01 Das Wichtigste zuerst

Produktlebenszyklusmanagement (PLM)

Product Lifecycle Management (PLM) ist ein strategischer Ansatz zur Entwicklung, Verwaltung und Verbesserung von Produkten von der Konzeption bis zur Entsorgung — eine Methode, um die verschiedenen Phasen eines Produktlebenszyklus zu bewältigen. Es kann sich jedoch auch um eine Software (oder ein System) handeln, die Fertigungsunternehmen und Engineering-to-Order (ETO) -Unternehmen dabei unterstützt, diese verschiedenen Phasen effizient abzuarbeiten.

Durch die Kombination vorhandener Verfahren und Prozesse mit individuellem Fachwissen und innovativer Technologie bietet PLM-Software wie Siemens Teamcenter ein Framework, das die Produktqualität verbessert, Kosten senkt und die Markteinführungszeit beschleunigt. Die Product Lifecycle Management-Software bietet eine einzige Plattform für alle Produktdaten und zugehörigen Prozesse. Diese zentrale Informationsquelle erleichtert es den Beteiligten, die aktuellsten Informationen zu finden, sodass sie schneller und effizienter die richtigen Entscheidungen treffen können.

02 Die Stufen von PLM

Was, wann und warum?

Aus Sicht der Fertigung und der ETO kann das Produktlebenszyklusmanagement in fünf Hauptphasen unterteilt werden: Konzeption, Design und Konstruktion, Fertigung, Inbetriebnahme und Außerbetriebnahme.

{{second-first}}

‍

{{second-second}}

‍

{{second-third}}

‍

{{second-fourth}}

‍

{{second-fifth}}

‍

03 Die Vorteile von PLM

Wie kann PLM helfen?

Die Vorteile des Product Lifecycle Managements für die Fertigung hängen nicht nur mit Transparenz und Zeitmessung zusammen. Klare Protokolle, die durch umfassende PLM-Software wie Siemens Teamcenter unterstützt werden, erhöhen die Wahrscheinlichkeit, qualitativ bessere Produkte herzustellen, weniger Fehler zu machen und dank effizienterer Produktionsprozesse größere Kosteneinsparungen zu erzielen.

Kurz gesagt, PLM-Software ist sowohl für kundenspezifische ETO-Anfragen als auch für Massenprodukte von entscheidender Bedeutung.

‍

{{third-first}}

‍

{{third-second}}

‍

{{third-third}}

‍

{{third-fourth}}

‍

{{third-fifth}}

‍

04 Die wichtigsten Komponenten der PLM-Software

Optimierung der PLM-Wertschöpfungskette

PLM-Software optimiert die Art und Weise, wie verschiedene Fertigungsunternehmen und bestimmte Interessengruppen auf Daten zugreifen können. Dies erfolgt durch die Integration von Tools und Funktionen zur Optimierung der Gesamtverwaltung eines Produkts. Einige Tools, wie z. B. CAD-Software, werden in bestimmten Phasen häufig verwendet, wohingegen Schlüsselkomponenten wie das Dokumentenmanagement das Rückgrat des Gesamtangebots eines PLM-Systems bilden.

Siemens Teamcenter bietet eine Vielzahl von Tools und Komponenten, die PLM zu einem Kinderspiel für Hersteller machen, die ihre Geschäftsprozesse skalieren und optimieren möchten, ohne die ursprüngliche Vision für die Marke und die Produkte aus den Augen zu verlieren.

‍

{{fourth-first}}

‍

{{fourth-second}}

‍

{{fourth-third}}

‍

{{fourth-fourth}}

‍

{{fourth-fifth}}

‍

{{fourth-sixth}}

‍

{{fourth-eighth}}

‍

{{fourth-seventh}}

‍

05 Auswahl eines PLM-Implementierungspartners

Stell dir die richtigen Fragen

Die Auswahl eines PLM-Partners ist der erste Schritt zu mehr Effizienz, reibungsloseren Prozessen und besserem Datenmanagement. Um jedoch sicherzustellen, dass die Anforderungen Ihres Unternehmens jetzt und in Zukunft erfüllt werden, sollten Sie einige Dinge in Betracht ziehen.

‍

{{fifth-first}}

‍

{{fifth-second}}

‍

{{fifth-third}}

‍

{{fifth-fourth}}

‍

{{fifth-fifth}}

‍

{{fifth-sixth}}

‍

06 Digitale Transformation mit CLEVR

Produktlebenszyklusmanagement in Aktion

Siemens Teamcenter ist eine umfassende PLM-Softwaresuite, die umfangreiche Funktionen zur Verwaltung von Produktdaten und Prozessen über den gesamten Produktlebenszyklus hinweg bietet.

Wir haben uns aufgrund der Sammlung von Tools und Integrationen von Teamcenter sowie der allgemeinen Benutzerfreundlichkeit für eine Partnerschaft mit Siemens entschieden.

Nel Hydrogen hat kürzlich eine Partnerschaft mit CLEVR geschlossen, um seine Produktentwicklungskapazitäten erheblich zu verbessern. Durch die Nutzung von Siemens Teamcenter implementiert CLEVR eine umfassende PLM-Lösung, die das Datenmanagement optimiert und zur Automatisierung von Konstruktionsprozessen beiträgt. Die Zusammenarbeit ist im Gange, um den Umfang dieses ersten Projekts zu erweitern.

Unsere Expertise in den Bereichen digitale Transformation und PLM unterscheidet uns von anderen Lösungspartnern. Wir kombinieren umfangreiches Branchenwissen mit Digitalisierungsexpertise, um maßgeschneiderte Siemens Teamcenter-Lösungen zu implementieren, die die Prozesse im Produktlebenszyklus automatisieren und optimieren.

Auch wenn Ihr Unternehmen skaliert und sich an neue Herausforderungen anpasst, bleiben Ihre Prozesse flexibel und robust. Lassen Sie sich von CLEVR bei den mutigen Entscheidungen von heute begleiten, damit Sie sich keine Sorgen machen müssen.

Herstellung

Aus Sicht der Massenfertigung beginnt diese Phase mit einem validierten, marktreifen Produkt, das aus iterativen Feedbackrunden während der Entwicklung resultiert. Sobald der Produktionsprozess etabliert ist, ist es Zeit für die Skalierung. Die Planung, Ausführung und Überwachung des skalierten Produktionsprozesses umfasst das Lieferkettenmanagement und die Qualitätskontrolle.

ETO-Unternehmen haben in der Regel einen einzigen Herstellungsprozess und nur eine Chance, eine Bestellung richtig zu machen. Daher hängt diese Phase in hohem Maße von genauen Informationen aus der Konstruktion und Konstruktion ab. Dies wird durch eine effiziente PLM-Software ermöglicht, die die richtigen Informationen zur richtigen Zeit an die richtigen Personen weiterleitet.

ETO companies often use virtual prototypes, models, and simulations during this stage. Avoiding too many physical iterations helps keep costs low for businesses that can't benefit as much from economies of scale.

Konzeption

Während der Ideenfindung helfen Wettbewerbsanalysen dabei, Marktlücken und unerfüllte Bedürfnisse der Kunden zu identifizieren. Diese Informationen werden zur Konzeptualisierung des Produkts verwendet und bilden eine solide Grundlage für die nachfolgenden PLM-Phasen und Entscheidungsprozesse.

Automobilhersteller können beispielsweise eine Wettbewerbsanalyse durchführen, um Marktlücken für Elektro-Lkw zu identifizieren und ein neues Modell zu konzipieren, das den spezifischen Anforderungen städtischer Lieferdienste gerecht wird.

Manufacturing

From a mass manufacturing perspective, this stage starts with a validated, market-ready product resulting from iterative feedback rounds during development. Once the production process is established, it’s time to scale. Planning, executing, and monitoring the scaled production process involves supply chain management and quality control.

ETO companies usually have a single manufacturing process and only one chance to get an order right. Therefore, this stage depends heavily on accurate information from the Design and Engineering, facilitated by efficient PLM software that gets the right information to the right people at the right time.

Inbetriebnahme

Für Massenhersteller besteht diese Phase hauptsächlich aus der Markteinführung des Produkts, dem Vertrieb, dem Verkauf und dem Support. Erfolgreiche Produkteinführungen setzen voraus, dass diese Aspekte von Anfang an aufeinander abgestimmt sind.

Im ETO-Kontext beinhaltet die Inbetriebnahme die Anpassung der Lieferung, Installation und des Supports eines Produkts. Der erfolgreiche Einsatz maßgeschneiderter Produkte erfordert eine sorgfältige Logistikkoordination, detaillierte Installationsverfahren und einen maßgeschneiderten Kundensupport.

Die Verwaltung der Produkteffektivität — die Beschaffung von Ersatzteilen und Dokumentation für eine bestimmte Produktversion — ist hier ebenfalls von entscheidender Bedeutung.

PLM-Software hilft bei der Verwaltung dieser komplexen Prozesse, indem sie allen Beteiligten präzise, aktuelle Informationen zur Verfügung stellt. Bei einem ETO-Maschinenprojekt stellt PLM beispielsweise sicher, dass technische Details, Installationsanleitungen und Support-Unterlagen aufeinander abgestimmt sind, was einen reibungslosen Übergang von der Produktion zur Einrichtung vor Ort beim Kunden und zum laufenden Support ermöglicht.

Außerbetriebnahme

An der Außerbetriebnahme von Produkten sind Produktmanager, Mitarbeiter für Umweltverträglichkeit und Logistikteams beteiligt. Die Stilllegung bedeutet nicht nur, dass die Produktion unterbrochen wird — eine effektive Kommunikation mit Kunden und Lieferanten ist von entscheidender Bedeutung. Ein Technologieunternehmen muss möglicherweise die Entsorgung, das Recycling oder die Wiederaufbereitung veralteter Notebooks planen, um sicherzustellen, dass der Restbestand verkauft oder für Ersatzteile verwendet wird. Die richtigen Leute genau darüber zu informieren, wie diese Prozesse voraussichtlich funktionieren werden, ist fast genauso wichtig wie die Verfahren selbst.

