KI News

Quelle: novoai.de

PRODUKTIONSDATEN AUTOMATISCH ERFASSEN: DIE ÜBERRASCHENDE WAHRHEIT HINTER
INDUSTRIE 4.0 IM MITTELSTAND
PRODUKTIONSDATEN AUTOMATISCH ERFASSEN: DIE UNTERSCHÄTZTE REALITÄT HINTER
INDUSTRIE 4.0 IM MITTELSTAND
Können ein paar Sensoren und klare Kennzahlen jahrzehntelange, versteckte
Kapazitäten freilegen? Das Fokus-Keyword Produktionsdaten automatisch erfassen
steht im Zentrum dieser Frage: die Daten, die Ihre Maschinen ohnehin erzeugen —
Temperaturprotokolle, Zählwerte, Leistungsprofile — bilden zusammen eine präzise
Karte der Fertigungsrealität. Für viele Firmen im deutschen Mittelstand bedeutet
Produktionsdaten automatisch erfassen den Übergang von manuellen Schichtnotizen
zu Echtzeit-Transparenz, messbarer OEE und datengetriebenen Entscheidungen.
DER REALE EINFLUSS VON PRODUKTIONSDATEN AUTOMATISCH ERFASSEN
1: WARUM PRODUKTIONSDATEN AUTOMATISCH ERFASSEN WICHTIG IST
Produktionsdaten automatisch erfassen beendet das Planen nach Gefühl. Statt
handschriftlicher Listen und subjektiver Einschätzungen entstehen
zeitgestempelte Ereignisse, die sich filtern, vergleichen und analysieren
lassen. Wenn eine Maschine stoppt, liefert ein Zeitstempel mit Kontext —
Schicht, Leistungsaufnahme, Stückzahl — die Grundlage, um Stillstandsursachen
exakt zu identifizieren statt zu schätzen. Genau hier beginnen messbare
OEE-Verbesserungen.
Aktuelle Studien zeigen klare Trends: Bitkom und IoT-Analysen berichten von
deutlich gestiegenen Anwendungen für Energie- und Produktionsüberwachung in den
Jahren 2023–2025. Beispielsweise stieg die Bedeutung von Energieüberwachung als
IoT-Use-Case deutlich an, was zeigt, dass Hersteller Energiedaten genauso
priorisieren wie Takt- und Prozessdaten (Bitkom Charts, 2025). Energie- und
Produktionsdaten zusammen bilden eine Rückkopplungsschleife für Kosten- und
Nachhaltigkeitsentscheidungen.
Automatisch erfasste Produktionsdaten ermöglichen zudem gezieltes Retrofitting:
Der Einsatz nicht-invasiver Sensoren an historischen Pressen liefert sofort
Zykluszeiten und Schwingungsprofile, ganz ohne tiefgreifende PLC-Integration.
Moderne Lösungen wie die WatchMen-Plattform von Novo AI sind maschinen- und
prozessagnostisch, sodass sensorbasierte Pilotprojekte für den Mittelstand
schnell und pragmatisch umsetzbar sind.
2: VON AUTOMATISCH ERFASSTEN PRODUKTIONSDATEN ZU ENTSCHEIDUNGEN
Rohsignale sind ohne Kontext wertlos. Erfolgreiche Digitalisierung der Fertigung
verknüpft automatisch erfasste Produktionsdaten mit Produktionsaufträgen,
Schichtberichten und Wartungslogs. So gehen Sie vom Status „Maschine stand“ zu
„Stand während Schichtwechsel ohne geplante Wartung“ und damit zur richtigen
Korrekturmaßnahme. Historische Analysen zeigen Muster über Wochen und Monate
statt kurzfristigem Tagesrauschen.
Autoritative Quellen betonen das Gleichgewicht zwischen Mensch und Technik:
Fraunhofer- und Bitkom-Studien heben hervor, dass Technologie nur dann Wirkung
zeigt, wenn Führung und Belegschaft datengetriebene Routinen einführen
(Fraunhofer IAO, 2024). Deshalb schneiden Pilotprojekte, die Sensorik, Analyse
und Schulung kombinieren, in der Praxis besser ab als rein technische Rollouts.
Produktionsdaten automatisch erfassen schafft dabei einen operativen Vorteil:
Entscheidungen basieren nicht mehr auf Vermutungen, sondern auf kontinuierlich
verfügbaren Echtzeitdaten aus der Fertigung.
