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.
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 Produkt | Für Ihre Fertigung | Für 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:
| Begriff | Was es festlegt | Beispiel |
|---|---|---|
| AIoT | Das Produkt entscheidet selbst. | Ein Mähroboter erkennt ein Hindernis und wählt eine neue Bahn. |
| Edge AI | Wo gerechnet wird: lokal statt in der Cloud. | Das Modell läuft auf dem Chip im Edge-Rechner in der Halle. |
| Physical AI | Was 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:
| Ebene | Wo gerechnet wird | Rolle |
|---|---|---|
| Gerät | Im Produkt selbst: Mikrocontroller, Steuerung oder SoC. | Entscheidet für sich. |
| Edge | Auf 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. |
| Cloud | Im 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.
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
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)
Wahrnehmen, planen, handeln – in einer Umgebung, die sich nicht an Vorgaben hält: ein Assistenzroboter in der Montage, ein Fahrzeug im Verkehr, eine Maschine im Feld oder im Stall. Von klassischer Automatisierung unterscheiden sich diese Systeme dadurch, dass sie mit Situationen umgehen müssen, für die es keine Regel gibt. Dazu gehören Bewegungsplanung, Kollisionsvermeidung und Sensorfusion – aus Kamera, Lidar, Radar und weiteren Sensoren ein gemeinsames Bild der Umgebung rechnen. Geprüft wird in Simulation und Test gegen Szenarien. Teilen sich Mensch und Maschine denselben Raum, kommt funktionale Sicherheit hinzu. Auch die Fahrzeugwelt gehört hierher, bis hin zu V2X, wo Entscheidungen in Millisekunden fallen.
Automatisierte Qualitätsprüfung
Prüfen im Takt der Produktion, jedes einzelne Teil statt Stichproben – KI-gestützt mit Kamera und Sensorik direkt an der Linie oder im Gerät. Der Nutzen rechnet sich schnell: weniger Ausschuss, entfallende Prüfplätze, weniger Reklamationen. Schwierig wird es an anderer Stelle – eine automatisierte Prüfung muss abnahmefähig sein. Was dazu gehört, steht in den FAQ.
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.
-
Zur Weigerstorfer-ReferenzWeigerstorfer GmbH: Projekt-Management-Plattform in der HaustechnikAI & MLDatenplattformenIT-ModernisierungZur Weigerstorfer-ReferenzEinheitliche Projekt-Management-Plattform für Büro & Baustelle in der Haustechnik
Zur Weigerstorfer-ReferenzProzessdigitalisierung, Mobile-first App, GAEB-Integration, KI-gestützte Datenmigration (Azure)
Zur Weigerstorfer-Referenz250.000 Aufträge in vier Monaten migriert, papierlose Wartung, Übersicht über 3.000 Wartungsverträge
-
Zur ifm-Referenzifm: Azure AI stärkt globale BeschaffungsfähigkeitAI & MLCloudIndustrie 4.0Zur ifm-ReferenzWeltweite Lieferantenbewertung im Einkauf beschleunigen, statt individueller Suchstrategien mit viel Handarbeit
Zur ifm-ReferenzChatbasierter AI Assistant auf Azure OpenAI und AI Search, der ERP-Daten, Website-Infos und interne Bewertungen bündelt
Zur ifm-ReferenzMVP in 11 Wochen produktiv, neue Mitarbeitende starten ohne lange Einarbeitung, Azure AI Platform als Basis für weitere Use Cases
-
Zur Robotik ReferenzPhysical AI: KI-gestützte Robotik für inklusives ArbeitenAI & MLEmbedded & RobotikIndustrie 4.0Zur Robotik ReferenzIndividualisierte Assistenzroboter für Menschen mit körperlicher Einschränkung in der Produktion
Zur Robotik ReferenzIntegration von KI zur automatisierten Anpassung der Roboter an die Leistungsfähigkeit der Menschen
