Agile Organisation Organisation 4.0

Agile Organisation

Zehn Schritte zum agilen Unternehmen

Methoden

Use Cases & Fallbeispiele

Definition

Agilität – was ist das überhaupt?

In der sogenannten VUCA-Welt – „volatility“ (Volatilität), „uncertainty“ (Unsicherheit), „complexity“ (Komplexität) und „ambiguity“ (Mehrdeutigkeit) –, d. h. einer Welt schneller Veränderungen und Unsicherheiten, sollten Unternehmen so organisiert sein, dass sie rechtzeitig bei neuen Entwicklungen und Ereignissen kreativ agieren können. Industrie 4.0 verschärft die Notwendigkeit, sich stetig neuen Situationen anzupassen.

Eine agile Unternehmensorganisation, in dafür geeigneten Bereichen, kann dabei helfen, diesen Anforderungen gerecht zu werden. Agilität ist die Fähigkeit eines Unternehmens, seine Organisation oder Teile seines Geschäftsmodells in kurzer Zeit auf neu entstehende Marktanforderungen und die damit einhergehenden Chancen anzupassen. Agil sein bedeutet also, flexibel, reaktiv aber auch antizipativ und initiativ zu handeln.

Agiliät im Unternehmen lässt sich nicht kurzerhand umsetzen. Um weiterhin erfolgreich zu sein, sollten sich Unternehmen selbst und Ihre Kultur ständig hinterfragen. Eine Abkehr von bisherigen Strukturen sollte kein Tabu sein. Wie jede Veränderung kann dies zur Verunsicherung der MitarbeiterInnen und Instabilität führen. Agile Organisationsformen und Projekte sollten deshalb nur Schritt für Schritt umgesetzt und entsprechend skaliert werden.

Führen Sie Ihre MitarbeiterInnen schrittweise in angepassten, aber effektiven Schritten an agile Prinzipien und Methoden heran und fördern Sie möglichst positive Erfahrungen mit diesen. So tragen Sie dazu bei, dass eine Akzeptanz für die veränderte Organisationsform entsteht.

Zehn Schritte zum agilen Unternehmen

Um alle Beteiligten bestmöglich auf agile Arbeitsweisen vorzubereiten, ist es unerlässlich, dass entsprechendes Fach- und Methodenwissen bei den betroffenen Personen aufgebaut wird.

Unternehmen sollten den MitarbeiterInnen die Möglichkeit geben, sich fachlich weiterzubilden, Trainings zu besuchen und Zertifikate zu erwerben. MitarbeiterInnen, die frühzeitig praktische Erfahrungen zum Thema agile Methoden und Vorgehensweisen sammeln, können als wertvolle Multiplikatoren fungieren und zur Verbreitung eines agilen Mindsets im gesamten Unternehmen beitragen.

Machthierarchien und klassisches Rollenverständnis werden im Rahmen der agilen Transformation einzelner Unternehmensbereiche weitgehend abgeschafft und durch klare Ziele und Visionen ersetzt. Agile Organisationen verfolgen Rollenkonzepte, die eine hohe Flexibilität und Anpassungsfähigkeit des Unternehmens ermöglichen. Statt einer klassischen pyramidenförmigen Hierarchie zeichnen sich agile Unternehmen durch autonome Organisationseinheiten aus, die sich weitgehend selbst steuern und nicht durch eine darüberliegende Hierarchieebene organisiert werden.

Im Unterschied zu den klar vergebenen Positionen in einem hierarchisch organisierten Unternehmen sind die Rollen in agilen Unternehmen dynamisch und nicht dauerhaft bestimmten Personen zugeordnet. Die Auswahl geeigneter MitarbeiterInnen wird individuell getroffen – Kompetenzen und Persönlichkeitsmerkmale müssen zu den Anforderungen der Rolle passen.

Auch die Führungskräfte müssen sich mit neuen Aufgaben und einem veränderten Rollenverständnis im agilen Umfeld auseinandersetzen. Die dezentrale Aufbau- und Ablauforganisation erfordern ein anderes Führungsverständnis als bisher. Führungskräfte sind im agilen Kontext keine klassischen Kontrollinstanzen. Vielmehr geben Sie die Rahmenbedingungen vor, in denen Lösungen und Ergebnisse erarbeitet werden.

Es ist wichtig, eine agile Vision oder ein agiles Zielbild im Unternehmen zu erarbeiten und zu verbreiten. Dieses Leitbild sollte agile Strukturen, ein verändertes Kulturverständnis und eine neue Definition von Führung beinhalten.

Vorteile und Auswirkungen der agilen Transformation auf das gesamte Unternehmen sollten klar beschrieben sein. Die Vision muss von der gesamten Führungsebene akzeptiert, vorgelebt und umgesetzt werden. Zusammen mit den MitarbeiterInnen lassen sich Werte und eine gemeinsame Identität für den Wandel hin zur agilen Organisation entwickeln, die von allen getragen werden.

Jede Veränderung bringt auch Widerstand mit sich. Es kann eine ablehnende Haltung gegenüber den neu definierten Rollen und Prozessen entstehen. Außerdem können sich einzelne Organisationseinheiten benachteiligt fühlen, wenn die Einführung agiler Methoden und Pilotprojekte zunächst nur in anderen Unternehmensbereichen erfolgt. Es ist wichtig, frühzeitig und offen alle Pläne zu kommunizieren und den Beteiligten bewusst und transparent zu machen, welche Herausforderungen mit der neuen Vorgehensweise gelöst werden sollen.

Die wichtigsten Stakeholder, das Top-Management, die Führungskräfte und angesehene Multiplikatoren des Unternehmens müssen die agile Transformation wollen – ungeachtet möglicher persönlicher Nachteile. Im Englischen spricht man häufig vom „buy in“ der Stakeholder.

Scheitern ist im agilen Vorgehen erlaubt. Mit dieser Erlaubnis werden die MitarbeiterInnen mutiger, trauen sich zu experimentieren und Dinge einfach umzusetzen. Das ist eine wichtige Voraussetzung für agiles Arbeiten. Querdenken erfordert eine Kultur des Zulassens, der Fehlertoleranz und Innovation.