Für ETO-Unternehmen beinhaltet die Außerbetriebnahme eine sorgfältige Planung der schrittweisen Einstellung kundenspezifischer Produkte und die Sicherstellung, dass die Kunden während des gesamten Prozesses unterstützt werden.

Verbesserte Produktqualität

PLM-Software schafft eine einzige Informationsquelle für alle Produktdaten und gibt (autorisierten) Abteilungen und Stakeholdern Zugriff auf die neuesten Informationen. Dieses umfassende Datenmanagement reduziert Fehler, die auf Kommunikationsfehler oder veraltete Informationen zurückzuführen sind.

PLM-Software unterstützt auch umfangreiche Test- und Validierungsprozesse, die Herstellern helfen, Probleme früh im Entwicklungszyklus zu erkennen.

Verkürzte Markteinführungszeit

PLM-Software optimiert die Entwicklungsphase eines Produkts, indem Automatisierung von Arbeitsabläufen und Verbesserung der Kommunikation zwischen Teams. Die Reduzierung des Zeitaufwands für die Verwaltung beschleunigt die Entscheidungsfindung und hilft, menschliche Fehler zu vermeiden, die häufig durch sich wiederholende, manuelle Aufgaben verursacht werden.

Verbessertes Datenmanagement und bessere Zusammenarbeit verbessern auch die Effizienz früherer Lebenszyklusphasen, was zu schnelleren Markteinführungen führt.

Besseres Datenmanagement und bessere Zusammenarbeit

Ein zentralisiertes PLM-System stellt sicher, dass alle Produktdaten für diejenigen, die sie benötigen, leicht zugänglich sind, z. B. für Marketingspezialisten, die Ressourcen oder Kampagnenbotschaften erstellen, und Kundendienstmitarbeiter, die Schulungsressourcen für Kundenbetreuer erstellen. Dies verbessert die Genauigkeit und Konsistenz der Daten und ermöglicht fundiertere Entscheidungen. PLM-Software ermöglicht und ermutigt Abteilungen, Informationen in Echtzeit auszutauschen. Dadurch werden Informationssilos reduziert und alle sind stets auf dem neuesten Stand.

Kosteneinsparungen im gesamten Produktlebenszyklus

PLM-Software hilft Unternehmen, ineffiziente Praktiken zu vermeiden, die häufig Geschäftsprozesse verstopfen. Das hilft Reduzieren Sie die mit der Produktentwicklung verbundenen Kosten, Herstellung und Wartung. Es unterstützt auch ein besseres Ressourcenmanagement und reduziert den Bedarf an kostspieligen Nacharbeiten.

Ein Überblick über den Produktionsprozess, einschließlich der Steuerung und Steuerung automatisierter Maschinen, ermöglicht es Unternehmen, Materialverschwendung zu erkennen und Möglichkeiten zur Optimierung der Produktionspläne zu finden. Dadurch werden die mit dem Energieverbrauch und den Rohstoffen verbundenen Herstellungskosten gesenkt, wodurch die Auswirkungen der Geschäftstätigkeit eines Unternehmens auf die Umwelt minimiert werden. Siemens Teamcenter bietet eine CO2-Fußabdruck-Rechner um Unternehmen bei der Bewertung ihrer Entscheidungen zu unterstützen, um ein Gleichgewicht zwischen Umweltbelastung, Kostensenkung und Erfüllung der Kundenanforderungen zu finden.

Integration und Konnektivität

Siemens Teamcenter bietet umfangreiche Integrationsmöglichkeiten mit Datenzugriff in Echtzeit für eine bessere Zusammenarbeit. Dadurch wird sichergestellt, dass alle Abteilungen und Interessengruppen im gesamten Produktlebenszyklus auf derselben Wellenlänge sind. Dies ist von entscheidender Bedeutung für ETO-Hersteller und größere Organisationen, die ihre Abläufe rationalisieren, die Produktqualität aufrechterhalten und effektiv skalieren möchten.

Gute PLM-Software sollte sich nahtlos in verschiedene Unternehmenssysteme und Autorentools integrieren lassen und so ein kohärentes Produktdatenmanagement während des gesamten Lebenszyklus gewährleisten. Das bedeutet, einen nahtlosen Informationsfluss zu schaffen, indem ERP-Systeme (Enterprise Resource Planning), CAD-Tools (Computer-Aided Design) und Dokumentenverwaltungssoftware miteinander verbunden werden.

Computergestütztes Konstruieren (CAD)

CAD-Software ist unverzichtbar für die Erstellung präziser 2D- und 3D-Modelle, sodass Ingenieure und Designer Produktdesigns visualisieren und iterieren können. In PLM integriert CAD Konstruktionsdaten mit anderen Lebenszyklusprozessen und stellt so sicher, dass alle Konstruktionsänderungen effizient verfolgt und verwaltet werden. Wie Sie sich vorstellen können, ist CAD-Software stark an der Konzeptionsphase des Produktlebenszyklus beteiligt. Das gilt auch für das Produktdatenmanagement.

Produktdatenmanagement (PDM)

PDM zentralisiert alle produktbezogenen Daten —was sich oft ändert—Gewährleistung der Zugänglichkeit, Genauigkeit und Sicherheit. Dies verbessert unweigerlich die Zusammenarbeit und Entscheidungsfindung. Innerhalb von PLM verwaltet PDM den Lebenszyklus von Produktdaten, einschließlich Versionskontrolle und Zugriffsberechtigungen, und stellt so sicher, dass die neuesten Informationen den richtigen Personen zur Verfügung stehen.

Stückliste (BOM)

Eine Stückliste (BOM) listet alle Materialien, Teile und Baugruppenkonfigurationen auf, die für die Herstellung eines Produkts erforderlich sind, was es zu einem wichtigen Merkmal der Entwicklungsphase macht. Eine Stückliste stellt die Produktstruktur in einem hierarchischen Format dar, das die Beziehung zwischen bestimmten Komponenten und Baugruppen deutlich darstellt. Je nach Produkt und Branche kann eine Stückliste von einer einfachen, einstufigen Struktur bis hin zu einer mehrstufigen Struktur mit spezifischen Anleitungen für Fertigung, Konstruktion und Anpassung reichen.

Wie PDM-Systeme verfolgen BOM-Systeme Änderungen. Das bedeutet, dass alle angeforderten Änderungen an einer Stückliste dokumentiert und zur Genehmigung gesendet werden. Eine Stückliste kann auch Tools zur Analyse der Material- und Komponentenkosten enthalten. Ein umfassender und ganzheitlicher Überblick über die Kosten hilft Herstellern bei der Budgetierung, beim allgemeinen Kostenmanagement und bei der Berichterstattung.

Technisches Änderungsmanagement

Engineering Change Management ist das Verfolgen, Steuern und Genehmigen von Änderungen an Produktdesigns und Prozessen. Während der Entwicklungsphase hilft das Engineering Change Management den Beteiligten, die Auswirkungen der vorgeschlagenen Änderungen auf bestehende Designs und Prozesse zu bewerten. Es zeichnet auch Änderungen auf, was bei der schnellen Entwicklung eines Produkts, das oft so viele Iterationen umfasst, von entscheidender Bedeutung ist, von denen einige möglicherweise für eine weitere Bewertung überprüft werden müssen.

Computergestützte Fertigung (CAM)

CAM-Software automatisiert die Fertigung, indem sie CAD-Modelle in Maschinenanweisungen umwandelt und so die Präzision und Effizienz der Produktion erhöht. In der PLM-Software stellt CAM sicher, dass die Fertigungsdaten mit den Konstruktionsdaten übereinstimmen, wodurch Fehler reduziert und die Übergänge zwischen den Konstruktions-, Entwicklungs- und Produktionsphasen optimiert werden.

Lieferkettenmanagement (SCM)

SCM-Tools werden in der Start- und Produktionsphase verwendet, um den Waren-, Informations- und Finanzfluss im Zusammenhang mit einem Produkt zu verwalten. Im PLM-Bereich stellt SCM sicher, dass die Aktivitäten in der Lieferkette auf die Produktentwicklung und die Produktionspläne abgestimmt sind, was die Effizienz verbessert und die Kosten senkt.

Verwaltung von Dokumenten

Dieser Prozess umfasst die Organisation und Verwaltung aller Dokumente, die sich auf den gesamten Lebenszyklus eines Produkts beziehen. Dies kann Dokumente umfassen, die von Konformitätsaufzeichnungen bis hin zu Produktbroschüren reichen. Es ist wichtig, die erforderlichen Dokumente an leicht auffindbaren Orten aufzubewahren, wenn Unternehmen mit Compliance-Fragen von externen Aufsichtsbehörden konfrontiert werden. Diese Komponente ist häufig ein Merkmal der Endphase, in der Unternehmen versuchen, den Kreislauf eines bestehenden Produkts zu schließen und sicherzustellen, dass es so hergestellt, vertrieben und eingestellt wurde, dass es einer Vielzahl von (sich ändernden) Vorschriften entspricht.

Compliance und regulatorisches Management

Die Pflege einer Datenbank mit den für ein Produkt geltenden Vorschriften und Normen ist entscheidend, um die Interessengruppen über die neuesten regulatorischen Entwicklungen auf dem Laufenden zu halten. Plötzliche Änderungen können dazu führen, dass Produkte nicht den Vorschriften entsprechen, was unweigerlich zu Bußgeldern führt und sich negativ auf Werbung und Vertrauen auswirken kann.

Diese wichtige Komponente bietet die Tools, mit denen die Einhaltung der Vorschriften während des gesamten Produktlebenszyklus überwacht werden kann. Dies hilft bei der Erstellung von Berichten, die für behördliche Einreichungen erforderlich sind. Audits können für Unternehmen oft langwierig und nervenaufreibend sein. Ein automatisierter Prozess, der sicherstellt, dass die Produkte den Sicherheits- und Qualitätsstandards entsprechen, kann also dazu beitragen, Überraschungen zu vermeiden, wenn die Aufsichtsbehörden die Unterlagen durchsehen.