Zur Robotik ReferenzWirksame Befähigung von Menschen mit körperlicher Einschränkung
-
Zur Monitoring ReferenzDräger: Erhöhte Arbeitssicherheit in Industrieanlagen dank CloudCloudIoTCybersecurityZur Monitoring ReferenzCloud-Plattform für Live-Monitoring & Management mobiler Gasmessgeräte
Zur Monitoring ReferenzCloud-native Microservices, IoT-Gateway, skalierbares Kubernetes-Backend (Azure)
Zur Monitoring ReferenzEchtzeit-Alarme weltweit in unter 10 Sekunden, 140.000+ Geräte
-
Zur BMW ReferenzVirtualisierung des Testens von Software für Steuergeräte in der AWS-CloudCloudMobilityEmbedded & RobotikZur BMW ReferenzDigitaler Zwilling für Steuergerätentwicklung & -tests in Autos
Zur BMW ReferenzVirtualisierung der Steuergeräte & AWS Cloud-Integration
Zur BMW ReferenzAufbau von virtuellen Autos & Steuergeräten ohne teure Hardware-Setups, weltweites & verteiltes Testen
-
Zur STARTRAIFF ReferenzSTARTRAIFF: KI-gestützte Analyse unterstützt VersicherungsvertriebAI & MLCloudDatenplattformenZur STARTRAIFF ReferenzAggregation von internen Kundendaten & externen Daten in einer Webanwendung
Zur STARTRAIFF ReferenzDatenbündelung &-analyse mit Amazon Bedrock
Zur STARTRAIFF ReferenzIntuitive Benutzeroberfläche für Vertrieb, 88% reduzierte Vorbereitungszeit vor Kundenbesuch
-
Zur MAN ReferenzMAN – ATLAS L4. Control Center für den autonomen TruckMobilityCloudDatenplattformenZur MAN ReferenzControl Center zur technischen Überwachung fahrerloser LKWs
Zur MAN ReferenzUX-Design, Produkt-Strategie, Datenstruktur, Fahrzeugdaten-Visualisierung
Zur MAN ReferenzÜberwachung, Fernunterstützung, Missionsabwicklung, Berichte für kommerzielle autonome Transportlösungen
-
Zur NETZSCH ReferenzNETZSCH: Entwicklung einer IoT-PlattformCloudIoTDatenplattformenZur NETZSCH ReferenzEinheitliche IoT-Plattform für 3 Geschäftsbereiche, Harmonisierung der bestehenden IoT-Lösungen
Zur NETZSCH ReferenzIoT-Geräteanbindung, Visualisierungssoftware für Datenauswertung, Cloud-Infrastruktur, Betrieb
Zur NETZSCH ReferenzSchnelles Testen in der Cloud-Infrastruktur, schnelle Integrierbarkeit von Anwendungsfällen wie Predictive Maintenance, Prozessoptimierungen etc.
-
Zur TKE ReferenzTK Elevator: Health Check Connectivity für das IoT Gateway von AufzügenCybersecurityIoTEmbedded & RobotikZur TKE ReferenzIoT-Gateway (MAX Box) für Datenverbindung zwischen Aufzug & IoT-Plattform
Zur TKE ReferenzUntersuchung der Code-Qualität, Architektur, Betrieb & Organisation
Zur TKE ReferenzOptimierung von Konnektivität des IoT-Gateways & Digitalisierung der Aufzüge
-
Zur inCTRL ReferenzinCTRL Solutions: Modernisierung der IoT-Plattform für WasseraufbereitungsanlagenCloudIoTIT-ModernisierungZur inCTRL ReferenzIoT- & Software-Modernisierung, Integration neuer Funktionen
Zur inCTRL ReferenzAufbau Data Warehouse, Integration von Microservices, automatisierte Qualitätssicherung, Continuous Integration & Continuous Deployment (CI/CD)
Zur inCTRL ReferenzVerbesserte Resilienz, Wartbarkeit & Weiterentwicklungsfähigkeit der Plattform
-
Zur Mixed Reality ReferenzUniversätitsmedizin Frankfurt – Mixed Reality für die Ausbildung von MedizinernDigital & UX DesignAppsEmbedded & RobotikZur Mixed Reality ReferenzKnietrainingssimulator für technologiegestützte medizinische Ausbildung
Zur Mixed Reality ReferenzMixed Reality-Anwendung kombiniert mit haptischem Knie-Modell, interaktive Trainingsumgebung
