Im Gespräch: Lukas Biedermann : Datenanalyse für eine grüne Industriewende

Sparetech reduziert Lagerbestände und Beschaffungskosten. Welche Rolle spielt KI bei der Vorhersage von Bedarfen und der Optimierung globaler Lieferketten?

Lukas Biedermann: KI kann historische Daten analysieren, um vorherzusagen, wann bestimmte Bauteile ausfallen und nachbestellt werden müssen. Dadurch ermöglicht sie eine proaktive Wartung und ein effizientes Bestandsmanagement. Durch den Einsatz von maschinellem Lernen auf Basis von Lieferantendaten kann KI Lieferzeiten präzise prognostizieren und die optimalen Zeitpunkte für Bestellungen vorschlagen. Dies hilft Unternehmen, Engpässe zu vermeiden und ihre Beschaffungsprozesse zu optimieren. Mithilfe komplexer Simulationen kann KI standortübergreifend berechnen, wie Ersatzteile am effizientesten verteilt werden sollten. So lassen sich Bestände optimal verwalten und Kosten reduzieren. Darüber hinaus analysiert und verarbeitet KI Bestandsdaten, um eine hohe Datenqualität und Standardisierung sicherzustellen. Dies schafft eine zuverlässige Grundlage für präzisere Bedarfsprognosen und eine verbesserte Planung.

Ihre Plattform verfolgt das Ziel einer „Zero-Waste Industrial Sharing Economy“. Wie trägt KI-basierte Datenanalyse zur Reduktion von CO₂-Emissionen und Ressourcenverschwendung bei?

Biederman: Zuverlässige und korrekte MRO-Daten (Maintenance, Repair & Operations) ermöglichen eine optimierte Ersatzteilbestandsführung. Dadurch können Fabriken unnötige Lagerbestände reduzieren, was den Platzbedarf im Lager verringert und die Verschwendung ungenutzter Ersatzteile minimiert, die mit der Zeit obsolet werden könnten. Durch verbesserte Datenqualität und eine optimierte Bestandsführung können Unternehmen verhindern, dass bis zu 40 % des MRO-Bestands, die typischerweise innerhalb von fünf Jahren ungenutzt bleiben, verschwendet werden. Eine bessere Datenbasis für Ersatzteile erleichtert zudem ein effizientes Teile-Pooling zwischen verschiedenen Produktionsstandorten. Dies reduziert doppelte Lagerbestände und vermeidet unnötige Beschaffungskosten und schont Ressourcen. Die Optimierung von Bestellzeitpunkten und -mengen auf Grundlage realer Verbrauchsmuster hilft außerdem, unnötige Transportwege zu vermeiden, Abfall zu reduzieren und die damit verbundenen CO2-Emissionen zu minimieren.

Sie nutzen Matching-Algorithmen, um Dateninkonsistenzen in Industriematerialstämmen zu identifizieren. Wie trainieren Sie Ihre KI-Modelle, um eine entsprechende Datenqualität zu gewährleisten?

Biedermann: Wir erkennen, dass unterschiedliche Aufgaben verschiedene Genauigkeitsstufen erfordern. In kritischen Bereichen wie der Dublettenbereinigung von Ersatzteilen, der Identifikation veralteter Teile und der technischen Anreicherung von Materialstammdaten setzen wir KI-Technologien ein, die Fehler minimieren und ungenaue Informationen deutlich reduzieren. In Bereichen, die Kreativität erfordern, nutzen wir generative KI in einer kontrollierten Umgebung, in der unsere Wissensbasis eine zentrale Rolle spielt, um Fehlinformationen zu vermeiden. Unser Anspruch ist es, hochpräzise, verifizierte und verlässliche Erkenntnisse bereitzustellen und gleichzeitig eine intuitive sowie benutzerfreundliche Anwendung zu gewährleisten. Daher geben wir unseren Kunden bewusste Kontrolle über alle KI-generierten Inhalte.

Welche Rolle spielt menschliche Expertise neben KI bei der Datenbereinigung, oder ist der Mensch in dieser Hinsicht schon obsolet?

