Zum Inhalt springen

Häufig gesucht

Tippen Sie, um zu suchen.

Direkt-Kontakt

info@maibornwolff.de
Miniatur-Roboterarm mit pinkem Greifer auf einer Platine, daneben zwei winzige Figuren von Personen

AIoT: KI, die im Gerät entscheidet

Vom vernetzten Küchengerät bis zum Roboter in der Montage: Wir bringen KI dorthin, wo Ihr Produkt arbeitet – auch dann, wenn keine Cloud erreichbar ist.

BMW Group Logo
DeutscheBahn_logo-2
Creditreform Logo
DERTOUR
jochen-schweizer
Dräger Logo
kuka
BMW Group Logo
DeutscheBahn_logo-2
Creditreform Logo
DERTOUR
jochen-schweizer
Dräger Logo
kuka
ProSieben_Logo_2015-2
Mercedes
Volkswagen Logo
DEKRA
Sonax_logo
Weidmüller logo
Das Logo der Bundesagentur für Arbeit
ProSieben_Logo_2015-2
Mercedes
Volkswagen Logo
DEKRA
Sonax_logo
Weidmüller logo
Das Logo der Bundesagentur für Arbeit

Warum KI ins Gerät gehört und nicht nur in die Cloud

Viele Entscheidungen müssen dort fallen, wo die Cloud nicht hinkommt: im Funkloch, auf einem Shopfloor, der bewusst vom Netz getrennt ist, oder bei Stückzahlen, bei denen sich die Datenübertragung schlicht nicht rechnet. Trotzdem muss die Entscheidung kommen, und zwar in Millisekunden, verlässlich und auf Hardware mit begrenzter Rechenleistung. Hinzu kommt ein bekanntes Muster: Was im Labor als Demo überzeugt, scheitert oft am Sprung in die Serie.

Mit AIoT bringen wir KI direkt auf Ihr Gerät oder auf einen Edge-Rechner am Standort. Das reicht vom kompakten Modell auf dem Mikrocontroller über Physical AI in Robotik und autonomen Systemen bis zur automatisierten Qualitätsprüfung an der Linie. Wir entwickeln von Anfang an für die Serie und nicht für die Demo. Dabei behalten wir im Blick, was sich bei Ihren Stückzahlen tatsächlich rechnet.

Less Technology. Better Business.

Wo AIoT für Sie ansetzt

AIoT betrifft drei sehr unterschiedliche Ausgangslagen. Suchen Sie den Einstieg, der zu Ihrer Rolle und Aufgabenstellung passt:

Für Ihr ProduktFür Ihre FertigungFür Ihre Daten

Anlass:

 

• Neue Bedienkonzepte, Assistenzfunktionen oder mehr Autonomie sind gefragt.

• Cloud-Abhängigkeit, Latenz oder Datenschutz bremsen bisherige KI-Ansätze aus.

• Das Produkt muss auch offline zuverlässig und sicher funktionieren.

Anlass:

 

• Qualitätsprobleme werden zu spät erkannt.

• An den Prüfplätzen fehlen die Fachkräfte.

• Ausschuss und Nacharbeit steigen.

Anlass:

 

• Die Produktion erzeugt täglich tausende Datenpunkte, aber niemand kann sicher sagen, warum die Linie letzte Woche schlechter lief als davor.

• Dashboards, Reports und Excel-Auswertungen gibt es – belastbare Handlungsempfehlungen nicht.

• Dieselben Ursachen werden immer wieder diskutiert.

Lösung:

 

KI direkt im Produkt oder auf einem Edge-Gerät – vom Mikrocontroller bis zur Steuerung, serienreif und über die Lebensdauer aktualisierbar.

Lösung:

 

KI dort einsetzen, wo produziert wird – Systeme, die wahrnehmen und physisch handeln, von der Robotik bis zur Qualitätsprüfung im Takt.

Lösung:

 

Aus Daten bessere Entscheidungen machen: Produktionswissen mit Datenanalyse und KI verbinden. Statt Kennzahlen nur zu visualisieren, legen wir Einflussfaktoren, Muster und Verbesserungshebel offen.

Was AIoT ist – und wie es sich zu Edge AI und Physical AI verhält

Der Begriff ist neu, setzt sich aus AI und IoT zusammen und wird im Markt uneinheitlich verwendet. Wir ordnen ihn so ein: AIoT verbindet vernetzte Geräte mit künstlicher Intelligenz. Der Unterschied zum klassischen IoT liegt in der Rolle des Geräts. Ein IoT-Gerät erfasst und meldet – es sammelt Messwerte und schickt sie weiter. Ein AIoT-Gerät interpretiert und entscheidet – es bewertet die Situation und leitet daraus eine Handlung ab. Die Entscheidung fällt damit im Gerät, nicht mehr in einem System dahinter.