Bieten sie eine Komplettlösung an?

Stellen Sie sicher, dass der von Ihnen gewählte PLM-Partner den gesamten Produktlebenszyklus abdeckt. Anbieter, die nur in bestimmten Phasen erscheinen und reaktiv Support anbieten, haben möglicherweise Schwierigkeiten, die effizientesten Ergebnisse für Ihr Unternehmen zu erzielen.

Sind sie innovativ?

Es ist gut zu überlegen, wie und ob Ihr potenzieller PLM-Partner neue Technologien annimmt. Einige bewährte Methoden sind schön und gut, aber Partner, die sich die Vorteile von Low-Code mit neuartigen PLM-Systemen wie Siemens Teamcenter zunutze machen, könnten Ihnen den nötigen Impuls geben, um Ihre Produktprozesse auf die nächste Stufe zu heben.

Haben sie das richtige Fachwissen?

Es ist von entscheidender Bedeutung, das Fachwissen derjenigen zu überprüfen, mit denen Sie eine Partnerschaft in Betracht ziehen. Wie erfahren sind sie, wenn es um die Implementierung von PLM-Lösungen geht? Haben sie die richtigen Verbindungen und Partnerschaften mit Softwareanbietern?

Werden sie für Ihre Branche geeignet sein?

Suchen Sie nach Partnern, die Einblicke in den PLM-Bereich und Ihre spezifische Branche bieten.

Wie bei jedem guten PLM-System sollte ein Implementierungspartner proaktiv sein und ein Gespür dafür haben, die Technologie der digitalen Transformation in allen Sektoren voranzutreiben.

Werden sie Ihnen zuverlässige Unterstützung bieten?

Stellen Sie sicher, dass Ihr PLM-Partner in jeder Phase des Implementierungsprozesses Unterstützung bietet und sich auf die Bedürfnisse Ihres Unternehmens konzentriert und effektive, langlebige Lösungen anbietet.

Was ist mit der Zukunft?

Ein guter PLM-Implementierungspartner sollte nicht nur sicherstellen, dass Ihre Lösungen und Prozesse jetzt funktionieren. Stellen Sie sicher, dass Ihr Partner eine klare, maßgeschneiderte PLM-Roadmap erstellt, die Jahre in die Zukunft blickt. Wenn sie sich auf das Hier und Jetzt konzentrieren, ohne die möglichen Wendungen in Ihrem Unternehmen und Ihrer Branche zu berücksichtigen, könnten Sie einige böse Überraschungen erleben.

Verwandte Geschichten

/Blog KI Mendix

Upgrade auf Mendix 11: So halten Maia und mxcli Ihre Dokumentation aktuell

Published on Nov 04, 2026
min read
Blog
KI
Mendix

Ask any Mendix developer what they would rather do: build a new feature or spend half a day documenting the last one – you already know the answer. Documentation may be less satisfying than coding, but that is not the only reason it keeps slipping down the backlog.

Under tight deadlines and the pressure to deliver working code, documentation is usually the first thing to fall by the wayside. What does get written is often informal, difficult to follow, and quickly becomes outdated. The more cluttered the existing documentation becomes, the less sense developers see in maintaining it – and the gap grows with every release.

What if documentation could keep itself up to date, scale with the application, and make every change traceable? For many teams, this would change more than just their daily routine. It would fundamentally shift their perspective on upgrading to Mendix 11.

 

The hidden costs of undocumented Mendix apps

Many Mendix applications have been in production for years, some even since Mendix 6 or 7, and many of them are business-critical. Upgrading to Mendix 11 should be a logical step. Instead, it often feels like a leap into the unknown.

When a large portion of app knowledge exists only in the heads of those involved, no one can say exactly what the application contains, what might break when changes are made, or how long the analysis will take. This presents teams with three dilemmas:

1. Upgrade now or continue building on an outdated foundation?

An upgrade means facing the legacy of years of changes: hidden workarounds, outdated widgets, and old modules that no one remembers. Furthermore, every major Mendix version leaves older widgets, modules, and Java versions behind. An upgrade therefore often means replacing parts of the app rather than just recompiling them. However, if you stick with the old version, every new feature is built on a foundation that becomes increasingly obsolete, while Mendix 11 features like Maia remain out of reach.

2. Move fast or maintain stability?

The business demands new features, more users, and new integrations. Without documentation, however, no one can predict the impact of a change. Without tests or a clear description of the desired process behavior, no one can confirm that everything still works afterward. Every release becomes a compromise between speed and stability, and scaling the app becomes more difficult each time.

3. Invest in the upgrade or in new features?

If you cannot determine the scope of an upgrade, you cannot budget for it. Every process must be checked manually, and the experienced developers who could answer the questions may no longer be on the team. Faced with unclear costs and a functioning app, budgets are better spent on visible features. The upgrade is postponed again and again – and with every year that passes, it becomes more extensive and expensive.

 

Stop the guesswork with your Mendix 11 upgrade

With Mendix 11, developers finally get what legacy apps have lacked for years: a clear overview of their application and the tools to continue developing it with confidence.

1. Document your Mendix app before you change anything

The first step out of the unknown is a map. Maia, the AI assistant integrated into Studio Pro, and the Mendix CLI (mxcli) – a command-line tool from Mendix Labs that allows coding agents like Claude Code or Codex to work with a Mendix project – can both analyze an application and reveal its structure: modules, entities, microflows, pages, and the dependencies between them.

An agent can transform this metadata into clear documentation of how the app works, without a developer having to manually reconstruct it through reverse engineering. mxcli complements this with linting and best-practice reports that highlight issues and outdated patterns, making technical debt visible even before the migration begins.

2. Move fast without losing control

Once the app is documented, every change is easier to assess. The impact analysis from mxcli shows which microflows, pages, and entities are affected by a change before it is even implemented. More importantly, however, the documentation no longer becomes outdated.

After every change – whether it is a new page, a new attribute, or new business logic – the agent updates the documentation as part of the same task, serving two target groups simultaneously: developers and business users read it to understand the app, and AI agents use it to guide the next change or support an assistant that helps new users find their way.

Da Maia und mxcli auf dem Mendix-Modell arbeiten und nicht auf tausenden Zeilen von Rohcode, bleibt das Ergebnis leicht überprüfbar.

3. Treffen Sie fundierte Entscheidungen bei Ihrem Mendix-Upgrade

Wenn Sie sehen, was in der App enthalten ist, können Sie den Umfang des Upgrades bestimmen. Wenn Sie den Umfang kennen, können Sie den Aufwand schätzen, und die Budgetdiskussion wird zu einer geschäftlichen Entscheidung statt zu einem Sprung ins Ungewisse.

Auch die Plattform, auf die Sie upgraden, ist entscheidend. Mit Mendix 11.12, dem ersten Long-Term Support (LTS)-Release von Mendix 11, erhalten Teams eine stabile Grundlage für langfristige Wartbarkeit, Sicherheit und Skalierbarkeit. Die dazugehörigen KI-gestützten Tools sind bereit für geschäftskritische Produktionsanwendungen. Maia Plan verwandelt eine Beschreibung in Epics und User Stories, und Maia Make beginnt mit deren Implementierung, sodass sich die Investition noch lange nach der Migration auszahlt.

4. Legen Sie den Grundstein für das agentische Unternehmen

Eine Anwendung, die sich selbst dokumentiert, ist auch für die Zukunft gerüstet. Genau das erhalten Unternehmen mit Mendix im Kontext der Enterprise-Orchestrierung.

Als Teil des Siemens Intelligence Center X (ICX), der industriellen KI-Orchestrierungssoftware von Siemens, spielt Mendix zusammen mit Maia und mxcli eine wichtige Rolle dabei, Anwendungen sowohl für Agenten als auch für Menschen verständlich zu machen. Mit Mendix 11.12 kann eine App als MCP-Server fungieren, der seine Logik, Daten und Workflows für andere KI-Tools bereitstellt, und Mendix Workflows kann Agenten und Menschen innerhalb einer kontrollierten, prüfbaren Vertrauensebene orchestrieren und so die Grundlage für die hybride Belegschaft schaffen, die Menschen und KI-Agenten zusammenbringt.

 

Erleben Sie mxcli in Aktion: Ein Prompt, Feature und Dokumentation fertig

In einer kürzlich durchgeführten Demo zeigte Erick Souza, Senior Mendix Developer & Mendix MVP bei CLEVR, wie ein einziger Prompt ein neues Feature erstellen und gleichzeitig die Dokumentation aktualisieren kann. Niemand muss sich hinsetzen und dies nachträglich erledigen. Hier ist das, was er gezeigt hat, falls Sie keine Zeit haben, sich das vollständige Video anzusehen.

Könnte ein Entwickler diese Änderungen von Hand vornehmen? Natürlich, aber es würde länger dauern. Hier geschieht es jedes Mal automatisch.

‍

Upgraden Sie sicher auf Mendix 11 – beginnen Sie mit Ihrer Dokumentation

Laden Sie mxcli von der Mendix Labs GitHub-Seite herunter, legen Sie es in Ihren Projektordner und führen Sie mxcli init aus. Innerhalb weniger Minuten ist Ihr Projekt bereit für den Coding-Agenten Ihrer Wahl, sei es Claude Code, Codex oder ein anderes Tool.

Von da an ist der erste Prompt der wertvollste: Bitten Sie den Agenten, den Inhalt Ihrer App zu dokumentieren. Machen Sie die Aktualisierung der Dokumentation dann zu einem festen Bestandteil jedes Prompts, damit das Wissen Ihres Teams mit der Anwendung wächst, anstatt hinterherzuhinken. Ein wichtiger Hinweis: mxcli ist noch Alpha-Software und entwickelt sich schnell weiter. Arbeiten Sie daher immer an einer Kopie Ihres Projekts oder unter Versionskontrolle und überprüfen Sie die Änderungen des Agenten so, wie Sie die Arbeit eines Kollegen überprüfen würden.