Zur Mixed Reality ReferenzDiagnostik am menschlichen Knie ohne Schauspielpatienten, Simulation verschiedener Pathologien, Echtzeitdarstellung des Ablaufs von Bewegungen
-
Zur Health.exe ReferenzHealth.exe: KI-gestützte Plattform erstellt Trainingspläne für PatientenAI & MLCloudDatenplattformenZur Health.exe ReferenzKI-gestützter Service für Orthopädie- & Sportmedizin-Facharztpraxen
Zur Health.exe ReferenzCloudbasierte Webanwendung für Ärzte zur automatisierten evidenzbasierten Erstellung individuell zugeschnittener Patienten-Trainingspläne
Zur Health.exe Referenzneue Erlösquelle ohne Fixkosten, höhere Patientenbindung, KI-gestützt & leitlinienbasiert
-
Zur MAN ReferenzMAN: Effiziente Bedrohungsanalyse für SteuergeräteCybersecurityIoTEmbedded & RobotikZur MAN ReferenzSchutz digitalisierter LKWs vor virtuellen Angriffen
Zur MAN ReferenzRisikoanalyse nach 4x6 Methodik, ThreatSea, ISO21434
Zur MAN ReferenzSchnelle Identifizierung relevanter Bedrohungen für sofort wirksame Sicherheitsmaßnahmen
-
Zur Siemens ReferenzSiemens: AI Demand Prediction Plattform für die industrielle ProduktionsplanungAI & MLCloudDatenplattformenZur Siemens ReferenzMachine Learning für Zeitserien-Vorhersage (Timeseries Forecasting)
Zur Siemens ReferenzAutoML zur automatisierten Anpassung der Modelle an unterschiedliche Daten
Zur Siemens ReferenzEinheitliche, skalierbare Lösung, optimierte Lagerkosten, Effizienzsteigerung
-
Zur TÜV NORD ReferenzTÜV NORD GPT: Entwicklung der KI-AssistenzAI & MLAppsWeb & PortaleZur TÜV NORD ReferenzSicherer Betrieb von KI in der europäischen MS Azure Cloud-Umgebung
Zur TÜV NORD ReferenzFrontend & Backend über MS Azure App, "Chat with your PDF" für TÜV-Mitarbeitende
Zur TÜV NORD ReferenzSchnelle Implementierung neuer Technologien (KI), Stärkung Wissens-Management
-
Zur Miele ReferenzMiele Hausgeräte sind weltweit vernetztCloudIoTEmbedded & RobotikZur Miele ReferenzWeiterentwicklung der IoT-Plattform für vernetzte Hausgeräte
Zur Miele ReferenzContainerbasierte Architektur, offene Standards, modularer Aufbau
Zur Miele ReferenzSchnelle Verfügbarkeit & Skalierbarkeit der digitalen Dienste, hoher Anwendermehrwert
-
Zur BMW ReferenzMixed Reality: Mit einem realen Auto in virtueller Welt fahrenDigital & UX DesignAppsEmbedded & RobotikZur BMW ReferenzIm realen Fahrzeuginnenraum eine futuristische Außenumgebung im Headset erleben
Zur BMW ReferenzEchtzeit-3D-Anwendung, Unreal-Entwicklung, XR-Technologie, Game Design, Smart Devices
Zur BMW ReferenzHochperformante Verarbeitung von Fahrzeugsignalen zur präzisen Bewegungs-Abbildung für immersives Fahrerlebnis ohne Motion Sickness
-
Zur KUKA ReferenzKUKA: Weboberfläche für ein neues Human Machine InterfaceDigital & UX DesignEmbedded & RobotikWeb & PortaleZur KUKA ReferenzEinfach & intuitiv zu bedienende Web UI zur Produktsteuerung
Zur KUKA ReferenzEntwicklung von HMI-Komponenten & -Modulen mit Scrum
Zur KUKA ReferenzHohe Nutzerfreundlichkeit, zuverlässiger Betrieb, schnelle Skalier- & Erweiterbarkeit
-
Zur STIHL ReferenzSTIHL: Mähroboter iMOW per App steuernCloudIoTAppsZur STIHL ReferenzSteuerung und Konfiguration des Mähroboters per Smartphone
Zur STIHL ReferenzEntwicklung von App, Web, Cloud Plattform und direkter Bluetooth-Kommunikation
Zur STIHL ReferenzDigitale Vorteile für Nutzer, App-Steuerbarkeit, Remote Software Updates
-
