Von Stückzahl zur Nutzung Hardware-as-a-Service als neues Geschäftsmodell

Von Viacheslav Gromov*

Anbieter zum Thema

Lange galten die deutschen Maschinenbauer als Musterschüler. Doch inzwischen werden sie von der Konkurrenz aus China überholt. Ihre frühere Marktführerschaft können sie nur mit nutzenstiftenden Innovationen und neuen Geschäftsmodellen zurückerobern.

Jede Embedded-KI-Komponente wird gründlich geprüft.
Jede Embedded-KI-Komponente wird gründlich geprüft.
(Bild: AITAD)

Für die deutsche Wirtschaft, insbesondere den spezialisierten Mittelstand als deren Rückgrat, galten die letzten Jahrzehnte als „fette Jahre“. Der Gründer-, Tüftler- und Aufbruchsgeist nach dem Wiederaufbau ist verflogen. Effizienz hat die Effektivität endgültig besiegt. Statt also marktfähige Strategien zu erarbeiten, ist nun der Hauptbestandteil des wirtschaftlichen Handelns, das Herkömmliche zu optimieren. Die Zielfunktion: finanzieller Gewinn.

Laut einer Studie der Außenwirtschaftsförderungsagentur des Bundes German Trade and Invest (GTAI) hat der Exportanteil der deutschen Wirtschaft seit 2000 um 0,7 Prozent eingebüßt. Besonders betroffen ist der deutsche Maschinenbau, der seine Weltmarktführerschaft bereits 2020 an China abtreten musste. Dieser Abstand wird sich weiter vergrößern, glaubt die GTAI.

Grund genug also, sich Gedanken zu machen, wie Marktanteile gehalten oder sogar zurückerobert werden können. Dabei sind Kosten und Qualität nur ein Faktor. Entscheidend ist jedoch, welche Zusatznutzen künftig angeboten werden können. Diese müssen am Pain Point der Kunden und Kundinnen orientiert sein, damit sie dazu beitragen können, den Umsatz zu steigern. Begleitet von der Umsetzung neuer Geschäftsmodelle, eröffnet sich hier ein vitaler Zukunftsmarkt, auf dem wieder mehr Abstand zur asiatischen Konkurrenz gewonnen werden kann.

Abonnements als Win-Win für Herstellende und Kundschaft

Unternehmen kennen es schon seit längerem von Software: Anstatt ein Softwarepaket zu kaufen, bieten immer mehr Softwareanbietende ihre Lösungen entweder im Abo-Modell (zum Beispiel Microsoft Office, Altium Designer, Adobe Creative Cloud) oder sogar vollständig webbasiert (etwa Salesforce) an. Nutzende zahlen nunmehr für ein Abonnement, dessen Preis sich an der Zahl der Arbeitsplätze und/oder des genutzten Speichervolumens orientiert.

Messen und Testen von Soft- und Hardware in der Praxis - hier am Oszilloskop.
Messen und Testen von Soft- und Hardware in der Praxis - hier am Oszilloskop.
(Bild: AITAD)

An die Stelle von on-premise Lösungen treten damit laufend aktualisierte Applikationen. Diese machen dem oder der Anwendenden neue Funktionen, Bugfi-xes und Sicherheitsupdates sofort verfügbar.

Als Adobe von der Creative Suite als lokale Version auf die Creative Cloud als Software-as-a-Service umstellte, führte das zunächst dazu, dass der Umsatz zurückging. Doch bereits kurze Zeit nach der Umstellung übertrafen die Umsätze des Abo-Modells die der früheren Kaufversion.

Zusatznutzen durch Predictive Maintenance

Doch wie kann das Software-as-a-Service-Modell nun auf Hardware, insbesondere im Maschinenbau, übertragen werden? Denn schließlich braucht es einen Zusatznutzen, um die Kunden und Kundinnen von den Vorteilen einer solchen Lösung zu überzeugen. Wenn im Software-as-a-Service-Modell laufende Updates für die Aktualität und Sicherheit sorgen, braucht es bei Hardware ebenfalls ein zugkräftiges Argument, um auf eine Abo- oder Pay-per-Use-Lösung umzusteigen. Eine mögliche Antwort auf diese Frage ist eine Verfügbarkeitsgarantie, die den Kunden oder die Kundin vor ungeplanten Ausfällen schützt.

