Künstliche Intelligenz in der Fertigung einsetzen

Intro: Digital Kompakt. Heute aus dem Bereich Künstliche Intelligenz. Mit deinen Moderatoren Rasmus Rothe und Jasper Masemann. Los geht's.

Jasper Masemann: Hallo, willkommen zu einer weiteren Folge von AI Unplugged von Digital Kompakt. Mein Name ist Jasper Masemann, ich bin Partner beim Venture Capital Fund HV Capital in Berlin und ich fokussiere mich auf Software und AI-Themen.

Rasmus Rothe: Und hallo, ich bin Rasmus Rothe, Gründer von Merantix, einem Venture Studio für Künstliche Intelligenz und außerdem im Vorstand vom KI Bundesverband.

Jasper Masemann: Das Thema heute ist KI in der Herstellung von Produktionsgütern im guten deutschen Mittelstand. Wobei ich glaube, wir haben uns einen Gast, der aus dem eher größeren deutschen Mittelstand kommt. Und ich freue mich ganz besonders, weil wir natürlich im Land der Dichter und Denker auch produzieren. Und KI kann da einiges tun. Ich bin sehr, sehr froh, einen sehr spannenden Gast heute willkommen heißen zu dürfen. Rasmus, willkommen.

Rasmus Rothe: Ja, deswegen freue ich mich sehr, heute Daniel Szabo vorzustellen. Daniel hat VWL und International Management in St. Gallen studiert, war dann sieben Jahre bei der Merck-Gruppe und hat da am Ende das Company-Building geleitet und ist jetzt seit zwei Jahren CEO und MD von Körper Digital und Boardmember bei Factorypal. Außerdem hat er noch Umavo vor sechs Jahren gegründet, der globale Marktführer für Brillen aus dem 3D-Drucker. Daniel, ich freue mich sehr, dass du heute bei uns bist.

Daniel Szabo: Hallo Rasmus, hallo Jasper, danke, dass ihr mich da habt.

Rasmus Rothe: Erzähl mal, was ihr ganz genau bei Körper Digital und Factory Plan macht. Ich glaube, das wäre für die Zuhörer sehr spannend, einmal zu erfahren.

Daniel Szabo: Super, gerne. Also Körper Digital ist einer von fünf Geschäftsbereichen der Körper AG. Maschinenbauer, der eine sehr starke Softwarekompetenz hat, knapp zwei Milliarden Euro Umsatz, 20 Prozent mit Softwareprodukten im Produktionsland unter. Und Körper Digital hat sich als Company Builder positioniert und fokussiert sich darauf, userzentrierte, maschinenagnostische, KI-gestützte Software-as-a-Service-Companies zu bauen, mittels verschiedener Produkte. immer sich damit beschäftigen, wie kann ich die Produktion effizienter machen in verschiedenen Industrien. Wir haben momentan knapp 180 Mitarbeiter, vier Standorte, Berlin, Karlsruhe, Porto und USA. Wachsen stetig, haben dieses Jahr die dritte Firma gerade in der Ausgründung, die sich eben damit beschäftigt, Produktionsprozesse effizienter zu machen.

Jasper Masemann: AI in der Produktion gibt es ja irgendwie schon länger, auch Industrie 4.0 ist ja so ein Buzzword. Kannst du uns mal sagen, wie lange sich Körper damit schon beschäftigt und ab wann ihr so ein bisschen gemerkt habt, da ist wirklich was?

Daniel Szabo: Körper hat schon sehr früh angefangen, eben das Potenzial zu sehen von Softwareprodukten im produktionsnahen Umfeld. Was man auch daran sieht, dass diverse Akquisitionen stattgefunden haben, insbesondere im Bereich MES-Systeme, wo wir den Marktführer haben für die Pharmaindustrie, als auch im Warehouse Management Software-Bereich, wo wir der drittstärkste Spieler sind. Da hat eigentlich die Reise so begonnen, digitale Produkte für die Produktion. Und sagen wir mal, diese breitere Phase Richtung KI-gestützte Themen, Ventures, IoT-Themen in der Sicht, ungefähr 2017 hat da die Reise begonnen. Die klassische war in der ersten Phase Leute mitnehmen, Seeing is Believing, Relevanz schaffen, Potenziale identifizieren. Ich habe dann 2019 übernommen, Körper Digital, und dann nochmal so die zweite Phase eingeleitet, was eher darum ging, weiterzuentwickeln, sich Richtung erfolgreiche Geschäftsmodelle und nachhaltige Geschäftsmodelle, also ein bisschen weg von der Thematik digitaler Transformation hin zum digitalen Geschäft bauen. Wir sind jetzt quasi seit Ende 2019 mit diesem Company-Building-Ansatz unterwegs, mit dem wir eigentlich sehr erfolgreich sind. Vielleicht ein, zwei Sachen zu dem Thema E-Commerce. Inhaltlicher Natur, IoT, digitale Transformation in der Produktion, Industrie 4.0. Viele Leute glauben ja, dass das abgehakt ist. Alles ist digitalisiert und es läuft. Generell muss man aber sagen, dass es, glaube ich, noch sehr early days sind. Es gibt wenig Anwendungen, die wirklich kommerziell erfolgreich sind. Die IoT-Plattformen haben sich sehr schwer getan in den letzten Jahren, wirklich signifikante Relevanz zu bekommen. Und es sind hauptsächlich, die meisten Firmen sind unterwegs auf der Thematik Predictive Maintenance, Maintenance-Lösungen, was aber eigentlich einen sehr kleinen Value Pool nur adressiert in den meisten Industrien. Es gibt Ausnahmen, wo das total große Value Pools sind, aber generell gibt es da noch relativ wenig. Und wir sind hier, glaube ich, unterwegs eher in so einer Phase der Early E-Commerce Boom in Berlin. So sind wir ungefähr, glaube ich, gerade unterwegs in der Thematik KI in der Produktion.