Edge AI und Physical AI legen darunter zwei unterschiedliche Richtungen fest:

BegriffWas es festlegtBeispiel
AIoTDas Produkt entscheidet selbst.Ein Mähroboter erkennt ein Hindernis und wählt eine neue Bahn.
Edge AIWo gerechnet wird: lokal statt in der Cloud.Das Modell läuft auf dem Chip im Edge-Rechner in der Halle.
Physical AIWas die KI tut: wahrnehmen, planen, physisch handeln.Greifen, fahren, ausweichen.

„Edge“ wird oft für jedes Gerät benutzt, das nicht im Rechenzentrum steht. Genauer sind drei Ebenen zu unterscheiden:

EbeneWo gerechnet wirdRolle
GerätIm Produkt selbst: Mikrocontroller, Steuerung oder SoC.Entscheidet für sich.
EdgeAuf einem dedizierten On-Prem-Gerät am Standort – Gateway oder Server im Schaltschrank, in Halle, Anlage oder Fahrzeug.Bündelt mehrere Maschinen und ist der einzige Übergabepunkt zur Cloud.
CloudIm Rechenzentrum eines Anbieters, nur übers Netz erreichbar.Sieht nur, was die Edge weitergibt: Flottensicht, Nachtrainieren, Langzeitauswertung.

Edge AI heißt entsprechend, dass das Modell auf einer der beiden oberen Ebenen rechnet – im Gerät selbst oder auf der Edge. Welche davon die richtige ist, hängt daran, ob die Entscheidung im einzelnen Produkt fallen muss oder ob mehrere Maschinen gemeinsam betrachtet werden.

Edge AI und Physical AI sind voneinander unabhängig. Ein fahrerloses Transportfahrzeug handelt physisch, bekommt seine Routen aber aus einer Flottensteuerung im Rechenzentrum. Eine Kamera in der Qualitätsprüfung entscheidet lokal über Gut und Schlecht, ohne sich einen Zentimeter zu bewegen.

Matrix mit den Achsen “Was tut es?” (Handeln, Auswerten) und “Wo rechnet es?” (Gerät, Edge, Cloud) und sechs Beispielen für KI-Anwendungen

Anspruchsvoll wird es, wo beides zusammenfällt: Ein Gerät, das physisch handelt und dabei auf sich allein gestellt ist, muss in wenigen Millisekunden auf begrenzter Hardware entscheiden – ohne Rückfrage, ohne menschliche Freigabe. Eine Fehlentscheidung lässt sich nicht durch einen zweiten Versuch korrigieren, weil die Bewegung bereits stattgefunden hat. Damit verschiebt sich die Anforderung von der Modellgüte auf das Verhalten des Gesamtsystems.

Für jede KI-Funktion legen wir deshalb zwei Dinge fest: woran das Gerät erkennt, dass seine Einschätzung unsicher ist (Konfidenz, Plausibilitätsgrenzen, Eingangsdaten außerhalb des trainierten Bereichs) – und was es dann tut: anhalten, langsamer weiterarbeiten, auf ein einfaches regelbasiertes Verhalten zurückfallen oder an einen Menschen übergeben.

Woher der Begriff Physical AI kommt

In der Forschung heißt dieses Feld seit Jahren Embodied AI. „Physical AI“ ist die industrielle Bezeichnung, die seit 2025 vor allem von Chip- und Plattformanbietern geprägt wird. Der Begriff ist neu, die Sache dahinter nicht. Verschoben hat sich anderes: Wo Roboter früher programmierte Bewegungsabläufe abgearbeitet haben, arbeiten sie heute mit trainierten Modellen, die auch mit Situationen umgehen, die niemand vorher beschrieben hat. Damit fällt die Grenze weg, an die Automatisierung bisher stieß: kleine Losgrößen, wechselnde Varianten, Teile ohne exakte Position werden wirtschaftlich zugänglich. Der Preis dafür ist, dass sich das Verhalten des Systems nicht mehr vollständig vorab spezifizieren lässt.

Wenn keine Cloud verfügbar ist, keine sein darf oder sich nicht rechnet

„Das muss auch ohne Cloud funktionieren“ – dieser Satz fällt in vielen Kundengesprächen. Dahinter stehen drei sehr unterschiedliche Motivationen.

  • Keine Verbindung vorhanden. Ein Mähroboter am Ende des Gartens, eine Maschine unter einer Stahlbetondecke, ein Fahrzeug im Funkloch: Hier ist der Verbindungsabbruch der Normalfall, keine Störung. An der Aufgabe ändert das nichts – die Maschine muss das fehlerhafte Teil aussortieren, das Fahrzeug muss bremsen.
  • Keine Verbindung erlaubt. In vielen deutschen Werken ist der Shopfloor bewusst vom Internet getrennt – aus Betriebssicherheit und Know-how-Schutz. Diese Trennung wird nicht aufgehoben, nur weil jemand KI einsetzen möchte. Cloud-gebundene KI-Funktionen scheitern deshalb selten an der Technik, sondern an der IT-Sicherheitsfreigabe.
  • Verbindung möglich, aber unwirtschaftlich. Der Regelfall bei hochfrequenten Daten – Schwingungs- und Strommessungen im Kilohertz-Bereich, Kamerabilder im Produktionstakt, Sensorströme aus dutzenden Maschinen. Wer solche Rohdaten dauerhaft in die Cloud schiebt, zahlt dreifach: für Übertragung, Speicherung und Auswertung – laufend, pro Maschine und pro Gerät. Dabei ist der weit überwiegende Teil dieser Daten unauffälliger Normalbetrieb.