3: KPIS FÜR AUTOMATISCH ERFASSTE PRODUKTIONSDATEN
Typische schnelle Erfolge erzielen Sie mit der Konzentration auf drei KPIs: OEE,
Mean Time Between Failures (MTBF) und Energie pro Teil. Ein kleines
Linienpilotprojekt, das Produktionsdaten automatisch erfasst und zentralisiert,
identifiziert oft zahlreiche Mikro-Stillstände, sodass Prozessingenieure kleine
Verstopfungen entfernen und Rüstprozesse überarbeiten können.
Ein wiederkehrendes Ergebnismuster in Praxisberichten ist die deutliche
OEE-Steigerung: Einige Projekte berichten von Sprüngen von etwa 30 % auf rund 60
% OEE nach Einführung von kontinuierlicher Überwachung, strukturiertem
Problemlösen und gezielter Wartung. Solche Ergebnisse sind erreichbar, wenn
chronische Ausfallursachen beseitigt und Laufzeiten optimiert werden;
erforderlich sind jedoch disziplinierte Nachverfolgung und klare
Verantwortlichkeiten.
Automatisch erfasste Produktionsdaten machen diese Verbesserungen überhaupt erst
messbar, weil Ausfälle, Zyklusabweichungen und Energieverbrauch in Echtzeit
sichtbar werden.
4: HÜRDEN BEI DER EINFÜHRUNG
Viele mittelständische Hersteller zögern wegen erwarteter Kosten,
Datenschutzbedenken und Integrationsaufwand. Moderne Retrofitting Ansätze senken
diese Barrieren: nicht invasive Sensoren, lokale Edge Verarbeitung und fertige
Analysebausteine verringern IT Aufwand und regulatorische Risiken. Lokale
Verarbeitung hält Roh Produktionsdaten im Werk und sendet nur aggregierte
Erkenntnisse an Dashboards, das entspricht deutschen Datenschutzvorlieben.
Produktionsdaten automatisch erfassen wird dadurch auch für Unternehmen mit
begrenzten IT Ressourcen wirtschaftlich und organisatorisch realisierbar.
Eine weitere Hürde sind fehlende Fähigkeiten. Produktionsdaten automatisch
erfassen allein reicht nicht aus. Daten ohne Interpretation bleiben Rauschen.
Die Qualifizierung von Bedienern im Lesen von Dashboards und das konsequente
Umsetzen von Alarmen schafft eine Kultur, die Gewinne sichert. Externe Partner
überbrücken die ersten sechs bis zwölf Monate mit Coaching und KPI-Governance.
5: PRAXISBEISPIEL: PRODUKTIONSDATEN AUTOMATISCH ERFASSEN IN DER FERTIGUNG
Stellen Sie sich eine mittelständische Blechstanze vor, drei Pressen aus den
1990er-Jahren. Die Basis-OEE lag bei 32 %. Ein Retrofit-Programm installierte
Schwingungs- und Stromsensoren im AVA-Stil an jeder Presse, streamte Daten zu
einem Edge-Aggregator und visualisierte Anomalien in einem einfachen Dashboard.
Innerhalb von zwei Monaten fand das Team einen wiederkehrenden
Fünf-Minuten-Stopp durch einen fehljustierten Zuführer in der Zweitschicht.
Produktionsdaten automatisch erfassen machte in diesem Fall versteckte
Mikrostopps erstmals systematisch sichtbar und messbar. Die Behebung des
Zuführers reduzierte Mikro Stillstände um 40 %, verlängerte die mittlere
Laufzeit und schuf zwei Stunden Maschinenlaufzeit pro Tag. Nach sechs Monaten
führten strukturierte Kaizen Events, gestützt durch automatisch erfasste
Produktionsdaten, die OEE auf 58 %. Der Ablauf, messen, verstehen, handeln,
wiederholen, ist ein praktikabler Bauplan für vergleichbare Linien.
6: ERKENNTNISSE SKALIEREN
Sobald Sie konsistente Produktionsdaten automatisch erfassen und über mehrere
Linien analysieren, lassen sich anlagenweite Engpässe priorisieren.
Produktionsdaten automatisch erfassen schafft die Grundlage, um
Produktionsverluste und Energieineffizienzen systematisch vergleichbar zu
machen. Tools zur Engpassidentifikation ordnen Anlagen nach verlorener
Durchsatzkapazität und Energieineffizienz und erlauben das Testen von
Gegenmaßnahmen in Simulation, bevor Kapital investiert wird.
