3 Fragen an Uwe Wieland

Prof. Dr. Uwe Wieland ist Senior Director Software Product Development & AI-driven Solutions bei Volkswagen AG

Bild: © privat
München, 07. August 2025

Gerade für mittelständische Unternehmen mit begrenzten Ressourcen ist es entscheidend, Industrie 4.0 nicht als rein technologische Herausforderung zu verstehen, sondern als strategischen Organisationsprozess. Der Schlüssel liegt darin, mit überschaubaren Mitteln strukturiert zu starten – dort, wo operativer Schmerz und strategische Wirkung unmittelbar zusammenkommen.
Der erste Schritt besteht darin, das betriebliche Problem mit dem größten Hebel klar zu benennen und anhand konkreter Metriken bewertbar zu machen. Das setzt wiederum voraus, dass Unternehmen sich mit ihrer bestehenden Datenbasis beschäftigen und gezielt in deren Qualität investieren.
Ein praxistauglicher Einstieg gelingt oft über einfache KI-Anwendungen, die auf diesen vorhandenen und qualitätsgesicherten Unternehmensdaten aufsetzen.
Ein entscheidender Hebel ist die Fähigkeit, zwischen nicht-generativer KI und generativer KI zu unterscheiden – und diese gezielt einzusetzen. Während Non-GenAI (auch „analytische KI“ genannt) darauf ausgelegt ist, vorhandene Daten zu analysieren – etwa durch Klassifikation, Vorhersage oder Mustererkennung –, zielt GenAI darauf ab, auf Basis von Daten neue Inhalte zu erzeugen: Texte, Bilder, Code oder sogar erste Roboterabläufe.
Gerade in mittelständischen Unternehmen kann der Einstieg über analytische KI-Lösungen erfolgen, die vorhandene und qualitätsgesicherte Unternehmensdaten nutzen, um deren Zusammenhänge besser zu verstehen, mit diesem Wissen anschließend Prozesse (z.B. Supportprozesse) zu optimieren und bei hohem Vertrauen in die Daten Prozessparameter (bspw. Wartungsbedarfe) vorherzusagen. Ergänzend lässt sich Generative KI nutzen, um zum Beispiel den Inhalt interner Support- und Instandhaltungsdokumente zugänglicher zu machen und diesen mittels interaktiven Assistenzsysteme bereitzustellen. Im nächsten Reifegrad können dann auch NonGen-AI und GenAI zu hybriden Lösungsansätzen kombiniert werden.
Der entscheidende Unterschied liegt dabei nicht im Umfang der eingesetzten Technologie, sondern in der Fähigkeit, die Organisation wirklich zu aktivieren: Menschen, Prozesse und Verantwortungsstrukturen so auszurichten, dass ein kontinuierlicher, praxisnaher Kompetenzaufbau möglich wird – datenbasiert, iterativ und anschlussfähig.

Künstliche Intelligenz wird nicht durch ihre bloße Existenz zum Wettbewerbsvorteil – sondern durch die Fähigkeit eines Unternehmens, sie auf die eigenen Stärken und Herausforderungen strategisch anzuwenden. Entscheidend ist nicht nur, ob ein KI-System technisch funktioniert, sondern ob es eingebettet ist in eine Organisation, die mit den Ergebnissen auch wirksam umgehen kann.

Folgende Voraussetzungen sind dafür besonders relevant:

Klarheit über das Problem.
Viele KI-Projekte scheitern nicht an der Technik, sondern daran, dass das zugrundeliegende Problem nicht präzise beschrieben oder strukturiert genug verstanden wurde. Es braucht die Fähigkeit, Herausforderungen entlang von Mensch, Technik und Organisation gesamthaft zu betrachten. Hier haben sich strukturierende Methoden wie Narratives oder verschiedene Canvas-Ansätze bewährt, um Use Cases systematisch zu qualifizieren und mit Mehrwert zu versehen.

