Hinter den Kulissen der KI-getriebenen Innovationsschmiede von Siemens

Wie viel Abstand braucht ein Innovationslabor zum eigenen Konzern? Benno Blumoser erinnert sich an einen Vergleich mit den Schwiegereltern: Sie sollten nicht so weit entfernt wohnen, dass sie mit dem Koffer anreisen müssen, aber auch nicht so nah, dass sie in Flip-Flops vorbeikommen. Für das Siemens AI Lab beschreibt dieses Bild eine organisatorische Aufgabe. Es braucht Freiraum zum Ausprobieren und zugleich genügend Nähe, damit aus den Versuchen etwas für das Unternehmen entsteht.

Im Gespräch mit Dr. Christian Mühlroth erklärt Blumoser, wie das Lab diese Balance sucht. Im Mittelpunkt stehen frühe Anwendungen industrieller KI, kurze Experimente und die Frage, wie aus einer technischen Möglichkeit ein tragfähiger Anwendungsfall wird.

Dabei unterscheidet er zwischen einem überzeugenden Prototyp und einer Lösung, die im Betrieb zuverlässig funktioniert. Gerade für Forschungs- und Entwicklungsteams ist dieser Unterschied entscheidend: Ein schneller Erkenntnisgewinn ist wertvoll, auch wenn die anschließende Umsetzung deutlich mehr Arbeit verlangt.

Exploration braucht einen anderen Auftrag als Skalierung

Blumoser beschreibt Siemens als ein Unternehmen, das funktionierende Ansätze gut auf weitere Regionen, Produkte und Anwendungen übertragen kann. Das Lab soll eine andere Fähigkeit stärken: neue Möglichkeiten erkunden, bevor klar ist, welches Ergebnis am Ende stehen wird.

Dafür braucht es einen Auftrag, der Lernen zulässt. Wenn ein Team schon zu Beginn jede Wirkung vollständig erklären und berechnen soll, bleibt wenig Platz für eine überraschende Erkenntnis. Das Lab soll deshalb Ideen früh ausprobieren und herausfinden, welche davon weitere Arbeit verdienen.

Die räumliche Situation macht den Anspruch anschaulich. Zum Zeitpunkt des Gesprächs arbeitet das Team am Münchner Viktualienmarkt, außerhalb eines klassischen Siemens-Gebäudes und dennoch in erreichbarer Nähe zur Zentrale. Auch personell bleiben Verbindungen wichtig: Mitarbeitende aus anderen Bereichen, Studierende und Trainees bringen Wissen und neue Perspektiven ein. Der Freiraum soll Austausch ermöglichen, nicht zu einer abgeschotteten Parallelwelt führen.

Eine Woche für eine ehrliche Antwort

Ein zentraler Baustein des Angebots ist ein intensiver Sprint. Ein Team kommt mit einer Hypothese, etwa der Vermutung, dass ein virtueller Assistent die Arbeit an einer Maschine erleichtern könnte. Innerhalb einer Woche entsteht ein früher Prototyp, der erste Hinweise auf Nutzen, Grenzen und Anforderungen liefert.

Die kurze Dauer ersetzt keine Vorbereitung. Die Fragestellung muss ausreichend präzise sein, und die nötigen Daten müssen bereitstehen. Erst dann lässt sich die gemeinsame Zeit sinnvoll zum Experimentieren nutzen.

Blumoser betont einen weiteren Vorteil: Nach einer Woche kann das Team noch relativ offen sagen, dass eine Idee nicht funktioniert. Nach vielen Monaten Arbeit wird dieselbe Aussage organisatorisch und persönlich schwieriger. Ein früher negativer Befund verhindert, dass immer mehr Aufwand in eine falsche Annahme fließt.

Nicht alle Beteiligten kennen ihre Hypothese bereits. Für sie gibt es vorgelagerte Orientierungssessions. Dort werden mögliche Anwendungen, vorhandene Daten und Erfahrungen aus anderen Bereichen zusammengebracht. Wenn ein Versuch Potenzial zeigt, übernehmen anschließend passende Geschäfts- oder Forschungsbereiche die weitere Entwicklung.