Das Ergebnis ist ein Fundament, auf dem Sie aufbauen können. Eine Anwendung, die Ihr Team versteht, ein Upgrade, das Sie planen können, und eine Architektur, die bereit für das agentische Unternehmen ist.

Sind Sie neugierig, wie das für Ihre Anwendungen aussehen könnte? Kontaktieren Sie CLEVR, um eine Demo anzufordern.

November 4, 2026 5:08 PM
/Blog KI Intelligence Center X

Von Datenpunkten zu Entscheidungen: Wie Ontologien und Knowledge Graphs dem agentischen Unternehmen ein solides Fundament geben

Published on Nov 06, 2026
min read
Blog
KI
Intelligence Center X

Jeder Agent in Ihrem Unternehmen muss eine Frage beantworten, bevor er handelt: Was habe ich hier eigentlich vor mir? Ein Sprachmodell kann einen Datensatz aus Teamcenter, SAP und Ihrem MES lesen. Allein kann es jedoch nicht wissen, dass das „Teil“ in allen drei Systemen dasselbe physische Objekt ist, dass dieses Teil in einer Baugruppe mit einer offenen technischen Änderung steckt und dass der Garantiefall der vergangenen Woche genau auf diese Baugruppe verweist.

Ihre Mitarbeitenden wissen das aus jahrelanger Erfahrung. Agenten brauchen es schriftlich. Dieses niedergeschriebene Verständnis ist eine Ontologie, und sobald sie mit Live-Daten gefüllt ist, wird daraus ein Knowledge Graph. Zusammen bilden sie die unscheinbarste und zugleich entscheidendste Ebene des agentischen Unternehmens: die Ebene, auf der Menschen und Agenten von derselben Realität ausgehen.

Dieser Blog erklärt, was Ontologien und Knowledge Graphs sind, wie sie funktionieren, wo sie in Ihrer Architektur angesiedelt sind, welchen Mehrwert die vordefinierten Industrieontologien in Siemens Intelligence Center X für Fertigungsunternehmen bieten und was nötig ist, um selbst eine Ontologie aufzubauen.


Wenig Zeit? Hier ein kurzer Überblick

  • Agenten scheitern am Kontext, nicht am Modell. Gartner erwartet, dass 60 % der KI-Projekte ohne KI-fähige Daten aufgegeben werden. Ob ein Agent Wert schafft oder Störfälle verursacht, hängt davon ab, ob er versteht, was Ihre Daten bedeuten.
  • Eine Ontologie ist das Regelwerk; ein Knowledge Graph ist die Landkarte, die nach diesem Regelwerk gezeichnet wird. Der Graph verknüpft jedes Teil, jede Änderung und jeden Garantiefall über Ihre Systeme hinweg, sodass Agenten den Pfad von der Frage zur Antwort verfolgen können. Gemeinsam geben sie Menschen und Agenten dieselben Definitionen, dieselben Regeln und dieselbe Audit-Spur – die Grundlage für eine hybride Workforce, der Sie vertrauen können.
  • Den Kern sauber halten und Kontext darüberlegen. Ihre führenden Systeme bleiben als Basis unangetastet. Ontologie und Knowledge Graph liegen direkt darüber als gemeinsame Kontextebene; Orchestrierung und KI kommen darüber hinzu, wo sie sinnvoll sind.
  • Nicht jede Ontologieebene ist für Agenten gebaut. Agenten stellen Fragen, die niemand vorhergesehen hat, über viele Systeme zugleich. Graph Studio in Siemens Intelligence Center X ist eine skalierbare Graphplattform, die genau solche Fragen im Unternehmensmaßstab beantwortet, ohne an Leistungsgrenzen zu stoßen.
  • Auf bewährtem Branchenwissen aufbauen. Sie müssen die Fertigung nicht von Grund auf modellieren. Vordefinierte Industrieontologien und offene Standards beschreiben den Digital Thread bereits, von der Konstruktionsstückliste bis zum Garantiefall. Ihre Fachexperten passen sie an Ihr Unternehmen an, führen Datensätze über Systeme hinweg zusammen und steuern, wie sich das Modell weiterentwickelt. Beginnen Sie mit einem systemübergreifenden Workflow, und lassen Sie jeden weiteren Anwendungsfall darauf aufbauen.
    ‍

Warum Agenten ohne Kontext ins Stocken geraten

Das Modell ist selten der Engpass. Der Kontext, auf dessen Grundlage es schlussfolgert, schon.

‍Gartner prognostiziert, dass Unternehmen 60 % der KI-Projekte, die nicht auf KI-fähigen Daten beruhen, bis Ende 2026 aufgeben werden. 63 % der Unternehmen verfügen entweder nicht über die richtigen Datenmanagementpraktiken für KI oder sind sich nicht sicher, ob sie diese haben. Speziell für Agenten erwartet Gartner, dass bis Ende 2027 mehr als 40 % der Agentic-AI-Projekte eingestellt werden - aufgrund steigender Kosten, unklaren Geschäftsnutzens und unzureichender Risikokontrollen

Den deutlichsten Beleg dafür, was Kontext bewirkt, liefert ein Benchmark von data.world. Sie stellten GPT-4 geschäftliche Fragen zu einer SQL-Unternehmensdatenbank aus dem Versicherungsbereich. Bei direkter Abfrage beantwortete das Modell 16,7 % der Fragen korrekt. Bei Abfrage über einen Knowledge Graph, der auf einer Ontologie derselben Daten aufbaut, stieg die Genauigkeit auf 54,2 %. Bei den schwierigsten Fragen über die komplexesten Schemata erreichte direktes SQL 0 %, der Weg über den Knowledge Graph dagegen 36–39 %. Eine Folgestudie nutzte die Ontologie selbst, um die Abfragen des Modells zu prüfen und zu korrigieren, und steigerte die Genauigkeit auf 72 %.

Gleiches Modell, gleiche Daten. Der einzige Unterschied: ob die Bedeutung der Daten explizit gemacht wurde. Für einen Agenten, der nicht nur antwortet, sondern handelt, entscheidet dieser Unterschied darüber, ob er Wert schafft oder Störfälle verursacht.

Warum 72 % ein Ausgangspunkt sind und kein Urteil

Kein Unternehmen sollte auf Basis von 72 % handeln, und kein gut konzipiertes Unternehmenssystem verlangt das. Der Benchmark misst ein Sprachmodell, das ohne Leitplanken eigene Abfragen zu offenen Fragen schreibt. Im Produktivbetrieb verändern drei Faktoren das Bild.

Erstens: Die Ontologie dient als Kontrolle, nicht nur als Orientierung. Abfragen, die nicht zum Modell des Unternehmens passen, werden erkannt und korrigiert – oder das System verzichtet auf eine Antwort. Ein bewusstes „Ich weiß es nicht“ ist sicher. Eine selbstbewusste falsche Antwort ist es nicht.

Zweitens: Die erforderliche Genauigkeit richtet sich nach der Tragweite. Beim Erkunden einer Frage ist Unsicherheit tolerierbar. Bei der Freigabe eines Rückrufs nicht. Entscheidungen mit hoher Tragweite beruhen auf definierten Regeln und validierten Abfragen mit menschlicher Freigabe, während die offene Exploration ein unterstützendes Werkzeug bleibt.

Drittens: Jede Antwort ist nachvollziehbar. Welche Daten verwendet wurden, welche Abfrage lief und wer die Aktion freigegeben hat, wird protokolliert. So wird ein Fehler sichtbar und korrigierbar, statt verborgen zu bleiben.

Die Lehre aus der Forschung ist nicht, dass KI mit Ontologien zu 72 % zuverlässig ist. Sondern dass die Verankerung von KI im Kontext der wirksamste Weg ist, sie zuverlässiger zu machen - und ehrlich darüber, wo ihr Wissen endet.
‍

Das Regelwerk und die Landkarte

Eine Ontologie ist das Regelwerk; ein Knowledge Graph ist die Landkarte, die nach diesem Regelwerk gezeichnet wird. Die beiden Begriffe werden oft synonym verwendet, erfüllen aber unterschiedliche Aufgaben.

Die Ontologie ist ein formales Vokabular für Ihr Unternehmen. Sie definiert, welche Arten von Dingen es gibt (eine Pumpe, eine Produktionslinie, eine technische Änderung, einen Lieferanten), welche Eigenschaften sie haben, wie sie miteinander in Beziehung stehen dürfen und welche Regeln gelten. Eine Pumpe kann in einer Linie verbaut sein. Eine technische Änderung betrifft ein oder mehrere Teile. Ein Teil darf ohne genehmigtes Design nicht freigegeben werden. Ohne Ontologie haben Sie ein Bild aus Punkten und Linien. Mit ihr weiß das System, was jeder Punkt bedeutet, und kann darüber schlussfolgern.

Der Knowledge Graph ist dieses Vokabular, angewendet auf Ihre realen Daten: Pumpe P-101, Linie 3, Änderungsantrag ECR-2291 und die Millionen Verbindungen zwischen ihnen, laufend aktualisiert aus Ihren führenden Systemen.

