Optimieren Sie die Produktentwicklung mit Teamcenter

Man kann mit Sicherheit sagen, dass es eine interessante Zeit zum Leben ist.

Dieser Blog erkennt zwar die umfassenderen globalen Herausforderungen an, vor denen die Menschheit steht, konzentriert sich jedoch auf das Potenzial von GenAI in der heutigen Unternehmenstechnologielandschaft. Es bietet eine fundierte Perspektive darauf, wie Sie den Hype hinter sich lassen und KI nutzen können, um die Ziele Ihres Unternehmens sinnvoll zu unterstützen.

‍

Vom ERP zur Innovation: Das Beispiel für die Reise eines Cookie-Unternehmens

Stellen Sie sich vor, es ist 2019 und Ihr Unternehmen, das Cookies verkauft, hat gerade eine Migration von SAP Business Suite zu SAP S/4HANA „überlebt“. In dem Wissen, dass Sie die besten Cookies in Europa verkaufen, wuchs das Unternehmen zu einem großen Konstrukt heran, das die eigenen Prozesse und Arbeitsweisen respektiert. Eine solide ERP-Implementierung hat Ihnen sicherlich dabei geholfen, sich auf das zu konzentrieren, was Sie am besten können: die Herstellung und den Verkauf von Cookies.

Dennoch waren die regionalen Unterschiede und die „ansprechenden Kundenabläufe“, die Ihnen einen Teil Ihres Erfolgs beschert haben, stark mit Ihrer SAP-Kernimplementierung verknüpft. Das Team aus ABAP- und Java-Entwicklern verbrachte über eineinhalb Jahre damit, die benutzerdefinierte Geschäftslogik von der vorherigen SAP-Version auf die neue zu migrieren. Neue Geschäftsanfragen wurden vor allem deshalb auf Eis gelegt, weil sie den Zeitplan beeinträchtigen würden.

Oder sind die Dinge anders gelaufen?

‍

Vor Slowdown gerettet

Zum Glück ist Gartner vor allem da, um uns dabei zu helfen, die richtigen Weichen zu stellen. So haben sie es auch 2016 getan und sich für Konzepte wie „Keep your core clean“ eingesetzt. Diese Idee wurde von großen Anbietern von Unternehmenssoftware wie SAP aufgegriffen. Sie begannen, Erweiterungsoptionen auch außerhalb ihrer Kernsysteme anzubieten. Seitdem arbeiteten sie sogar mit Mendix als ihrer bevorzugten Low-Code-Plattform zusammen 2017.

Ihr Unternehmen ist diesem Trend nicht nur gefolgt. Es hat ihn angenommen. Es wurde ein Partner gefunden, der die meisten ERP-Anpassungen in separate, nicht isolierte „Systeme der Differenzierung und Innovation“ überführt. Ehemalige ABAP-Entwickler wechselten zu Mendix-Beratern. Und dank Ihres umfassenden Microsoft-Ökosystems haben sich Citizen Developer im gesamten Unternehmen schnell durchgesetzt. Da Power Apps standardmäßig allen Mitarbeitern zur Verfügung standen, war der unvermeidliche Aufstieg der modernen Schatten-IT nicht weit entfernt (über den ich selbst ein Buch schreiben könnte).

Trotz dieser Wachstumsschmerzen wurden die Vorteile deutlich. ERP-Updates wurden nicht mehr durch benutzerdefinierte Codeverstrickungen blockiert. Die Abteilungen begannen, die digitalen Initiativen der jeweils anderen Abteilungen und die Geschwindigkeit, mit der sie umgesetzt wurden, wahrzunehmen.

Ihr CIO hat sich auch gefreut. Ein klar definiertes Governance-Modell stellte sicher, dass die zu erstellenden Apps nicht nur hilfreich und intuitiv, sondern auch sicher waren. Sie haben damit begonnen, den Grundstein für eine moderne Datenarchitektur zu legen, einschließlich eines gemeinsamen Katalogs von Primärdaten. Und da immer mehr Ihrer Differenzierungsprozesse auf Low-Code-Apps umgestellt wurden, konnten Sie deren Datenbeschaffung schrittweise vom ERP weg und hin zu einer zentralisierten Datenplattform verlagern.

Das Ergebnis? Low-Code-Teams konnten nun auf konsistente, vereinfachte Weise auf Daten aus verschiedenen Systemen zugreifen, ohne dass sie fundierte Kenntnisse über diese Backend-Plattformen benötigen. Sie könnten mehr Zeit damit verbringen, echte Probleme zu lösen, und weniger Zeit damit verbringen, sich in der technischen Komplexität zurechtzufinden.

So sieht ein zusammensetzbares Unternehmen in vielerlei Hinsicht aus. Nochmals vielen Dank, Gartner!

‍

Warte... Ging es nicht um KI?