Agile Methoden schaffen große Transparenz über laufende und zu erledigende Arbeiten. Diese Transparenz hilft dabei, vorausgegangene Fehler zu erkennen und nicht zielführendes Vorgehen in das Bewusstsein zu rücken. Agile Methoden, wie beispielsweise SCRUM, leben von kontinuierlichen Verbesserungen. Hierfür ist es notwendig, Fehler sowie Ideen für Verbesserungen über alle Organisationseinheiten hinweg offen ansprechen und diskutieren zu können.

In agilen Organisationen arbeiten MitarbeiterInnen selbstbestimmt und selbstorganisiert. Um aktuelle Themen der Digitalisierung flexibel bedienen zu können, müssen Organisationen das Silodenken unterschiedlicher Bereiche aufbrechen und funktionsübergreifende, selbstorganisierte Teams zusammenbringen. Dafür ist ein hohes Maß an Eigeninitiative und Eigenverantwortung notwendig, das durch die Übertragung von Entscheidungsbefugnissen auf die selbstorganisierten Teams unterstützt werden muss. Agile Meeting-Formate helfen dabei, Transparenz über aktuelle Projekte in den selbstorganisierten Teams zu schaffen und die Arbeit zu strukturieren.

Die Umsetzung agiler Projekte sollte inkrementell und iterativ sein. Die unterschiedlichen Stakeholder und Entwickler durchlaufen einen ständigen Zyklus von Planung, Aktion und Reflektion, wodurch eine Kultur des Lernens und der regelmäßigen Anpassung erzeugt wird.

Nach jeder abgeschlossenen Iteration wird ein funktionierender Zwischenstand des Produkts (Inkrement) abgeliefert. Dem Produkt werden bei jedem weiteren Zyklus neue Funktionen hinzugefügt. Durch diese iterative und inkrementelle Vorgehensweise haben alle Beteiligten die Möglichkeit, Änderungen einzubringen, von den Erkenntnissen der vorhergehenden Iteration zu lernen und den Prozess sowie das Produkt kontinuierlich zu verbessern. Den NutzerInnen werden die Zwischenergebnisse zeitnah zur Verfügung gestellt, um regelmäßig Feedback zu erhalten.

Agile Unternehmen sind in der Lage, proaktiv zu handeln. Sie erkennen Marktentwicklungen und Kundenwünsche frühzeitig und nutzen die Chance, das Unternehmen mittels Innovationen schnell auf neue Anforderungen auszurichten. Bei agilen Unternehmen und Methoden steht die NutzerIn im Vordergrund. Dadurch ergibt sich eine hohe KundInnenorientierung. Sie werden über dezentrale Einheiten schnell in die strategischen Entwicklungen/Entscheidungen einbezogen.

Ziel agiler Teams ist es, den KundInnen das bestmögliche Produkt für ihre Anforderungen zu liefern. Im Gegensatz zu klassischen Unternehmensstrukturen wird die Anforderungsaufnahme und die Strategie in der agilen Vorgehensweise komplett an den KundInnen ausgerichtet.

Um erfolgreich auf ein agiles Vorgehensmodell umstellen zu können, müssen im Unternehmen die Voraussetzungen für eine agile Arbeitsorganisation geschaffen und ein stimmiges Transformationskonzept entwickelt werden:

  • Vision: Eine starke Vision muss von Anfang an den Weg zur agilen Transformation stützen. Sie muss den Nutzen für das Unternehmen und einzelne Unternehmensbereiche ins Zentrum stellen.
  • Kultur: Festgefahrene Hierarchien müssen durch Selbstorganisation ersetzt werden. Ebenso sollten durch Rollenschulungen und Coachings Selbstverantwortung und ein agiles Mindset gefördert werden.
  • Agiles Mindset: Wichtige Stakeholder, Führungskräfte und Multiplikatoren im Unternehmen müssen zeigen, dass sie die agile Transformation wirklich wollen und die MitarbeiterInnen entsprechend motivieren.
  • Kommunikation: Es muss immer wieder offen über den Sinn und Zweck der Transformation gesprochen werden. Ängste und Bedenken der MitarbeiterInnen müssen ernst genommen werden. Nur so kann  Vertrauen in den Nutzen der Maßnahmen geschaffen werden.

Die Einführung agiler Arbeitsweisen betrifft fast nie das gesamte Unternehmen. Denn sie ist nicht in jedem Fall sinnvoll und sollte immer schrittweise angegangen werden – in ausgewählten Pilotbereichen oder mit Pilotprojekten. Die in den Pilotprojekten gesammelten Erfahrungen können dann Schritt für Schritt auf andere Unternehmensbereiche übertragen werden.

FAQ

Häufige Fragen

KI gilt als Teilgebiet der Informatik. Da der Begriff „Intelligenz“ per se nicht eindeutig definiert ist, existieren verschiedene Definitionen des Begriffs KI. Zudem hat sich das Verständnis von KI stetig weiterentwickelt. Im Allgemeinen beschäftigt sich KI mit Aufgaben oder Problemstellungen, für deren Lösung normalerweise menschliche Intelligenz erforderlich ist. Diese Vorgehensweisen verfolgen das Ziel, eine selbstlernende Intelligenz in Form eines Systems zu schaffen, das für eine Problemstellung eigenständig Lösungen erarbeiten kann. KI umfasst dabei eine Reihe von Methoden aus Mathematik, Statistik und Informatik, die einzelne Formen der menschlichen Intelligenz nachbauen, wie beispielsweise die kognitive oder sensomotorische Intelligenz. Dabei ist diese nachempfundene, menschliche Intelligenz nur auf ein sehr enges Anwendungsgebiet beschränkt.

Entscheidend ist, dass es sich bei KI nicht nur um simple Automatisierung handelt, bei der einer Anwendung einprogrammiert wird, welche Entscheidung sie bei einem bestimmten Input treffen soll.

 

KI in der Produktion ist als Schlüsseltechnologie Teil der digitalen Transformation und damit ein wesentliches Element der Industrie 4.0. Im Rahmen der Diskussionen um Industrie 4.0 und respektiven Anwendungsfällen spielt KI z. B. bei der Analyse großer Datenmengen und bei der automatisierten Entscheidungsfindung eine bedeutende Rolle. Durch die flächendeckende Vernetzung und die Sammlung großer Datenmengen – Entwicklungen, die mit Industrie 4.0 einhergehen – werden KI-Lösungen leistungsfähiger und können im Produktionsumfeld zum Einsatz kommen.

