Worauf müssen Mittelständler heute achten, wenn sie Künstliche Intelligenz in ihrem Innovationsprozess einsetzen wollen?

Hier muss man zunächst unterscheiden zwischen Produkt- und Prozessinnovationen: Geht es um neue Produkte, die mit Hilfe von KI erstellt wurden oder gar um Produkte mit digitalen Komponenten, bei denen KI eine wichtige Rolle spielt? Oder geht es um Prozesse, beispielsweise um Fertigungs- oder Wissensverarbeitungsprozesse?

Wir haben uns am Fraunhofer ISI viel mit sogenannten »Non-R&D-Intensive Companies« beschäftigt, weil sie einen großen Teil der deutschen Wirtschaft ausmachen: Etwa zwei Drittel der Unternehmen in Deutschland sind kleine und mittelständische Unternehmen, die oft nur wenig für Forschung und Entwicklung ausgeben. Das macht sie in der europäischen Definition zwar zu »Non-R&D-Intensive Companies«, tatsächlich sind sie aber nachweislich sehr innovativ – und viele der Innovationen in diesen Unternehmen sind Prozessinnovationen.

Es reicht also nicht, nur auf neue Produkte zu schauen, die radikale Eigenschaften haben oder sogar den ganzen Markt disruptiv verändern. Stattdessen müssen wir uns intensiv mit den Prozessen beschäftigen.

Wenn es um die KI-Einsatz in Prozessen geht, worauf sollten KMU dann achten?

Wichtig ist eine Strategie, wie man von Daten zu Wissen und dann zu Innovationen kommt.

Zunächst müssen viele interne und externe Daten gesammelt und verfügbar gemacht werden: Daten aus Maschinen, Sensordaten aus dem Produktionsprozess, Daten aus Produkten, Daten von Kunden und Zulieferern.

Um aus diesen Daten Wissen zu generieren, kann man KI sehr gut einsetzen – und zwar nicht nur, um die Prozesse effizienter zu machen, sondern auch, um Neues anzustoßen, zum Beispiel durch die Kombination mit weiteren externen Daten oder Quellen. Die Analyse vorhandener Daten kann also Prozesse verbessern, aber darüber hinaus kann ein kreativer Umgang mit Daten und KI-Tools auch dazu führen, Dinge ganz neu zu sehen: Digital Visualization, Augmented Reality, Digital Twins, KI-basierte Modellierung der Lieferkette und 3D-Druck ermöglichen neue Sichtweisen auf Prozesse und Produkte, indem simuliert wird, was später einmal Realität werden könnte.

Wenn beispielsweise ein Maschinenhersteller sagt »Wir machen das jetzt nicht mehr wie früher, sondern mit Hilfe von KI-basierten Simulationstools« – dann wird aus der Konstruktionsabteilung gewissermaßen eine Innovationsabteilung. Sie bleibt natürlich weiterhin für die Konstruktion verantwortlich und ersetzt nicht die FuE-Abteilung, aber Innovationen mit KI sind im ganzen Unternehmen, in allen Fachbereichen möglich.

Für den Innovationserfolg von KMU ist die intelligente Absorption von neuem Wissen entscheidend: Es geht darum, internes und externes Wissen aufzunehmen und zu nutzen – und dabei kann KI sehr gut unterstützen.

Die Einführung von Digital Twins in der Produktentwicklung oder die KI-basierte Datenanalyse für die Logistik – das hört sich nach beratungsintensiven, teuren IT-Projekten an. Kann man denn nicht mit günstigen und breit genutzten KI-Tools wie ChatGPT oder Claude mit geringerem Einsatz KI für Innovationen einsetzen?

Das sind zwei unterschiedliche Dinge. Zunächst geht es um »Industrial AI«, das heißt um maßgeschneiderte KI-Lösungen, die nicht unbedingt etwas mit ChatGPT und Co. zu tun haben.

Unter »Industrial AI« versteht man zum Beispiel den Einsatz von Machine Learning für das Qualitätsmanagement, die vorausschauende Wartung oder wie erwähnt die Verbesserung interner Logistikprozesse. Die KI-Methoden, die hier verwendet werden, dürfen nicht halluzinieren, wir sind auf robuste, verlässliche und nachvollziehbare Ergebnisse angewiesen. Die bekommt man nur mit einem gewissen Entwicklungsaufwand, weil Daten bereitgestellt und harmonisiert und eigene Trainingsdurchläufe absolviert werden müssen.