In allen drei Fällen bleibt die Rechenarbeit lokal – im Gerät oder auf einem Edge-Rechner am Standort. Nach außen geht nur noch das Ergebnis: die erkannte Auffälligkeit, der verdichtete Kennwert, das Prüfurteil. Das ist der Unterschied zwischen einem dauerhaften Rohdatenstrom und ein paar Bytes pro Ereignis. Der Nutzen:

  • kein Datenabfluss,
  • keine Latenz über das Netz,
  • keine laufenden Kosten für Übertragung, Speicherung und Inferenz,
  • keine Abhängigkeit von der Verfügbarkeit eines Anbieters – und die Funktion arbeitet weiter, wenn die Verbindung fehlt.

Anspruchsvoller als der Cloud-Weg ist das allemal: begrenzter Speicher, begrenzte Rechenleistung, ein Energiebudget, das eingehalten werden muss, und ein Aktualisierungsweg, der über Jahre trägt. Genau diese Arbeit ist unser Kerngeschäft – wir entwickeln Embedded-Software seit Jahrzehnten und vernetzte Produkte seit über zehn Jahren. Wo eine Verbindung besteht und sinnvoll ist, nutzen wir sie: für Flottensicht, Nachtrainieren und zentrale Auswertung, über die Edge als einzigen kontrollierten Übergang. Die Grundfunktion Ihres Produkts hängt davon aber nicht ab.

Diese Unternehmen vertrauen bereits auf unsere Expertise

Drei Felder, in denen wir arbeiten

Abstrakte Linien

KI auf dem Gerät (Edge AI)

Das Modell läuft im Produkt selbst – auf Mikrocontroller oder Steuerung – oder auf einem dedizierten Edge-Gerät am Standort, das die Daten mehrerer Maschinen zusammenführt. Beides ist Edge AI: Die Messwerte werden dort ausgewertet, wo sie anfallen. Nach außen geht höchstens das Ergebnis, über die Edge als einzigen Übergabepunkt. Vier Anforderungen führen typischerweise auf diesen Weg: eine Reaktion in wenigen Millisekunden, eine zu teure Datenübertragung, Daten, die den Standort nicht verlassen dürfen, oder ein Gerät, das schlicht ohne Verbindung arbeiten muss.

Wir bringen Modelle auf die vorhandene Hardware – vom Mikrocontroller bis zum Embedded-Linux-System mit KI-Beschleuniger (einem Chip, der neuronale Netze um ein Vielfaches schneller und sparsamer rechnet als der Hauptprozessor). Steht die Hardware noch nicht fest, unterstützen wir bei der Auswahl und messen vorher nach, was das Zielsystem tatsächlich leistet. Und die Modelle bleiben über die Produktlebensdauer aktualisierbar.

Systeme, die physisch handeln (Physical AI)

Automatisierte Qualitätsprüfung

Klassische Anwendungen wie Predictive Maintenance, Condition Monitoring und Smart Maintenance bauen auf denselben Grundlagen auf.

Unsere Referenzen und Projekte

Wie AIoT in der Praxis aussieht, zeigt sich am besten an realisierten Projekten. Unsere Beispiele stehen für die Bandbreite der Anwendungsmöglichkeiten.

  • Header_Weigerstorfer_2_klein
    Weigerstorfer GmbH: Projekt-Management-Plattform in der Haustechnik
    Zur Weigerstorfer-Referenz
    AI & MLDatenplattformenIT-Modernisierung

    Einheitliche Projekt-Management-Plattform für Büro & Baustelle in der Haustechnik

    Zur Weigerstorfer-Referenz

    Prozessdigitalisierung, Mobile-first App, GAEB-Integration, KI-gestützte Datenmigration (Azure)

    Zur Weigerstorfer-Referenz

    250.000 Aufträge in vier Monaten migriert, papierlose Wartung, Übersicht über 3.000 Wartungsverträge

    Zur Weigerstorfer-Referenz
  • Header_ifm-lieferantenbewertung
    ifm: Azure AI stärkt globale Beschaffungsfähigkeit
    Zur ifm-Referenz
    AI & MLCloudIndustrie 4.0

    Weltweite Lieferantenbewertung im Einkauf beschleunigen, statt individueller Suchstrategien mit viel Handarbeit

    Zur ifm-Referenz

    Chatbasierter AI Assistant auf Azure OpenAI und AI Search, der ERP-Daten, Website-Infos und interne Bewertungen bündelt