Ein Beispiel hierfür ist Predictive Maintenance: Produktionsanlagen und Maschinen werden auf Basis intelligenter Datenanalysen vorausschauend – statt in festgelegten Intervallen – gewartet. Eine auf KI basierende Anwendung bietet hier erweiterte Möglichkeiten im Bereich der Datenanalyse und Mustererkennung, wodurch Wartungszeiten optimiert werden können.

 

Mehr lesen:

PWC-Studie: Predictive Maintenance 4.0

Huber: Fallstudien zu Predictive Maintenance (im Buch Data Science)

Data Mining bezeichnet die Verwendung von Algorithmen für die Analyse und Verarbeitung großer, komplexer und heterogener Datensätze („Big Data“) zur Generierung neuer Informationen. Dabei werden insbesondere einzelne Datenbestandteile in Zusammenhang gebracht, sodass neue Erkenntnisse gewonnen werden.

Maschinelles Lernen ist ein Teilgebiet der KI. Der Fokus liegt auf der Entwicklung von Algorithmen, die das Lernverhalten des menschlichen Gehirns für Maschinen imitieren. Die Algorithmen lernen aus Erfahrungen und können Lösungen für neue Probleme finden oder unbekannte Datensätze beurteilen.

Deep Learning ist ein Teilgebiet des Maschinellen Lernens, das sich durch komplexe Lösungsmethoden auszeichnet. Zum Einsatz kommen dabei künstliche neuronale Netze, in denen mehrere Datenverarbeitungsebenen kombiniert werden.

Auf künstlichen neuronalen Netzen basierende Modelle stellen die Vernetzung von Nervenzellen eines Gehirns in einer abstrakten Form zur Informationsverarbeitung dar.

Eine schwache Künstliche Intelligenz löst Probleme auf Basis von Methoden, die für den speziellen Zweck entwickelt und optimiert wurden (z. B. Spamfilter).

Eine starke Künstliche Intelligenz, auch Superintelligenz genannt, übertrifft den Menschen in seinen intellektuellen Fähigkeiten. Eine starke Künstliche Intelligenz existiert nach heutigem Kenntnisstand noch nicht.

Für einige der aufgeführten Begriffe hat sich keine konkrete Definition durchgesetzt.

 

Mehr lesen:

Bundesregierung: Strategie Künstliche Intelligenz der Bundesregierung

Gründerszene: Glossar zur Künstlichen Intelligenz

Elektronikpraxis Vogel: Fachbegriffe der Künstlichen Intelligenz

VDMA: Machine Learning im Maschinen- und Anlagenbau

Fraunhofer-Gesellschaft: Trends für die Künstliche Intelligenz

Fraunhofer-Allianz Big Data: KI Potenzialanalyse 2017

KI ist mittlerweile nicht mehr nur ein Zukunftsthemal. Schon jetzt ermöglicht KI bedeutende Fortschritte in verschiedenen Einsatzgebieten, beispielsweise in der Industrie, im Verkehrswesen, der Gesundheitsversorgung und anderen Lebensbereichen. Bei KI-Anwendungen ist es wichtig, aus der Bedarfssicht heraus Lösungen zu identifizieren und KI als Instrument der Optimierung oder Geschäftsmodellergänzung zu evaluieren. In einigen Fällen lässt sich die Optimierung auch durch herkömmliche Verfahren oder statistische Methoden lösen. Ist ein klarer Nutzen für das Unternehmen erkennbar, können Anwendungen schon heute einen Wettbewerbsvorteil ermöglichen, z. B. durch ein erweitertes Produktportfolio oder durch Kostensenkungen aufgrund eines reduzierten Materialbestands. Zudem haben sich die Rahmenbedingungen in den vergangenen Jahren zu Gunsten von KI-Anwendungen entwickelt: Cloudlösungen ermöglichen die Verfügbarkeit von Daten fast überall, die Rechenkapazität von Hardware steigt kontinuierlich und die Kosten für die Datenspeicherung sind heute bedeutend geringer als früher.

 

Mehr lesen:

VDMA: Positionspapier Künstliche Intelligenz

Aus dem privaten Umfeld sind KI-basierte Apps und Assistenten schon länger bekannt (z. B. digitale Sprachassistenten im Smartphone/Smart Home). Aktuell sind typische Einsatzgebiete für KI im industriellen Umfeld vor allem dort, wo viele Daten erhoben und analysiert werden (könnten). Die Auswertung großer Datenmengen ist einer der Bereiche, in dem KI neue Möglichkeiten gegenüber herkömmlichen Business-Analytics-Lösungen erlaubt. Bei der Qualitätssicherung sind besonders optische Inspektionen durch KI-Anwendungen populär, die über Bilderkennung Fehler- oder Prozessanalysen ermöglichen. Ein mit KI ausgestattetes Energiemanagement ist in der Lage, kontinuierlich Energieaufnahme und -verteilung in der Fabrik zu analysieren und vorherzusagen, um dann die Produktion anzupassen und die Energiekosten zu optimieren. Durch die vorausschauende Analyse von Daten können Maschinen und Anlagen bedarfsgerechter gewartet und somit Ausfallzeiten reduziert werden. Über Unternehmensgrenzen hinaus können die Hersteller der Maschinen und Anlagen ergänzende Services zur Verfügung stellen, die mit den Maschinendaten der Kunden vor Ort gespeist werden.

KI unterstützt Unternehmen insbesondere in Bereichen, in denen Mensch und System bisher an ihre Grenzen stoßen. KI-Anwendungen berücksichtigen bei der Analyse meist sehr viel größere Datenmengen, wodurch die Erkennung von Anomalien und die Voraussage von Störungen genauer werden. Bei Fehlermeldungen ermöglicht KI eine schnellere Ursachenfindung und die Aufdeckung von möglicherweise unbekannten Zusammenhängen. KI kann ebenfalls helfen, Fertigungsabläufe und Kapazitäten mit positiven Auswirkungen auf die Kosten besser zu planen. Selbstlernende Algorithmen können bestehende Technologien noch besser machen. So können fahrerlose Transportsysteme zu jeder Zeit den optimalen Weg durch die Produktion finden.

Eine Hochrechnung des BMWi erwartet eine Steigerung der Bruttowertschöpfung des produzierenden Gewerbes in Deutschland durch KI von 2019 bis 2023 um 31,8 Mrd. Euro, was den immensen Nutzen für Betriebe verdeutlicht. Eine PWC-Studie geht von einer Zunahme der gesamten Bruttowertschöpfung um 430 Mrd. Euro aus.