Bevor wir dazu kommen, wollen wir hervorheben, was Ihrem Cookie-Unternehmen jetzt gefällt: kleine Teams und Klarheit in einer komplexen Welt.

Als Mendix-Berater hatte ich das Privileg, mit vielen verschiedenen Kunden aller Größen und Altersgruppen zusammenzuarbeiten. Eine Sache, die meiner bisherigen Erfahrung nach auffiel, ist, dass Projekte zur Integration in große Systeme wie ERP oder CRM im Vergleich zu Projekten, bei denen bereits eine Integrations- und/oder Datenplattform vorhanden war, häufig Folgendes erforderten:

• Größere Teams
• Längere Lieferzyklen
• Umfassenderes Wissen über das Innenleben dieser Systeme und Verfahren

Warum? Weil Verantwortlichkeiten nicht ausreichend isoliert werden konnten. Aus diesem Grund müssen mehr Menschen den breiteren geschäftlichen und technischen Kontext verstehen. Und in einer zunehmend komplexen Welt ist dies Ihre eigentliche Herausforderung.

‍

KI ist standardmäßig modular

Ich freue mich sehr zu sehen, dass der Großteil der „GenAI-Magie“, die wir in der Produktion sehen, standardmäßig modular ist oder sein kann. Vor allem mit Agentische KI, was sich als echter Game-Changer erwiesen hat, du zerlegst es in:

• Ein zentraler agentischer Baustein, der die Tools, die er verwenden kann, und die Quellen, die er abrufen kann, „versteht“
• Ein LLM (Large Language Model) zur Unterstützung der Entscheidungsfindung, Argumentation und Orchestrierung
• Ein Speicher in Form eines Mechanismus und ein Datenspeicher zum Speichern früherer Fragen und Antworten
• Gut definierte, vorkonfigurierte und parametrisierte Eingabeaufforderungen zur Bereitstellung klarer Befehlspfade

Um ein Missverständnis auszuräumen: Die Tools, die behaupten, ihre KI sei für Sie persönlich trainiert, übertreiben den Wert etwas. Die ehrlichere Erklärung ist, dass diese Tools gut darin sind, historische Fragen und Antworten nachzuverfolgen und diese historischen Interaktionen bei Bedarf auf intelligente Weise auf Ihre „neue“ Aufforderung hin bereitzustellen.

Die gute Nachricht ist, dass es für die meisten Anwendungsfälle durchaus machbar ist, dies selbst zu erstellen, mit dem Vorteil, die vollständige Kontrolle zu haben. Und mit Mendix, Sie haben bereits die grundlegende Ebene, um loszulegen.

‍

Was „Kontrolle haben“ eigentlich bedeutet

Kontrolle ist nicht binär — sie ist kontextabhängig. Was für Ihr Unternehmen unerlässlich ist, kann von Anwendungsfall zu Anwendungsfall und im Vergleich zu anderen Unternehmen unterschiedlich sein. Hier sind die wichtigsten Kontrollbereiche, die es zu berücksichtigen gilt:

1. LLM-Wahl

Bei den meisten handelsüblichen Tools können Sie sich nicht für ein bevorzugtes LLM entscheiden. Dies ist nicht unbedingt ein Problem (da es als Kompromiss Einfachheit bringt), aber es ist der Fall, wenn Sie die Kontrolle darüber haben möchten, welche Daten Sie mit welcher Partei teilen. Darüber hinaus wählen die Tools möglicherweise nicht das beste LLM auf dem Markt aus, das Ihren Anwendungsfall unterstützt. Dieser kann sich im aktuellen Umfeld von Woche zu Woche ändern.

2. Standort der Daten

In engem Zusammenhang mit der LLM-Wahl werden verschiedene LLMs oder Tools nur in den USA oder anderen Teilen der Welt gehostet. Obwohl immer mehr Anbieter beginnen, reine EU-Bereitstellungen anzubieten, benötigen Sie möglicherweise die vollständige Kontrolle darüber, wo Ihre Daten gespeichert werden und ob Ihr LLM entweder von einer kommerziellen Partei oder von einem Unternehmen verwaltet wird, mit dem weitreichende Vereinbarungen getroffen werden können.

3. Verteilung von Tokens

Die meisten KI-Tools bieten bestimmte Funktionen gegen eine monatliche Gebühr pro Person. Dies kann zu erheblichen monatlichen Investitionen führen, insbesondere in großen Unternehmen, wobei möglicherweise nicht alle Mitarbeiter die Tools voll ausschöpfen. Hier ist es hilfreich, wenn Sie LLM-Token für das gesamte Unternehmen zuweisen und deren Nutzung auf die Abteilungen verteilen können. Auf diese Weise können Sie die finanziellen Auswirkungen effektiver verfolgen und den voraussichtlichen Geschäftsszenario detailliert bewerten.

