Data & AI Strategy und AI-Roadmap
Am Anfang steht kein Werkzeug, sondern ein Zielbild. Eine tragfähige AI-Strategie klärt, wo AI im Unternehmen den größten Nutzen stiftet, welche Anwendungsfälle priorisiert werden und in welcher Reihenfolge sie umgesetzt werden können.
Emixa entwickelt dieses Zielbild gemeinsam mit Fach- und IT-Verantwortlichen und leitet daraus eine realistische Roadmap ab. Betrachtet werden Geschäftsnutzen, Datenlage und Kontext, Plattformen, Governance, vorhandene Fähigkeiten und der notwendige Investitionsbedarf. So entsteht ein Weg, der schnelle erste Ergebnisse mit einer belastbaren Grundlage für die Skalierung verbindet.
Zu jedem priorisierten Anwendungsfall gehören ein messbares Ziel, ein fachlich verantwortlicher Owner und klare Kriterien für die Entscheidung nach dem Pilot. Damit wird die Roadmap nicht zu einer Liste technischer Ideen, sondern zu einem steuerbaren Portfolio aus Nutzen, Aufwand, Risiko und organisatorischer Veränderung.
Entscheidend ist, dass Strategie und Datenrealität zusammenpassen. Eine AI-Roadmap, die den Zustand der eigenen Daten ignoriert, führt zu Piloten, die sich nicht produktiv setzen lassen. Deshalb betrachtet Emixa Datenzugang, Unternehmenskontext und Governance von Anfang an als Teil der Strategie.
Emixa entwickelt dieses Zielbild gemeinsam mit Fach- und IT-Verantwortlichen und leitet daraus eine realistische Roadmap ab. Betrachtet werden Geschäftsnutzen, Datenlage und Kontext, Plattformen, Governance, vorhandene Fähigkeiten und der notwendige Investitionsbedarf. So entsteht ein Weg, der schnelle erste Ergebnisse mit einer belastbaren Grundlage für die Skalierung verbindet.
Zu jedem priorisierten Anwendungsfall gehören ein messbares Ziel, ein fachlich verantwortlicher Owner und klare Kriterien für die Entscheidung nach dem Pilot. Damit wird die Roadmap nicht zu einer Liste technischer Ideen, sondern zu einem steuerbaren Portfolio aus Nutzen, Aufwand, Risiko und organisatorischer Veränderung.
Entscheidend ist, dass Strategie und Datenrealität zusammenpassen. Eine AI-Roadmap, die den Zustand der eigenen Daten ignoriert, führt zu Piloten, die sich nicht produktiv setzen lassen. Deshalb betrachtet Emixa Datenzugang, Unternehmenskontext und Governance von Anfang an als Teil der Strategie.
Erzeugen und Handeln: generative AI und AI-Agenten
Generative AI und AI-Agenten sind verwandt, aber nicht dasselbe. Wer beide Begriffe unterscheidet, kann Nutzen, Aufwand und Risiko sehr viel klarer einschätzen.
Generative AI erzeugt Inhalte aus Ihren Engineering- und Geschäftsdaten: Entwürfe für Spezifikationen, technische Dokumentation, Arbeitsanweisungen, Änderungsbeschreibungen oder Code für Integrationen und Reports. Der Nutzen hängt davon ab, ob das Modell Zugriff auf relevante, aktuelle und richtig eingeordnete Unternehmensinformationen erhält.
AI-Agenten gehen einen Schritt weiter. Sie führen Aufgaben über PLM, ERP, MES und weitere Systeme hinweg aus, innerhalb definierter Berechtigungen, Freigaben und menschlicher Aufsicht, zum Beispiel die Bewertung der Auswirkungen einer technischen Änderung oder die Vorbereitung einer Stücklistenüberführung zur Prüfung. Ein generatives Modell kann in einem Agenten stecken, aber der Agent ergänzt die Prozess- und Steuerungslogik darum herum.
Diese Steuerungslogik ist der eigentliche Unterschied. Ein Agent braucht klare Werkzeuge, Berechtigungen, Prozessgrenzen und Freigabepunkte. Ohne sie bleibt aus einer eindrucksvollen Demo keine produktiv einsetzbare Lösung.