Die meisten Maschinenbauer beugen heute ungeplanten Maschinenausfällen vor, in dem sie ihrer Kundschaft regelmäßige Service- und Wartungsintervalle anbieten. Das ist sowohl für Kunde oder Kundin als auch Herstellende kostspielig und aufwändig. Nicht zuletzt deshalb geistert schon seit einigen Jahren der Begriff „Predictive / Preventive Maintenance“ durch die Branche. Doch in der Praxis trifft man meist nur auf Condition Monitoring. Der wesentliche Unterschied: Condition Monitoring stellt eine breite Datenbasis bereit, um einfach schlussfolgern zu können (beispielsweise „Öltemperatur ist zu hoch“). Predictive Maintenance jedoch analysiert diese Daten und trifft Vorhersagen für die Zukunft. Das heißt: Verlässliche und länger vorausschauende Aussagen werden erst mit Predictive Maintenance möglich.

Ist man in der Lage, mögliche Ausfälle zuverlässig vorherzusagen, ergeben sich daraus Konsequenzen für Service und Wartung. An die Stelle regelmäßiger Wartung treten On-Demand-Modelle. Das bedeutet, dass die Servicetechniker und -technikerinnen nur noch dann bei der Kundschaft sein müssen, wenn tatsächlich ein Wartungsfall vorliegt. Damit verbunden ist ein erhebliches Einsparpotential durch Planbarkeit. Es wird keine 24h-Bereitschaft mehr benötigt, ohne dass dies zu Lasten der Kunden und Kundinnen ginge. Vielmehr profitieren diese durch die Vermeidung ungeplanter Ausfälle.

Bestückung im Produktionsprozess einer Prototypen-Platine - hier halb-automatisiert.
Bestückung im Produktionsprozess einer Prototypen-Platine - hier halb-automatisiert.
(Bild: AITAD)

Gleichzeitig wächst das Interesse der Herstellenden, langlebige und hochwertige Maschinen zu bauen und geplante oder dem Kostendruck geschuldete Obsoleszenz zu vermeiden. Damit sinkt der Bedarf an Material und Energie, während gleichzeitig Kosten gespart werden. Geringerer Ressourcenverbrauch führt wiederum zu mehr Nachhaltigkeit und liegt damit im gesellschaftspolitischen Trend.

Jetzt Newsletter abonnieren

Verpassen Sie nicht unsere besten Inhalte

Mit Klick auf „Newsletter abonnieren“ erkläre ich mich mit der Verarbeitung und Nutzung meiner Daten gemäß Einwilligungserklärung (bitte aufklappen für Details) einverstanden und akzeptiere die Nutzungsbedingungen. Weitere Informationen finde ich in unserer Datenschutzerklärung.

Aufklappen für Details zu Ihrer Einwilligung

Zuverlässigkeit dank KI

Doch wie gelingt nun Predictive Maintenance zuverlässig? Der Schlüssel liegt im Einsatz von Künstlicher Intelligenz (KI). Mit ihrer Hilfe können die Daten ausgewertet werden, die von Sensoren im und am Gerät gesammelt werden. Die KI erkennt Anomalien im Betrieb und kann aufgrund dieser vor Fehlfunktionen warnen. Da zum Beispiel Verschleiß ein laufender Prozess ist, kann die KI rechtzeitig mitteilen, wenn ein bestimmtes Verschleißlevel erreicht wird, oder aus anderen Gründen ungewöhnliche Informationen gewonnen werden.