4. LLM-Überwachung

Jeder, der schon einmal eines der Chat-Interfaces der großen LLM-Unternehmen benutzt hat, weiß, dass Models halluzinieren und ins Driften geraten können. Wenn Sie die Kontrolle über die einzelnen Module haben, aus denen Ihre Lösung besteht, können Sie die Effektivität Ihrer Lösung detailliert überwachen. Zum Beispiel Datenhund ermöglicht es Ihnen, alle Eingabeaufforderungen und Antworten zu überwachen und die Qualität, die Token-Nutzung und Anomalien auf automatisierte Weise zu analysieren.

5. Wissen

Hin und wieder hört man jemanden sagen: „Jedes Unternehmen wird ein IT-Unternehmen sein“. Da darüber sicherlich diskutiert werden kann, wird es ein ähnliches Sprichwort für den Einsatz von KI in Ihrem Unternehmen geben. Alles Wissen, das Sie über das Innenleben gewinnen, wird Ihnen helfen, fundierte Entscheidungen zu treffen, die Sie in Zukunft weniger von einer zunehmenden Anzahl externer Parteien abhängig machen müssen.

‍

Das Buy-vs-Build-Dilemma

Wenn Sie anfangen, darüber nachzudenken, etwas selbst zu bauen, seien wir realistisch: Es wird morgen nicht serienreif sein. Aber es könnte, sagen wir, nächsten Monat sein. Und in der heutigen Geschwindigkeitsökonomie müssen wir das Dilemma zwischen Kauf und Bau anerkennen.

Der Kauf von KI-Tools kann verlockend sein. Sie versprechen einen schnellen Start, Herstellersupport, Datenschutz (wenn Sie Glück haben) und manchmal sogar regionales Hosting. Für ungefähr 20€ pro Benutzer sind Sie auf dem Weg zum Rennen und gegen eine zusätzliche „Unternehmensgebühr“ erhalten Sie auch SSO-Support. Das Tool wird hinter den Kulissen wahrscheinlich das günstigste oder effizienteste LLM verwenden und Ihnen versichern, dass Ihre Daten nicht zum Trainieren ihrer Modelle verwendet werden.

Klingt gut, oder?

Aber hier kommt das Kleingedruckte ins Spiel. Diese Tools bieten oft eine eingeschränkte Sichtbarkeit, wenig Spielraum für Anpassungen und nur sehr wenige Hebel zur Steuerung der eigentlichen zugrunde liegenden Technologie. Wenn die Token-Preise fallen oder ein günstigeres LLM verfügbar wird, geht der Vorteil in der Regel an den Anbieter — nicht an Sie. Und gerade als Sie beginnen, sich darauf zu verlassen, erhöhen sie möglicherweise die Preise oder stellen das Produkt stillschweigend ganz ein.

Unicorns müssen irgendwo anfangen, aber viele dieser Tools gibt es erst seit ein paar Monaten und sie werden von sehr kleinen Teams betrieben. Zumindest lohnt es sich, dies in die Gleichung mit einzubeziehen.

Also, was ist die Alternative?

‍

Die Pragmatische Roadmap

Lassen Sie uns zum Abschluss all dies in eine praktische, realistische Roadmap umsetzen, die für Unternehmen jeder Größe funktioniert. Die Kernaussage ist einfach: Fangen Sie klein an, lernen Sie schnell und evaluieren Sie kontinuierlich die beste Vorgehensweise, immer mit Blick auf eine langfristige Strategie. So wie wir es für unsere Kunden tun, die Mendix verwenden.

Schritt 1: Experimentieren Sie und bleiben Sie auf dem Laufenden

Ermöglichen Sie Ihren Mitarbeitern, mit den Tools zu experimentieren, die sie finden. Da täglich neue Tools erscheinen, ist es unmöglich, mit einer zentralisierten Abteilung den Überblick zu behalten. Außerdem werden Ihre Mitarbeiter sie wahrscheinlich trotzdem verwenden. Informieren Sie die Mitarbeiter über den sicheren Umgang (experimentieren Sie, ohne vertrauliche Daten weiterzugeben) und ermöglichen Sie begeisterten Menschen, sich innerhalb des Unternehmens für ihre Tools einzusetzen. Dies ist eine perfekte Gelegenheit, Ihre Sicherheitspolitik und auch Ihre Schulung im Allgemeinen zu verbessern.

Schritt 2: Richten Sie einen Kauf-gegen-Build-Entscheidungsprozess ein

Richten Sie einen geeigneten internen Prozess ein, der es Mitarbeitern ermöglicht, Anwendungsfälle oder Tools einzureichen und andere Mitarbeiter über diese Anwendungsfälle abstimmen zu lassen (falls die Größe Ihres Unternehmens dies erfordert). Versuchen Sie, dies in den allgemeinen Softwarebeschaffungsprozess zu integrieren, aber versuchen Sie, Engpässe zu vermeiden, die entweder automatisiert oder im Voraus behoben werden können. Iterieren Sie anhand eines Entscheidungsbaums, damit Ihr Unternehmen zwischen dem Kauf oder der Entwicklung der KI-Lösung wählen kann.