Rasmus Rothe: Woran liegt das genau, dass das jetzt doch noch länger dauert, als man denkt? Also weil es schwerer ist, die Technologie noch nicht bereit war oder weil die Leute an den falschen Use Cases gearbeitet haben? Also was siehst du da als die Gründe?

Daniel Szabo: Ich glaube, da gibt es immer verschiedene Gründe. Ich glaube aber, es ist kein Technologiethema, weil wir im Endeffekt hier nicht von riesigen Datenpaketen reden. Es ist eigentlich eher ein Mindset-Thema und ein Approach-Thema, glaube ich. Technologisch ist viel passiert. Das war eher, glaube ich, eine Herausforderung für die IoT-Plattformbetreiber, weil die Hyperscaler am Endeffekt diesen Part übernommen haben und die Technologie-Stacks zur Verfügung stellen, sodass man eigentlich nicht mehr angewiesen ist, mit einer IoT-Plattform zusammenzuarbeiten oder auf einer IoT-Plattform zu entwickeln. Ich glaube, der Kernfokus liegt wirklich darauf, zu verstehen, was sind die Werttreiber, was sind die Value-Pools und Lösungen zu entwickeln, die wirklich wertstiftend und wertgenerierend sind für die produzierenden Unternehmen. Meine Hypothese ist, warum da noch relativ wenig passiert ist, Einerseits, weil die meisten Unternehmen, die in der Industrie unterwegs sind, typischerweise Maschinenbauer, Firmen einen maschinenspezifischen Blick haben. Sprich, sie versuchen, digitale Verlängerungen für ihre Produkte zu bauen, um im Endeffekt mehr Maschinen und Anlagen zu verkaufen. Andererseits sieht man, dass halt für Unternehmer, Talente aus der Universität etc. pp. dieser Markt noch nicht so eine große Relevanz gewonnen hat. Stark getrieben dadurch, es gibt wenig erfolgreiche Unternehmen, wenig Exits und damit sagen wir mal, das Interesse der Top-Talente vielleicht noch nicht so stark geweckt. würde. Das sind, glaube ich, so die zwei Hauptgründe, warum man wenig sieht momentan.

Jasper Masemann: Was wir so viel gesehen hatten, war auch, also du sprachst ja gerade IoT-Plattformen an, aber auch gleichzeitig eben die Anwendungsfälle. Du hast ja viel so Service-Ansätze, also weil einfach die Daten von der Produktion irgendwie sehr individuell sind, eine generalisierbare Lösung zu entwickeln. Du musst ja erstmal ein Modell trainieren, musst die Daten haben, musst du dich fragen, kann ich das Modell übertragen in eine andere Fabrik? Ist das eine Herausforderung, die du siehst? oder siehst du eher sogar die Datenlieferanten über die IoT-Plattformen, die die da jetzt mehr enablen können?

Daniel Szabo: Unsere Perspektive ist, dass wir sagen, es gibt natürlich technologisch ein paar Herausforderungen. Also eine Herausforderung ist, wie du halt sagst, Daten aus der Maschine in die Cloud oder ins Silico zu bekommen, weil am Endeffekt kann ich es natürlich auch an der Edge machen. Das ist schon mal an sich eine relativ große Herausforderung, weil viele versuchen mit Sensor-Kits zu erarbeiten, wo ich dann sehr genau weiß, welche Daten das sind. Es ist relativ schwierig, damit Produkte zu bauen, die wirklich werttreibend sein können. Und das bedeutet in der Tat, dass man in dem ersten Schritt relativ viel Aufwand betreiben muss, die Daten auch von der Maschine abzugreifen, idealerweise von der PLC, also der Maschinensteuerung, diese dann in einer sicheren und vertrauenswürdigen Art und Weise zentral zur Verfügung zu stellen, um darauf eben Modelle zu trainieren, Produkte zu bauen etc. pp. Wir haben uns damals entschieden, ein eigenes Produkt zu bauen, also eine Konnektivität-as-a-Service-Lösung, die skalierbar ist, Datensicherheit und Datenhoheit gewährleistet. Nicht, weil wir das so spannend fanden, sondern weil wir nach sehr, sehr viel Analyse und Recherche keine fertigen Produkte gefunden haben, auch von den großen Industriespielern, die eben den Ansprüchen genügen, die man braucht, um wirklich skalierbare Produkte professionell aufzusetzen. Und das ist vielleicht so eines der Zeichen. schon, dadurch, dass es kein Produkt wirklich gibt, das man einfach als Service kaufen kann, ist es ein ganz kleines Zeichen, dass es sehr wenig Anwendungen gibt, die das wirklich benötigen. Und eigentlich für mich so das Kernindiz, dass wir halt noch sehr früh dran sind, die Produkte, die es am Markt gibt, gar nicht dafür ausgelegt sind, High-Value-Adding, KI-gestützte Produkte zu bauen.