Aspect Ontology Knowledge graph
What it is The schema of meaning: types, relationships, rules The instances: your actual assets, parts, orders and their links
Example “A Part is affected by an Engineering Change” “Part 4471-A is affected by ECR-2291”
Size Hundreds to a few thousand concepts Millions to billions of facts
Rate of change Slow, versioned, deliberately governed Continuous, synchronised with source systems
Owned by Domain experts and knowledge engineers Data pipelines, agents and the platform

Diese Trennung ist für das agentische Unternehmen entscheidend. In der Ontologie halten Menschen fest, was im Unternehmen etwas bedeutet. Im Graph lesen Agenten und Anwendungen diese Bedeutung und handeln danach. Stimmt die Ontologie, erbt jeder neue Agent dieses Verständnis automatisch.
‍

Wie ein Knowledge Graph funktioniert

Ein Knowledge Graph speichert jeden Fakt als Tripel: Subjekt, Beziehung, Objekt. Verkettet man genügend Tripel, entsteht eine Landkarte, durch die sich Menschen und Agenten bewegen können – statt eines Data Warehouse, das sie mit einem Dutzend mühsamer Joins abfragen müssen.

Tripel. „Pumpe P-101 ist in Linie 3 verbaut.“ „Linie 3 produziert Produkt X.“ „Produkt X enthält Baugruppe 4471.“ „Baugruppe 4471 hat die Anforderung max. 80 °C.“ Jedes Ding ist ein Knoten, jede Beziehung eine Kante. In den W3C-Standards, die die meisten Unternehmensgraphen nutzen, sind das RDF-Tripel, die mit SPARQL abgefragt werden.

Traversierung. Eine Frage wie „Welche offenen Garantiefälle betreffen Teile, die von den technischen Änderungen des letzten Monats berührt wurden?“ zieht sich durch PLM-, ERP- und Servicedaten. In einer relationalen Welt ist das ein Projekt. In einem Graph ist es ein Pfad: Garantiefall → Seriennummer → As-built-Konfiguration → Teil → Änderung. Agenten können Pfaden gut folgen - solange die Pfade existieren und eine Bedeutung haben.

The ontology defines the path; the graph holds your data
Which engineering change touches this warranty claim? One path across service, ERP, MES and PLM data.
Ontology: the rulebook
Knowledge graph: the map
Warranty claim
Claim from last weekservice system
reported on
Product unit
Serial number of the unitERP
built as
As-built configuration
As-built recordMES
contains
Part
Part 4471-APLM and ERP, resolved as one
affects
Engineering change
ECR-2291PLM

Ontologie vs. Knowledge Graph · ein Pfad vom Garantiefall zur Änderung

Die linke Spalte wird einmal geschrieben, von Menschen. Die rechte Spalte wird kontinuierlich aus Ihren Systemen befüllt. Ein Agent, der die linke Seite versteht, findet die rechte für jeden Garantiefall, in jedem Werk.

Inferenz. DDa die Ontologie Regeln enthält, kann der Graph Fakten ableiten, die niemand eingegeben hat. Wenn jede Baugruppe die Compliance-Anforderungen ihrer Teile erbt, kennzeichnet eine neue Vorschrift für einen Werkstoff sofort jedes Produkt, das ihn enthält.

Entity Resolution. Der schwierigste und am wenigsten sichtbare Teil. „Pump_P101“ im Instandhaltungssystem, „P-101“ im MES und „Asset 4471-A“ im ERP müssen über Millionen von Datensätzen hinweg als ein und dasselbe Objekt erkannt werden. Geht das schief, schlussfolgern Agenten selbstbewusst über drei Pumpen, die in Wirklichkeit eine sind.

Materialisiert oder virtuell. Ein Graph kann Daten in einen Graph-Speicher kopieren oder sie dort belassen, wo sie sind, und sie bei Bedarf abbilden. Das Bosch-Werk in Salzgitter: eine Ontologie für die SMT-Elektronikfertigung, abgebildet auf bestehende Datenbanken. Maschinenstörungen, die an verschiedenen Maschinen unterschiedlich erfasst wurden, wurden in einer einzigen Ontologieklasse zusammengeführt – so konnten die Ingenieure endlich Gleiches mit Gleichem vergleichen.

Generative KI verankern. Dieselbe Struktur macht auch das Retrieval für Sprachmodelle präziser. LinkedIn erstellte einen Graphen aus historischen Kundenservice-Tickets, statt sie als losen Text zu behandeln. Im Produktivbetrieb verkürzte das System die mittlere Bearbeitungszeit pro Anfrage um 28,6 %. Die Lehre lässt sich direkt auf Service- und Qualitätsorganisationen in der Fertigung übertragen: Struktur schlägt einen größeren Dokumentenstapel.
‍

Wo sie angesiedelt sind: eine Kontextebene auf einem sauberen Kern

Im CLEVR Digital Renovation Principle bilden die Kernsysteme Ebene 1: ERP, PLM, CRM, MES und Eigenentwicklungen – die führenden Systeme, die sauber und stabil bleiben. Auf diesem Kern bilden Ontologie und Knowledge Graph Ebene 2: die semantische Kontextebene, auf deren Grundlage jede darüberliegende Ebene schlussfolgert. Orchestrierung und Intelligenz befinden sich in Ebene 3. In Ebene 4 treffen Menschen auf Agenten. Der Graph ersetzt kein führendes System; er macht die Systeme füreinander verständlich. Zusammen setzen die Ebenen das CLEVR-Prinzip in die Praxis um: den Kern sauber halten, eine intelligente Orchestrierungsplattform darüberlegen und mit KI verstärken, wo es sinnvoll ist.

Keep the core clean, layer with a smart orchestration platform on top and amplify with AI where it makes sense.
CLEVR Digital Renovation layers mapped to Siemens Intelligence Center X
Layer 4 · Human-agent experience Approvals, exceptions and oversight: where people meet agents
Layer 3 · Orchestration and intelligence Mendix workflows, apps and agents · AI Studio models, applied where AI adds value
Layer 2 · Semantic context Graph Studio: connects the systems below, gives meaning to every layer above
Layer 1 · Core systems Systems of record: PLM, ERP, MES, CRM and in-house apps, kept clean and stable
Enterprise trust layer
Guardrails
Traceability
Audit

Vier Ebenen · ein sauberer Kern als Basis, semantischer Kontext darüber

Jeder Agent und jede App in den darüberliegenden Ebenen bezieht die Bedeutung aus derselben Kontextebene, abgesichert durch dieselbe Vertrauensebene.

‍Siemens Intelligence Center X folgt derselben Logik, in vier Schritten:

  1. Unternehmensdaten aus heterogenen Quellen und Datenplattformen.
  2. Kontext: eine unternehmensweite Ontologieebene, die jedem Datenpunkt seine Bedeutung gibt, bereitgestellt durch Graph Studio.
  3. Intelligenz: KI- und ML-Modelle in AI Studio, die aus semantisch angereicherten, nahezu in Echtzeit aktualisierten Daten lernen.
  4. Aktion: Anwendungen, Workflows und Agenten, entwickelt und orchestriert auf Mendix, alle im selben Kontext verankert.

Eine unternehmensweite Vertrauensebene erstreckt sich über alle vier Schritte, mit Leitplanken, Nachvollziehbarkeit und Auditierbarkeit für Menschen und Agenten gleichermaßen. Die Engine von Graph Studio ist darauf ausgelegt, zig bis Hunderte Milliarden RDF-Tripel zu verarbeiten – im Arbeitsspeicher, auf der Festplatte oder virtualisiert –, und stellt den Graph Agenten über MCP zur Verfügung, damit sie domänenübergreifend explorieren und abfragen können.

Der Markt bewegt sich insgesamt in dieselbe Richtung. Microsoft hat Fabric IQ, seine ontologiebasierte Kontextebene für Agenten, auf der Build 2026 allgemein verfügbar gemacht und öffnet die Ontologie über MCP auch für Agenten anderer Anbieter. Databricks und Google haben ihre semantischen Ebenen in dieselbe Richtung weiterentwickelt, und Palantir hat Foundry seit Jahren um seine Ontologie herum aufgebaut. Die Frage ist nicht mehr, ob Sie eine semantische Ebene für Agenten brauchen, sondern welche Ihre Domäne versteht und ob sie sich mit den Plattformen verbindet, die Sie bereits nutzen. Intelligence Center X verbindet sich mit Microsoft Fabric, Snowflake, Databricks und Palantir, statt mit ihnen zu konkurrieren, und hebt sich in zwei Punkten ab: durch die Tiefe der industriellen Semantik, die es vom ersten Tag an mitbringt, und durch eine Graph-Architektur, die für Fragen gebaut ist, die niemand vorhergesehen hat.

‍
Vier Ansätze für die Ontologieebene

Nicht jede Ontologieebene ist gleich aufgebaut. Ein Blick unter die Haube zeigt: Der Markt teilt sich in vier Architekturansätze, die jeweils für eine andere Aufgabe optimiert sind.

Approach Examples Optimised for How the ontology is built
Metadata layer: a semantic model over tables Databricks, Snowflake, Microsoft Fabric, AWS Governed SQL analytics over tables you already have Semantic views authored over existing warehouse tables
Object layer over a data lake Palantir Foundry Operational decisions on curated objects and actions Object types and pipelines defined per source
Transactional graph database Neo4j, Amazon Neptune, Stardog Traversal and pattern matching around a known starting point Labels and relationships modelled, then loaded
Scalable graph platform Siemens Graph Studio (Graph Lakehouse) The unanticipated multi-hop question, at enterprise scale Generated from the source and linked automatically

Die ersten drei Ansätze sind stark in dem, wofür sie entwickelt wurden. Eine Metadatenebene sorgt für konsistente Dashboards und SQL-Analysen. Eine Objektebene funktioniert gut, wenn die Entscheidungen im Voraus bekannt sind und die Objekte dafür kuratiert werden können. Eine transaktionale Graphdatenbank ist schnell, wenn eine Frage von einem bekannten Knoten ausgeht, etwa einem Kunden oder einer Anlage.

So arbeiten Agenten aber nicht. Eine hybride Workforce stellt Fragen, die beim Entwurf des Datenmodells niemand vorhergesehen hat: Welche Lieferanten, Teile, Werke und Kunden sind betroffen, wenn dieser Werkstoff eingeschränkt wird – über alle Produktlinien hinweg? Eine solche Frage hat keinen einzelnen Ausgangspunkt und erstreckt sich über viele Verknüpfungen und Domänen zugleich. Auf einer Metadaten- oder Objektebene bedeutet das, zuerst neue Modelle oder Pipelines zu bauen. Auf einer transaktionalen Graphdatenbank bedeutet es, sich Knoten für Knoten nach außen vorzuarbeiten – was umso langsamer wird, je größer Graph und Frage werden.