    Zur ifm-Referenz

    MVP in 11 Wochen produktiv, neue Mitarbeitende starten ohne lange Einarbeitung, Azure AI Platform als Basis für weitere Use Cases

    Zur ifm-Referenz
  • Ein Roboterarm platziert präzise digitale Daten in einem futuristischen, dunklen Raum.
    Physical AI: KI-gestützte Robotik für inklusives Arbeiten
    Zur Robotik Referenz
    AI & MLEmbedded & RobotikIndustrie 4.0

    Individualisierte Assistenzroboter für Menschen mit körperlicher Einschränkung in der Produktion

    Zur Robotik Referenz

    Integration von KI zur automatisierten Anpassung der Roboter an die Leistungsfähigkeit der Menschen

    Zur Robotik Referenz

    Wirksame Befähigung von Menschen mit körperlicher Einschränkung

    Zur Robotik Referenz
  • Person in Warnweste steht nachts vor einer beleuchteten Industrieanlage im Nebel, Spiegelung im nassen Boden.
    Dräger: Erhöhte Arbeitssicherheit in Industrieanlagen dank Cloud
    Zur Monitoring Referenz
    CloudIoTCybersecurity

    Cloud-Plattform für Live-Monitoring & Management mobiler Gasmessgeräte

    Zur Monitoring Referenz

    Cloud-native Microservices, IoT-Gateway, skalierbares Kubernetes-Backend (Azure)

    Zur Monitoring Referenz

    Echtzeit-Alarme weltweit in unter 10 Sekunden, 140.000+ Geräte

    Zur Monitoring Referenz
  • Ein Microcontroller liegt unter einem Vergrößerungsglas
    Virtualisierung des Testens von Software für Steuergeräte in der AWS-Cloud
    Zur BMW Referenz
    CloudMobilityEmbedded & Robotik

    Digitaler Zwilling für Steuergerätentwicklung & -tests in Autos

    Zur BMW Referenz

    Virtualisierung der Steuergeräte & AWS Cloud-Integration

    Zur BMW Referenz

    Aufbau von virtuellen Autos & Steuergeräten ohne teure Hardware-Setups, weltweites & verteiltes Testen

    Zur BMW Referenz
  • Nahaufnahme von bunten Puzzleteilen, die in der Luft schweben, jedes Teil mit einem anderen Versicherungs-Symbol graviert.
    STARTRAIFF: KI-gestützte Analyse unterstützt Versicherungsvertrieb
    Zur STARTRAIFF Referenz
    AI & MLCloudDatenplattformen

    Aggregation von internen Kundendaten & externen Daten in einer Webanwendung

    Zur STARTRAIFF Referenz

    Datenbündelung &-analyse mit Amazon Bedrock

    Zur STARTRAIFF Referenz

    Intuitive Benutzeroberfläche für Vertrieb, 88% reduzierte Vorbereitungszeit vor Kundenbesuch

    Zur STARTRAIFF Referenz
  • Eine Flotte selbstfahrender LKW von MAN auf einem geräumigen Testgelände.
    MAN – ATLAS L4. Control Center für den autonomen Truck
    Zur MAN Referenz
    MobilityCloudDatenplattformen

    Control Center zur technischen Überwachung fahrerloser LKWs

    Zur MAN Referenz

    UX-Design, Produkt-Strategie, Datenstruktur, Fahrzeugdaten-Visualisierung

    Zur MAN Referenz

    Überwachung, Fernunterstützung, Missionsabwicklung, Berichte für kommerzielle autonome Transportlösungen

    Zur MAN Referenz
  • Zwei Personen in weißen Schutzanzügen stehen vor einer Pipeline, durch die grün leuchtende Datenströme gepumpt werden
    NETZSCH: Entwicklung einer IoT-Plattform
    Zur NETZSCH Referenz
    CloudIoTDatenplattformen

    Einheitliche IoT-Plattform für 3 Geschäftsbereiche, Harmonisierung der bestehenden IoT-Lösungen

    Zur NETZSCH Referenz

    IoT-Geräteanbindung, Visualisierungssoftware für Datenauswertung, Cloud-Infrastruktur, Betrieb

    Zur NETZSCH Referenz

    Schnelles Testen in der Cloud-Infrastruktur, schnelle Integrierbarkeit von Anwendungsfällen wie Predictive Maintenance, Prozessoptimierungen etc.