Rasmus Rothe: Wie denkst du über das Thema Predictive Maintenance nach? Du hast ja gerade das schon mal angerissen und ich glaube, das ist eins dieser Themen, die auch durch alle Gassen getrieben werden, was auch immer wieder auftaucht, wo KI eine Rolle spielt. Du hattest ja schon gesagt, dass du da ein bisschen skeptisch bist. Was ist da deine Perspektive?

Daniel Szabo: Wir als Körper Digitale haben uns entschieden, keine Predictive Maintenance-Lösung zu entwickeln oder zu kommerzialisieren. Liegt hauptsächlich daran zu sagen, dass Predictive Maintenance eigentlich nur für Industrien wirklich Sinn macht. von der Value Pool Betrachtung, die entweder sehr hohe Desasterkosten haben, wenn die Maschine ausfällt, extrem hohe Kosten generiert werden oder wo, sagen wir mal, die Wartung extrem aufwendig, sehr teuer ist, wenn etwas passiert. Stichwort eine Ölplattform, wenn ich da erstmal irgendwie einen Helikopter drei Stunden lang übers Meer fliegen lassen muss mit einem Ersatzteil und vielleicht davor noch irgendwie einen Privatjet irgendwo hinschicken muss. Macht total Sinn in solchen Fällen, weil einfach die Kosten extrem hoch sind. Da lohnt sich das vor allem weg zu identifizieren und vorsorglich auszutauschen die Teile. Oder sagen wir mal, Disasterkosten sehr hoch sind, sagen wir mal im Energiebereich, wenn wir halt drei Stunden Stillstand haben, haben wir ein massives Problem. In den meisten Industrieanwendungen ist das jedoch so, dass Servicetechniken vor Ort sind, Ersatzteile sind vor Ort und das relativ schnell behoben werden kann mit minimalen Kosten. Deswegen sieht man auch, dass keine dieser mir bekannten Predictive Maintenance-Lösungen in der großen, breiten Masse wirklich erfolgreich sind oder signifikant verdienen können.

Jasper Masemann: Dann lasst uns doch mal gucken, was ihr da macht überhaupt. Also ich habe mal mit einem Freund von mir, der war auch hier auf dem Campus, der hat uns erzählt, ein Cornell-Professor, dass AI und Klopapier irgendwie ein wichtiges Thema ist. Das ist natürlich ein Thema der nationalen Sicherheit der USA, deswegen kann er uns da nicht mehr zu erzählen, aber vielleicht kannst du uns da ein bisschen was zu sagen. Ihr seid ja da ganz groß in der Klopapier-Produktion, habe ich gehört.

Daniel Szabo: FactoryPal ist unser erstes Venture, das sich damit beschäftigt, über Daten abgreifen der PLC und optimale Maschinenparameter pro Produkt, pro Anlage an den Operator zu senden, ca. 30% Effizienzsteigerung zu holen. Wir machen das primär momentan in der Hygienepapierproduktion, wie das professionell heißt. Toilettenpapier, Küchenrollen, Papierhandtücher, solche Themen haben da wie gesagt Factory Pell. Skalieren die Firma dieses Jahr auf 100 Leute. Deswegen haben wir auch einen amerikanischen Standort. Wir gehen jetzt in den amerikanischen Markt. Nächstes Jahr ca. 200 Mitarbeiter sein.

Jasper Masemann: Warum macht ihr das überhaupt? Warum seid ihr da stark drin? Man könnte ja sagen, Toilettenpapier ist nicht so teuer, hole ich mir aus China.