Hinzu kommt, dass die KI-Einführung im Unternehmen oft etablierte Routinen verändert: Wir vom Fraunhofer ISI haben beispielsweise zusammen mit Partnern im Projekt KARL ein KI-Tool für die Schichtplanung entwickelt. Schichtplanung ist extrem komplex, da sind viele Mitarbeitende mit vielen unterschiedlichen Präferenzen, Befähigungen und Einschränkungen zu berücksichtigen.

Das Tool sollte den Planungsprozess beschleunigen und dadurch eine höhere Produktivität ermöglichen. Das alte Tool konnte mit der zunehmenden Komplexität nicht mehr umgehen. Tatsächlich konnte das neue KI-Tool alle Regeln integrieren und hat technisch geleistet, was das Unternehmen wollte.

Interessanterweise war nicht die technische Entwicklung die Herausforderung, sondern die Umsetzung in der betrieblichen Praxis. Diese erwies sich zunächst als schwierig – denn es gab ja schon einen Prozess, nämlich »so wie es immer schon gemacht wurde«. Um das neue KI-Tool effektiv einzusetzen, mussten wir zuerst einen Change-Management-Prozess im Unternehmen durchführen.

Auf der anderen Seite haben wir generative KI, also Tools wie ChatGPT und ähnliche, über die alle sprechen. Die sind anschaulicher und weniger mühsam als »Industrial AI«, man kann sie schneller für viele Anwendungen einsetzen. Deshalb ist generative KI zu so einem Hype-Thema im Innovationsmanagement geworden.

Wofür können KMU generative KI konkret einsetzen, um innovativer zu werden?

Ein wichtiges Anwendungsfeld ist die interne IT. Software-Entwickler:innen verwenden Tools wie zum Beispiel GitHub, die bei der Programmierung und Datenvereinheitlichung helfen. Dadurch können IT-Expert:innen heute viel effizienter arbeiten und Services für den ganzen Betrieb zur Verfügung stellen.

Aber man kann ChatGPT und Co. auch dafür einsetzen, das eigene Geschäftsmodell zu testen und auf neue Ideen zu kommen. Die Standard-KI-Tools sind gar nicht so schlecht, wenn es darum geht, Impulse zu geben, Beispiele aufzuzeigen und neue Kombinationen zu empfehlen.

Man kann die KI zum Beispiel fragen, wie man das Aktivitätsspektrum des Unternehmens erweitern könnte. Dazu gibt man bei ChatGPT das Aktivitäts- und Kompetenzprofil ein und lässt sich aufzeigen, wo neue Märkte oder Kunden sein könnten. Ein Prompt könnte lauten: »Zeige mir fünf Möglichkeiten, wie ich mit meinen Kompetenzen noch andere Geschäftsfelder adressieren kann.«

Das lässt sich weiter systematisieren. Wir unterstützen Unternehmen beispielsweise viel bei KI-basierten Zukunfts-, Umfeld- und Geschäftsmodellanalysen.

Wenn es darum geht, Kompetenzprofile, Stärken und Schwächen und damit sensible Unternehmensdaten als Information in ChatGPT einzugeben, sind die Firmen da nicht auch vorsichtig, was IT-Sicherheit und wettbewerbsrelevante Informationen angeht?

Ja, das ist ein großes Thema. Zumal die Mitarbeitenden das auch tun könnten, ohne dass dies von der Geschäftsleitung gewollt ist. Deshalb setzten viele Unternehmen inzwischen auf lokale Versionen oder nutzen Chatprogramme auf sicheren Cloud-Umgebungen.

Das lässt sich relativ leicht aufsetzen, viele Unternehmen machen das heute schon. Sobald sie lokale Versionen installiert haben, können sie damit auch ihre eigenen Wissensdatenbanken auswerten, zum Beispiel mit den Unternehmens-Wikis als Datenbasis. Auch KI-Agenten-Systeme lassen sich übrigens lokal aufsetzen und betreiben.

Kann man vor diesem Hintergrund sagen, dass sich KI-Investitionen für KMU heute schon rechnen, oder muss man geduldig sein und warten, bis sich die Investitionen refinanzieren, weil der Aufwand doch höher ist, als es zunächst scheint?

Beides. Mit einfachen Lösungen wie ChatGPT und anderen KI-Tools sehen wir bereits heute viele Quick Wins, Effizienzsteigerungen, tolle Ergebnisse in verschiedenen Use Cases.

