Proalpha: KI im Mittelstand
Bei KI-Integration von Bewährtem profitieren

Ein Gastkommentar von Michael Wintergerst, Senior Vice President R&D Platform und Chief AI Officer, Proalpha GmbH 4 min Lesedauer

Anbieter zum Thema

Beim Installieren und Nutzen Künstlicher Intelligenz (KI) funktionieren vorgefertigte Systeme und Apps von Softwarespezialisten deutlich besser als individuell programmierte Konzepte.

Michael Wintergerst, Senior Vice President R&D Platform und Chief AI Officer, Proalpha GmbH: «Auf Fertigungsunternehmen zugeschnittene KI-Konzepte ‹ready-to-use›, verstehen Produktionsprozesse und Compliance-Anforderungen von Grund auf und funktionieren vom ersten Tag an.»(Bild:  Proalpha)
Michael Wintergerst, Senior Vice President R&D Platform und Chief AI Officer, Proalpha GmbH: «Auf Fertigungsunternehmen zugeschnittene KI-Konzepte ‹ready-to-use›, verstehen Produktionsprozesse und Compliance-Anforderungen von Grund auf und funktionieren vom ersten Tag an.»
(Bild: Proalpha)

Laut einer aktuellen Studie des Massachusetts Institute of Technologier (MIT) laufen 95 Prozent aller generativen KI-Pilotprojekte in Unternehmen zur Steigerung des Umsatzwachstums ins Leere. Die Kernursache liegt in einem fundamentalen „Learning Gap“. Generische KI-Tools sind für spezifische Unternehmensworkflows meist ungeeignet. Sie eignen sich aufgrund ihrer Flexibilität hervorragend für Einzelpersonen, scheitern jedoch im Unternehmensbereich, da sie nicht aus Arbeitsabläufen lernen oder sich an diese anpassen.

KI als Falle?

Im industriellen Umfeld verschärft sich das Problem, denn hier treffen moderne KI-Anforderungen auf jahrzehntealte Infrastrukturen. ERP-Systeme, MES-Plattformen und Produktionsanlagen verfügen oft nicht über die APIs und Datenstrukturen, die für eine nahtlose KI-Integration notwendig wären. Diese technische Altlast führt zu spürbaren Konsequenzen. Laut einer Studie des Kompetenzzentrums „WIRKsam“ scheitert fast jedes zweite KI-Projekt in Unternehmen – und das meist nicht an der Technologie selbst, sondern an mangelnder Datenqualität, fehlenden technischen Voraussetzungen und organisatorischen Faktoren.