Daniel Szabo: Ja, Trendpapier ist ein interessanter Markt, in der Tat. Also warum machen wir das primär? Wir haben bei Körper Digital immer die Perspektive, dass wir Kundenprobleme suchen, die groß genug sind, dass man ein Unicorn bauen kann, also 50 bis 100 Millionen Euro Umsatz. Und wo wir mittels unserer KI-gestützten Lösungen einen signifikanten Mehrwert erzeugen können, der auch in der P&L des Kunden sichtbar ist. Das ist vielleicht mal zum Framing. Converting, also Verwandlung von großen Rollen auf kleine Rollen sozusagen in diese Industrie, haben dadurch da einen anti-advantischen Marktzugang, in dem wir sehr stark nutzen können. Toilettenpapiergeschäft oder Hygienepapiergeschäft ist ein sehr regionales Geschäft, dadurch, dass das Produkt eben sehr preiswert ist und sehr großvolumig. Weltweit immer, sagen wir mal, maximal im Radius von 1000 Kilometern, dass Hygienepapier produziert werden muss, weil sonst die Transportkosten die Marge aufrisst. Das ist also ein relativ interessanter Markt, der relativ dezentral ist. Sehr, sehr viele Hersteller, White-Label-Produktion, weil sehr viel über Discounter in Eigenmarken verkauft wird. Und er hat am Endeffekt zwei Kern-Prozessschritte. Der erste Schritt ist Paper-Mail, also die großen Papierrollen erzeugen. Sehr teure Anlagen, relativ effizienter Prozess. Der zweite Prozessschritt ist Converting, große Rolle in kleine Rollen verwandeln, der Kernwertschöpfungsschritt. Die Kosten dort, die dort vorfallen, sind ganz stark Abschreibungen auf die Anlagen und Betreiberkosten. Und deswegen von der Value-Pool-Betrachtung ist es da sehr attraktiv, wenn man die Anlagen, sagen wir mal, einfach dargestellt, schneller laufen lassen kann und damit den Output pro Zeiteinheit erhöht. Bei gleichen Abschreibungen und bei gleichen Personalkosten hat es ein überproportional starken Hebel auf die Profitabilität des Unternehmens. Und deswegen ist unsere Lösung, die bis zu 30% Effizienzsteigerung rausholt und die wir als Performance-Based SaaS-Contracting verkaufen. Je höher die Steigerung des Outputs ist, desto höher ist unsere Fee, die wir dafür erhalten. Das ist so die Thematik. Aber dieses Konzept gibt es auch in anderen Industrien. Also wir sind momentan in der Pharmaindustrie. Wir waren auch angesprochen von der Papierindustrie und anderen Prozessindustrien, die kontinuierlich in der Prozessindustrie bilden.

Rasmus Rothe: Vielleicht noch eine Nachfrage dazu, wenn du sagst, bis zu 30% Effizienzsteigerung, was sind so die typischen Hebel, die diese Modelle erkennen, wo der Operator einfach besser sein kann? Also kannst du da mal zwei, drei Beispiele geben?

Daniel Szabo: Man kann vielleicht einen Schritt zurück machen, wo kommen wir her? und warum ist das auch total logisch, dass das funktionieren müsste? Es gibt Operator, die sehr erfahren sind, die können eine Anlage, sage ich mal, bei 50 fahren. Das heißt, die fahren die schneller und die wissen die Parameter und die wissen das einfach herrlich. Spürendes, wie auch immer, gibt aber den Durchschnitt Operator, der fährt die Maschine nur bei 30. Und was wir eben mit der KI-gestützten Lösung machen, das, was der super erfahrene Operator spürt, messen wir eben und berechnen dies, um eben jeden Operator zu diesem vorhandenen Maximalspeed zu bekommen. Und was wir am Endeffekt machen, wir greifen bis zu 300 Parameter ab von der Anlage, direkt aus der Maschinensteuerung, identifizieren dann, welche Parameter sind denn überhaupt relevant für die Produktionsmenge. Ganz viele Operator sehen wir in unseren Daten, sind der festen Überzeugung, dass wir irgendwas verändern, aber die Parameter sind total irrelevant für die Performance, aber werden dauernd geändert, weil man es eben glaubt, dass die relevant sind. definieren dann die pro Maschine, pro Anlage, pro Produkt optimalen werttreibenden Parameter, pushen die dann quasi an den Operator, das ist eine Smartphone-Applikation, der dann die Parameter in die Maschine eintippt am HMI. Das ist so jetzt im Endeffekt in der Nutshell, wie wir es machen, ist eher Complex Data als Big Data. Die Werttreibung geht eben nicht nur dadurch, Daten zu haben oder Dashboards zu haben, sondern wir wagen uns ebenso weit zu sagen, wir stellen auch sicher, dass die Empfehlung in einer Verhaltensänderung mündet, Weil nur durch eine Verhaltensänderung kann ich Wertschöpfung erzeugen. Deswegen ist der Operator an der Maschine ein ganz wichtiger Teil und ganz wichtiger Teil die User Experience und die Psychologie. Wie kriege ich dann dazu, dass die Insights auch in eine Verhaltensänderung müssen?

Rasmus Rothe: Sehr spannend. Ja, aber das ist wieder ja wie bei vielen KI-Themen eben nicht nur der Algorithmus, sondern auch die Integration in den Workflow, dass derjenige, der die Software sozusagen nutzt, dann auch sein Verhalten anpasst und diese Software annimmt. Also sehr, sehr spannend, wie er das macht.