Historische Analysen unterstützen auch die prädiktive Instandhaltung: Die
Korrelation von Leistungsprofilen und Schwingungsmustern mit früheren Ausfällen
erzeugt Modelle, die Fehler Tage oder Wochen im Voraus vorhersagen können. Das
verringert ungeplante Ausfälle und verbessert die Ersatzteilbevorratung — mit
direkten Kosteneinsparungen.
7: ENERGIE UND NACHHALTIGKEIT
Energiemonitoring zählt zu den wichtigsten IoT Anwendungen. Bitkom und
Marktanalysen zeigen einen deutlichen Anstieg bei der Einführung von
Energieüberwachung in Fertigungsbetrieben 2023 bis 2025. Wenn Sie
Produktionsdaten automatisch erfassen und mit Energieverbrauchsdaten verknüpfen,
werden Leerlaufzeiten und ineffiziente Fahrprofile sichtbar. Produktionsdaten
automatisch erfassen ermöglicht dabei eine direkte Verbindung zwischen
Maschinenzustand, Energieverbrauch und tatsächlicher Produktionsleistung.
Energieerkenntnisse helfen bei Nachhaltigkeitszielen und senken Betriebskosten.
Maßnahmen wie Verlagerung nicht-kritischer Lasten in Nebenzeiten oder Anpassung
von Aufheizzyklen sind oft kostengünstig und liefern sofortige Renditen ohne
Durchsatzverlust.
8: RENDITE BERECHNEN
Eine der häufigsten Fragen lautet: In welchem Zeitraum amortisiert sich ein
Sensor-zu-Dashboard-Projekt? Fachberichte und Praxisbeispiele zeigen, dass viele
IoT- und Predictive-Maintenance-Projekte innerhalb von 12 bis 18 Monaten eine
Amortisation erreichen, manche Piloten melden rund 13 Monate als
durchschnittliche Payback-Zeit, besonders wenn vermiedene Stillstandszeiten und
erhöhter Durchsatz eingerechnet werden (Branchenberichte, 2024–2025). McKinsey
schätzt zudem, dass IoT bis 2030 erheblichen wirtschaftlichen Mehrwert liefert —
ein strategischer Nutzen über die anfängliche Amortisation hinaus.
Zur konservativen ROI-Berechnung: Quantifizieren Sie verlorene
Produktionsstunden, setzen Sie einen Erlös pro Stunde oder Kosten pro Stillstand
an und modellieren Sie die erwartete Reduktion der Stopps nach Einführung
automatisch erfasster Produktionsdaten. Berücksichtigen Sie Einsparungen durch
weniger Notreparaturen und geringeren Energieverbrauch. Monatliches Tracking der
ROI während des Piloten schafft Transparenz und erleichtert Entscheidungen zur
Skalierung.
9: CHANGE MANAGEMENT UND QUALIFIZIERUNG
Technik wirkt nur, wenn Menschen sie nutzen. Change Management in KMU sollte auf
schnelle Erfolge und sichtbare Kennzahlen setzen: Ein Pilotteam mit einem
Bediener, einem Instandhalter und einem Produktionsleiter schließt die
Handlungsschleife schnell. Wöchentliche Datenreviews des KPI Dashboards zeigen
Fortschritt sichtbar und erzeugen Dynamik. Produktionsdaten automatisch erfassen
entfaltet seinen Nutzen erst dann vollständig, wenn Teams die Daten aktiv in
Entscheidungen und tägliche Abläufe integrieren.
Umschulung ist praxisorientiert: Vermitteln Sie Bedienern das Erkennen von
Zykluszeitspitzen, befähigen Sie die Instandhaltung zu Reaktionen auf
Schwingungsalarme und schulen Sie Planer im Lesen historischer
Durchsatzdiagramme. Externe Coaches veranlassen oft die ersten acht bis zwölf
Wochenworkshops, bis lokale Champions entstehen. So verbinden Sie Tempo mit
nachhaltigem Kompetenzaufbau.
10: COMPLIANCE UND DATENSICHERHEIT
Compliance ist eine praktische Voraussetzung, kein Hemmnis. Für deutsche KMU
bedeutet das in der Regel: Sensorinstallationen an GDPR/DSGVO-Prinzipien
ausrichten, personenbezogene Daten vermeiden und klare Aufbewahrungsfristen
definieren. Eine lokal-first-Architektur, die Roh-Produktionsdaten vor Ort
verarbeitet und nur anonymisierte Aggregate oder Alarme exportiert, reduziert
rechtliche Komplexität und schafft Vertrauen auf der Werksebene.