Auch die Qualität muss unterschiedlich geprüft werden: Bei generativer AI stehen Richtigkeit, Quellenbezug und ein angemessener Umgang mit Unsicherheit im Vordergrund. Bei AI-Agenten kommen Prozesssicherheit, nachvollziehbare Aktionen, Fehlerbehandlung und ein verlässlicher Abbruch oder die Übergabe an einen Menschen hinzu.
Generative AI erzeugt Inhalte aus Ihren Engineering- und Geschäftsdaten: Entwürfe für Spezifikationen, technische Dokumentation, Arbeitsanweisungen, Änderungsbeschreibungen oder Code für Integrationen und Reports. Der Nutzen hängt davon ab, ob das Modell Zugriff auf relevante, aktuelle und richtig eingeordnete Unternehmensinformationen erhält.
AI-Agenten gehen einen Schritt weiter. Sie führen Aufgaben über PLM, ERP, MES und weitere Systeme hinweg aus, innerhalb definierter Berechtigungen, Freigaben und menschlicher Aufsicht, zum Beispiel die Bewertung der Auswirkungen einer technischen Änderung oder die Vorbereitung einer Stücklistenüberführung zur Prüfung. Ein generatives Modell kann in einem Agenten stecken, aber der Agent ergänzt die Prozess- und Steuerungslogik darum herum.
Diese Steuerungslogik ist der eigentliche Unterschied. Ein Agent braucht klare Werkzeuge, Berechtigungen, Prozessgrenzen und Freigabepunkte. Ohne sie bleibt aus einer eindrucksvollen Demo keine produktiv einsetzbare Lösung.
Auch die Qualität muss unterschiedlich geprüft werden: Bei generativer AI stehen Richtigkeit, Quellenbezug und ein angemessener Umgang mit Unsicherheit im Vordergrund. Bei AI-Agenten kommen Prozesssicherheit, nachvollziehbare Aktionen, Fehlerbehandlung und ein verlässlicher Abbruch oder die Übergabe an einen Menschen hinzu.
Von Piloten zu Enterprise Adoption
Viele Unternehmen haben erste AI-Piloten erprobt. Der schwierige Schritt liegt danach: aus einzelnen Experimenten einen kontrollierten, unternehmensweiten Einsatz zu machen.
Dabei geht es um Sicherheit, Datenzugriff, Skalierbarkeit, Kosten, Governance, Betrieb, Verantwortung und die Akzeptanz durch die Anwender. Ein Pilot, der diese Punkte nicht klärt, bleibt eine Demo. Emixa begleitet den Übergang, indem bestehende Piloten geprüft, auf ein tragfähiges Fundament gehoben und in einen geregelten Betrieb überführt werden.
Der AI Accelerator hilft dabei, weil neue Anwendungsfälle auf bereits vorhandene Datenanbindungen, Kontextlogik, Berechtigungen und Betriebsstrukturen aufsetzen können, statt jedes Mal neu zu beginnen.
Für den produktiven Betrieb braucht jeder Anwendungsfall definierte Qualitätsmessungen, Versionierung, Monitoring und einen Prozess für Abweichungen. Modell- oder Prompt-Änderungen werden kontrolliert getestet; Nutzung, Kosten und Nutzerfeedback zeigen, ob der erwartete Geschäftsnutzen tatsächlich erreicht wird.
Dabei geht es um Sicherheit, Datenzugriff, Skalierbarkeit, Kosten, Governance, Betrieb, Verantwortung und die Akzeptanz durch die Anwender. Ein Pilot, der diese Punkte nicht klärt, bleibt eine Demo. Emixa begleitet den Übergang, indem bestehende Piloten geprüft, auf ein tragfähiges Fundament gehoben und in einen geregelten Betrieb überführt werden.
Der AI Accelerator hilft dabei, weil neue Anwendungsfälle auf bereits vorhandene Datenanbindungen, Kontextlogik, Berechtigungen und Betriebsstrukturen aufsetzen können, statt jedes Mal neu zu beginnen.
Für den produktiven Betrieb braucht jeder Anwendungsfall definierte Qualitätsmessungen, Versionierung, Monitoring und einen Prozess für Abweichungen. Modell- oder Prompt-Änderungen werden kontrolliert getestet; Nutzung, Kosten und Nutzerfeedback zeigen, ob der erwartete Geschäftsnutzen tatsächlich erreicht wird.