Daniel Szabo: Weshalb auch, glaube ich, noch ein wichtiger Teil ist, dass wir maschinegnostisch sind. Sprich, wir bauen bei Körper Digital immer nur Produkte, die unabhängig vom Maschinenhersteller funktionieren. Sprich, wir konnektieren auch Wettbewerbsanlagen mit unserer Machine-to-Cloud-Konnektivitätslösung und steuern die eben immer über einen kompletten Industrie-Maschinenpark aus, was für den Kunden total relevant ist, weil er sagt, ich möchte nicht mit einem Software-Tool auf einen Anlagenbauer eingeloggt werden. Und wenn die Software gut ist, möchte ich nicht neue Maschinen kaufen müssen, sondern ich möchte das dann auf allen vorhandenen Maschinen benutzen. Kenne ich so nicht, dass das irgendjemand anders macht. Und das ist sehr attraktiv für den Kunden. Und die andere Sache eben, dass wir performance-based SaaS-Contracting machen, wo wir immer sagen, no performance, no pay. Das ist ja im Endeffekt risk-free. Und der Impact, den wir erzeugen können, also Bis zu 30-prozentige Effizienzsteigerungen, das ist unheard of. Deswegen sind wir momentan mit mehr als der Hälfte der installierten Basis in Europa und Amerika in Gesprächen. Das Produkt ist einfach total intriguing und die Value Pools sind halt sehr klar allein. Das Problem ist weniger technologisch. Auf der Applikationsebene und eine Verhaltensänderung durchzusetzen, basierend auf Insights, die ich relativ straightforward identifizieren kann und ein Geschäftsmodell zu generieren, so dass es für alle attraktiv und interessant ist.

Rasmus Rothe: Ein weiteres Thema, was zumindest so in der Computer Vision Community immer wieder besprochen wird, auch im Bereich Manufacturing, ist das ganze Thema Quality Assurance, Quality Control. Also Kameras zu nutzen, um eben die Produktionsqualität zu bewerten. Wie schätzt du diesen ganzen Themenbereich ein? Sagst du, das ist spannend? Gibt es da bestimmte Use Cases, die da besonders spannend sind? Wie kann man da vielleicht eben auch ein Produkt bauen?

Daniel Szabo: Finden wir sehr spannend, haben wir für drei Wochen unsere zweite Firma ausgegründet, Inspectify, die sich damit beschäftigt, Qualitätskontrolle von injizierbaren Medikamenten, beispielsweise Impfstoffe, besser, schneller und effizienter zu machen. Das ist, glaube ich, auch eine naheliegende Anwendung. Es gibt ja viele Firmen, die da unterwegs sind. Wir nutzen wieder unsere Thematik Anfährt-Wartet, sprich wir sind in einem hochregulierten GXP. Bereich unterwegs. Wir haben einen der marktführenden Unternehmen in der Firmengruppe zum Thema vollautomatische visuelle Inspektion im Pharmaumfeld und wir bauen dort jetzt eben eine Lösung, als Ziel hat, einen selbst validierenden Algorithmus zu entwickeln, der über mehrere Produktionslinien hinweg lernen kann, um dadurch eben die False Eject Rate zu reduzieren und gleichzeitig auch den Validierungsaufwand zu reduzieren. Was eher eine komplexe Lösung ist, weil es eben eine Kombination ist aus Decision-Making on the Edge. So eine Maschine schmeißt 600 Files in der Minute raus. Da muss ich halt auf der Edge die Entscheidung treffen. Und gleichzeitig aber in der Cloud ein trainiertes Modell zu haben, das sich vor es sich updatet, immer selbst validiert und qualifiziert. Losgelöst von der qualifizierten Anlage letztendlich. installiert werden kann, ohne dass ich die Hardware neu qualifizieren muss. Also da ist die Wertschöpfung einerseits technisch ein bisschen herausfordernd. Diese Kombination braucht Decision-Making on the Edge, trainieren sehr große Modelle in der Cloud und eben diese Herausforderung hat, das GXP-konform zu machen, sodass die FDA oder die EMA das Produkt genehmigt. Also das ist so in dem Feld, wo wir auch unterwegs sind.

Jasper Masemann: Ich glaube, da sehen wir noch sehr, sehr viel in der Zukunft. Wahrscheinlich werden wir uns auch noch wundern, was alles möglich ist. Ich glaube, das Interessante ist doch, wenn ihr jetzt Kunden ansprecht, wir haben das ja auch viel im Portfolio, dann hast du irgendwann ein Product-Market-Fit und dann geht es halt darum, wie kann ich an mehr Kunden ran? Und du hast es ja gerade beschrieben, also A wären Entscheidungen offen. auf Edge getroffen, teilweise in der Cloud. Ich habe irgendwie noch meine Server da stehen in der Produktion. Dann willst du auch noch eine Verhaltensänderung von mir haben oder du erzählst mir, guck mal, in der anderen Firma, die machen das viel besser und meine AI erzählt dir jetzt, wie das geht. Wie verkauft man das eigentlich? Hast du da irgendwelche Insights für die anderen AI-Unternehmer? Verkauft die AI, verkauft die einen ROI?