Von den vier Ansätzen ist nur eine skalierbare Graphplattform für genau diese Frage ausgelegt. Graph Studio, die Kontextebene von Intelligence Center X, läuft auf einer massiv parallelen Engine, die den Graph über den gesamten Cluster verteilt, sodass jeder Prozessorkern an jeder Abfrage mitarbeitet. Die Ontologie wird automatisch aus den Quellsystemen generiert und verknüpft, statt für jede Quelle von Hand erstellt zu werden. Das ist der Unterschied zwischen Agenten, die die eingeplanten Fragen beantworten, und einem agentischen Unternehmen, in dem Menschen und Agenten jede beliebige Frage stellen können, ohne an Leistungsgrenzen zu stoßen.

Das macht die anderen Ansätze nicht überflüssig. Intelligence Center X verbindet sich mit den Datenplattformen, die Sie bereits nutzen, und ergänzt die Kontextebene, mit der Agenten über alle Plattformen hinweg schlussfolgern können.

‍

Vordefinierte Industrieontologien: nicht bei null anfangen

Eine vordefinierte Industrieontologie ist ein fertiges Modell dessen, was Dinge in der Fertigung bedeuten – Sie erweitern es, statt es neu zu erfinden. Genau hier hebt sich Intelligence Center X von generischen semantischen Ebenen ab.

Siemens liefert Intelligence Center X mit Industrieontologien aus, die branchenspezifisches Wissen über den gesamten Produktlebenszyklus abbilden. Standardmäßig decken sie die Kernobjekte des Digital Thread ab: Design, Teil, Konstruktionsstückliste (EBOM), technische Änderung, Arbeitsplan (Bill of Process), Servicestückliste, Garantiefall, Bestand und IoT-Zeitreihen. Diese sind live mit den führenden Systemen (PLM, ERP, CRM und Eigenentwicklungen) sowie mit Datenplattformen wie Microsoft Fabric, Snowflake, Databricks und Palantir verbunden. Siemens beschreibt das als Daten im Kontext, die „live, sicher, konfiguriert und sofort einsatzbereit“ sind.

Warum das wichtig ist, zeigt sich am deutlichsten an der Stückliste. Eine Konstruktionsstückliste (EBOM) beschreibt, was das Produkt ist. Eine Fertigungsstückliste (MBOM) beschreibt, wie es hergestellt wird. Eine Servicestückliste beschreibt, wie es gewartet wird. In den meisten Unternehmen liegen diese Stücklisten in unterschiedlichen Systemen, verantwortet von unterschiedlichen Teams, mit unterschiedlichen Kennungen. Eine Ontologie, die bereits weiß, wie eine EBOM-Position mit ihrem MBOM-Gegenstück zusammenhängt, welche technische Änderung beide betrifft und welche Serviceteile sich daraus ergeben, stellt Agenten den Digital Thread als navigierbare Struktur bereit. Zugleich spiegelt sie jahrzehntelange Siemens-Erfahrung mit Teamcenter, Opcenter und dem gesamten Xcelerator-Portfolio wider - Wissen, das sich nur mit großem Aufwand von Grund auf neu erarbeiten ließe.

Siemens ist in diesem Feld nicht allein. Mehrere offene Initiativen definieren Fertigungssemantik, und eine gute Ontologiestrategie weiß, wo sie ihren Platz haben:

Source What it covers Maintained by Where it helps
Siemens Intelligence Center X industrial ontologies Digital thread objects: EBOM, MBOM, change, bill of process, service BOM, warranty, inventory, IoT Siemens Digital Industries Software Fast start for Siemens-centric product lifecycles, live-connected to source systems
IOF Core Ontology Common manufacturing concepts (manufacturing process, assembly, material product, agent roles), plus domain modules for production planning, maintenance and biopharma Industrial Ontologies Foundry (OAGi), with NIST; MIT licence Shared vocabulary across companies and suppliers, built on the ISO/IEC 21838-2 top-level ontology
Asset Administration Shell (IEC 63278) Digital twin of an asset, with standard submodels such as Digital Nameplate, Technical Data and Handover Documentation Industrial Digital Twin Association (IDTA) Exchanging asset data across the supply chain, Manufacturing-X and Digital Product Passport

Diese Ansätze ergänzen sich, statt zu konkurrieren. Die IOF Core ist so konzipiert, dass Domänenontologien untereinander konsistent bleiben (IOF). Die Verwaltungsschale strukturiert Asset-Informationen in Teilmodellen, deren Vorlagen die IDTA veröffentlicht(all-about-industries). Eine vordefinierte Plattformontologie bringt Sie am schnellsten in den Produktivbetrieb; ihre Abbildung auf offene Standards hält Sie interoperabel mit Lieferanten und Kunden.

Ein ehrlicher Vorbehalt: Keine vordefinierte Ontologie kennt Ihr Unternehmen. Ihre Produktfamilien, Namenskonventionen, werkspezifischen Prozesse und Eigenentwicklungen müssen weiterhin modelliert werden. Vordefinierte Ontologien verlagern die Arbeit vom Erfinden zum Erweitern – und das ist der Unterschied zwischen Monaten und Wochen.
‍

Was es braucht, um eine Ontologie aufzubauen

Ontologiedesign ist Handwerk, keine Konfigurationsmaske. Es gelingt, wenn es bei den Entscheidungen ansetzt und gemeinsam mit den Menschen entsteht, die sie treffen. Unserer Erfahrung nach folgt es sieben Schritten:

  1. Bei den Entscheidungen ansetzen, nicht bei den Daten. Halten Sie die Fragen fest, die Agenten und Menschen beantworten können müssen: „Welche Kunden sind betroffen, wenn Lieferant X ausfällt?“ „Welche Produkte sind von dieser Änderung berührt?“ Knowledge Engineers nennen sie Kompetenzfragen. Sie definieren den Umfang und werden zum Testset.
  2. Wiederverwenden, bevor Sie neu erfinden. Beginnen Sie mit einer vordefinierten Industrieontologie und offenen Standards wie der IOF Core oder der Verwaltungsschale. Modellieren Sie nur das, was Ihr Unternehmen unterscheidet.
  3. Mit Fachexperten am Tisch modellieren. Ingenieure, Planer und Serviceverantwortliche wissen, was eine „Freigabe“ oder eine „Variante“ wirklich bedeutet. Die Integrationsarbeit bei Bosch zeigte, dass die Einbindung von Fachexperten sowohl für die Ontologie als auch für ihre Mappings entscheidend war.
  4. Quellen abbilden. Verknüpfen Sie Felder in Teamcenter, SAP, dem MES und Ihren eigenen Anwendungen mit Ontologiekonzepten. Entscheiden Sie je Quelle, ob die Daten in den Graph kopiert oder virtuell abgefragt werden.
  5. Entitäten auflösen. Legen Sie fest, welche Datensätze dasselbe reale Objekt beschreiben, und halten Sie diese Entscheidungen nachvollziehbar.
  6. An der Realität validieren. Führen Sie die Kompetenzfragen aus. Prüfen Sie die Ontologie mit einem Reasoner auf logische Konsistenz. Lassen Sie Agenten Abfragen stellen und beobachten Sie, wo sie falsche Pfade nehmen.
  7. Steuern und weiterentwickeln. Versionieren Sie die Ontologie, benennen Sie Verantwortliche pro Domäne und halten Sie den Graph mit seinen Quellen synchron. Ein Graph, der seinen Quellsystemen hinterherhinkt, enthält die Daten von gestern, und ein Agent, der darauf handelt, handelt auf Basis der Vergangenheit.

Genau deshalb dauerten Knowledge-Graph-Projekte früher ein Jahr, bevor sie Wert lieferten. Automatisierung ändert das. Siemens positioniert die automatisierte Ontologieerstellung aus Quellsystemen als Weg, monatelange Ontologieentwicklung überflüssig zu machen, und setzt über MCP angebundene Agenten ein, die beim Aufbau und bei der Pflege des Knowledge Graph selbst helfen. Die Forschung weist in dieselbe Richtung: Bei Bosch beschleunigte die automatische Umformung einer Domänenontologie in ein schlankeres Graphschema die Knowledge-Graph-Erzeugung für Schweißdaten um das Sieben- bis Achtfache.

Automatisierung beschleunigt die Schritte 2 bis 5. Die Schritte 1, 3 und 7 ersetzt sie nicht. Festzulegen, was Ihr Geschäft bedeutet und wer für diese Bedeutung verantwortlich ist, bleibt Aufgabe des Menschen.

Eine Ontologie für eine hybride Workforce

Eine hybride Workforce funktioniert nur, wenn Menschen und Agenten dieselben Definitionen, dieselben Regeln und dieselben Grenzen teilen. Alle drei sind in der Ontologie verankert.

Dieselben Definitionen. Wenn ein Planer und ein Planungsagent unter „verfügbarem Bestand“ oder „freigegebenem Teil“ dasselbe verstehen, hören Übergaben auf, Fehler zu erzeugen. Andernfalls trägt jeder Agent stillschweigend seine eigene Interpretation in seinem Prompt mit sich, und Sie haben genau die Silos wieder aufgebaut, denen Sie entkommen wollten.

Dieselben Regeln. Richtlinien, die auf Geschäftskonzepten statt auf Datenbanktabellen beruhen, gelten für alle. Intelligence Center X ergänzt den Knowledge Graph um eine richtlinienbasierte Zugriffskontrolle, die sich an Attributen von Nutzer und Daten orientiert. So regelt dieselbe Vorschrift, was ein menschlicher Nutzer und was ein Agent sehen darf. Ein Agent für Lieferantenqualität sieht, was ein Lieferantenqualitätsingenieur sehen darf – und nicht mehr.