Schritt 3: Machen Sie sich das Plattformdenken zu eigen

Wie in diesem Artikel beschrieben, ist der modulare Ansatz für (agentische) KI verfügbar und machbar. Es ist sogar noch wahrscheinlicher, dass die meisten Komponenten bereits vorhanden sind. Verwenden Sie den allerersten Anwendungsfall (in Ordnung, vielleicht den zweiten), um Ihren Ansatz für „eingebettete KI“ in der Softwarelandschaft Ihres Unternehmens zu wiederholen. Mit klarer Verantwortung, Trennung der Belange und solider Unternehmensführung. Genau wie bei anderen Technologien, die das Unternehmen heute unterstützen. Sie können es schaffen; wenn Sie Hilfe benötigen, hilft Ihnen ein Partner gerne weiter.

‍

Agentic AI ist da. Geh und mach es.

Das Potenzial von Agentic AI ist unbestreitbar, und was mich am meisten begeistert, ist, wie viel Kontrolle Organisationen ausüben können, ohne die Komplexität unnötig zu erhöhen. Wir fangen nicht bei Null an; wir bauen auf jahrzehntelangen technologischen Fortschritten auf, einschließlich des Aufkommens zusammensetzbarer Geschäftsarchitekturen und der wichtigen Unterscheidung zwischen Aufzeichnungssystemen und Systemen der Differenzierung und Innovation.

Aus dieser breiteren Perspektive betrachtet, muss KI nicht zu einer fragilen Abhängigkeit werden. Stattdessen kann sie ein starker Wegbereiter sein, wenn Sie die richtigen Tools und die richtigen Partner wählen, die Sie begleiten.

Agentische KI ist bereits da, und sinnvolle Fragen zu Ihren eigenen Daten zu stellen, ist kein Hexenwerk mehr.

Mit Mendix können Sie dieses Potenzial auf nachhaltige, kontrollierte und schnelle Weise ausschöpfen — und gleichzeitig die Freiheit behalten, sich anzupassen und zu entscheiden, was für Ihr Unternehmen am besten geeignet ist.

Nicht nur für jetzt, sondern für das kommende Jahrzehnt.

‍

Ursprünglich veröffentlicht hier.

Jedes Jahr, Siemens Realize LIVE bringt Hersteller, Ingenieure und Technologieführer zusammen, um zu erkunden, wohin sich die Branche entwickelt und wie diese Zukunft in der Praxis Gestalt annimmt. Produktaktualisierungen, Roadmap-Ankündigungen und Technologie-Highlights in den Sessions, Kundengeschichten und Partnerdiskussionen haben dieses Jahr gezeigt, dass es in der Fertigung nicht mehr darum geht, einzelne Technologien zu optimieren. Es geht darum, Systeme, Intelligenz und Menschen zu einem kohärenten Ganzen zu verbinden. Dieser Wandel zeigt sich besonders deutlich darin, wie sich KI in der Fertigung von isolierten Anwendungsfällen zu vernetzten, operativen Systemen entwickelt.

Dieser Wandel baut auf dem langjährigen Bestreben der Branche auf, vernetzte Umgebungen zu schaffen, in denen Daten nahtlos über PLM-, ERP-, MES- und Lieferantennetzwerke fließen, um Effizienz, Transparenz und Entscheidungsfindung zu verbessern. Die Einführung von KI erweitert diese Landschaft zusätzlich, indem sie nicht nur das Potenzial für Automatisierung und Erkenntnisse erhöht, sondern auch kritische Fragen aufwirft, wie diese Fähigkeiten in messbaren und skalierbaren operativen Wert umgesetzt werden können.

Hier sind die 4+1 Ideen die Realize LIVE 2026 prägten und was sie für die Zukunft der Fertigung bedeuten.

‍

1. KI wird operativ, nicht experimentell

Seit Jahren wird KI als leistungsstarkes Werkzeug positioniert, das Einzelpersonen durch Copiloten, Vorhersagen und Erkenntnisse unterstützt. Bei Realize LIVE 2026 wurde deutlich, dass sich diese Phase hin zu einer Ausführung im großen Maßstab entwickelt.

KI-Anwendungsfälle in der Fertigung entwickeln sich von der Assistenz zur Orchestrierung innerhalb realer Workflows. Anstatt isoliert auf Prompts zu reagieren, wird KI in Prozesse eingebettet, wo sie Entscheidungen unterstützen, Systeme koordinieren und mehrstufige Aktivitäten über den gesamten Lebenszyklus hinweg automatisieren kann.