Betriebliche Richtlinien sollten Aufbewahrungsfristen, Zugriffsrechte und
Vorfallprozesse festlegen. Einfache Maßnahmen — rollenbasierter
Dashboard-Zugriff, verschlüsselte Übertragung und kontrollierter Export —
genügen häufig für Prüfungen. Plattformen mit Pseudonymisierung und
Edge-Verarbeitung wie edge-fähige Retrofit-Lösungen machen Compliance
realistisch und schlank. Novo AI's WatchMen lässt sich so einsetzen, dass
Analysen und Trendberichte geliefert werden, ohne die lokalen
Datenschutzanforderungen zu verletzen.
11: KONKRETE SCHRITTE
Starten Sie klein: Wählen Sie eine einzelne Linie mit chronischen Problemen.
Definieren Sie Erfolg über zwei KPIs und eine sechsmonatige Laufzeit.
Instrumentieren Sie Maschinen mit nicht-invasiven Sensoren, verbinden Sie diese
mit einer lokalen Edge-Unit und visualisieren Sie Metriken für Bediener und
Entscheidungsträger. Führen Sie wöchentliche Reviews durch, um automatisch
erfasste Produktionsdaten in konkrete Maßnahmen zu übersetzen. Liefert der
Pilot, skalieren Sie sukzessive auf die Nachbarlinien mit demselben Template.
Daten-Governance ist entscheidend: Legen Sie fest, wer Produktionsdaten besitzt,
wie lange Rohsignale gespeichert werden und welche aggregierten Erkenntnisse das
Werk verlassen dürfen. Sichere, lokal-first-Plattformen minimieren juristisches
Risiko und stärken das Vertrauen von Werksleitungen. Moderne Lösungen wie Novo
AI's WatchMen vereinfachen diesen Weg durch maschinenagnostisches Retrofitting
und sichere lokale Verarbeitung und verkürzen so die Time-to-Value für KMU.
Starten Sie mit einem Pilot, messen Sie wöchentlich Fortschritte und skalieren
Sie die erfolgreichen Prozesse standortübergreifend.
DER WEG NACH VORN
Produktionsdaten automatisch erfassen ist keine Luxusinvestition; es ist eine
operative Grundlage für moderne Fertigung. Wenn Sie die richtigen Daten
kontinuierlich erfassen, lichtet sich der Nebel um Stillstände, Qualität und
Energie, und Teams handeln auf Basis von Evidenz statt Intuition. Für
Produktionsleiter im deutschen Mittelstand ist der pragmatische Weg klar: zuerst
messen, dann schnell handeln und die Prozesse ausrollen, die messbare OEE- und
Energiegewinne liefern.
Wenn Sie diese Vorgehensweise prüfen wollen, starten Sie mit einem kleinen
Pilot, definieren Sie klare KPIs und suchen Sie Retrofitting-Partner mit
Erfahrung in sicherer, lokaler Datenverarbeitung und historischer Analyse.
REFERENZEN
1. - Überblick zu IoT, KI und Energieüberwachung in deutschen Unternehmen
(Zugriff am: 2026-05-04)
2. - Studie zu Anforderungen und Umsetzung von Industrie 4.0 im Mittelstand
(Zugriff am: 2026-05-04)
3. - Use-Cases und Praxiserfahrungen zur Echtzeitdatenverarbeitung (Zugriff am:
2026-05-04)
4. - Praxisnahe Beispiele zu Energie-, Zustands- und Produktionsdaten (Zugriff
am: 2026-05-04)
5. - Aktuelle Produktionszahlen Deutschland (Zugriff am: 2026-05-04)
6. - Diskussion zur Praxis und Schutzmaßnahmen (Zugriff am: 2026-05-04)
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.zukunftszentrum-ki.nrw

16. Juni 2026
Stellen Sie sich vor, Ihre Belegschaft gewinnt durch den Einsatz von KI täglich
zwei Stunden zurück. Wem gehören diese Stunden? Dem Unternehmen, das damit
Kosten senkt? Den Beschäftigten, die endlich aufatmen können? Oder – und das ist
die eigentlich interessante Antwort – gehören sie beiden?
Diese Frage ist nicht nur eine soziale, sie ist eine strategische. Und sie wird
in den nächsten Jahren darüber entscheiden, ob Unternehmen ihre KI-Investitionen
als nachhaltigen Vorteil erleben oder als teures Experiment, aus dem sie
beschämt zurückrudern. Effizienzgewinn und Mitarbeiter:innenzufriedenheit sind
keine Gegensätze – aber nur dann, wenn man sie von Anfang an gemeinsam denkt.