AI-Governance, EU AI Act und Security
Mit wachsender AI-Nutzung steigt die Bedeutung von Governance. Es muss klar sein, welche Daten und Kontextinformationen ein Modell oder ein AI-Agent nutzen darf, wer Ergebnisse verantwortet und an welcher Stelle ein Mensch entscheidet. Besonders wenn AI-Agenten Aktionen in SAP, Teamcenter oder anderen geschäftskritischen Systemen auslösen können, sind Grenzen, Berechtigungen, Nachvollziehbarkeit und Freigabeprozesse unverzichtbar.
Hinzu kommen regulatorische Anforderungen. Der EU AI Act ordnet AI-Anwendungen nach Risiko ein und verlangt je nach Einstufung Transparenz, Dokumentation, Datenqualität und menschliche Aufsicht. Zusammen mit Datenschutz und weiteren Vorgaben sollte Regulatorik nicht nachträglich, sondern von Anfang an mitgedacht werden: als Teil von Datenarchitektur, Plattform, Anwendungsfall und Betriebsmodell.
Governance darf den produktiven Einsatz nicht verhindern, muss ihn aber kontrollierbar machen. Ziel sind klare Leitplanken für Modelle, Datenzugriff, Kontext, Berechtigungen, Tests, Freigaben, Monitoring und kontinuierliche Verbesserung.
Ein Anwendungsfallregister schafft dafür Transparenz: Zweck, Owner, verwendete Daten und Modelle, Risikoeinstufung, vorgesehene Nutzer, menschliche Kontrollpunkte und Betriebsverantwortung werden nachvollziehbar dokumentiert. So lassen sich Anforderungen und Kontrollen passend zum tatsächlichen Risiko festlegen.
Security beginnt beim Zugriff auf Daten, Modelle und Unternehmenssysteme. Nutzer, Anwendungen und AI-Agenten benötigen eindeutig definierte Identitäten, Rollen und Berechtigungen. APIs, technische Identitäten, Schlüssel und Modellzugriffe müssen geschützt, protokolliert und überwacht werden. Besonders bei agentischen Anwendungen muss nachvollziehbar bleiben, welche Informationen ein Agent nutzen und welche Aktionen er selbstständig auslösen darf.
Hinzu kommen regulatorische Anforderungen. Der EU AI Act ordnet AI-Anwendungen nach Risiko ein und verlangt je nach Einstufung Transparenz, Dokumentation, Datenqualität und menschliche Aufsicht. Zusammen mit Datenschutz und weiteren Vorgaben sollte Regulatorik nicht nachträglich, sondern von Anfang an mitgedacht werden: als Teil von Datenarchitektur, Plattform, Anwendungsfall und Betriebsmodell.
Governance darf den produktiven Einsatz nicht verhindern, muss ihn aber kontrollierbar machen. Ziel sind klare Leitplanken für Modelle, Datenzugriff, Kontext, Berechtigungen, Tests, Freigaben, Monitoring und kontinuierliche Verbesserung.
Ein Anwendungsfallregister schafft dafür Transparenz: Zweck, Owner, verwendete Daten und Modelle, Risikoeinstufung, vorgesehene Nutzer, menschliche Kontrollpunkte und Betriebsverantwortung werden nachvollziehbar dokumentiert. So lassen sich Anforderungen und Kontrollen passend zum tatsächlichen Risiko festlegen.
Security beginnt beim Zugriff auf Daten, Modelle und Unternehmenssysteme. Nutzer, Anwendungen und AI-Agenten benötigen eindeutig definierte Identitäten, Rollen und Berechtigungen. APIs, technische Identitäten, Schlüssel und Modellzugriffe müssen geschützt, protokolliert und überwacht werden. Besonders bei agentischen Anwendungen muss nachvollziehbar bleiben, welche Informationen ein Agent nutzen und welche Aktionen er selbstständig auslösen darf.
Digital Twin
Ein digitaler Zwilling verbindet aktuelle Shopfloor-Daten über IoT mit Produkt-, Prozess- und Geschäftsdaten aus PLM, ERP, MES und weiteren Quellen. Statt eine Änderung nur auf dem Papier zu beurteilen, lässt sich ihre Wirkung zuerst virtuell testen: wie sich eine Konstruktionsänderung, ein neuer Parameter oder ein anderes Setup auf Produktion, Kosten und Qualität auswirkt.