Die Einführung von Intelligence Center X signalisiert diesen Übergang explizit. Durch die Verbindung von Unternehmensdaten, Lebenszykluskontext und Workflows in einer gesteuerten Umgebung können Unternehmen KI-Agenten neben Menschen als Teil einer hybriden Belegschaft einsetzen und so von isolierten Pilotprojekten zu einer Ausführung auf Produktionsebene mit Nachvollziehbarkeit und Kontrolle übergehen.

Die Frage ist nicht mehr, ob KI funktioniert. Es geht darum, wie Unternehmen sie in vernetzte Systeme und strukturierte Workflows einbetten, mit der erforderlichen Governance, um konsistenten, messbaren und skalierbaren Wert zu liefern.

‍

2. Vernetzte Systeme sind wichtiger als isolierte Innovationen

Trotz kontinuierlicher Investitionen in die digitale Transformation stehen viele Hersteller immer noch vor Herausforderungen, wenn es darum geht, Innovationen unternehmensweit zu skalieren. Das zugrunde liegende Problem ist nicht ein Mangel an Technologie, sondern ein Mangel an Konnektivität, insbesondere über die Integrationsschichten von PLM, ERP und MES hinweg die für die Ermöglichung skalierbarer KI in der Fertigung unerlässlich sind.

In Unternehmen bleiben Systeme fragmentiert, Daten sind über Silos verteilt, und KI-Initiativen werden oft als isolierte Pilotprojekte eingeführt. Obwohl diese Bemühungen lokale Verbesserungen liefern, führen sie selten zu messbaren Auswirkungen über den gesamten Produktlebenszyklus hinweg.

In der Fertigung sind Design, Engineering, Produktion und Service untrennbar miteinander verbunden. Daher führt die isolierte Optimierung einzelner Komponenten nicht zu einer systemischen Verbesserung. Dies gelingt jedoch durch die Verbindung bestehender Systeme zu einem kohärenten digitalen Faden.

Genau das hat unser CEO, Tim Claes, in seiner Keynote betont, wobei er diese Herausforderung und Chance als die Heilige Dreifaltigkeit der Fertigung umriss:

• PLM als Rückgrat für Produktdaten und den digitalen Faden
• Smart Factory als Schicht, die IT und OT verbindet und Transparenz sowie Kontrolle über alle Betriebsabläufe ermöglicht
• Low Code und KI als Orchestrierungsebene, die Systeme, Workflows und Entscheidungsfindung miteinander verbindet

Jeder dieser Bereiche liefert für sich genommen einen Mehrwert. Die wahre Wirkung entfaltet sich jedoch, wenn sie als Teil eines vernetzten Systems agieren. Dies wird zunehmend zum Ansatz, den Hersteller verfolgen, um in einem sich schnell entwickelnden Markt wettbewerbsfähig und relevant zu bleiben.

‍

3. Nachhaltigkeit wird Teil des Ingenieuralltags

Ein weiteres starkes Signal von Realize LIVE war die Veränderung in der Art und Weise, wie Unternehmen Nachhaltigkeit in der Fertigung und Compliance angehen.

Die Regulierung wird strenger, insbesondere in Europa, wo Rahmenwerke wie CSRD, REACH und neue Anforderungen wie der Digitale Produktpass Unternehmen dazu zwingen, detaillierte Transparenz über Materialien, Beschaffung und Umweltauswirkungen entlang der gesamten Wertschöpfungskette zu schaffen. Hinzu kommt der Druck, dem bestimmte Branchen wie Luft- und Raumfahrt sowie Verteidigung ausgesetzt sind, ihre Margen zu verbessern, sowie die strengeren Compliance-Anforderungen und wachsenden Erwartungen von OEMs und Partnern. Nachhaltigkeit kann daher nicht länger eine separate Berichtsaktivität sein, sondern ist ein Faktor, der Kosten, Risiken und Wettbewerbsfähigkeit direkt beeinflusst.

Während seiner Keynote Gerrit Kiefer, unser Head of Solutions and Customer Success Management in Deutschland, demonstrierte, wie dieser Übergang bereits in der Praxis stattfindet. Zusammen mit tec4U, zeigte er, wie Compliance und Nachhaltigkeit direkt in die Engineering-Workflows integriert werden können, wodurch Unternehmen in die Lage versetzt werden,:

• Regulatorische Anforderungen direkt in PLM- und Designumgebungen zu integrieren
• Eine vollständige Rückverfolgbarkeit von Materialien, Komponenten und Lieferanten über den gesamten Produktlebenszyklus hinweg zu gewährleisten
• Den manuellen Aufwand bei der Compliance-Berichterstattung durch automatisierte Datenerfassung und -validierung zu reduzieren
• Risiken und Compliance-Lücken bereits in der Entwurfsphase identifizieren, wo sie noch effizient behoben werden können
• Kosten-, Nachhaltigkeits- und Engineering-Entscheidungen abstimmen, indem alle relevanten Daten in einem vernetzten Workflow verfügbar gemacht werden
• Die Zeit bis zur Compliance verkürzen und dabei Kontrolle und Prüfbarkeit über alle Prozesse hinweg aufrechterhalten

‍

4. Das Aufkommen der Orchestrierungsebene

Mit der Einführung des Intelligence Center X hat Siemens einen strategischen Fokus auf die Etablierung einer Orchestrierungsebene klar formuliert, die Unternehmensdaten, Workflows und KI-Agenten zu einem kohärenten und skalierbaren System verbindet. Eine Orchestrierungsebene fungiert als architektonische Komponente, die Datenorchestrierung, Workflow-Koordination und KI-Ausführung über Systeme hinweg ermöglicht.