--------------------------------------------------------------------------------
DIE ÖKONOMISCHE LOGIK – UND IHRE BLINDEN FLECKEN
Aus rein betriebswirtschaftlicher Sicht ist die Rechnung verlockend einfach: KI
übernimmt repetitive Aufgaben, Menschen werden entlastet oder freigesetzt,
Kosten sinken. Für Ökonomen klingt das nach einem klaren Gewinn. Was diese Logik
übersieht: Eine demotivierte, überforderte oder misstrauische Belegschaft ist
ein ebenso reales Risiko wie gestiegene Lohnkosten. Wer Effizienz ausschließlich
auf der Kostenseite bucht, vergisst, dass Wissen, Empathie und Urteilsvermögen
von Menschen im Betrieb verbleiben – oder eben mit ihnen gehen. Beides zu
erreichen ist möglich. Aber es braucht ein gemeinsames Verständnis darüber, wie
der Vorteil von KI auf beiden Seiten des Tisches ankommt.
--------------------------------------------------------------------------------
DER KLARNA-FALL: EIN LEHRSTÜCK IN DREI AKTEN
, der schwedische Finanzdienstleister und Marktführer im Bereich „Buy Now, Pay
Later“, schrieb 2024 Schlagzeilen – zunächst mit einem Erfolg, dann mit einem
Rückzieher, der die gesamte Wirtschaft aufhorchen ließ:
* In den Jahren 2022–2023 reduziert Klarna seine Belegschaft schrittweise von
ca. 5.500 auf rund 3.500 Mitarbeitende. Verträge mit externen
Kundenservice-Dienstleistern werden beendet, freie Stellen nicht mehr
nachbesetzt.
* Im Frühjahr 2024 wird verkündet, ein KI-Chatbot erledige die Arbeit von 700
Vollzeitstellen. Das Unternehmen wird weltweit als Paradebeispiel für
KI-Effizienz gefeiert.
* Mitte 2024 werden die Schwächen sichtbar: Bei komplexen Anliegen, emotionalen
Beschwerden und finanziellen Notlagen versagt die KI. Kund:innenzufriedenheit
bricht ein. Klarna muss sogar Softwareentwickler:innen und Designer:innen im
Kundenservice einsetzen, um die Beschwerdeflut zu bewältigen.
* 2025–2026 räumt CEO Sebastian Siemiatkowski öffentlich ein, das Unternehmen
habe die Kosten zu stark in den Vordergrund gestellt und die menschliche
Komponente unterschätzt. Klarna stellt wieder in großem Stil menschliche
Supportmitarbeiter:innen ein.
Was als Effizienzgeschichte begann, wurde zur Kostenfalle. Der ausschließliche
Fokus auf Stellenabbau und Kostenreduktion hat Klarna zu einem teuren Rückzug
gezwungen – und dem Unternehmen einen erheblichen Reputationsschaden
eingebracht.
--------------------------------------------------------------------------------
WAS KI KANN – UND WAS SIE NICHT ERSETZEN KANN
Der oben beschriebene Fall illustriert eine fundamentale Grenze: KI ist
ausgezeichnet bei standardisierten, klar definierten Aufgaben. Einfache Anfragen
wie „Wo bleibt meine Rückzahlung?“ lassen sich blitzschnell und kosteneffizient
lösen.
Sobald jedoch Komplexität, emotionale Sensibilität oder Urteilsvermögen gefragt
sind, stößt die Technologie an ihre Grenzen. Kunden in finanziellen Notlagen
brauchen keine schnelle Antwort – sie brauchen ein menschliches Gegenüber.
Das Hybrid-Modell, das Klarna heute einsetzt, ist nicht Ausdruck von Rückschritt
– es ist die eigentliche Reife der KI-Nutzung. Die Technologie filtert und
entlastet. Der Mensch urteilt und verbindet.
--------------------------------------------------------------------------------
DER RICHTIGE RAHMEN: KI-LEITLINIEN ALS GRUNDLAGE
Die entscheidende Frage lautet also nicht: „Wie viele Stellen können wir
einsparen?“
Sondern: „Wie gestalten wir den Übergang so, dass Unternehmen und Beschäftigte
gemeinsam profitieren?“
Als Zukunftszentrum KI NRW empfehlen wir, diese Grundsatzfrage nicht dem Zufall
zu überlassen – sondern sie im Vorfeld in sogenannten KI-Leitlinien
festzuschreiben. Leitlinien sind kein Regelwerk, sondern ein Kompass. Sie
schaffen zunächst die Wertegrundlage, auf der beide Seiten aufbauen können.