Embedded-KI ist ein interdisziplinäres Feld und geht nur in Teamarbeit zwischen den Ingenieur-Disziplinen.
Embedded-KI ist ein interdisziplinäres Feld und geht nur in Teamarbeit zwischen den Ingenieur-Disziplinen.
(Bild: AITAD)

Aktuell werden KI-Lösungen überwiegend in Form von Cloud- und Edge-Systemen angeboten. Das bedeutet, dass die von den Sensoren erfassten Daten auf einem zentralen Server verarbeitet werden. Dieser kann inhouse oder eben auch extern in der Cloud stationiert sein. Bei Edge-KI findet eine rudimentäre Vorverarbeitung „an der Netzwerkkante“ statt, das heißt, es werden nur die für relevant erachteten Daten an den Server gesendet. Sowohl bei Edge als auch in der Cloud findet die eigentliche Verarbeitung der Daten auf dem Server statt, der anschließend die Auswertungsergebnisse wieder an die Maschine zurückgibt. Dadurch entstehen Latenzzeiten, die einer Echtzeitreaktion im Wege stehen. Nicht zuletzt führt die Netzwerkinfrastruktur zu laufenden Kosten, die sich in vielen Anwendungsfällen mit Einmalzahlungen nicht rechnen und des-halb nicht rechtfertigen lassen. Darüber hinaus führt die notwendige Datenübertragung auch zu Kapazitätsbeschränkungen, aufgrund derer Daten nicht in der von den Sensoren erfassten Dichte übertragen werden können.

Von der Cloud in die Maschine

Diese Probleme löst nun Embedded-KI. Die noch sehr junge Technologie basiert auf der wachsenden Leistungsfähigkeit von Halbleitern. Bei Embedded-KI werden Sensoren und KI auf einer Platine („Systemkomponente“) vereint und die von den Sensoren erfassten Daten sofort ausgewertet. So können sehr große Datenmengen verarbeitet werden, die jedoch nicht ins Netzwerk übertragen werden müssen. Stattdessen gibt die Systemkomponente nur noch die Auswertungsergebnisse weiter - entweder direkt an das Gerät, in dem sie sich befindet oder eben an eine andere Instanz, wo diese Daten weiterverarbeitet werden können. Weil die KI in diesem Fall lokal wirkt, ist sie echtzeitfähig. Aufgrund der geringen Kosten von Sensoren und Halbleitern sind Embedded-KI-Systemkomponenten ebenfalls kostengünstig und aufgrund der Hardwarebeschränkungen (Energie, Speicher) insgesamt ressourcensparend. Da keine Datenübertragung erforderlich ist, entstehen auch keine Datenschutzprobleme oder Angriffsmöglichkeiten. Die Maschine ist dazu noch intelligenter als zuvor.

Embedded-KI-Systeme sind meist vollständig austrainierte Systeme, das heißt, die KI lernt nicht mehr im Gerät. Mit einem etwas höheren Aufwand sind jedoch inzwischen auch nachlernende Systeme möglich. Derartige Komponenten werden Use-Case-bezogen entwickelt, um maximale Robustheit sicher zu stellen. Neben Predictive Maintenance sind auch andere Einsatzszenarien, wie etwa Gesten-, Sprach- und Personenerkennung oder sogar funktionale Innovationen möglich.

Fazit

Qualität allein sichert keinen Markt. Um die frühere Marktposition zurückzuerobern, müssen deutsche Maschinenbauer auf nutzenstiftende Innovationen und neue Geschäftsmodelle setzen. Predictive Maintenance – also die möglichst exakte Vorhersage von Ausfällen – trifft unmittelbar den Pain Point der Kunden und Kundinnen. Dazu erlaubt diese – zuverlässig umgesetzt – Nichtausfallgarantien, spart Personal und Ressourcen ein und kann deswegen dazu eingesetzt werden, Geschäftsmodelle, die aus dem Softwaresektor schon bekannt sind, einzuführen. Hardware-as-a-Service garantiert den Herstellenden langfristig planbare Einnahmen und schützt die Kundschaft vor hohen Kosten durch ungeplante Ausfälle. Die technische Seite lässt sich mit Hilfe von Embedded-KI zudem kostengünstig umsetzen und schafft einen zusätzlichen USP, der dem Kunden oder der Kundin ein maximales Maß an Sicherheit gibt. Der richtige Mehrwert zur richtigen Zeit.

 * Viacheslav Gromov ist Gründer und Geschäftsführer von AITAD.

(ID:48982890)