Die Auswirkungen für Hersteller sind beträchtlich. Die meisten von ihnen haben bereits stark in Kernsysteme wie PLM, ERP und MES investiert. Anstatt also neue Systeme zu bauen, können sie das Vorhandene aktivieren und verbinden.

Bei CLEVR, haben wir stets die Ansicht vertreten, dass groß angelegte Rip-and-Replace-Strategien weder nachhaltig noch notwendig sind. Im Laufe der Zeit haben sich Engineering-Logik, Domänenwissen und Prozessintelligenz tief in bestehenden Systemen verankert. Diese Grundlagen zu ersetzen, würde nicht nur Risiken mit sich bringen, sondern auch wertvolles intellektuelles Kapital verwerfen.

Stattdessen können Hersteller eine Orchestrierungsebene zusätzlich zu ihrer bestehenden Systemlandschaft einführen, die es ihnen ermöglicht, Workflows zu verbinden, Intelligenz einzubetten und Funktionen zu erweitern, ohne das zu stören, was bereits funktioniert.

‍

4+1. Die Technologie ist bereit. Organisationen sind es nicht.

Wenn wir eines aus der Realize LIVE 2026 mit Sicherheit ableiten können, dann ist es, dass die Herausforderung nicht länger technologischer Natur ist. Hersteller haben heute Zugang zu fortschrittlichen PLM-Plattformen, vernetzten Fabriksystemen, Low-Code-Umgebungen und zunehmend leistungsfähigen KI-Funktionen. Die Bausteine für die Transformation sind bereits vorhanden.

Doch viele KI-Einführungsinitiativen in der Fertigung stagnieren weiterhin. Bei CLEVR sehen wir dieses Muster täglich in Unternehmen: Workflows, die nicht vollständig verstanden oder abgebildet sind, implizite Entscheidungslogik, unstrukturierte Daten oder eine Vernetzung, die keine zuverlässige, systemübergreifende Ausführung ermöglicht.

Intelligenz in Workflows einzubetten, erfordert mehr als nur die Bereitstellung. Es erfordert Klarheit darüber, wie Entscheidungen getroffen werden, wo die Verantwortung liegt und wie Menschen und Systeme interagieren.

Das bedeutet, dass die nächste zu bewältigende Herausforderung organisatorischer Natur ist. Hersteller müssen Workflows gestalten, die klar definiert sind, Entscheidungen, die explizit strukturiert sind, und Governance-Modelle, die in ausführbare Logik übersetzt werden können. Nur dann können KI-Agenten zuverlässig arbeiten, autonome Entscheidungen innerhalb definierter Grenzen treffen und unternehmensweit mit Konsistenz und Kontrolle skalieren.

‍

5 Maßnahmen, die Hersteller heute ergreifen können

Erstens, der Fokus muss sich vom Hinzufügen weiterer Tools auf die Vernetzung bestehender verlagern. Die meisten Unternehmen verfügen bereits über die Kernsysteme. Die eigentliche Chance liegt darin, diese zu einem kohärenten digitalen Faden über Design, Entwicklung, Produktion und Service hinweg zu verknüpfen.

Zweitens, KI-Initiativen müssen über das Experimentierstadium hinausgehen. Anstatt isolierter Pilotprojekte sollte der Schwerpunkt darauf liegen, Intelligenz in reale Arbeitsabläufe einzubetten, wo sie messbare Auswirkungen erzielen kann. Dies erfordert eine klare Governance, definierte Entscheidungsgrenzen und eine starke Orchestrierungsebene.

Drittens, Transformationsstrategien müssen pragmatischer werden. Groß angelegte, mehrjährige Austauschprogramme sind zunehmend schwer zu rechtfertigen. Ein „Leave and Layer“-Ansatz ermöglicht es Unternehmen, mit dem Bestehenden zu beginnen, es intelligent zu erweitern und schrittweise Mehrwert zu liefern.

Viertens, Nachhaltigkeit und Compliance dürfen nicht länger eine Nebenrolle spielen. Indem diese Anforderungen direkt in die Engineering- und Produktentwicklungsprozesse integriert werden, können Hersteller sie in einen Wettbewerbsvorteil statt in eine Einschränkung verwandeln.