--------------------------------------------------------------------------------
WAS GUTE KI-LEITLINIEN LEISTEN
* Sie legen gemeinsam fest, dass KI sowohl der Wettbewerbsfähigkeit des
Unternehmens als auch der Entlastung der Beschäftigten dient.
* Sie benennen konkret, welche monotonen oder belastenden Tätigkeiten durch KI
übernommen werden sollen.
* Sie regeln das Erwartungsmanagement – damit keine Seite später das Gefühl
hat, überrumpelt worden zu sein.
* Sie entstehen in gemeinsamen Workshops und spiegeln damit die Perspektiven
beider Seiten wider.
Was Leitlinien bewusst offen lassen: die konkrete Ausgestaltung. Denn
Sozialpartnerschaft bedeutet, dass diese Details im Dialog erarbeitet werden –
nicht von oben verordnet.
--------------------------------------------------------------------------------
FAZIT: DIE ZEIT GEHÖRT BEIDEN
Das Beispiel Klarna zeigt, was eigentlich naheliegt: KI kann immense Arbeitszeit
einsparen – aber der Versuch, den menschlichen Faktor vollständig zu ersetzen,
führt zu teuren Rückschritten. Die wahre Stärke liegt im Hybrid-Modell, in dem
Technologie und Mensch ihre jeweiligen Stärken einbringen.
Die durch KI gewonnene Arbeitszeit gehört weder ausschließlich dem Unternehmen
noch ausschließlich den Beschäftigten. Sie ist eine gemeinsame Ressource – und
wie sie genutzt wird, entscheidet darüber, ob KI zum nachhaltigen Vorteil oder
zur kurzfristigen Illusion wird. Nicht die Technologie entscheidet über Erfolg
oder Misserfolg – sondern die Vereinbarung, wie sie eingesetzt wird.
Unternehmen, die diesen Dialog jetzt führen – offen, strukturiert und
sozialpartnerschaftlich – werden nicht nur effizienter. Sie werden resilienter.
Und sie werden die Lektionen, die Klarna teuer bezahlt hat, nicht wiederholen
müssen.
--------------------------------------------------------------------------------
Quellen:
1. Fortune Europe · Ryan Hogg · 28. Februar 2024
2. MLQ.ai · 2025
3. CX Today · 19. Oktober 2025
4. LaSoft Blog · 21. Mai 2025
5. FinTech Weekly · 12. Mai 2025
6. Digital Applied · 9. März 2026
Bild: Adobe Stock
--------------------------------------------------------------------------------

Quelle: www.bigdata-insider.de

LLMS FÜR DIE VERBRECHERJAGD WIE GENETEC VIDEODATEN IN DURCHSUCHBARE INTELLIGENCE
VERWANDELT
16.06.2026 Von 3 min Lesedauer
Anbieter zum Thema
Videomaterial ist einer der voluminösesten und am schwersten handhabbaren
unstrukturierten Datenströme im Enterprise-Umfeld. Mit neuen
Ermittlungsfunktionen in Security Center SaaS zeigt Genetec, wie sich dieses
klassische Big-Data-Problem mit einer hybriden Architektur aus
Edge-Verarbeitung, Metadatennormierung und einer LLM-Pipeline lösen lässt.
Videodaten gehören zu den unstrukturiertesten Datenquellen im
Unternehmensumfeld. Wer nach einem Vorfall in einem Netzwerk aus Hunderten
Kameras verschiedener Hersteller gezielt nach einer Person suchen muss, kennt
das Problem: Stunden manueller Sichtung, Systemwechsel zwischen Plattformen und
kein gemeinsamer Datenstrang. Genau dafür hat der kanadische
Sicherheitssoftware-Anbieter Genetec im Februar 2026 neue Ermittlungsfunktionen
in angekündigt, die auf den bereits im Herbst 2025 eingeführten -gestützten
Suchfunktionen aufbauen.