Dieselbe Spur. Da jede Aktion auf Konzepte im Graph verweist, kann die Vertrauensebene nicht nur protokollieren, was ein Agent getan hat, sondern auch, worüber er nachgedacht hat. Das macht Entscheidungen auditierbar und Autonomie vertretbar.

Daraus entstehen auch neue Aufgaben für Menschen. In unserer Whitepaper-Reihe Digital Renovation haben wir Rollen wie den Agent Supervisor und den Eval Owner beschrieben. Hinzu kommt eine weitere: der Ontology Steward, die Fachperson, die verantwortet, was ein Konzept bedeutet, und Änderungen daran freigibt. Forscher bezeichnen dieses Profil als Knowledge Scientist. Wie auch immer Sie es nennen: Unternehmen, die auf diese Rolle verzichten, enden mit einem Graph, dem niemand vertraut.
‍

Der Einstieg: ein Thread statt des gesamten Unternehmens

Sie brauchen keine unternehmensweite Ontologie, bevor Ihr erster Agent live geht. Sie brauchen einen wertvollen Thread durch Ihre Systeme, gut modelliert, und ein Fundament, das mit jedem weiteren Anwendungsfall wächst.

Wählen Sie einen Workflow, der sich über mehrere Systeme erstreckt und heute Probleme bereitet. Qualität ist ein guter Kandidat. Siemens zeigt einen typischen Kreislauf von der Garantie bis zur Konstruktion, in dem Reklamationstriage, Untersuchung und Ursachenanalyse zwei bis vier Wochen dauern und die Lösung rund acht. Dieser Kreislauf umfasst Garantiefälle, Servicestücklisten, As-built-Konfigurationen, Teile und technische Änderungen – genau die Konzepte, die die vordefinierten Industrieontologien in Intelligence Center X bereits abdecken.

Von dort aus gilt der CLEVR-Ansatz, den wir bei jedem agentischen Programm anwenden: Think big, start small, scale fast. Groß denken heißt, die Ontologie als gemeinsames Fundament für Ihre gesamte hybride Workforce zu konzipieren. Klein anfangen heißt, mit einem Thread zu beginnen, der auf einer vordefinierten Ontologie aufbaut, statt von Grund auf neu entworfen zu werden. Schnell skalieren heißt, dass jeder neue Agent, jede App und jeder Workflow wiederverwendet, was der erste dem Graph beigebracht hat.

Agenten werden immer intelligenter. Ob sie dabei auch Ihr Geschäft besser verstehen, hängt von der Ebene unter ihnen ab.

November 6, 2026 1:00 PM
/Blog Luft- und Raumfahrt & Verteidigung Teamcenter

Digitaler Schiffbau: Der Flaschenhals in der Werft ist nicht der Stahl, sondern die Daten

Published on Nov 02, 2026
min read
Blog
Luft- und Raumfahrt & Verteidigung
Teamcenter

Obwohl die EU-Verteidigungsausgaben im Jahr 2025 418 Milliarden Euro erreichten – ein Anstieg von 47 % seit 2022 – und für 2026 auf 454 Milliarden Euro prognostiziert werden, warnt die Europäische Verteidigungsagentur (EDA), dass die Defizite bei den europäischen Seestreitkräften nach den derzeitigen nationalen Plänen bis 2030 wahrscheinlich nicht behoben werden können.

Im Marineschiffbau war der Druck, mehr Schiffe schneller zu liefern, noch nie so hoch wie heute. Die Engpässe liegen dabei nicht nur bei Trockendocks, Stahl oder qualifizierten Schweißern, sondern in der Fragmentierung – sowohl zwischen den Ländern als auch innerhalb der Organisationen. Fragt man, wie eine Werft Tausende von Teilen, Zeichnungen und Revisionen über ein Marineprogramm hinweg synchron hält, fällt die Antwort sehr unterschiedlich aus: moderne Schiffbausoftware in der einen Werft, ein veraltetes PDM-System und ein Stapel Tabellenkalkulationen in der nächsten. Selbst innerhalb einer einzigen Werft sind die Konstruktionsdaten oft über verschiedene Systeme verteilt, wobei ein ERP-System vorhanden ist, das mit keinem der anderen kommuniziert.

Angesichts des stärkeren Strebens nach europäischer Souveränität und der wachsenden Aufmerksamkeit für Nachhaltigkeit wird diese Fragmentierung immer schwerer zu ignorieren. Digitaler Schiffbau entwickelt sich damit schnell von einer Option zu einer Notwendigkeit.

 

6 Datenherausforderungen, die den Marineschiffbau bremsen

Stahl entscheidet darüber, wie viel eine Werft bauen kann. Daten entscheiden darüber, wie viel davon auf Anhieb richtig gebaut wird. Im Marineschiffbau laufen Programme über Jahre, Anforderungen ändern sich während des Baus und jede Entscheidung muss vom ersten Tag an nachvollziehbar sein. In einem solchen Umfeld bleiben fragmentierte Daten nicht isoliert. Sie ziehen sich durch jede Phase eines Programms, führen zu Nacharbeiten und Verzögerungen und verlängern die Durchlaufzeiten.

1. Veraltete Konstruktionen in der Fertigung

Marineprogramme haben selten den Luxus eines abgeschlossenen Entwurfs. Um Liefertermine einzuhalten, schneiden Werften Stahl für frühe Sektionen zu, während spätere Abschnitte noch konstruiert werden – und der Druck, schneller zu liefern, verschärft diese Überschneidung noch weiter.

Wenn Konstruktionsdaten zwischen einem veralteten PDM-Tool und Tabellenkalkulationen aufgeteilt sind, kann niemand mit Sicherheit sagen, mit welcher Revision die Produktion gerade arbeitet. In der Praxis kann das bedeuten, dass eine Sektion mit einer Rohrleitungsführung ausgestattet wird, die in der Konstruktion bereits zwei Wochen zuvor geändert wurde.

2. Zu spät entdeckte Konstruktionsänderungen

Ein Marineschiff ist ein eng gekoppeltes System, dessen Anforderungen sich während des Baus oft weiterentwickeln, wenn sich Systeme und Einsatzprofile ändern. Der Austausch eines einzigen Ausrüstungsteils kann Auswirkungen auf Struktur, Gewicht, Verkabelung, Belüftung und Stücklisten haben. Wenn diese Informationen in unverbundenen Dateien liegen, treten die Auswirkungen erst spät in der Fertigung zutage, wo ihre Behebung am teuersten ist.

3. Nicht übereinstimmende Stücklisten

Die Konstruktion definiert, woraus das Schiff besteht. Das ERP-System kauft, plant und terminiert es. Wenn beide nicht miteinander verbunden sind, schließen Mitarbeiter die Lücke manuell: Sie tippen Teiledaten neu ein, gleichen Listen ab und jagen Unstimmigkeiten hinterher. Bei Marineausrüstung mit langen Lieferzeiten kann eine Bestellung auf Basis einer veralteten Revision Monate statt Tage an Verzögerung bedeuten.

4. Personenabhängige Freigaben

In vielen Werften hängt die Freigabe einer Zeichnung oder eines Teils von wenigen erfahrenen Mitarbeitern ab, die wissen, wie die Prozesse funktionieren. Da eine ganze Generation von Ingenieuren in den Ruhestand geht, stellt dies ein Kontinuitätsrisiko dar. Zudem erwarten Verteidigungskunden, dass jede Entscheidung nachvollziehbar ist – was ein über E-Mails und Tabellenkalkulationen verteilter Freigabeprozess nicht zuverlässig leisten kann.

5. Versteckte Kosten und CO2-Fußabdruck

Der Großteil der Kosten eines Schiffes wird bereits in der Konstruktionsphase festgelegt, aber oft erst später berechnet. Wenn ein Lieferant zu spät liefert, wirkt sich das auf die gesamte Bausequenz aus: Die Ausrüstung gerät ins Stocken, Sektionen warten auf dem Werftgelände, und Arbeiten müssen umgeplant oder in falscher Reihenfolge ausgeführt werden, was die Kosten in die Höhe treibt. In der Fertigung summieren sich Nacharbeiten, zusätzliche Arbeitsstunden und Eilbestellungen, ohne jemals auf die Änderung zurückgeführt zu werden, die sie verursacht hat.

Wenn die tatsächlichen Zahlen ans Licht kommen, bleibt kaum noch Spielraum zum Gegensteuern.

6. Keine Transparenz über den Programmstatus

Verteidigungskunden erwarten regelmäßige und präzise Fortschrittsberichte. Wenn Daten verstreut sind, werden einfache Fragen kompliziert: Was wurde bereits freigegeben? Was wartet auf Genehmigung? Welche Änderungen sind noch offen?

Und manuell aus widersprüchlichen Quellen zusammengestellte Berichte bieten selten das nachvollziehbare, präzise Bild, hinter dem Ingenieure stehen können.

 

Der Digital Thread: Wie digitaler Schiffbau Design, Produktion und Kosten verbindet

Ein Digital Thread ist ein kontinuierlicher Informationsfluss, der jede Phase des Lebenszyklus eines Schiffes miteinander verknüpft – von der ersten Designentscheidung bis zur Auslieferung. Während der digitale Zwilling das virtuelle Modell des Schiffes darstellt, sorgt der Digital Thread dafür, dass dieses Modell und alle daran arbeitenden Teams mit präzisen, nachvollziehbaren Daten versorgt werden.

Durch die Verknüpfung von Design-, Engineering-, Produktions-, Kosten- und Leistungsdaten können Schiffbauer einen lebendigen digitalen Zwilling jedes Schiffes erstellen, die Übergabeprozesse automatisieren, die Werften oft ausbremsen, und die Kontrolle über jede Bauphase übernehmen.