Schließlich, Unternehmen müssen überdenken, wie Menschen und Technologie zusammenarbeiten. Da KI in den Betrieb integriert wird, werden neue Rollen, Verantwortlichkeiten und Arbeitsweisen entstehen. Dies bewusst zu gestalten, ist entscheidend für den Erfolg der Transformation.

Denken Sie groß mit einer klaren Vision für Ihr Unternehmen, fangen Sie klein an mit einem Arbeitsablauf, der sofortigen Mehrwert liefert, und skalieren Sie schnell sobald sich der Ansatz als effektiv erweist.

‍

Schnellere Designzyklen, automatisierte Engineering-Workflows und reduzierter manueller Aufwand über alle Prozesse hinweg. Diese Fortschritte bauen auf einem langjährigen Versprechen der Digitalisierung in der Fertigung auf: Daten, Systeme und Prozesse zu verbinden, um Effizienz und Entscheidungsfindung zu verbessern. Während wir nun in das Zeitalter der KI in der Fertigung eintreten, wird dieses Versprechen exponentiell verstärkt.

In einem vernetzten Fertigungsökosystem, in dem Daten über PLM-, ERP-, MES- und Lieferantennetzwerke fließen, hat KI das Potenzial, diese Daten zu nutzen, um nicht nur Aufgaben, sondern auch Entscheidungen zu automatisieren. Kostenoptimierung, Reduzierung des CO2-Fußabdrucks in der Fertigung und Kontextualisierung von Betriebsdaten sind nur einige der Möglichkeiten, wie KI ein neues Maß an Erkenntnissen im gesamten Siemens Teamcenter-Ökosystem erschließen kann, in einer Branche, die lange mit fragmentierten Daten und begrenzter Transparenz.

Dies wirft eine wichtige Frage für Hersteller auf. Wo positioniert sich Enablement-Software in diesem Spektrum, und wie bereit sind Unternehmen, sich auf diese Zukunft zuzubegen?

‍

KI-Copiloten in der Produktkostenmanagement-Software  

Siemens unternimmt bereits aktive Schritte in Richtung dieser agentischen Zukunft, indem es Copiloten in seinem gesamten Ökosystem einführt, wobei das Produktkostenmanagement einer der ersten Bereiche ist, in denen diese Intelligenz die Entscheidungsfindung direkt beeinflusst.

Obwohl sich diese noch in einer Pilotphase befinden, Copiloten zeigen bereits, wie KI Kosten-Engineering-Aufgaben optimieren kann, indem sie Funktionen wie den automatisierten Teileabgleich, die sofortige Generierung von Stücklisten (BOM) und Arbeitsplänen (BOP) sowie beschleunigte „Was-wäre-wenn“-Szenario-Simulationen ermöglichen.

Anstatt Zeit mit dem Aufbau und der Pflege von Modellen zu verbringen, können sich Teams von nun an auf die Bewertung von Szenarien, den Vergleich von Alternativen und die Entscheidungsfindung konzentrieren. Komplexe Analysen, die zuvor einen erheblichen manuellen Aufwand erforderten, können nun schneller und mit größerer Konsistenz durchgeführt werden.

Für Unternehmen bedeutet dies:

• Schnellere Bewertung von Design- und Beschaffungsoptionen

• Geringere Abhängigkeit von manueller Datenaufbereitung  

• Konsistentere und zuverlässigere Kostenmodelle  

• Die Möglichkeit, mehr Szenarien in kürzerer Zeit zu erkunden

‍

KI-fähige Fertigungsdaten für Produktkostenmanagement und Nachhaltigkeit aufbauen

Für Fertigungsunternehmen ist das Fundament entscheidend. Um KI sicher zu operationalisieren, müssen Unternehmen zunächst ihre Daten operationalisieren. Unstrukturierte Daten führen zu fragmentierten Arbeitsabläufen, und fragmentierte Arbeitsabläufe sind einer der Hauptgründe, warum KI-Initiativen über Pilotphasen nicht hinauskommen. Hier geht Siemens einen weiteren wichtigen Schritt. Durch die Weiterentwicklung der Speicherung und Strukturierung von Unternehmensdaten, wird die zugrunde liegende Basis gestärkt, die erforderlich ist, um diese Funktionen im großen Maßstab effektiv zu gestalten.

1. Cloud für skalierbares KI-gestütztes Produktkostenmanagement

Da sich KI hin zu autonomeren und agentengesteuerten Arbeitsabläufen entwickelt,benötigen Unternehmen Plattformen, die skalierbar, vernetzt und kontinuierlich aktualisiert werden. Cloud-Umgebungen bieten diese Grundlage, und deshalb ist die Fähigkeit, Unternehmensumgebungen in die Cloud zu überführen, ein Schlüsselelement.