VOM VIDEOSTREAM ZUM OBJEKT: ONVIF PROFILE M ALS SCHLÜSSEL
Das Grundproblem ist bekannt: Kameras verschiedener Hersteller liefern Daten in
proprietären Formaten mit unterschiedlichen Metadatenstrukturen. Eine
einheitliche, durchsuchbare Datenbasis lässt sich daraus nicht ohne Weiteres
bauen. Genetec löst das mit einem zweistufigen Ansatz, wie das Unternehmen auf
Anfrage erläutert.
Kommt eine Kamera über eine der hauseigenen Cloudlink-Appliances ins System,
normiert Genetec die eingehenden Metadaten anhand von , dem Industriestandard
für KI- und Analyse-Metadaten, und rechnet sie von Streaming-Daten in
Objektdaten um. Aus dem kontinuierlichen Videostrom werden auf diese Weise
diskrete, strukturierte Objekte, die Personen, Fahrzeuge und Ereignisse
repräsentieren. Bei Kameras mit direkter Cloud-Anbindung entfällt dieser
Schritt: Sie übermitteln die Daten laut Hersteller bereits im Objektformat.
Diese normalisierten Objektdaten bilden die Basis, auf der KI-Modelle weitere
Merkmale berechnen.
Die Architektur ist hybrid. Rohdatenverarbeitung und initiale
Metadatenextraktion finden am Edge statt, semantische Anreicherung und Suche in
der Cloud. Christian Morin, VP of Product Engineering bei Genetec, beschrieb das
Prinzip so: Man nutze, was am Edge passiere, schichte Metadaten, kombiniere das
mit räumlichem Kontext und verarbeite dabei nur das, was tatsächlich verarbeitet
werden müsse.
LLMS IM ERMITTLUNGSRAUM
Wer per natürlicher Sprache nach einer Person oder einem Fahrzeug suchen kann,
erwartet dahinter ein Sprachmodell. Das ist auch der Fall. Laut Genetec setzt
das Unternehmen für die Übersetzung von Suchanfragen in Datenbankabfragen auf
externe , nicht auf eigenentwickelte Systeme. Mehrere Modelle seien im Einsatz,
jeweils spezialisiert auf unterschiedliche Teile der Suchanfrage. Welche
Anbieter das konkret sind, kommuniziert Genetec nicht.
Intern spricht das Unternehmen konsequent von „Intelligent Automation" statt von
KI oder LLMs. Morin betonte, mit diesen Werkzeugen erweitere man die
Angriffsfläche einer Organisation aus Cybersicherheitsperspektive erheblich und
müsse entsprechend verantwortungsvoll mit Zugriff und Governance umgehen. Dass
man trotzdem auf externe setzt, ist eine pragmatische Entscheidung. Für Natural
Language Understanding in einem domänenspezifischen Sicherheitskontext lohnt
sich Eigenentwicklung kaum, solange bestehende Modelle ausreichend adaptierbar
sind. Welche Daten dabei in welcher Form die externen LLM-Anbieter erreichen,
hat Genetec allerdings nicht spezifiziert.
WAS DAS SYSTEM IN DER PRAXIS LEISTET
Laurent Villeneuve, Senior Manager Product & Industry Marketing bei Genetec,
demonstrierte die Funktionen anhand eines Szenarios mit Equipmentdiebstahl und
Vandalismus über mehrere Gebäude. Ausgangspunkt war lediglich eine
Personenbeschreibung. Das System lieferte per Sprachsuche Treffer über mehrere
Kameras und Hersteller hinweg, ergänzt durch Trajektorienanalyse,
Zeitleistenrekonstruktion und Fahrzeugidentifikation nach Marke und Modell.
Ermittlungen können so strukturierte Falldokumentationen erzeugen und
Beweismaterial direkt mit Strafverfolgungsbehörden teilen.
Ann-Cécile Millot-Tournier, Product Group Director für Intelligent Automation
bei Genetec, hob den Unterschied zu herstellergebundenen Systemen hervor:
Security Center SaaS sei für Enterprise-Umgebungen gebaut und ermögliche die
Arbeit über tausende Kameras, mehrere Standorte und gemischte Ökosysteme hinweg,
ohne Systemwechsel oder separate Suchen, wenn neue Ermittlungsansätze
auftauchten.
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 .
DATENSCHUTZ: EU-INSTANZ VORHANDEN, DETAILTIEFE BEGRENZT
Für europäische Nutzer betreibt Genetec eine EU-Instanz auf Microsoft Azure in
den Niederlanden. Videodaten werden je nach Kundenkonfiguration lokal auf dem
Firmengelände oder in der Cloud gespeichert. Für das Trainieren der KI-Modelle
nutze das Unternehmen nach eigenen Angaben keine Kundendaten ohne deren
explizite Zustimmung.