 

Mehr lesen:

VDMA: Positionspapier Künstliche Intelligenz

BMWi-Studie: Potenziale der KI im Produzierenden Gewerbe in Deutschland

PWC-Studie: Auswirkungen der Nutzung von KI in Deutschland

Geschäftsmodelle ohne Datenkomponente sind in den meisten Fällen mittel- bis langfristig kaum noch vorstellbar. Die Unternehmensstruktur ist virtueller, die Bedeutung von plattformbasierten Geschäftsmodellen in der Produktion (z. B. Bosch IoT Suite oder Virtual Fort Knox) und im Vertrieb nimmt zu. KI wird Unternehmen dabei helfen, die stetig wachsende Datenflut zu bewältigen und zu nutzen. KI kann dabei Geschäftsmodelle auf verschiedenen Ebenen beeinflussen: Durch optimierte Ressourcen- und Kapazitätsplanung kann KI die Unternehmensprozesse schneller und effizienter machen und damit Einfluss auf Zeit, Kosten, Qualität und Flexibilität nehmen. Auf dieser Ebene findet eine Optimierung des bestehenden Geschäftsmodells statt. KI kann als zusätzliches Angebot das Geschäftsmodell in Form einer datenbasierten, intelligenten Produktergänzung erweitern. Ein Beispiel hierfür wäre ein Maschinenbauer, der zusätzlich zur verkauften Maschine eine Predictive-Maintenance-Dienstleistung oder sogar die Maschinenlaufzeit als Leistung anbietet.

 

Mehr lesen:

PWC: Whitepaper zum Thema Künstliche Intelligenz als Innovationsbeschleuniger

Grundsätzlich kann jedes Unternehmen von KI profitieren. KI ist nicht gleichzusetzen mit hochperformanten Rechnern oder teuren Robotern, denn es gibt auch kleinskalierte und günstige Lösungen (z. B. von Amazon oder Google) und Werkzeuge zum Ausprobieren (z. B. rapidminer oder Knime). Die meisten Anbieter stellen verschiedene Services in Form von KI-Technologien zur Verfügung, verbinden dies jedoch mit der Nutzung der eigenen Cloud.

 

Mehr lesen:

Siehe Frage 21: Welche typischen Anbieter für KI Lösungen für den industriellen Mittelstand gibt es?

Im ersten Schritt muss jedes Unternehmen individuell für sich klären, wie die Potenziale von KI genutzt werden können. Unternehmen können zur Unterstützung auf das Scouting-Angebot der Allianz Industrie 4.0 zurückgreifen und sich von Praxisbeispielen inspirieren lassen. Davon ausgehend gilt es zu bestimmen, ob ein konkreter Mehrwert in der eigenen Prozessoptimierung liegt und/oder ob grundsätzlich das eigene Geschäftsmodell betroffen sein könnte. Im Falle der Prozessoptimierung sind ein Pilot- oder Anwendungsbereich und geeignete Experten mit Prozesskenntnis und technischem Datenverständnis in den eigenen Reihen oder extern zu identifizieren. Allgemein ist zu ermitteln, welche Daten gesammelt werden können und dürfen und welcher Nutzen daraus entsteht. Unternehmen sollten die notwendige Data-Science-Kompetenz, bestehend aus einem Querschnitt aus Praxiswissen und den Fachgebieten Mathematik, Statistik und IT, aufbauen und für weitere Leistungen (Entwicklungs-)Partner im Netzwerk suchen, z. B. im Rahmen von Veranstaltungen wie STARTUP THE FUTURE. Es ist außerdem ratsam, den Betriebsrat frühzeitig über die geplanten Aktivitäten zu informieren, da dieser in vielen Themen ein Mitentscheidungsrecht hat, wie beispielsweise bei IT-Systemen.

Orientierung auf der operativen Ebene für die Entwicklung eines KI-Anwendungsfalls bietet auch das CRISP-Modell. Dieses branchenübergreifende Prozessmodell beschreibt in sechs Phasen ein standardisiertes Vorgehen für die Umsetzung von Data-Mining-Projekten.

 

Mehr lesen:

Unterstützungsangebot Allianz Industrie 4.0: Scouting

Veranstaltungen: STARTUP THE FUTURE, Veranstaltungskalender der Allianz Industrie 4.0

Für die erfolgreiche Anwendung von KI-Algorithmen ist die Datenqualität und -quantität aus dem Bereich Maschinelles Lernen wichtig. Eine KI-Anwendung liefert bessere Ergebnisse, je mehr Daten für ihr Training und den Betrieb vorliegen und je besser bzw. geeigneter die Qualität der Daten ist. Eine ungenügende Qualität der Daten erhöht die Unschärfe des Ergebnisses. Andere KI-Teilbereiche, wie z. B. die Logik, kommen mit wenig Daten aus.

Oft liegen die von Unternehmen gesammelten Daten in unstrukturierter Form vor, beispielsweise in Text, Video oder Bild, da sie nicht für den Zweck einer Auswertung gesammelt werden. Um Daten nutzbar zu machen, müssen sie strukturiert werden. Veraltete oder unkorrekte Stammdaten stellen ein besonderes Problem dar. Welche Daten genau vorliegen müssen, hängt von der Anwendung und dem Business Case ab.

Daten verwalten und managen ist daher eine klare Voraussetzung für die Umsetzung von KI-Anwendungsfällen. Um erste Szenarien und kleine KI-basierte Auswertungen auszuprobieren, genügen jedoch geringere Datenmengen.

Für die erfolgreiche Umsetzung eines KI-Anwendungsfalls werden die vorliegenden Daten meist in drei Datensätze aufgeteilt. Davon dient einer dem Training, um die KI-Anwendung initial mit Informationen zu versorgen. Anhand des zweiten Datensatzes wird die KI-Anwendung getestet und final mit dem dritten Datensatz validiert.

Im Rahmen der DSGVO wurde der Schutz personenbezogener Daten verschärft. Daher sollte ein Experte oder eine Expertin einbezogen werden, wenn auf personenbezogene Daten zurückgegriffen wird.