    Zur NETZSCH Referenz
  • Ein modernes Hochhaus mit einem auffälligen orange-violetten Farbverlauf, das eine zentrale, transparente Außenaufzugseinheit zeigt.
    TK Elevator: Health Check Connectivity für das IoT Gateway von Aufzügen
    Zur TKE Referenz
    CybersecurityIoTEmbedded & Robotik

    IoT-Gateway (MAX Box) für Datenverbindung zwischen Aufzug & IoT-Plattform

    Zur TKE Referenz

    Untersuchung der Code-Qualität, Architektur, Betrieb & Organisation

    Zur TKE Referenz

    Optimierung von Konnektivität des IoT-Gateways & Digitalisierung der Aufzüge

    Zur TKE Referenz
  • Eine Person steht auf einer Plattform bei Sonnenuntergang mit digital überlagerten Grafiken.
    inCTRL Solutions: Modernisierung der IoT-Plattform für Wasseraufbereitungsanlagen
    Zur inCTRL Referenz
    CloudIoTIT-Modernisierung

    IoT- & Software-Modernisierung, Integration neuer Funktionen

    Zur inCTRL Referenz

    Aufbau Data Warehouse, Integration von Microservices, automatisierte Qualitätssicherung, Continuous Integration & Continuous Deployment (CI/CD)

    Zur inCTRL Referenz

    Verbesserte Resilienz, Wartbarkeit & Weiterentwicklungsfähigkeit der Plattform

    Zur inCTRL Referenz
  • Eine Frau trägt eine VR-Brille und hebt ein Silikon-Bein
    Universätitsmedizin Frankfurt – Mixed Reality für die Ausbildung von Medizinern
    Zur Mixed Reality Referenz
    Digital & UX DesignAppsEmbedded & Robotik

    Knietrainingssimulator für technologiegestützte medizinische Ausbildung

    Zur Mixed Reality Referenz

    Mixed Reality-Anwendung kombiniert mit haptischem Knie-Modell, interaktive Trainingsumgebung

    Zur Mixed Reality Referenz

    Diagnostik am menschlichen Knie ohne Schauspielpatienten, Simulation verschiedener Pathologien, Echtzeitdarstellung des Ablaufs von Bewegungen

    Zur Mixed Reality Referenz
  • Zwei Orthopäden betrachten ein transparentes 3D-Hologramm des Skeletts und der Muskulatur auf einem eleganten Tablet-Interface, umgeben von schwebenden UI-Panels.
    Health.exe: KI-gestützte Plattform erstellt Trainingspläne für Patienten
    Zur Health.exe Referenz
    AI & MLCloudDatenplattformen

    KI-gestützter Service für Orthopädie- & Sportmedizin-Facharztpraxen

    Zur Health.exe Referenz

    Cloudbasierte Webanwendung für Ärzte zur automatisierten evidenzbasierten Erstellung individuell zugeschnittener Patienten-Trainingspläne

    Zur Health.exe Referenz

    neue Erlösquelle ohne Fixkosten, höhere Patientenbindung, KI-gestützt & leitlinienbasiert

    Zur Health.exe Referenz
  • Ein roter MAN-Lastwagen fährt unter einem klaren Nachthimmel mit leuchtenden Sternen auf einer leeren Straße.
    MAN: Effiziente Bedrohungsanalyse für Steuergeräte
    Zur MAN Referenz
    CybersecurityIoTEmbedded & Robotik

    Schutz digitalisierter LKWs vor virtuellen Angriffen

    Zur MAN Referenz

    Risikoanalyse nach 4x6 Methodik, ThreatSea, ISO21434

    Zur MAN Referenz

    Schnelle Identifizierung relevanter Bedrohungen für sofort wirksame Sicherheitsmaßnahmen

    Zur MAN Referenz
  • Ein Techniker in einer grünen Siemens-Jacke sitzt vor einem Computer in einer Fabrikhalle mit industriellen Geräten im Hintergrund.
    Siemens: AI Demand Prediction Plattform für die industrielle Produktionsplanung
    Zur Siemens Referenz
    AI & MLCloudDatenplattformen

    Machine Learning für Zeitserien-Vorhersage (Timeseries Forecasting)

    Zur Siemens Referenz

    AutoML zur automatisierten Anpassung der Modelle an unterschiedliche Daten

    Zur Siemens Referenz

    Einheitliche, skalierbare Lösung, optimierte Lagerkosten, Effizienzsteigerung

    Zur Siemens Referenz
  • Zwei Frauen stehen in einer Werkstatt. Eine Frau hält ein Tablet in den Händen.
    TÜV NORD GPT: Entwicklung der KI-Assistenz
    Zur TÜV NORD Referenz
    AI & MLAppsWeb & Portale

    Sicherer Betrieb von KI in der europäischen MS Azure Cloud-Umgebung

    Zur TÜV NORD Referenz

    Frontend & Backend über MS Azure App, "Chat with your PDF" für TÜV-Mitarbeitende

    Zur TÜV NORD Referenz

    Schnelle Implementierung neuer Technologien (KI), Stärkung Wissens-Management

    Zur TÜV NORD Referenz
  • Person nutzt Miele-App in moderner Küche.
    Miele Hausgeräte sind weltweit vernetzt
    Zur Miele Referenz
    CloudIoTEmbedded & Robotik

    Weiterentwicklung der IoT-Plattform für vernetzte Hausgeräte

    Zur Miele Referenz

    Containerbasierte Architektur, offene Standards, modularer Aufbau

    Zur Miele Referenz

    Schnelle Verfügbarkeit & Skalierbarkeit der digitalen Dienste, hoher Anwendermehrwert

