Das US-amerikanische Beratungsunternehmen Accenture hat in München eines von mehr als 20 globalen KI-Labs eröffnet. Das GenAI-Studio ist eingebettet in den größeren lokalen Innovation Hub, der sich unter anderem Themen wie IoT widmet.

Zudem umfasst das GenAI-Studio ein Netzwerk von Co-Innovatoren. Dazu zählen etwa Accentures Ökosystempartner wie Microsoft, Google, Intel, IBM und ServiceNow.

Schwerpunkt industrielle Fertigung

Schwerpunktthemen des Münchner Studios für Generative KI sind Automobil und industrielle Fertigung im Allgemeinen. Entsprechende GenAI-Studios eröffnet Accenture auch an anderen europäischen Standorten zu verschiedenen Themen. In Brüssel und Rom liegt der Schwerpunkt beispielsweise auf der öffentlichen Verwaltung, in Mailand auf Einzelhandel und Konsumgütern. Das KI-Lab in Dublin widmet sich der Kommunikations- und Medienbranche.

Mit den Studios will Accenture Anwendern ermöglichen, vor Ort Anwendungsfälle für KI zu erkunden, um so neue Ideen für die KI-Nutzung erarbeiten und Transformationsprogramme schnell starten und skalieren zu können. Deutschland bot sich dabei, so Christina Raab, Geschäftsführerin bei Accenture in Deutschland, Österreich und der Schweiz, als Standort für die Themen rund um Industrial AI an, da es zu den global wichtigsten Volkswirtschaften im Bereich der industriellen Fertigung zähle.

KI boomt in Deutschland

Zudem ist Deutschland in Sachen KI und GenAI ein interessanter Markt: Bei Accenture geht man davon aus, dass 70 bis 75 Prozent der deutschen Unternehmen in nächster Zeit in KI investieren werden. Dabei sollen die KI-Budgets jährlich um rund 30 Prozent steigen.

Die KI-gestützten Anwendungsbeispiele reichen vom automatischen Qualitätsmanagement über Co-Pilot Engineering bis hin zu hyperpersonalisierter Content-Erstellung. Und bei mancher Demo stellt sich ein Aha-Effekt ein. Diskutierten wir ein solche Anwendung nicht schon im Industrie-4.0- und IoT-Umfeld?

KI als Booster für Industrie 4.0

Und in der Tat sind etliche Beispiele gute alte Bekannte, wie etwa die Computer-Vision-gestützte Qualitätsprüfung in der Produktion, anhand der Kontrolle der Verschraubungen einer Autotüre.

Neu ist dabei, dass die Beschäftigten jetzt keine spezielle Schulung mehr benötigen. Dank GenAI können sie die Anwendung nun frei per Sprache bedienen. Und sie ist flexibler einsetzbar, denn der Mitarbeiter muss nicht mehr seinen eigentlichen Arbeitsplatz verlassen, um an einem Device Eingaben vorzunehmen. Oder anders formuliert: GenAI ermöglicht eine tiefere und flexiblere Integration in die industriellen Arbeitsprozesse.

Skalierbare Anwendungen

Wie stark sich teilweise bekannte Anwendungsszenarien nun im KI-Zeitalter skalieren lassen, verdeutlicht auch ein anderes Beispiel. So ist es etwa ein alter Hut, dass Industrieroboter, wie etwa der Robo-Hund Spot von Boston Dynamics Anlagen inspizieren und kontrollieren.

Unterstützt durch KI können sie sich nun jedoch autonom auf dem Gelände bewegen. Und den menschlichen Kollegen vor Ort, falls eine Intervention erforderlich ist, ebenfalls mit KI-Support, bei der Fehlerbeseitigung helfen. In einer weiteren Entwicklungsstufe wäre auch vorstellbar, dass der Roboter mittels KI-gestützter Computer Vision den Fehler gleich selbst erkennt und gezielt den entsprechenden Experten herbeiruft.

Neue Business Cases

Ersetzt man in obigem Beispiel den Roboter durch eine Drohne, zeigt sich, wie schön KI-Anwendungen skalieren können. Jetzt könnte das Einsatzszenario die automatisierte Kontrolle von Stromtrassen auf nistende Vögel etc., sein. Oder eine Bahntrasse wird automatisiert auf Hindernisse und Beschädigungen inspiziert.

Allein dies Beispiele zeigen, wie sich aus der Kombination von GenAI und bestehenden Technologien neuen Business Cases realisieren lassen. Etwa, wenn mit Hilfe von HeyGen.ai der altbekannten Avatar-Idee neues, realistisches Leben eingehaucht wird und die KI dann etwa im Autohaus potenzielle Kunden berät. Oder sie steht den Mitarbeitenden während ihres Arbeitstages als virtuelle Hilfe zur Seite.

Daten sind entscheidend

Gleichzeitig verdeutlichen die verschiedenen Anwendungen noch einen Punkt: Egal, wie das Einsatzszenario aussieht, die Differenzierung zwischen einem erfolgreichen KI-Projekt und einem gescheiterten machen die zugrundliegenden Daten aus. Ihre Qualität entscheidet häufig auch über die Kosten eine KI-Projekts.

Mit Blick auf die Daten warnt man bei Accenture noch vor einem anderen Trugschluss. Das alte Motto "Viel hilft viel" gelte im Zusammenhang mit AI nicht. So seien etwa die General Purpose LLMs mit ihren Milliarden oder gar Billionen an Datenparametern für viele Anwendungen gar nicht die erste Wahl. Hier seien Industrial Language Models mit weniger, aber dafür dedizierten Parametern besser geeignet, da sie nicht nur performanter, sondern auch kosteneffizienter seien.