Die benötigte Infrastruktur für eine KI-Anwendung leitet sich aus dem Zweck und der Art der gewünschten KI-Anwendung ab. Je komplexer die KI-Anwendung und je mehr Daten verarbeitet werden sollen, desto höher sind auch die Anforderungen an die Hardware. Für einfache Bilderkennungsanwendungen reicht oftmals bereits die Rechenleistung normaler Endgeräte aus. Umfasst ein Anwendungsfall eine hochauflösende Verarbeitung von Kameradaten in Echtzeit, ist mehr Rechenleistung notwendig und die Verarbeitung sollte dann auf einem Server oder einem Fog-Computer (Cloud-Struktur mit dezentraler Rechenleistung) laufen. Je nach erforderlicher Rechenleistung kann sogar ein Rechenzentrum nötig sein. Zusätzlich können Cloud-Lösungen besonders für KMU spannend sein, da je nach Art der Cloud keine Hardwareinvestitionen notwendig sind und die Integration schnell erfolgen kann. Bei der Auswahl eines geeigneten Cloud-Anbieters sollten die Geschäftsbedingungen genau geprüft werden, da einige nicht mit den europäischen Regelungen der DSGVO und des Datenzugriffs konform sind. Einige Systemanbieter bieten neben der Speicherungsinfrastruktur der Cloud ebenso Anwendungen und Applikationen zur Datenaufbereitung und -auswertung an, die im Rahmen von KI-Anwendungen relevant sein können.

Sicherheitsbedenken von Unternehmen zählen immer noch zu den größten Hemmnissen im Hinblick auf Industrie 4.0 und Cloudlösungen. Technologische Entwicklungen durch KI können zudem ganz neue Sicherheitsrisiken mit sich bringen. Mit dem Projekt CyberProtect werden vor allem KMU bei der Auswahl sicherer Software unterstützt. Ebenso erhalten Unternehmen, die Software selbst entwickeln, Hilfestellungen, um die Sicherheit ihrer Produkte und Dienstleistungen zu verbessern. Unternehmen müssen neben ausgeklügelten technischen Sicherheitskonzepten auch die Organisation sowie Mitarbeiter und Mitarbeiterinnen (i. F. aus Gründen der Kürze „Mitarbeiter“ genannt) berücksichtigen, da eigene Mitarbeiter beispielsweise durch mangelnde Sensibilisierung selbst ein Risiko darstellen. Darüber hinaus liefern aktuelle Veranstaltungen und Studien Informationen und neueste Erkenntnisse rund um das Thema Cybersicherheit.

 

Mehr lesen:

Gefördertes Projekt CyberProtect

McAfee: Studie Navigating a Cloudy Sky Practical Guidance und Zusammenfassung der Studie Vertrauen in Cloud-Computing wächst

BigData Insider: Whitepaper Big Data Security und Artificial Intelligence

Allianz Industrie 4.0: Veranstaltungskalender der Allianz Industrie 4.0

VDMA: Industrial Security

Für diese Frage gibt es keine eindeutige Antwort. Je nach Zweck einer KI-Anwendung kann und darf die jeweilige Zuverlässigkeit unterschiedlich sein. Die Verlässlichkeit einer Anwendung hängt von verschiedenen Faktoren ab, wie den eingesetzten (Trainings-)Daten, der eingesetzten Technologie usw. Auch die genutzten Algorithmen können die Verlässlichkeit des Ergebnisses beeinflussen.

 

Mehr lesen:

Siehe Frage 10: Wie viele und welche Daten müssen vorliegen, um eine KI-Anwendung zu nutzen?

In Baden-Württemberg sowie in ganz Deutschland existieren verschiedene Labore und Testumgebungen, die rund um das Thema KI forschen und in denen Anwendungsfälle live erlebt werden können (z. B. das Zentrum für Cyber Cognitive Intelligence, Future Work Lab). Des Weiteren benennen Studien konkrete Anwendungsgebiete (z. B. Robotik, Qualitätssicherung) und Anwendungsfälle (z. B. vorausschauende Wartung, Prozesssteuerung), die erste Potenziale aufzeigen. Einige Unternehmen und Forschungsorganisationen haben darüber hinaus ihre bereits umgesetzten KI-Anwendungen im Internet publiziert und damit zumindest teilweise zugänglich gemacht.

 

Mehr lesen:

Allianz Industrie 4.0: 100 Orte für Industrie 4.0 in Baden-Württemberg

Plattform Lernende Systeme: KI-Landkarte mit Anwendungsfällen

Fraunhofer-Allianz Big Data: Analyse zum Thema Zukunftsmarkt künstliche Intelligenz – Potenziale und Anwendungen

DFKI: Künstliche Intelligenz – Gipfelpapier

Zentrum für Cyber Cognitive Intelligence CCI

Innovationslabor Future Work Lab

Die publizierten Fälle, in denen eine KI-Anwendung missglückt ist, stammen meist aus dem Konsumentenbereich. Ein Beispiel für den missglückten Einsatz einer Chatbot-Anwendung ist der E-Assistent. Nachdem ein Anwender diesen aufforderte „call me an ambulance“, nannte der Chatbot ihn fortan „an ambulance“. Weitere bekannte Beispiele sind die Bildererkennung von Google, die dunkelhäutige Menschen fälschlicherweise als Gorillas erkannte, oder der tödliche Unfall durch einen Tesla Autopiloten.

 

Mehr lesen:

University of Louisville/Microsoft Corporation: Sammlung und Zeitschiene missglückter Anwendungsfälle

Im Zuge der industriellen Revolutionen haben sich die Arbeitsplätze in der Produktion deutlich verändert. In den letzten Jahren zeichnete sich ein deutlicher Trend hin zu assistierten Arbeitsplätzen ab, bei denen Informationen kontext-sensitiv und in digitaler Form dargestellt werden. Physische Assistenz erfolgt besonders im Bereich von monotonen oder stark repetitiven Tätigkeiten durch Roboter oder Exoskelette. Außerdem findet eine zunehmende Individualisierung von früher homogenen Arbeitsplätzen statt. So wie einst der Wandel von Trennwandzellen in Großraumbüros hin zu individualisierten, auf die Bedürfnisse der einzelnen Mitarbeiter angepasste Büroräume, ist mit einem ähnlichen Trend in produktionsnahen Bereichen zu rechnen. Nur ein Teil der Tätigkeiten (z. B. einfache Datenanalysen, vorhersehbare physische Tätigkeiten) kann durch KI-Assistenten überhaupt unterstützt oder durchgeführt werden. KI-Systeme müssen als Assistenzsysteme für den Menschen verstanden werden – nicht als solche, die menschliche Leistungen vollständig substituieren.