Verantwortung ergibt sich aus dem Einsatzgebiet

Mit „Responsible Industrial AI“ verbindet Blumoser industrielle Anwendungen und deren besondere Anforderungen. Die Daten aus Maschinen und Anlagen unterscheiden sich von denen großer digitaler Plattformen. Ebenso unterscheiden sich die Folgen eines Fehlers.

Wenn ein Sprachassistent zu Hause eine Frage nicht versteht, ist das ärgerlich. Wenn eine industrielle Anwendung eine Anlage beeinträchtigt oder eine Wartungsaufgabe nicht zuverlässig unterstützt, hat das andere Konsequenzen. Verantwortung gehört deshalb für ihn zur technischen Aufgabe selbst.

Ein Beispiel aus dem Gespräch ist ein digitaler Assistent für Mitarbeitende in einer Leitzentrale der Prozessindustrie. Das Team untersucht nicht nur die Interaktion, sondern auch Datenzugriffe und die technische Umgebung. Eine ständige Verbindung zur Cloud ist dort nicht selbstverständlich erwünscht oder verfügbar.

Blumoser berichtet, dass dieses Projekt mehrere Durchläufe im Lab absolvierte, weitere Finanzierung erhielt und schließlich bei einem Chemiekunden eingesetzt wurde. Das Lab unterstützte die frühe Erkundung. Die anschließende Entwicklung zum Produkt erforderte weitere Beteiligte und zusätzliche Arbeit.

Der unspektakuläre Prozess kann der interessante Anwendungsfall sein

KI in einem sichtbaren Produkt zieht Aufmerksamkeit auf sich. Blumoser weist darauf hin, dass auch interne Abläufe wirtschaftlich interessante Möglichkeiten bieten. Als Beispiel nennt er das Lieferanten- und Einkaufsumfeld.

Dort wurden Ansätze erprobt, mit denen Muster in Daten erkannt und Hinweise für die nächsten Entscheidungen gewonnen werden sollten. Welche Lieferanten verdienen besondere Aufmerksamkeit? Welche eingekauften Produkte könnten ähnlich genug sein, um eine Bündelung zu prüfen?

Der Nutzen liegt in diesem Beispiel in der Unterstützung konkreter Aufgaben. Die Domänenkenntnis der Fachleute und die technische Expertise müssen zusammenkommen, damit aus einem Muster eine sinnvolle Handlungshypothese wird. Für die Suche nach KI-Anwendungen lohnt deshalb der Blick auf alltägliche Prozesse, auch wenn sie weniger spektakulär wirken als eine neue Produkterfahrung.

Ein funktionierendes Modell lässt sich nicht einfach überall kopieren

Bei der Skalierung nennt Blumoser Daten und veränderte Einsatzbedingungen als zentrale Herausforderungen. Ein abgegrenzter Datensatz für einen Prototyp ist etwas anderes als die Vielfalt im laufenden Betrieb.

Sein Beispiel ist die visuelle Erkennung von Abfällen. Was in einer Recyclinganlage funktioniert, kann in der nächsten an anderen Lichtverhältnissen oder einer anderen Zusammensetzung des Materials scheitern. Auch neue Gegenstände im Abfall verändern die Aufgabe.

Damit wird die Annahme fragwürdig, eine digitale Lösung lasse sich nach dem ersten Erfolg beliebig übertragen. Qualität muss unter weiteren Bedingungen geprüft und über die Zeit erhalten werden. Industrielle KI verlangt auch nach dem ersten Demonstrator Entwicklungs- und Implementierungsarbeit.

Freiraum entsteht auch durch Führung

Für das kleine Lab-Team beschreibt Blumoser viel Eigenverantwortung. Die delegierte Autonomie habe Energie und Motivation freigesetzt und geholfen, auf Veränderungen dezentral zu reagieren. Gleichzeitig bleibt Kommunikation wichtig, um Möglichkeiten und Grenzen der Technologie verständlich zu machen.

Seine Botschaft an große Unternehmen ist entsprechend zuversichtlich:

„Hey, wir waren alle mal Startups.“

Gewachsene Unternehmen bringen Daten, Kundenbeziehungen, Prozesse und Netzwerke mit. Das Lab soll helfen, diese Stärken mit der Bereitschaft zu verbinden, eine Annahme schnell zu prüfen und aus dem Ergebnis die nächsten Schritte abzuleiten.