Ein Digital Twin ist dabei mehr als ein 3D-Modell oder eine einmalige Simulation. Er verbindet eine eindeutig identifizierte Anlage, Linie oder ein Produkt mit seinem aktuellen Zustand, dem gültigen technischen Stand und geeigneten Verhaltensmodellen. Welche Detailtiefe sinnvoll ist, richtet sich nach der Entscheidung: vom Zustandsbild einer einzelnen Maschine bis zur Simulation von Materialfluss, Energiebedarf oder Produktionskapazität.
AI ergänzt den Digital Twin, indem sie Muster in Betriebsdaten erkennt, Parameter vorschlägt oder Szenarien priorisiert. Die physikalischen und prozessualen Grenzen des Zwillings bleiben dabei maßgeblich; Empfehlungen werden gegen reale Messwerte validiert und kontrolliert in den Prozess zurückgeführt.
Dasselbe Modell, das eine einzelne Änderung zu optimieren hilft, verbessert über die Zeit auch Produkte und Abläufe. Denn es hält die Verbindung zwischen dem, was konstruiert wurde, dem, was geplant ist, und dem, was real auf dem Shopfloor passiert. Voraussetzung sind eindeutige Objektidentitäten, verlässliche Zeitreihen, passende Modelle und klare Verantwortlichkeiten für Daten und Entscheidungen. So wird AI Teil eines geschlossenen Kreislaufs statt einer isolierten Auswertung.
Ein Digital Twin ist dabei mehr als ein 3D-Modell oder eine einmalige Simulation. Er verbindet eine eindeutig identifizierte Anlage, Linie oder ein Produkt mit seinem aktuellen Zustand, dem gültigen technischen Stand und geeigneten Verhaltensmodellen. Welche Detailtiefe sinnvoll ist, richtet sich nach der Entscheidung: vom Zustandsbild einer einzelnen Maschine bis zur Simulation von Materialfluss, Energiebedarf oder Produktionskapazität.
AI ergänzt den Digital Twin, indem sie Muster in Betriebsdaten erkennt, Parameter vorschlägt oder Szenarien priorisiert. Die physikalischen und prozessualen Grenzen des Zwillings bleiben dabei maßgeblich; Empfehlungen werden gegen reale Messwerte validiert und kontrolliert in den Prozess zurückgeführt.
Dasselbe Modell, das eine einzelne Änderung zu optimieren hilft, verbessert über die Zeit auch Produkte und Abläufe. Denn es hält die Verbindung zwischen dem, was konstruiert wurde, dem, was geplant ist, und dem, was real auf dem Shopfloor passiert. Voraussetzung sind eindeutige Objektidentitäten, verlässliche Zeitreihen, passende Modelle und klare Verantwortlichkeiten für Daten und Entscheidungen. So wird AI Teil eines geschlossenen Kreislaufs statt einer isolierten Auswertung.
Technologien für AI
Für Azure-basierte AI-Architekturen nutzt Emixa Microsoft Foundry und weitere Azure-Dienste. Abhängig von Anwendungsfall, Anforderungen und Verfügbarkeit können Modelle unterschiedlicher Anbieter eingesetzt werden, unter anderem von OpenAI, Anthropic und Mistral. Die Auswahl richtet sich nach dem konkreten Anwendungsfall, der geforderten Qualität, Sicherheits- und Compliance-Anforderungen, Antwortzeit und Kosten, nicht nach einem einzelnen Anbieter.
Eine geregelte Daten- und Reporting-Plattform stellt die benötigten Unternehmensdaten, Zugriffsregeln und den fachlichen Kontext bereit. Der AI Accelerator ergänzt Modellzugriff, Kontextaufbereitung, Evaluierung, Protokollierung und die Einbindung in Anwendungen und Prozesse. Beide Bausteine greifen ineinander, behalten aber klar getrennte Verantwortlichkeiten.
Eine geregelte Daten- und Reporting-Plattform stellt die benötigten Unternehmensdaten, Zugriffsregeln und den fachlichen Kontext bereit. Der AI Accelerator ergänzt Modellzugriff, Kontextaufbereitung, Evaluierung, Protokollierung und die Einbindung in Anwendungen und Prozesse. Beide Bausteine greifen ineinander, behalten aber klar getrennte Verantwortlichkeiten.
.svg){kind=small}
