 Prozent haben ihre
Agenten bereits über viele Anwendungsfälle hinweg an vertrauenswürdige interne
Inhalte angebunden. Als größte Barrieren nennen die IT-Entscheider Sicherheits-
und Datenschutzbedenken (38 Prozent) sowie regulatorische Anforderungen (29
Prozent), gefolgt von operativen Problemen wie über Systeme verteilten Daten (25
Prozent) und Integrationsschwierigkeiten (24 Prozent). Diese Diskrepanz zwischen
erkanntem Nutzen und tatsächlicher Umsetzung deckt sich mit anderen Befunden,
die die Lücke zwischen dem Potenzial von KI-Agenten und ihrem realisierten
Mehrwert als „Return-on-Agent-Lücke“ beschreiben.
GOVERNANCE FORMALISIERT, UMSETZUNG LÜCKENHAFT
Beim Thema Governance verzeichnet die Studie eine schnelle Formalisierung bei
gleichzeitig nachhinkender Umsetzung. Der Anteil der Unternehmen mit etabliertem
oder fortgeschrittenem Governance-Rahmen stieg laut Box von 24 Prozent (2025)
auf 73 Prozent (2026). Zugleich verfügen nur 34 Prozent über formale Standards
dafür, wie Agenten auf Unternehmensdaten zugreifen, und nur 39 Prozent über
umfassende Sichtbarkeit über genehmigte und nicht genehmigte KI-Nutzung. 49
Prozent der Unternehmen berichten von mindestens einem KI-bezogenen
Datenvorfall, bei dem ein KI-Werkzeug Inhalte zugänglich machte, auf die ein
Nutzer nicht hätte zugreifen dürfen; 16 Prozent stufen diesen Vorfall als
gravierend ein. Auffällig ist, dass reifere Unternehmen mehr Vorfälle melden: 60
Prozent der Leading-edge-Unternehmen gegenüber 46 Prozent der
Early-stage-Unternehmen. Box führt dies auf größere Angriffsfläche und bessere
Sichtbarkeit zurück.
(ID:50878933)