Daniel Szabo: Wir versuchen keine Technologie zu verkaufen, sondern wir versuchen Kundenwert zu verkaufen. Also unsere höchste Prämisse ist, Probleme bei Kunden zu identifizieren, wo Ineffizienzen vorhanden sind und wo wir glauben, mittels digitaler Technologie eine signifikante Wertsteigerung erzeugen zu können. Sprich, wir versuchen wirklich auf den messbaren, kommerziellen Kundenmehrwert zu fokussieren. Meiner Meinung nach ist es relativ einfach. Umso mehr Wert wir beim Kunden erzeugen, umso höher können wir die Lösung bepreisen und müssen dann eben natürlich diesen Sweet Spot finden, wo Aufwand, Ertrag irgendwie miteinander im Einklang sind. Das ist so ein bisschen unser unfair advantage, den wir haben. Wir haben halt sehr gute Kundenbeziehungen über das Kerngeschäft der Körper AG und sind da eben in der Lage, für jedes Venture ein oder zwei Co-Development-Partner zu identifizieren, mit denen wir dann am Endeffekt zunächst ein Proof-of-Concept machen in der Regel, wo wir zeigen, dass es technisch möglich ist. Klar ersichtlich ist, dass diese Wertsteigerungen auch perspektivisch, die wir versprechen, erreichbar sind. Manchmal sind die meistens niedriger. An der Anlage des Kundens mit dem Kunden zusammen das Produkt entwickeln. Das ist ganz wichtig, weil man kann es sehr schwierig im luftleeren Raum machen. Und das ist so eine Herausforderung, wo gerade, sagen wir, junge Unternehmen Schwierigkeiten haben, weil sie eben keinen Zugang haben, kein Vertrauen. Und weshalb ich auch glaube, dass sehr viele B2B-Software-Firmen eher in so einem Konstrukt Venture-Studio, digitaler Geschäftsbereich und so weiter erfolgreich sein können, weil sie dadurch deutlich schneller das richtige Produkt entwickeln können.

Jasper Masemann: Würdest du denen empfehlen, vielleicht ganz kurz mit euch auch zu sprechen? Also wenn sie das Gefühl haben, sie brauchen genau das, was du gerade beschreibst?

Daniel Szabo: Total. Also wir sind maschinagnostisch. Unser Ziel ist, das größte Portfolio an KI-gestützten Produktionssoftwareunternehmen zu haben. Und sind eben immer offen für Partnerschaften, Akquisitionen oder eben auch Talente, die sagen, ich habe da eine Idee, ich kann das aber alleine nicht machen. Also Stichwort Entrepreneur in Residence. Immer sehr gerne direkt bei mir melden, am besten über LinkedIn. Oder eben auch andere Industrieunternehmen, die sagen, wir haben da eine Anwendung, aber wir können das selber nicht. Wir sehen aber das Potenzial. Oder auch offen werden, sowohl auch in Joint Venture, Partnerschaften, diversen anderen Formen zu entwickeln. Und vielleicht der zweite wichtige Aspekt, nochmal zurück zu der Frage davor. Man muss, das sehen wir zumindest, Lösungen top-down verkaufen. Also wir sehen eben, wenn der Wertbeitrag groß genug ist, kriege ich auch die Attention der ökonomischen Entscheidungsfinder, oft unter Eigentümer, Geschäftsführer oder so weiter und müssen quasi sehr klar einen Business Case liefern können. Klar in der P&L, dass der Kunde sichtbar ist, okay, 100 Benefit kostet mich 20, super Lösung.

Jasper Masemann: Was sind denn dann vielleicht ganz kurz deine Best Practices im Venture Building aus der Erfahrung, die du bisher gesammelt hast? Also weil wir eh gerade darüber sprechen. Es gibt ja unglaublich viele Venture Builder. So rein aus deiner Perspektive.

Daniel Szabo: Wir sind ja eigentlich ein Corporate-Venture-Builder, wo wir quasi die Firmenstatus heute zumindest selbst finanzieren. Und ich glaube, Best Practices sind eigentlich gerade auch für Leute, die, sagen wir mal, ein bisschen aus dem Corporate-Umfeld kommen, dreierlei. Scout the best team, ja. Nicht jeder, der eine gute Idee hat, ist ein Unternehmer. Wir validieren die Idee und scouten dann ein Winning-Champions-League-Team. Also wir nehmen nicht, was viele andere machen, aus irgendeinem Pool Leute, sondern wir suchen die besten Teams für die Idee. Wir scouten wirklich ein High-Class-Team, um gewinnen zu können. Zweite Thematik ist, man braucht gute Balance zwischen unternehmerischer Freiheit und sagen wir aber auch Unterstützung oder ein Verständnis, wie die etablierte Industrie funktioniert. Man muss das, glaube ich, relativ gut in die Balance bringen, weil man in der Regel relativ wenig Kunden hat und man nicht den B2C-Approach machen kann. Wenn wir 10.000 Kunden unhappy machen, das gibt ja noch ein paar Milliarden. Ist in der Regel nicht so. Sehr kleine Märkte. Man muss da von Anfang an ein relativ solides Produkt haben, weil sonst kann man sich die Tür zuschlagen für immer, bevor man überhaupt angefangen hat. Und das dritte Thema ist eben, wirklich auf Value Pools abzustellen und zu fokussieren, nicht auf Technologie. Im Endeffekt muss das ökonomisch Sinn machen für den Kunden, ökonomisch Sinn machen für die Venture Company. Da ist es ganz wichtig, die Value Pools zu verstehen und die Werttreiber und das auch klar kommunizieren zu können.