Organisatorische Anschlussfähigkeit.
Ein einzelner KI-Use-Case ist kein Selbstzweck. Erst wenn Technologie in bestehende Prozesse, Verantwortlichkeiten und Datenstrukturen integriert wird, entsteht Wirkung. Es braucht nicht nur digitale Systeme, sondern digitale Anschlussfähigkeit: Governance, Datenpflege, Rollenverständnis – kurz: eine Organisation, die gelernt hat, mit Technologie zu arbeiten.

Datenverfügbarkeit und Datenqualität.
KI lebt von Daten. Deshalb ist der Zugang zu validen, aktuellen und qualitativ hochwertigen Daten oft der eigentliche Engpass. Unternehmen sollten frühzeitig in Datentransparenz und -pflege investieren, denn die besten Algorithmen nützen wenig, wenn die Datengrundlage lückenhaft oder verzerrt ist. Daten müssen als strategisches Asset verstanden und behandelt werden.

Aktivierung statt Abhängigkeit.
Nachhaltige KI-Anwendung entsteht dort, wo Menschen ermächtigt werden, mit Technologie umzugehen – nicht dort, wo sie sich blind auf „die Maschine“ verlassen. Daher ist Technologiekommunikation ein Schlüsselfaktor: Wer KI erklärt, verständlich macht und partizipativ einführt, schafft Vertrauen. Und nur wo Vertrauen besteht, entsteht auch Initiative – eine essenzielle Voraussetzung für kontinuierliches Lernen und Verbesserung im Betrieb.

Kompetenzen im Kontext aufbauen.
Statt auf allgemeine Trainings zu setzen, sollten KI-Kompetenzen unmittelbar am konkreten Vorhaben aufgebaut werden. Praxisorientierte Formate wie Masterclasses, Hochschulkooperationen oder Community-Ansätze fördern nicht nur Fachwissen, sondern ermöglichen auch interdisziplinären Austausch und nachhaltige Umsetzung. So entsteht eine lernende Organisation, die nicht nur konsumiert, sondern mitgestaltet.

Darum gilt: Ein Wettbewerbsvorteil entsteht nicht allein durch Technologie. Er entsteht durch Organisationen, die bereit sind, Verantwortung zu übernehmen, sich iterativ zu entwickeln – und Technologie als Werkzeug zur Stärkung der eigenen Exzellenz zu verstehen.

In industriellen Anwendungen geht es nicht nur um Innovation, sondern vor allem um Zuverlässigkeit, Reproduzierbarkeit und Integration in bestehende Wertschöpfungssysteme. Genau hier liegt die Stärke hybrider KI-Architekturen, die Generative AI (GenAI) und nicht-generative, analytische Verfahren (Non-GenAI) intelligent kombinieren.
Während GenAI neue Lösungsräume eröffnet – etwa durch die automatisierte Erzeugung von Texten, Bildern, Code oder sogar Spracheingaben für Roboterabläufe – liefern Non-GenAI-Verfahren die notwendige analytische Robustheit: zur Qualitätsprüfung, zur Regelüberwachung oder zur datenbasierten Optimierung. Ihre Verbindung schafft Systeme, die sowohl kreativ als auch präzise, sowohl adaptiv als auch steuerbar sind.
Beispielsweise kann durch GenAI eine sprachbasierte Prozessbeschreibung generiert werden, die anschließend mit Non-GenAI-Modellen (z. B. Entscheidungsbäumen, Regression, regelbasierten Systemen) automatisiert simuliert, bewertet und optimiert wird. So entstehen produktive, nachvollziehbare und skalierbare Anwendungen, die technische Komplexität hinter nutzerzentrierten Interfaces verbergen.
Besonders im industriellen Umfeld gilt: Die Qualität der Architektur entscheidet – aber der Erfolg hängt an der Aktivierung der Organisation.
Nur wenn die technologischen Möglichkeiten von einer strukturell befähigten Mannschaft getragen werden – mit klaren Rollen, Verantwortlichkeiten und einem Verständnis für Daten und Prozesse – entsteht nachhaltiger Fortschritt.
Hybride Architekturen sind deshalb nicht nur eine technologische Notwendigkeit – sie sind ein strategischer Enabler für realistische, wirksame und akzeptierte Industrie-4.0-Lösungen.