    Zur Miele Referenz
  • Sportauto steht in farbenfroher Wüstenlandschaft.
    Mixed Reality: Mit einem realen Auto in virtueller Welt fahren
    Zur BMW Referenz
    Digital & UX DesignAppsEmbedded & Robotik

    Im realen Fahrzeuginnenraum eine futuristische Außenumgebung im Headset erleben

    Zur BMW Referenz

    Echtzeit-3D-Anwendung, Unreal-Entwicklung, XR-Technologie, Game Design, Smart Devices

    Zur BMW Referenz

    Hochperformante Verarbeitung von Fahrzeugsignalen zur präzisen Bewegungs-Abbildung für immersives Fahrerlebnis ohne Motion Sickness

    Zur BMW Referenz
  • Frau mit Tablet in moderner Fabrikhalle
    KUKA: Weboberfläche für ein neues Human Machine Interface
    Zur KUKA Referenz
    Digital & UX DesignEmbedded & RobotikWeb & Portale

    Einfach & intuitiv zu bedienende Web UI zur Produktsteuerung

    Zur KUKA Referenz

    Entwicklung von HMI-Komponenten & -Modulen mit Scrum

    Zur KUKA Referenz

    Hohe Nutzerfreundlichkeit, zuverlässiger Betrieb, schnelle Skalier- & Erweiterbarkeit

    Zur KUKA Referenz
  • Header_Stiehl-IMOW-16-9
    STIHL: Mähroboter iMOW per App steuern
    Zur STIHL Referenz
    CloudIoTApps

    Steuerung und Konfiguration des Mähroboters per Smartphone

    Zur STIHL Referenz

    Entwicklung von App, Web, Cloud Plattform und direkter Bluetooth-Kommunikation

    Zur STIHL Referenz

    Digitale Vorteile für Nutzer, App-Steuerbarkeit, Remote Software Updates

    Zur STIHL Referenz
  • Header_ifm
    ifm services: Fernwartung von Anlagen und Maschinen
    Zur ifm services Referenz
    CloudIoTEmbedded & Robotik

    Vollintegrierter Remote Access in der IoT-Plattform

    Zur ifm services Referenz

    Full Stack Cloud-Application, RUST-basierte Clients, UX-Design

    Zur ifm services Referenz

    Auswertung von Sensordaten aus der Produktion als Basis für nachhaltige Entscheidungen für die Kunden

    Zur ifm services Referenz
  • Große Rollen auf Förderband in Fabrik.
    Planungssysteme: Optimierung der Auslastung von Presswerken
    Zur Referenz
    AI & MLDatenplattformenIndustrie 4.0

    Zentrale Planung der Komponentenfertigung für kosten- & ressourcenoptimierte Produktionsauslastung weltweit

    Zur Referenz

    Umbau von lokaler Verarbeitung mit FatClients zur Client Sever-Anwendung, Migration in die Cloud

    Zur Referenz

    Datenbasierte Planung & Kalkulierung unterschiedlicher Fertigungsszenarien & standortspezifischer Herstellkosten

    Zur Referenz
  • Header_Globales-Bedarfsplanungssystem-für-Arbeitskräfte-2-16-9
    Globales Bedarfsplanungssystem für Arbeitskräfte
    Zur Referenz
    AI & MLCloudDatenplattformen

    Zentrales webbasiertes IT-System zur Ablösung individueller Insellösungen

    Zur Referenz

    Event Sourcing für Planung & Analytik, Domain Driven Design, Cloud-Migration

    Zur Referenz

    Einfache Updates, Erweiterung, Wartung, optimierte Sicherheit

    Zur Referenz
  • Das Armaturenbrett eines Autos zeigt ein Display mit einer Benachrichtigung über ein Remote-Software-Upgrade.
    BMW Group: Remote Software Upgrade für Fahrzeuge
    Zur BMW Group Referenz
    CloudMobilityCybersecurity

    Software Upgrades ohne erforderlichen Besuch im Servicebetrieb

    Zur BMW Group Referenz

    Backend-System zur Over-the-Air-Kommunikation mit dem Fahrzeug, 24/7 Support

    Zur BMW Group Referenz

    IT-Security, mehr Komfort, On-Demand-Versorgung mit neuen Features

    Zur BMW Group Referenz
  • Techniker installiert Solarpanel bei Sonnenuntergang auf Dach
    SMA: Entwicklung einer Web UI für ennexOS Plattform
    Zur SMA Referenz
    Digital & UX DesignIoTWeb & Portale

    Schaffung eines einheitlichen Kundenerlebnisses auf allen Produkten, reibungsloser Generationswechsel für den Kunden, sicherer, agiler Betrieb

    Zur SMA Referenz

    WebUI zur Digitalisierung & Automatisierung der Energiemanagement-Prozesse, Open Source-Lösung zur Energiefluss-Visualisierung