Mit den neuesten Verbesserungen im Teamcenter Product Cost Management können bestehende Benutzer ihre Wert-Plugins und angepassten Kostenaufschlüsselungen in die Cloud-Umgebung übertragen, ohne die Funktionalität zu verlieren, auf die sie angewiesen sind. Dies ermöglicht Unternehmen, eine höhere Skalierbarkeit zu erreichen, Innovationszyklen zu beschleunigen und den Betriebsaufwand zu reduzieren, während gleichzeitig eine zuverlässige Grundlage für fortschrittliche Analysen und KI-gestützte Entscheidungsunterstützung im großen Maßstab geschaffen wird.

2. Benutzererfahrung für schnellere Kosten- und Nachhaltigkeitsentscheidungen

Eine modernisierte Benutzeroberfläche reduziert Reibungsverluste in den täglichen Arbeitsabläufen und verbessert den Zugang zu relevanten Daten. Anstatt komplexe Systeme zu navigieren, können Benutzer die benötigten Informationen nun leichter finden, interpretieren und darauf reagieren. Verbesserte Navigation, neu organisierte Layouts und ein intuitiverer Zugang zu Kernfunktionen sind einige Beispiele für solche Verbesserungen, während verbesserte Suchfunktionen und eine klarere Datenvisualisierung es Teams ermöglichen, sich effizienter auf die Bewertung von Kostentreibern, den Vergleich von Szenarien und die Entscheidungsfindung zu konzentrieren.  

3. APIs und Datenbereitschaft für Fertigungsintelligenz

Schließlich hat Siemens wichtige Schritte unternommen, um die Art und Weise, wie Systeme Daten interpretieren und Erkenntnisse generieren, weiter zu optimieren. Dadurch wird sichergestellt, dass Unternehmenswissen nicht nur verfügbar, sondern auch strukturiert, vernetzt und zugänglich ist, um fortschrittliche Analysen und skalierbare KI-gestützte Anwendungen zu ermöglichen.

Erweiterte Berechnungsfunktionen und REST-API- Erweiterungen ermöglichen Automatisierung, Integration mit externen Systemen sowie fortschrittlichere Berichte und Analysen.

Verbesserungen bei Datenmodellen, KPI-Flexibilität und der Transparenz der Fertigungskosten bieten eine detailliertere und genauere Sicht auf Kostentreiber und Rentabilität.

‍

Wie CLEVR Produktkostenmanagement-Software und KI in der Fertigung ermöglicht

Technologie allein schafft keine Intelligenz. Unternehmen müssen weiterhin definieren, wo Entscheidungen getroffen werden, welche Daten diese untermauern sollen und wie Erkenntnisse in den täglichen Betrieb integriert werden können. Dies beginnt mit der Strukturierung von Daten auf konsistente und skalierbare Weise, und der Sicherstellung, dass Produkt-, Kosten- und Betriebsdaten systemübergreifend standardisiert werden.  

Von dort aus können Arbeitsabläufe automatisiert werden, um Geschäftsregeln, technische Logik und Finanzmodelle direkt in Prozesse zu integrieren – eine Grundlage, auf der KI-Modelle effektiv aufbauen können, indem sie aus zuverlässigen Daten lernen und Erkenntnisse liefern, die präzise, umsetzbar und auf die Arbeitsweise des Unternehmens abgestimmt sind.

Bei CLEVR, kombinieren wir tiefgreifende Branchenexpertise mit einem Team von Spezialisten für fortschrittliche Softwarelösungen, um Herstellern zu helfen, diese Fähigkeiten in messbare Ergebnisse umzusetzen. Mit über 30 Jahren Erfahrung in der Bereitstellung maßgeschneiderter Technologielösungen in den Bereichen Fertigung, Schifffahrt, Luft- und Raumfahrt sowie Verteidigung verstehen wir die Realitäten komplexer, historisch gewachsener Umgebungen und wie man sie weiterentwickelt.  

Durch die Anpassung führender Plattformen wie Siemens und Mendix an den jeweiligen Kontext jedes Unternehmens arbeiten wir eng mit unseren Kunden zusammen, um Domänenwissen, Geschäftsregeln und technische Logik in skalierbare Workflows zu integrieren und diese dort mit KI zu erweitern, wo sie den größten Mehrwert bietet. In der Praxis bedeutet dies, dass wir ein strukturiertes Kosten- und Nachhaltigkeitsmanagement aktivieren, unterstützt durch die Governance und Orchestrierung, die in einer zunehmend komplexen und datengesteuerten Zukunft erforderlich sind.  

Während sich das Produktkostenmanagement weiterentwickelt und KI sich in der gesamten digitalen Landschaft etabliert, haben Hersteller die Möglichkeit, neu zu überdenken, wie Erkenntnisse zu Kosten, Nachhaltigkeit und Rentabilität genutzt werden, und sie mit dem richtigen Partner in leistungsstarke Entscheidungsmaschinen zu verwandeln.