 

Mehr lesen:

VDMA: Positionspapier Künstliche Intelligenz

Es existieren verschiedene Hochrechnungen, wie viele und welche Arbeitsplätze durch KI wegfallen oder sich verändern werden. Eine definitive Aussage lässt sich jedoch nicht ableiten, da die Ergebnisse teilweise sehr gegensätzlich ausfallen. Es wird prognostiziert, dass besonders Arbeitsplätze von Geringqualifizierten sowie manuelle und kognitive Routineaufgaben gefährdet sind. Ebenso wird diskutiert, dass dafür neue Stellen mit kognitiv-interaktiven und kreativen Tätigkeiten entstehen. Allerdings ändert sich das erforderliche Fähigkeits- und Kompetenzfeld der Mitarbeiter stark. Auch die Angabe darüber, welche Jobprofile betroffen sein werden, variiert in den Erhebungen, da in den meisten Fällen einzelne Tätigkeiten und nicht das gesamte Jobprofil betroffen sind.

In der Produktionsarbeit gelten einfache, wiederholbare Tätigkeiten oder die Erhebung und Sammlung von Daten als eher anfällig für eine Verschiebung oder Substituierung als solche, die die Anwendung von Erfahrungsschatz oder menschliche Interaktion benötigen.

 

Mehr lesen:

Siehe Frage 19: Wo und wie können Unternehmen ihre Mitarbeiter zum Thema KI qualifizieren?

Siehe Frage 20: Können Unternehmen KI-Anwendungen im Betrieb selbst aufbauen oder müssen sie die KI-Fachkompetenz einkaufen?

PWC: Studie zum Thema Auswirkungen der Nutzung von künstlicher Intelligenz in Deutschland

WEF: Bericht Future of Jobs

IAB: Diskussionspapier Verheißung oder Bedrohung – Die Arbeitsmarktwirkungen einer vierten industriellen Revolution, Kurzbericht Wenige Berufsbilder halten mit der Digitalisierung Schritt und IAB Job Futuromat

Eine frühzeitige und offene Kommunikation der anstehenden Veränderung ist für die Akzeptanz entscheidend. Dabei ist es wichtig, die Informationen für unterschiedliche Interessensgruppen im Unternehmen hinsichtlich Inhalt, Sprache und Detaillierungsgrad aufzubereiten. Ebenso müssen ausgesprochene und unausgesprochene Ängste offen adressiert werden, die Kommunikation muss ehrlich und auf Augenhöhe stattfinden. Die Heranführung der Mitarbeiter an neue Technologien (z. B. Roboter, digitale Assistenz) durch Ausprobieren kann Ablehnung abbauen und Interesse wecken. Zudem ist es ratsam, KI-Anwendungen zur Arbeitsunterstützung in einem Pilotbereich einzuführen und zu einem späteren Zeitpunkt andere Arbeitsschritte (sofern möglich) zu unterstützen. Falls möglich, kann eine Partizipation im Projekt auf verschiedenen Ebenen erfolgen. Dies trägt dazu bei, dass sich die Mitarbeiter mit der Lösung identifizieren können. Der Besuch in einem Labor mit praxisnahen Anwendungsfällen hilft, KI greifbarer zu machen, Ergebnisse aus KI-Anwendungen besser zu erklären und anhand von Beispielen offen über Vor- und Nachteile zu diskutieren.

 

Mehr lesen:

Zentrum für Cyber Cognitive Intelligence CCI

Innovationslabor Future Work Lab

Mitarbeiter können in verschiedenen Formaten weiterqualifiziert werden. Vorträge und Konferenzen erleichtern den Einstieg und die Orientierung im Themenfeld für die Geschäftsleitung und das Management. Für Entwickler gibt es Lehrgänge und Fortbildungen (beispielsweise bei der IHK), die einen generellen Überblick mit prägnantem Praxiswissen bieten. Zudem werden Weiterbildungsangebote zu methoden- und branchenspezifischem Fachwissen durch innovative Qualifizierungsanbieter angeboten – beispielsweise die Fraunhofer-Allianz Big Data (Data-Science-Ausbildung der Fraunhofer-Allianz Big Data). Ist eine fundierte Grundlagenqualifizierung gefragt, bieten spezielle Studiengänge notwendige Fachkenntnisse in den Gebieten Mathematik und Informatik. Anwender können sich in Laboren (z. B. im Zentrum für Cyber Cognitive Intelligence oder im Future Work Lab) mit dem Thema KI auf neutralem Boden auseinandersetzen und erste praxisnahes Einblicke gewinnen. Zusätzlich gibt es im Internet kostenlose Webinare, beispielsweise zum Thema Maschinelles Lernen.

Grundsätzlich können KI-Anwendungen in Betrieben eigenständig entwickelt werden, wenn qualifizierte Mitarbeiter vorhanden sind bzw. weitergebildet werden können. Benötigt wird insbesondere die Kombination aus Prozess- und Datenwissen. Im Falle einer Beauftragung von externen Experten ist es trotzdem unabdingbar, Kompetenzen im eigenen Unternehmen aufzubauen, da die Anwendungen im Unternehmen betreut und „gewartet“ werden müssen. Mitarbeiter, die direkt mit KI-Anwendungen im Wertschöpfungsprozess arbeiten, müssen in den meisten Fällen kein detailliertes Verständnis für die Anwendung aufbringen. Können Unternehmen aufgrund ihrer Größe die relevanten Qualifikationen nicht bereitstellen, dann lohnt sich der Aufbau eines qualifizierten KI-Anwendungs-Netzwerks, z. B. mit Forschungsorganisationen, KI-Anwendungsanbietern oder im Rahmen von Forschungsprojekten. Weiter kann eine Ergänzung ausgesuchter Projektteams durch einen Datenspezialisten („Data Scientist“) dabei helfen, Potenziale im Betrieb aufzudecken.

Für Unternehmen des industriellen Mittelstandes können sowohl die bekannten und erfahrenen Anbieter im Bereich Software und Business Intelligence Ansprechpartner für Anwendungen sein (z. B. SAP, Microsoft) als auch etablierte Startups (die z. B. innovative Lösungen anbieten). Je nach Betrachtungsumfang und Einsatzgebiet der erforderlichen Lösung kann auch die Zusammenarbeit mit anwendungsorientierten Forschungsinstitutionen von Vorteil sein (z. B. für eine methodengestützte Einführung von KI-Technologien). Besonders KMU können von Startups profitieren, die durch ihre höhere Flexibilität mit den schnellen Entwicklungen auf dem Gebiet der KI gut schritthalten können.