Rasmus Rothe: Du hattest ja schon gesagt, dass jetzt noch zwei neue Firmen startet. Einmal im Bereich Pharma, in der zweiten im Bereich Supply Chain. Vielleicht sagst du dazu noch kurz was. Und darüber hinaus wird es natürlich uns, aber auch die Zuhörer sicher interessieren, was noch so Bereiche sind, wo du sagst, da müsste man mal eine Firma starten. Da passiert gerade technisch viel, weil es gibt sicher auch einige Zuhörer, die in der Zukunft überlegen, da eine Company zu starten. Und da ist natürlich solche Insights sehr, sehr interessant.

Daniel Szabo: Super gerne. Also die dritte Firma ist, werden wir jetzt Ende des Jahres aufsetzen, K-Engage heißt die momentan, aber das ist nicht der finale Marktname, die sich damit beschäftigt, wie kann ich Erfolgpsychologie und Gamification Features nutzen, um Manual Workers stärker zu engagieren, Engagement, Engagement Survey, um eben über ein stärkeres Engagement eine höhere Pickrate zu erreichen und vor allem eine höhere Zufriedenheit, sodass die Leute weniger oft den Arbeitgeber wechseln. Das ist ein Riesenthema, gerade so im Supply Chain Bereich werden wir es aber nicht nur für Warehouses benutzen, sondern auch im Produktionsprozessumfeld. Und da haben wir gesehen mit dem Proof of Concept, mit dem großen E-Commerce-Spieler, dass wir 7% Steigerung der Pick Rates erreichen konnten mit einem sehr rudimentären Proof of Concept und ein extrem positives Feedback von den Mitarbeitern bekommen haben, als auch von den Managern dieses Warehouses. Da scouten wir gerade auch C-Suite als auch komplettes Team. Das haben wir gestern entschieden. Wenn jemand interessiert ist, kann man gerne melden. Da geht jetzt Scouting vom A-Class Winning Team los. Zu deiner Frage, was sind die anderen Themen, die wir sehen? Also wir sind momentan dabei, neue Themen zu evaluieren, weil wir als Ziel haben, jedes Jahr zwei bis drei Firmen auszubünden. Da müssen wir natürlich sehr strukturiert bestehen. Und es geht so in zwei, drei Richtungen. Das eine Thema geht so ein bisschen in die Richtung Sustainability. Kann ich Anlagen anstatt auf Performance zu optimieren, also wie Factory Repair, auf Minimierung des CO2 Footprints oder des Sustainability Impacts? Ist ja deutlich mehr als nur CO2. Zweite Thematik geht so ein bisschen in die Richtung Visibility, Sustainability, Impact eines Produktes über die ganze Supply Chain hinweg. Sagen viele am Anfang, ja, das gibt es ja alles schon. Wenn wir mal tiefer reinkommen, das gibt es eigentlich nicht. Das ist sehr rudimentär. Ich habe das auch bei meiner eigenen Firma gesehen. Das ist ein Riesenaufwand und die meisten Leute wissen das gar nicht. Da geht es eher so Supply Chain Visibility, Full Supply Chain Visibility auf Sustainability, Impact und Footprint. Und wenn ich das habe, kann ich darauf natürlich dann optimieren und dann verschiedene Optimierungen fahren, um den Impact zu reduzieren. Und dann schauen wir so ein bisschen auf die Thematik New Work Umfeld, sprich Leute sind gewohnt, remote zu arbeiten, Leute sind gewohnt, weniger zu reisen etc. pp. Was bedeutet das für das Thema After-Sales-Service im Produktionsumfeld? In der Vergangenheit war es ja total normal, dass alle Industrieunternehmen Servicetechniker durch die Welt geschickt hatten, um Anlagen zu installieren, zu reparieren, viel auch aus Europa. Bisschen schwierig geworden momentan, wenn nicht auch unmöglich für gewisse Regionen. Und was das denn bedeutet, ja? Was macht denn das, diese neue Future Reality? Und wie kann man da Potenziale hemmen? Das ist das dritte Thema. Und dann schauen wir uns noch das Thema an, Micro-Fulfillment, Last-Mile-Delivery. Was bedeutet denn das ganze Thema, dass die Leute, sagen wir mal, E-Commerce mit Local-Fulfillment interessant und spannend finden? Stichwort Gorillas, Fling, etc. pp. Da haben wir so ein Konzept, was, sagen wir mal, Gorilla oder eine Fling wahrscheinlich 20, 30 Prozent effizienter machen würde. Sehr spannend.