Denken wir nur an die Datenaufbereitung: die Aufbereitung von Maschinendaten für die Nutzung in anderen Anwendungen, die automatische Einspeisung von Daten in Unternehmens-Wikis, die Sortierung von Datensätzen, das Herausziehen von Informationen aus der vorhandenen Wissensbasis im Unternehmen zur Erstellung von Angeboten, die Nutzung für die Konstruktion und Erstellung neuer Designs.

Dabei führen KI-Tools schnell zu einem greifbaren Effekt, und die Implementierung ist schnell, weil man dafür oft die Prozesse nicht ändern muss. Hier wird KI als zusätzliches Tool eingesetzt, um Dinge effizienter zu machen. Die Herausforderung ist eher, dass die unterschiedlichen Anwendungen, die oftmals von einzelnen Mitarbeitenden ausgehen, von der Unternehmensleitung strategisch koordiniert werden.

Anders sieht es aus, wenn ein effizienter KI-Einsatz erfordert, dass Prozesse sich ändern. Ich habe das Beispiel der Einführung eines KI-basierten Personaleinsatztools schon genannt. Bei traditionellen Unternehmen, zum Beispiel bei Familienbetrieben oder Unternehmen mit einer langen Geschichte, ist es oft schwierig, an Prozessen oder in der Organisation etwas zu ändern. Dort sind KI-Projekte zur Prozessverbesserung immer ein langfristiges Projekt.

Oft werden diese Projekte in den Unternehmen als »exotisch« betrachtet. Dort wird dann als erstes gekürzt, wenn man sparen muss. Aktuell ist es wegen der Krise natürlich so, dass alles, was nicht gleich Geld bringt, als nicht so attraktiv erscheint. Langfristig hilft dieses Vorgehen den Unternehmen aber natürlich nicht.

Es gibt die Vorstellung von autonomen, KI-generierten Innovationen: Innovationen auf Knopfdruck sozusagen, bei denen die KI den ganzen Prozess von der Entwicklung eines neuen Produkts bis zur Herstellung, zum Marketing und Vertrieb alles selbständig übernimmt. Wird der Innovationsprozess in Zukunft von Künstlicher Intelligenz dominiert?

Technisch könnte das wahrscheinlich irgendwann möglich sein, wenn man alle verfügbaren Daten intelligent miteinander verknüpft und wenn sich die Versprechen agentischer KI wirklich erfüllen.

Ich gebe aber zu bedenken, dass eine Innovation immer erst dann eine Innovation ist, wenn sie wirklich auf dem Markt ist, wenn sie Resonanz bei den Nutzer:innen findet oder wenn neue Prozesse wirklich umgesetzt werden. Geschieht dies nicht, ist es nur eine Invention.

Ich bin skeptisch, ob das in näherer Zukunft wirklich passiert. Als Technikforscher:innen wissen wir am Fraunhofer ISI, dass Technikentwicklung und Umsetzung unterschiedliche Geschwindigkeiten haben und dass Erwartungen oft nicht erfüllt werden.

Mein Eindruck ist außerdem, dass menschliche Kreativität dort überlegen ist, wo geteiltes Wissen verarbeitet wird, wo Wissen über Märkte, Bedürfnisse und Kontextfaktoren zusammenkommen. Das scheint mir noch eine andere Ebene zu sein.

Wenn wir sehen, wie in der Praxis Innovationen entstehen, dann ist es oft so, dass vieles aus interdisziplinären Teams kommt: Die Menschen sitzen zusammen, schauen sich unterschiedliche Ideen an, berücksichtigen internes Wissen über Kundenwünsche – und dann versuchen sie, etwas Neues zu entwickeln.

In einem anderen Modus entwickeln geniale Ingenieur:innen und Tüftler:innen tolle neue Technologien und versuchen diese dann zu vermarkten. Vor allem bei der Marktanalyse und im Marketing lässt sich dann KI unterstützend einsetzen.

Aber würde eine heutige KI beispielsweise auf die Idee kommen, die vielen Dinge, die man mit den Handys der ersten Generation machen konnte, in ein einziges Gerät zu packen und auf einer Plattform nahtlos miteinander zu verknüpfen, wie es dann mit dem iPhone gemacht wurde? Das Ganze wurde meiner Ansicht nach von menschlicher Kreativität angeleitet, die sich nicht so schnell per KI ersetzen lässt.

Ich danke dir für das Gespräch.