Das ist ein wichtiges Datenschutzprinzip, bleibt aber ein Versprechen ohne
öffentlich einsehbare vertragliche Grundlage. Konkrete Angaben zu
Auftragsverarbeitungsverträgen, Zertifizierungen oder Mechanismen für
Drittlandtransfers fehlen in der öffentlichen Kommunikation. Wer die Plattform
in regulierten Branchen einsetzen will, sollte genau hier nachfragen. Denn ein
ist ein Standort, kein Datenschutzkonzept.
(ID:50866223)

Quelle: www.bigdata-insider.de

TOKEN-KOSTEN FRESSEN KI-BUDGETS PEGASYSTGEMS WILL DAS PREISMODELL KIPPEN
16.06.2026 Von 2 min Lesedauer
Anbieter zum Thema
Das Skalierungsproblem agentenbasierter KI trifft Unternehmen gerade mit voller
Wucht: Je mehr Workflows in die Produktion wandern, desto höher die
Token-Rechnung und desto unzuverlässiger die Ergebnisse. Pegasystems greift das
Problem architektonisch an. Mit Pega Infinity 26 soll das Reasoning aus dem
laufenden Betrieb verschwinden. Abgerechnet wird dann pro erledigter Aufgabe.
Wer -Agenten aus dem Pilotbetrieb in die Produktion schiebt, erlebt derzeit eine
unangenehme Erkenntnis: Das tokenbasierte Preismodell der -Anbieter bestraft
genau die Szenarien, für die KI-Agenten eigentlich gebaut wurden. Komplexe
Workflows bedeuten mehr Reasoning-Schritte, mehr und damit höhere Kosten.
Paradoxerweise steigt mit dem Aufwand auch die Fehlerquote. ServiceNow und Uber
sollen ihre KI-Token-Jahresbudgets bereits vor Jahresmitte aufgebraucht haben.
Das ist kein Randproblem.
REASONING RAUS AUS DER LAUFZEIT
reagiert darauf nicht mit einem günstigeren Token-Deal, sondern mit einem
anderen Architekturprinzip. Die sogenannte Predictable-AI-Architektur in Pega
Infinity 26 verlagert das rechenintensive Reasoning konsequent in die
Entwurfsphase. Werkzeuge wie Pega Blueprint AI und das neue Infinity Studio
helfen dabei, optimale Workflows vorab zu modellieren, für Kreditgenehmigungen,
Schadensfallprüfungen oder Kundenanfragen. Im Betrieb folgen Agenten diesen
vorab definierten Abläufen, statt bei jedem Request eigenständig zu
schlussfolgern. LLM-Aufrufe erfolgen nach Herstellerangaben nur noch punktuell,
etwa beim Parsen von Dokumenten oder dem Zusammenfassen von Gesprächsverläufen.
Das ist im Prinzip der Ansatz, den Pega bereits mit seinen aus dem Vorjahr
verfolgt. Neu ist die dazugehörige Preisstrategie.
EINSPARUNGEN VON 95 PROZENT
Um den Vorteil greifbar zu machen, stellt Pegasystems einen bereit, der auf
Basis eigener Workflow-Volumina eine Gegenüberstellung zum tokenbasierten
Wettbewerb liefert. Die versprochenen Einsparungen von über 95 Prozent sind
allerdings eine Herstellerangabe ohne unabhängige Verifizierung.
BEZAHLEN FÜR DAS ERGEBNIS, NICHT FÜR DAS GRÜBELN
Das Preismodell von Pega Infinity 26 folgt der Logik des Ansatzes: ein
Pauschalpreis pro abgeschlossenem Fall, unabhängig davon, wie viel
KI-Infrastruktur dahintersteckt. Damit koppelt Pegasystems die Kosten direkt an
den geschäftlichen Nutzen, nicht an den Rechenaufwand.
„Unternehmen wird immer klarer, dass Tokenmaxxing unsinnig ist. Es führt nur zu
untragbaren Kosten und unvorhersehbaren Ergebnissen“, sagt Alan Trefler, Gründer
und CEO von Pegasystems. „Deshalb berechnen wir unseren Kunden keine Gebühren
basierend auf der Anzahl der verwendeten Tokens, sondern nach der sinnvollen
Arbeit, die agentenbasierte KI leistet.“
Pega Infinity 26 soll ab dem dritten Quartal 2026 verfügbar sein.
(ID:50865407)