Rasmus Rothe: Ja, ich hoffe, die Gorillas-Leute hören zu. Das ist sicher was, was die auch gebrauchen könnten. Du hattest ja gerade schon erwähnt, du hast noch so einen kleinen Nebenjob, ehrlich gesagt einen ziemlich großen Nebenjob, nämlich deine Firma Yumaro. Sagst du dazu zum Abschluss noch ein paar Worte und auch, welche Rolle du da von KI siehst in dem ganzen Kontext?

Daniel Szabo: Mavo ist momentan der Marktführer für 3D-gedrückte Brillen, die individuell an das Gesicht eines Brillenträgers angepasst werden, über eine Smartphone-App. Wir verkaufen momentan über den unabhängigen Brillenhandel, also Premium-Brillenläden und haben da, sagen wir, sehr viel Technologieentwicklung die letzten vier, fünf Jahre gemacht, die es uns eben auch erlauben wird per Spektrum. größeren Stückzahlen zu produzieren, managen eben eine sehr komplexe Technologielandscape. Einerseits haben wir eine eigene Brillenproduktionsfirma, also eine 3D-Druckfabrik, die auch additive Produktionstechnologie entwickelt, um eben Mass Customization im Premium-Bereich mittels 3D-Druck zu ermöglichen. Zweite Technologie-Layer ist wirklich dieses Gesichtscannen, Virtual Try-On und in-Memory die optimalen Brillenparameter zu bestimmen und automatisch auf die Maschinen zu laden. Das ist so das zweite Technologie-Layer. Und die dritte Thematik geht dann so in Optimierung, Forecasting und so weiter. KI-technisch sehen wir da sehr viel Potenzial. einerseits Optimierung der Brillenpassform, vollautomatisch die optimale Brille identifizieren und die auch, sagen wir mal, an die Eigenschaften des individuellen Menschen anzupassen. Und das meiste Potenzial sehen wir eigentlich für Einsatz von künstlicher Intelligenz in Optimierung der Produktionsprozesse. Also wie kann ich die Maschinenparameter anpassen pro Produkt? Dicke Brille, dünne Brille brauchen andere Prozessparameter. Wie kann ich die automatisch most efficient stacken? Und da haben wir eben auch die Vision, ein dezentrales Netzwerk an Produktionsfirmen zu haben, die dann perspektivisch zahlreiche End-User-Consumer-Products dezentral im Markt für den Markt produzieren können. Und das ist eine unglaubliche Komplexität, kann ich nur mit Technologie handeln. Und da sind wir noch sehr, sehr viel Potenzial für künstliche Intelligenz. Die Industrie ist dann ja auch noch sehr rudimentär unterwegs. Da würde man sich manchmal wundern, wie early days das auch dort noch ist.

Jasper Masemann: Sehr, sehr cool. Und was die Zuhörer natürlich nicht sehen können, ist Daniels Brille, die perfekt auf den Kopf und alles angepasst ist. Ich kann das selber als Brillenträger sagen. Meine ist aus Metall, die ist irgendwie so schief geformt, aber vielleicht muss ich mir das nochmal angucken. Man liest ja immer viel China, USA, AI, Produktion, die hängen uns alle ab. Also ich würde mal sagen, also mindestens mal Körper Digital nicht. und Daniel, da ist so viel los bei euch, so viele Follower-Themen auch für Rasmus und mich. Vielen, vielen Dank, dass du das alles teilen konntest. Also ich glaube, das erste Wichtige ist, dass jetzt alle dir auf LinkedIn schreiben und du uns dann bitte auch sagst, wie viele Messages wir für dich generieren konnten durch diesen Podcast. Es könnte voll werden. Also jeder, der gerne im Bereich Manufacturing AI anwenden möchte, ist bei Daniel und Körper Digital genau richtig. Entweder arbeiten, Themen ausprobieren, vielleicht aber auch mit Körper zusammen schon ein richtiges Produkt machen. Ich glaube, das macht total viel Sinn, also mit dem ganzen Setup, was ihr habt. Wir freuen uns sehr, dass ihr da so engagiert seid und auch so erfolgreich seid. Und vielen, vielen Dank, dass du uns ein bisschen Insights teilen durftest. Super, vielen Dank, dass ihr mich da habt.

Outro: Danke, danke. Danke fürs Zuhören beim Digital Kompakt Podcast. Du merkst, hier ziehst du massig Wissen für dich und dein Unternehmen heraus. Wenn du mit uns noch erfolgreicher werden möchtest, abonniere uns auf den gängigen Podcast Plattformen. Und hey, je größer wir werden, desto mehr Menschen können wir helfen. Also erzähl doch auch deinen Kolleginnen und Kollegen von uns. Bis zum nächsten Mal.