 

Mehr lesen:

Plattform Lernende Systeme: KI-Landkarte mit Anwendungsfällen

Topbots: Landkarte zu Anbietern von KI-Lösungen

Fraunhofer-Allianz Big Data: Allgemeine Erläuterungen und Informationen zu Plattformanbietern (Auflistung von Anbietern verschiedener Technologien sowie Forschungsinstitutionen, die dieses Thema beforschen.)

Auf Landes- und Bundesebene gibt es verschiedene Förderungen, die sich speziell auf die Unterstützung und Finanzierung von Kooperationen zwischen Unternehmen und Wissenschaft ausrichten. Darüber hinaus gibt es spezifische Förderangebote, die sich lediglich an Unternehmen richten, wie die Digitalisierungsprämie oder der Innovationsgutschein Hightech Digital. Weitere Informations- und Verbreitungsveranstaltungen, über die Unternehmen Kontakt mit den wichtigsten „Playern“ aufbauen können, werden über den Veranstaltungskalender der Allianz Industrie 4.0 angeboten. Des Weiteren bietet die Bundeszentrale für politische Bildung auf ihrer Internetseite interessante Expertenbeiträge. Die IHK und einige private Anbieter sind weitere Anlaufstellen für Weiterbildungs- und Unterstützungsangebote. In unabhängigen Beratungszentren können sich Unternehmen Unterstützung zu ihren spezifischen Fragestellungen einholen.

 

Mehr lesen:

Allianz Industrie 4.0 Baden-Württemberg

DE-HUB

IHK Stuttgart

Plattform Lernende Systeme

KI-Verband

Bundeszentrale für politische Bildung zum Thema KI

Ohne Mitarbeiter kein Wandel! Auch beim Thema KI ist es wichtig, Mitarbeitern die Angst zu nehmen und sie zu Beteiligten zu machen. Für Unternehmen bedeutet das: Informieren, Dialoge ermöglichen und Anreize schaffen, um Ängste offenzulegen und auf diese einzugehen. Frühzeitige Weiterbildungsangebote tragen positiv dazu bei, Mitarbeiter in eine Aufbruchsstimmung zu bringen und Interesse an der Veränderung zu schaffen. Dabei muss der Arbeitgeber die künftigen Anforderungen an die Mitarbeiter kennen (z. B. Kompetenzen, Qualifikationen).

Führungskräfte sollten dezidiert auf Mitarbeiter eingehen, bei denen sich der Arbeitsplatz verändern wird. Dabei sollten befriedigende Antworten zu offenen Fragen gefunden und Alternativen angeboten werden.

Medien zeichnen im Kontext von KI oft ein übertriebenes Bild mit vielen Negativeindrücken oder Allmachtsansätzen, wodurch eine pessimistische Voreingenommenheit bedingt wird. Ein ethischer Einsatz von KI wird oftmals bewusst unterschlagen. Vorreiterunternehmen haben in diesen Zusammenhang bereits eigene Ethikrichtlinien für die Erforschung und Entwicklung von KI erstellt. Die endgültige Fassung der EU Ethik-Leitlinien für eine vertrauenswürdige KI wird im April 2019 erwartet. Der Bundestag hat außerdem eine Enquete-Kommission zur Betrachtung der gesellschaftlichen Verantwortung sowie der wirtschaftlichen, sozialen und ökologischen Potenziale von KI eingerichtet.

Mehr lesen:

Europäische Union: Vorläufige Version der Ethikrichtlinien

Agile Tools

Diese Methoden helfen bei der agilen Projektarbeit

Abb. in Anlehnung an karrierebibel.de

Was ist SCRUM?

SCRUM ist eine Methode aus dem agilen Projektmanagement, bei der dezentrale Teams in einem definierten Zeitraum selbstverantwortlich wiederkehrende Aufgaben lösen.

Die Methode ist besonders in der Softwareentwicklung beliebt, da sie ein großes Maß an Flexibilität bietet und sehr schnell brauchbare Ergebnisse liefert. Obwohl SCRUM für Softwareprojekte entwickelt wurde, wird die Methode mittlerweile in unterschiedlichsten Unternehmensbereichen eingesetzt. Bei SCRUM arbeiten multidisziplinäre Teams zusammen, die in kurzen Iterationen (Sprints) funktionierende Software oder Produkte erstellen. Enge Zusammenarbeit mit den KundInnen, kontinuierliches Feedback in täglichen Abstimmungsrunden und eine offene Teamkultur sorgen für einen effektiven Arbeitsprozess.

Der Product Owner verantwortet die Aufgaben in SCRUM-Projekten und legt fest, welche Bestandteile eines Produkts in welcher Reihenfolge implementiert werden. Er ist außerdem dafür zuständig, Feedback von allen relevanten Stakeholdern, insbesondere den NutzerInnen, zu sammeln und das Produkt systematisch deren Bedürfnisse anzupassen. Der gesamte SCRUM-Prozess, die Vorgehensweise und methodische Umsetzung, wird durch einen SCRUM Master überwacht und bewertet. Ein wichtiger Baustein hierfür ist die Retrospektive.

Abb. in Anlehnung an ingenieur.de

Was ist KANBAN?

KANBAN ist eine agile Projektmanagement-Methode, die den Beteiligten eine autonome Arbeitsorganisation ermöglicht und verschiedene Möglichkeiten zur transparenten und effizienten Informationsübermittlung zur Verfügung stellt. Mit Hilfe von KANBAN werden komplexe Projekte und Prozesse in einzelne Arbeitsschritte aufgeteilt und durch ein übersichtliches Regelwerk gesteuert. Diese Methode, die ursprünglich für die Bereiche Fertigung und Produktion entwickelt wurde, ist mittlerweile in den unterschiedlichsten Unternehmensbereichen im Einsatz.

Bei der Einführung von KANBAN werden in einem ersten Schritt der bestehende Workflow/die vorhandene Arbeit sowie Probleme visualisiert. Dies kann in Form eines KANBAN Boards, einem einfachen Whiteboard und Haftnotizen oder einem digitalen Template, geschehen.