Zur ifm services Referenzifm services: Fernwartung von Anlagen und MaschinenCloudIoTEmbedded & RobotikZur ifm services ReferenzVollintegrierter Remote Access in der IoT-Plattform
Zur ifm services ReferenzFull Stack Cloud-Application, RUST-basierte Clients, UX-Design
Zur ifm services ReferenzAuswertung von Sensordaten aus der Produktion als Basis für nachhaltige Entscheidungen für die Kunden
-
Zur ReferenzPlanungssysteme: Optimierung der Auslastung von PresswerkenAI & MLDatenplattformenIndustrie 4.0Zur ReferenzZentrale Planung der Komponentenfertigung für kosten- & ressourcenoptimierte Produktionsauslastung weltweit
Zur ReferenzUmbau von lokaler Verarbeitung mit FatClients zur Client Sever-Anwendung, Migration in die Cloud
Zur ReferenzDatenbasierte Planung & Kalkulierung unterschiedlicher Fertigungsszenarien & standortspezifischer Herstellkosten
-
Zur ReferenzGlobales Bedarfsplanungssystem für ArbeitskräfteAI & MLCloudDatenplattformenZur ReferenzZentrales webbasiertes IT-System zur Ablösung individueller Insellösungen
Zur ReferenzEvent Sourcing für Planung & Analytik, Domain Driven Design, Cloud-Migration
Zur ReferenzEinfache Updates, Erweiterung, Wartung, optimierte Sicherheit
-
Zur BMW Group ReferenzBMW Group: Remote Software Upgrade für FahrzeugeCloudMobilityCybersecurityZur BMW Group ReferenzSoftware Upgrades ohne erforderlichen Besuch im Servicebetrieb
Zur BMW Group ReferenzBackend-System zur Over-the-Air-Kommunikation mit dem Fahrzeug, 24/7 Support
Zur BMW Group ReferenzIT-Security, mehr Komfort, On-Demand-Versorgung mit neuen Features
-
Zur SMA ReferenzSMA: Entwicklung einer Web UI für ennexOS PlattformDigital & UX DesignIoTWeb & PortaleZur SMA ReferenzSchaffung eines einheitlichen Kundenerlebnisses auf allen Produkten, reibungsloser Generationswechsel für den Kunden, sicherer, agiler Betrieb
Zur SMA ReferenzWebUI zur Digitalisierung & Automatisierung der Energiemanagement-Prozesse, Open Source-Lösung zur Energiefluss-Visualisierung
Zur SMA ReferenzEnergiefluss- & -kostenoptimierung, Betriebssicherheit, Kundenfreundlichkeit
-
Zur Weidmüller ReferenzWeidmüller: Progression der Industrial Service PlattformCloudIoTWeb & PortaleZur Weidmüller ReferenzSchaffung eines zentralen, intuitiven, ausbaufähigen Portals als Basis für industrielle Anwendungen (Fernzugriff, Datenvisualisierung, ML)
Zur Weidmüller ReferenzExploration, Aufbau & Weiterentwicklung der Basisplattform für Industrial Services
Zur Weidmüller ReferenzInnovatives Portal für End-to-End-Lösungen, MVP in nur 7 Monaten
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
Serienanlauf, Stücklistenkosten, Zulassung, Servicefall, Schichtbetrieb: Wir sprechen mit Ihrer Entwicklung und Ihrer Produktion in deren Sprache.
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.
Gebaut wird für den Dauerbetrieb: über 30 unternehmenskritische IoT-Plattformen, Millionen Geräte im Feld.
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.
Dauer: 3–4 Personentage
Ihre Ideen werden nach Nutzen und Machbarkeit eingeordnet. Sie bekommen eine priorisierte Liste und einen klaren nächsten Schritt.
Dauer: 2–3 Wochen
Wenn Daten vorhanden sind: Wir bewerten, welche Use Cases sie heute tragen. Ergebnis sind priorisierte Handlungsempfehlungen.
Dauer: 3–6 Wochen
Wenn das Gerät die Frage ist: Ein Modell läuft auf Ihrer Zielhardware. Gemessen werden Trefferquote, Latenz, Speicher- und Energiebedarf.
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.
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.