1. Design und Engineering in einem Modell

Jede Änderung am Reißbrett fließt automatisch in die Stückliste und die Fertigungszeichnungen ein. Integrierte CAD-Software ermöglicht es Designern und Ingenieuren, am selben Modell zu arbeiten, wobei Designdaten ohne Exportieren, Neuzeichnen oder manuelle Eingabe direkt in das Engineering fließen. Das Ergebnis sind weniger Konstruktionsfehler und schnellere Design-Iterationen.

2. Eine einzige Quelle der Wahrheit für jedes Teil und jede Revision

Jedes Teil, jede Zeichnung und jede Revision hat einen festen Speicherort mit klarem Status und Verlauf. Schiffbau-PLM-Software auf Basis von Product Lifecycle Management bewertet jede Änderung vor der Freigabe anhand der gesamten Produktstruktur und leitet Genehmigungen über standardisierte Workflows statt über E-Mail-Ketten. Das Know-how bleibt im System, auch wenn erfahrene Ingenieure das Unternehmen verlassen, und Verteidigungskunden erhalten eine lückenlose Dokumentation darüber, wer was wann genehmigt hat.

3. Engineering und Business im Einklang

Einkauf, Planung und Produktion arbeiten mit derselben Stückliste, sodass Komponenten mit langen Lieferzeiten stets für die richtige Revision bestellt werden. Durch die Anbindung von PLM an ERP- und andere Geschäftssysteme mittels maßgeschneiderter Low-Code-Anwendungen fließen freigegebene Engineering-Daten automatisch in den Einkauf und die Planung, ohne dass Stücklisten manuell neu abgetippt werden müssen. Das bedeutet weniger Abstimmungsaufwand und weniger kostspielige Bestellfehler.

4. Eine Fertigung, die sieht, was das Engineering sieht

Die Fertigung arbeitet stets auf Basis des aktuellsten freigegebenen Designs, und die dort gewonnenen Erkenntnisse fließen direkt in die Konstruktion zurück. Ein Manufacturing Execution System (MES) mit Anbindung an den Digital Thread erfasst Fortschritte, Nacharbeiten und Überstunden in Echtzeit. Es stellt digitale Arbeitsanweisungen bereit und dokumentiert den vollständigen Ist-Zustand jedes Schiffes. Bei Lieferverzögerungen lassen sich Pläne sofort anpassen, da die Auswirkungen auf den weiteren Bauprozess transparent sichtbar sind.

5. Kosten und CO2-Bilanz bereits in der Designphase festlegen

Teams erkennen die Auswirkungen von Designänderungen oder Lieferverzögerungen auf das Budget, noch bevor diese wirksam werden. Software für Produktkostenmanagement (PCM) berechnet Kosten und CO2-Fußabdruck bereits während der offenen Designphase, einschließlich komplexer, nicht-linearer Preismodelle von Lieferanten. Zudem verschafft sie Einkäufern eine faktenbasierte Position bei Preisverhandlungen und bietet eine verlässliche Grundlage für Angebote und Ausschreibungen.

6. Live-Einblicke statt manueller Berichte

Programmmanager, Ingenieure und Kunden sehen den tatsächlichen Fortschritt in Echtzeit, gestützt auf Daten, die nachvollziehbar und vertrauenswürdig sind. Eine industrielle IoT- und Analyse-Ebene führt Daten aus Konstruktion, Fertigung und Unternehmensverwaltung in maßgeschneiderten Dashboards zusammen. Sie bietet Live-Einblicke in die Anlagenleistung und warnt frühzeitig, wenn die Produktion vom Plan abweicht.

7. Intelligenz, die das Programm voranbringt

Intelligente Prozessorchestrierung erkennt Risiken frühzeitig, antizipiert Engpässe und koordiniert die nächsten Schritte über Teams und Systeme hinweg, sodass Probleme gelöst werden, bevor sie zu Verzögerungen führen. Da sie auf denselben strukturierten, nachvollziehbaren Daten basiert, bleibt die KI kontrolliert. Jede Aktion wird protokolliert, der Zugriff folgt denselben Rollen und Berechtigungen wie der restliche Digital Thread, und die Orchestrierung ist exakt auf die Prozesse der jeweiligen Werft zugeschnitten. Das macht sie von Grund auf regelkonform und skalierbar – vom einzelnen Workflow bis hin zum gesamten Programm.

 

Von Tabellenkalkulationen zur digitalen Werft: Ein Beispiel für die digitale Transformation durch CLEVR

Mit über 30 Jahren Erfahrung in der digitalen Transformation unterstützt CLEVR PLM-Prozesse, Fertigungsabläufe und Anwendungsprogramme für zahlreiche Unternehmen aus den Bereichen Luft- und Raumfahrt, Verteidigung und Schiffbau in ganz Europa. Einer dieser Kunden, eine führende europäische Werft für Marine- und Behördenschiffe, stand genau vor den in diesem Artikel beschriebenen Herausforderungen.

Das Problem: Kein Digital Thread, keine Rückverfolgbarkeit

Die Synchronisierung von Teilen, Zeichnungen und Spezifikationen erforderte ständigen manuellen Aufwand; Freigaben und Genehmigungen hingen vom Know-how einzelner Ingenieure ab, und die Berichterstattung war begrenzt. Da die Konstruktionsdaten über ein veraltetes PDM-System und isolierte Tabellenkalkulationen verstreut waren und keine Anbindung an das ERP-System bestand, benötigte unser Kunde eine Lösung, die die tatsächlichen Arbeitsabläufe einer Werft versteht.

Der Prozess: Implementierung einer PLM-Software für den Schiffbau

Anstatt die digitale Transformation der Werft als radikalen Komplettaustausch anzugehen, führten die Berater von CLEVR die branchenführende PLM-Plattform Siemens Teamcenter in klar definierten Phasen ein. Zunächst wurde Teamcenter auf den werfteigenen Servern implementiert, was vom ersten Tag an die volle Kontrolle über die Konstruktionsdaten ermöglichte. Anschließend wurde das System an die reale Ingenieurspraxis angepasst. Dies bedeutete, festzulegen, wie benutzerdefinierte Typen und Eigenschaften Teile, Zeichnungen und Dokumente so beschreiben, wie die Ingenieure der Werft tatsächlich damit arbeiten. Zudem wurden Rollen und Zugriffsrechte definiert, die festlegen, wer was erstellen, ändern und freigeben darf, sowie Freigabeworkflows standardisiert, damit jede Zeichnung und jedes Teil einen definierten Weg vom Entwurf bis zur Genehmigung durchläuft.

Das Ergebnis: Ein Mehrwert, der auf Skalierbarkeit ausgelegt ist

Dieses Fundament ist nun live: Jedes Bauteil, jede Zeichnung und jede Revision hat einen zentralen Ort und eine nachvollziehbare Historie. Genehmigungen hängen nicht mehr davon ab, wer zufällig mit dem Prozess vertraut ist. Noch wichtiger ist, dass die Werft nun auf einer soliden Basis aufbauen kann. Fortschrittliche Workflows, Reporting, CAD-Integration und die Anbindung an das ERP-System werden bereits ausgerollt – jede dieser Maßnahmen automatisiert Prozesse auf Basis strukturierter und verlässlicher Daten. Sobald der Digital Thread durchgängig verbunden ist, lässt sich Intelligenz nutzen, um Probleme vorherzusehen, die Zusammenarbeit zwischen Teams zu koordinieren und das Wachstum der Werft bei zunehmender Programmgröße zu beschleunigen.

 

CLEVR: Ihr Partner für die digitale Transformation im Schiffbau

Das ist die wahre Stärke der CLEVR-Methodik.

Anstatt starre Standardvorlagen zu erzwingen, nehmen sich unsere Berater die Zeit, die spezifischen Konstruktionsprozesse jeder Werft zu verstehen und das System entsprechend zu konfigurieren. Wir arbeiten in Phasen, sodass jeder Schritt ein nutzbares Ergebnis liefert, bevor der nächste beginnt. Dabei begleiten wir die Teams unserer Kunden vom ersten Tag an. Wir bilden alte Integrationen nicht einfach eins zu eins nach, sondern konzipieren von Anfang an weniger manuelle Schritte. Genau das macht aus einer Softwareimplementierung eine Veränderung, die Ingenieure in ihrem Arbeitsalltag tatsächlich spüren.

Möchten Sie erfahren, wie ein durchgängiger Digital Thread Ihrer Werft dabei helfen kann, steigende Nachfrage in pünktlich gelieferte Schiffe zu verwandeln? Kontaktieren Sie CLEVR für ein Beratungsgespräch.

November 2, 2026 9:06 AM

Häufig gestellte Fragen

1

Wofür steht PLM?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenea faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

2

Was sind die Schritte im PLM-Prozess?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenea faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

3

Was ist eine PLM-Strategie?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenea faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

4

Was ist der Unterschied zwischen PLM und PDM?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenea faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

5

Was ist der Unterschied zwischen ALM und PLM?

Lorem ipsum dolor sit amet, consectetur adipiscing elit. Suspendisse varius enim in eros elementum tristique. Duis cursus, mi quis viverra ornare, eros dolor interdum nulla, ut commodo diam libero vitae erat. Aenea faucibus nibh et justo cursus id rutrum lorem imperdiet. Nunc ut sem vitae risus tristique posuere.

While both share core management principles, their applications differ significantly. For example, PLM stages include complex physical requirements like prototyping, mass-production scaling, and environmental decommissioning, whereas ALM focuses on code iterations and software releases. Consequently, PLM requires its own specialized toolset (like Siemens Teamcenter), though agile ALM tools and low-code platforms can be adapted to extend and optimize these PLM processes.

Kontaktiere uns

Möchten Sie wissen, wie unsere Lösungen, Produkte und Dienstleistungen Ihre digitale Transformation beschleunigen können?

Möchten Sie wissen, wie unsere Lösungen, Produkte und Dienstleistungen Ihre digitale Transformation beschleunigen können?