Menschen spielen eine entscheidende Rolle, indem sie kritische Kontrolle und Kontext liefern – etwas, das KI nicht vollständig ersetzen kann. Durch den Einsatz von KI hat sich die Rolle des Menschen weiterentwickelt. Anstatt sich auf manuelle Dateneingabe zu konzentrieren, stehen heute strategische Entscheidungen im Vordergrund. Zudem bleibt mehr Zeit für zentrale Wartungsaufgaben, die einen direkten Einfluss auf die Betriebseffizienz haben. Sie übernimmt wiederholende Prüf- und Verifizierungsaufgaben, sodass Fachkräfte sich auf übergeordnete Analysen und fundierte Entscheidungen konzentrieren können. Der Schlüssel zum Erfolg liegt in der Zusammenarbeit zwischen menschlichem Wissen und den Fähigkeiten der KI. Letztendlich stellt KI ein leistungsstarkes Werkzeugset bereit, das Menschen dabei unterstützt, effizienter zu arbeiten und ihr volles Potenzial auszuschöpfen.

Der Einsatz von KI bringt auch Herausforderungen hinsichtlich Datenschutz und Urheberrechten mit sich. Wie adressieren Sie diese rechtlichen Fragestellungen im Hinblick auf die Nutzung und Verarbeitung sensibler Ersatzteildaten?

Biedermann: Bevor Daten verarbeitet werden, muss die ausdrückliche Zustimmung der Dateninhaber eingeholt werden. Zudem ist es wichtig, eine klare und verständliche Dokumentation bereitzustellen, die den Zweck der Datennutzung sowie die angewendeten Verarbeitungsmethoden offenlegt. Transparenz in KI-gesteuerten Entscheidungsprozessen spielt eine zentrale Rolle, um Vertrauen zu schaffen und nachvollziehbare Ergebnisse zu gewährleisten. Um den Schutz sensibler Daten zu gewährleisten, werden Verschlüsselungstechnologien auf Unternehmensniveau sowohl für die Speicherung als auch für die Übertragung von Daten eingesetzt. Strenge Zugriffskontrollen und Authentifizierungsprotokolle sorgen dafür, dass nur autorisierte Personen auf die Daten zugreifen können. Zusätzlich werden regelmäßige Sicherheitsupdates und Penetrationstests durchgeführt, um potenzielle Schwachstellen frühzeitig zu identifizieren und zu beheben. Regelmäßige Überprüfungen stellen sicher, dass alle Prozesse den Anforderungen der DSGVO sowie branchenspezifischen Vorschriften entsprechen. Darüber hinaus werden in festgelegten Abständen Audits der Datenverarbeitungsprozesse durchgeführt, um Sicherheitsstandards und Best Practices zu gewährleisten. Eine detaillierte Dokumentation aller Datenverarbeitungstätigkeiten sorgt für maximale Nachvollziehbarkeit und erleichtert die Einhaltung gesetzlicher Vorgaben.

Die Klimakrise treibt Branchen zur Transformation. Welche neuen Geschäftsmodelle sehen Sie durch KI-gestützte Sharing-Economy-Ansätze aufkommen?

Biedermann: Die Klimakrise fungiert als zentraler Treiber für innovative Geschäftsmodelle, bei denen KI-gestützte Sharing-Economy-Ansätze eine Schlüsselrolle spielen. Ein Beispiel ist die dynamische Ressourcennutzung: KI analysiert Echtzeitdaten zu Angebot und Nachfrage, um die Verteilung von Ressourcen wie Fahrzeugen oder Büroflächen zu optimieren. Dadurch wird Leerlauf reduziert und die Auslastung maximiert. Weiter entstehen KI-gesteuerte Peer-to-Peer-Marktplätze, auf denen Algorithmen Preise und Verfügbarkeiten sekundengenau anpassen. Im industriellen Kontext ermöglicht automatisiertes Supply-Chain-Sharing, dass Unternehmen überschüssige Produktionskapazitäten oder Logistikressourcen über KI-Plattformen teilen. Dieses „Ressourcenpooling“ optimiert Lieferketten global und senkt den ökologischen Fußabdruck.