    Zur SMA Referenz

    Energiefluss- & -kostenoptimierung, Betriebssicherheit, Kundenfreundlichkeit

    Zur SMA Referenz
  • Eine Person steht in einem modernen, abstrakten Raum und hält ein Tablet in den Händen.
    Weidmüller: Progression der Industrial Service Plattform 
    Zur Weidmüller Referenz
    CloudIoTWeb & Portale

    Schaffung eines zentralen, intuitiven, ausbaufähigen Portals als Basis für industrielle Anwendungen (Fernzugriff, Datenvisualisierung, ML)

    Zur Weidmüller Referenz

    Exploration, Aufbau & Weiterentwicklung der Basisplattform für Industrial Services

    Zur Weidmüller Referenz

    Innovatives Portal für End-to-End-Lösungen, MVP in nur 7 Monaten

    Zur Weidmüller Referenz
Zwei Kollegen arbeiten gemeinsam am Laptop
Bringen Sie Ihre Daten mit

Auch unstrukturiert, auch lückenhaft. In wenigen Tagen wissen Sie, welche KI-Use-Cases damit heute tragen, wo die Lücken sind und was sich am schnellsten rechnet.

Warum Produkthersteller und Shopfloorbetreiber mit MaibornWolff arbeiten

Domänenwissen

Serienanlauf, Stücklistenkosten, Zulassung, Servicefall, Schichtbetrieb: Wir sprechen mit Ihrer Entwicklung und Ihrer Produktion in deren Sprache.

Alles aus einer Verantwortung

Von der Hardware-Auswahl bis zur Cloud in einem Team. Wir messen auf Ihrer Zielhardware, bevor Sie sich festlegen – keine Übergabebrüche zwischen KI-Boutique, Embedded-Haus und Cloud-Dienstleister.

Serie statt Demo

Gebaut wird für den Dauerbetrieb: über 30 unternehmenskritische IoT-Plattformen, Millionen Geräte im Feld.

Ihr Know-how bleibt bei Ihnen

Gemischte Teams, laufender Wissenstransfer, und der entstehende Quellcode wird immer übergeben. Modelle und Daten gehören Ihnen.

In Zahlen: über 10 Jahre IoT · 30+ IoT-Plattformen · 800+ Mitarbeitende · IT-Dienstleistungen seit 1989 · zertifiziert nach ISO 27001 und TISAX.

Wie ein AIoT-Vorhaben startet

Wir arbeiten in überprüfbaren Schritten. Jeder endet mit einem Ergebnis, auf dessen Grundlage Sie entscheiden können.

1. AIoT Use-Case-Workshop

Dauer: 3–4 Personentage

Ihre Ideen werden nach Nutzen und Machbarkeit eingeordnet. Sie bekommen eine priorisierte Liste und einen klaren nächsten Schritt.

2a. Bring Your Own Data

Dauer: 2–3 Wochen

Wenn Daten vorhanden sind: Wir bewerten, welche Use Cases sie heute tragen. Ergebnis sind priorisierte Handlungsempfehlungen.

2b. Feasibility auf Ihrer Hardware

Dauer: 3–6 Wochen

Wenn das Gerät die Frage ist: Ein Modell läuft auf Ihrer Zielhardware. Gemessen werden Trefferquote, Latenz, Speicher- und Energiebedarf.

3. Serienreife

Dauer: ab 3 Monaten

Integration in Ihr Produkt oder Ihre Anlage – mit Abnahmekonzept, Update-Weg und Monitoring von Anfang an.

Danach begleiten wir Rollout und Betrieb, solange Sie das wollen.

Eine Person in einem hellen, modernen Raum, die ein Handy ans Ohr hält, reflektiert an einer Glaswand.
Sprechen wir über Ihren Use Case

Im kostenlosen Erstgespräch klären wir, ob und wie er sich auf Ihrer Hardware umsetzen lässt.

Häufige Fragen zu AIoT

  • Was ist AIoT?

    AIoT verbindet vernetzte Geräte mit künstlicher Intelligenz. Der Unterschied zum klassischen IoT liegt in der Rolle des Geräts: Ein IoT-Gerät erfasst Messwerte und meldet sie. Ein AIoT-Gerät bewertet die Situation und leitet eine Handlung ab – ein Küchengerät erkennt am Kamerabild den Garpunkt und nimmt die Hitze zurück, eine Maschine hört am Geräusch, dass ein Werkzeug stumpf wird. Die Entscheidung fällt im Gerät, nicht in einem System dahinter.

  • Was unterscheidet AIoT, Edge AI und Physical AI?

    AIoT bedeutet übergeordnet, dass das Produkt KI-gestützt selbst entscheidet. Edge AI legt fest, wo gerechnet wird: lokal statt in der Cloud, im Produkt oder auf einem Edge-Gerät am Standort. Physical AI legt fest, dass die KI wahrnimmt, plant und physisch handelt – in Robotik, autonomen Fahrzeugen, Assistenzsystemen. Edge AI und Physical AI sind unabhängig voneinander; anspruchsvoll wird es, wo beides zusammenfällt.