Das KANBAN Board ist in mehrere Spalten aufgeteilt. Die jeweiligen Aufgaben wandern durch die Spalten. Für jedeN MitarbeiterIn gibt es eine Zeile im Board. In der linken Spalte sind die zu erledigenden Aufgaben (ToDo) aufgeführt. JedeN MitarbeiterIn kann eigene Aufgaben aus der linken Spalte in die „Doing“-Spalte rücken, sobald sie mit der Bearbeitung der Aufgabe angefangen hat. Wenn die Aufgabe erledigt ist, wandert sie eine Spalte weiter und kann als „Done“ eingeordnet werden. Im Kern von KANBAN steht das Konzept des Flow. Das bedeutet, dass die Tickets möglichst gleichmäßig durch das System fließen sollen, ohne lange Wartezeiten oder Blockaden. 

Eine Besonderheit ist, dass in jeder Spalte, außer der mit den Aufgaben, maximal zwei bis drei Aufgaben gleichzeitig erlaubt sind. So soll der Work in Progress reduziert werden. Mit Hilfe von KANBAN kann das Team so mit einem Blick erfassen, an welchen Aufgaben gerade gearbeitet wird, welche Aufgaben Probleme machen und was in der nächsten Zeit ansteht.

Allein diese, vergleichsweise einfache Aufgabe führt zu einer besseren Transparenz über die Verteilung der Arbeit sowie bestehende Engpässe.

Abb. in Anlehnung an ingenieur.de

Was ist OKR?

OKR (Objectives and Key Results) ist ein Rahmenwerk, das Teams und Organisationen ermöglicht, gemeinsam an der Umsetzung von Zielen zu arbeiten. Mit dem OKR Modell gelingt es Unternehmen, strategische Entwicklungen voranzutreiben, die Brücke zwischen langfristigen Zielen und dem operativen Geschäft zu schlagen und beteiligte MitarbeiterInnen zielgerichtet einzubinden. OKR wird als ideales System für eine klare Kommunikation von Zielen, Fortschritten und Ergebnissen verstanden, das dabei hilft, einen klaren Fokus für jedes Quartal zu setzen.

Die gemeinsam erarbeiteten Ziele (Objectives) sind motivierend, herausfordernd und nicht unbedingt vollständig erreichbar. Für diese Ziele legen die Teams eigenverantwortlich messbare Erfolgsparameter (Key Results) fest. Sie bestimmen, wie die Zielerreichung gemessen und das erzielte Ergebnis bewertet werden kann.

Entscheidungen über den Einsatz von Ressourcen und wichtige Themen werden quartalweise in Planungsmeetings getroffen. Danach geht es direkt in die Umsetzung.

Abb. in Anlehnung an maxpert.de

Was ist Design Thinking?

Design Thinking ist ein Ansatz der kreativen Problemlösung, der von der Stanford University entwickelt wurde. Der Grundgedanke von Design Thinking ist, dass insbesondere interdisziplinär zusammengesetzte Teams Innovationen entwickeln können. Im Design Thinking-Prozess werden möglichst unterschiedliche Perspektiven, Meinungen und Erfahrungen zu einer bestimmten Problemstellung oder Herausforderung miteinbezogen.

Das Konzept hat sich ursprünglich aus dem Industriedesign entwickelt und zielt daher in erster Linie auf die Entwicklung von innovativen Dienstleistungen und Produkten ab, die den Bedürfnissen der KundInnen entsprechen. Beim Design Thinking stehen also die NutzerInnenbedürfnisse im Vordergrund.

Der iterative Design Thinking Prozess fordert eine ständige Rückkopplung zwischen den EntwicklerInnen einer Lösung und der jeweiligen Zielgruppe. Die EntwicklerInnen nehmen die Bedürfnisse, Fragen und Verhaltensweisen der EndnutzerInnen genau unter die Lupe. Erarbeitete Lösungen und Ideen werden den NutzerInnen kontinuierlich kommuniziert und in Form von Prototypen vorgestellt. So können potenzielle AnwenderInnen die Lösungen noch lange vor der Fertigstellung testen und Feedback geben. 

Das Design Thinking Prozessmodell ist hauptsächlich als grobe Strukturierung gedacht und kann entsprechend individueller Bedürfnisse angepasst werden. So müssen die einzelnen Phasen im Design Thinking Prozess nicht notwendigerweise nacheinander durchlaufen werden. Das Vor- und Zurückspringen in andere Phasen ist jederzeit erwünscht. 

Organisation 4.0

Use Cases & Fallbeispiele aus der Industrie

Die Fallstudien und Filme zu beeindruckenden Beispielen sind Ergebnis eines Projekts der Allianz Industrie 4.0. Es wurde durch das Fraunhofer Institut für Arbeitswirtschaft und Organisation (IAO) realisiert und vom Ministerium für Wirtschaft, Arbeit und Wohnungsbau Baden-Württemberg gefördert.
YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Balluff GmbH

Transformation zu einer schlanken Organisation 4.0 und einem internationalen Smart Supply Chain Network
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

ELABO GmbH

Pragmatische Umsetzung bezahlbarer Lösungen der Industrie 4.0 in einem kleinen Unternehmen
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Mauser + Co. GmbH

Ganzheitliche Prozessverantwortung und Teamarbeit in der automatisierten Blechfertigung
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Heermann Maschinenbau GmbH

Agile Organisation durch eine motivierende Vision und Selbstorganisation in Teams
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Mader GmbH & Co. KG

Transformation zur agilen Organisation und Ausgründung der LOOXR GmbH als Leckage-Management Anbieter
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

ROTA YOKOGAWA GmbH & Co. KG

Selbstorganisation und Prozessverbesserung mit Hilfe eines neuen Manufacturer Execution System (MES)
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

SICK AG

Transformation zur agilen Organisation und Umsetzung einer Smart Factory
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Carl Stahl Hebetechnik GmbH

Einführung der Ideenwerkstatt
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

AZO GmbH + Co. KG

Organisationsentwicklung mit Fokus auf Selbstorganisation, Kooperation und Innovation
> Fallstudie PDF

YouTube

Mit dem Laden des Videos akzeptieren Sie die Datenschutzerklärung von YouTube.
Mehr erfahren

Video laden

Siemens AG, Getriebemotorenwerk Tübingen

Unser Weg zur digitalen Vorzeigefabrik
> Fallstudie PDF

Industrie 4.0 bedeutet, eine agile Organisation zu leben. Fernab von starren Grenzen einzelner Wertschöpfungsketten.

Jérôme Jetter

Projektmanager Lernen und Qualifizierung 4.0