  • Braucht KI auf dem Gerät eine Internetverbindung?

    Nein. Ein Modell auf dem Gerät arbeitet vollständig lokal – ohne Cloud, ohne Netz, ohne Datenabfluss. Das ist entscheidend für Geräte, die zeitweise offline sind, und für Produktionsumgebungen, die bewusst getrennt bleiben. Eine Verbindung wird genutzt, wo sie Mehrwert bringt (Flottensicht, Nachtrainieren) – die Grundfunktion hängt aber nicht davon ab.

  • Reicht unsere vorhandene Hardware für KI auf dem Gerät?

    Das beantwortet die Feasibility-Phase an Ihrer konkreten Hardware. Grundsätzlich sind die Anforderungen deutlich gesunken: Klassische Anomalie- und Mustererkennung läuft auf Mikrocontrollern, kompakte Sprachmodelle auf leistungsfähigeren Steuerungen. Gemessen werden Trefferquote, Latenz, Speicher- und Energiebedarf auf Ihrem Zielsystem, bevor Sie sich festlegen.

  • Wie halten wir ein KI-Modell über die Produktlebensdauer aktuell?

    Über denselben Weg wie Firmware: signierte Updates mit Rollback und eine Dokumentation, aus der hervorgeht, welches Gerät seit wann welche Modellversion fährt. Modelle altern, weil sich Materialien, Umgebungen und Fehlerbilder ändern – der Aktualisierungsweg gehört deshalb von Anfang an in die Architektur. Der Cyber Resilience Act verlangt für vernetzte Produkte ohnehin sichere Update-Wege über den gesamten Supportzeitraum. Ein Modell im Gerät ist Teil der Software und läuft über denselben Weg.

  • Wie geben wir eine KI-Funktion frei, die nicht immer dieselbe Antwort liefert?

    Über definierte Abnahmekriterien, Guardrails und Tests gegen Szenarien statt gegen Einzelfälle, ergänzt um Monitoring im Feld. Klassische Testverfahren setzen Reproduzierbarkeit voraus und greifen hier nicht mehr. Für jede Funktion wird festgelegt, woran das Gerät Unsicherheit erkennt und was es dann tut. Ist eine KI-Funktion sicherheitsrelevant, etwa als Sicherheitsbauteil einer Maschine, gelten zusätzliche Anforderungen an Nachvollziehbarkeit und menschliche Aufsicht. Welche Regeln greifen, hängt vom Einsatz ab.

  • Was kostet KI auf dem Gerät im Vergleich zur Cloud?

    Die Kostenstruktur ist eine andere. Der Cloud-Weg kostet laufend und wächst mit Ihrem Erfolg – Übertragung, Speicherung, jede Inferenz. Ein Modell auf dem Gerät kostet einmalig in Entwicklung und Stückliste, danach ist die Rechenleistung bezahlt. Bei hohen Stückzahlen oder häufigen Abfragen kippt die Rechnung meist deutlich zugunsten des Geräts. Der KI-Beschleuniger auf der Platine ist allerdings eine Serienentscheidung, die früh fällt.

  • Worin unterscheiden sich Edge und Cloud – und warum zieht die IT-Sicherheit dort die Grenze?

    Die Cloud ist das Rechenzentrum eines Anbieters, nur über das Netz erreichbar. Die Edge ist kein beliebiges Gerät außerhalb davon, sondern eine dedizierte Instanz an Ihrem Standort, die die Daten mehrerer Maschinen bündelt und der einzige Übergabepunkt zur Cloud ist: Was dort nicht durchgelassen wird, verlässt den Standort nicht. Genau deshalb ziehen IT-Sicherheit und Werksschutz hier die Grenze – eine gehärtete, überwachte Instanz statt hunderter Maschinen mit eigener Internetverbindung. Davon zu unterscheiden ist die dritte Ebene, das Gerät selbst, auf dem ein Modell direkt im Produkt rechnet und ohne jede Verbindung auskommt.

  • Wie schützen wir unser Modell auf einem Gerät, das beim Kunden steht?

    In einem trainierten Modell steckt Ihr Prozesswissen, und auf einem ausgelieferten Gerät ist es physisch zugänglich. Schutz entsteht über die Architektur: sichere Speicherbereiche, verschlüsselte Modellablage und Secure Boot. Das gehört schon in die Konzeptphase.

  • Wem gehören die Daten und die trainierten Modelle?

    Ihnen – Daten, Modelle und der entstehende Quellcode. Das ist kein Verhandlungspunkt. Rechnet das Modell auf dem Gerät, bleiben die Rohdaten ohnehin dort. Beim Training werden Daten zusammengeführt; wo das geschieht, wer zugreift und was nach Projektende damit passiert, halten wir vorab schriftlich fest.