Ich habe mehr als 25 Jahre mit Industriemaschinen verbracht: Firmware geschrieben, Hardware entworfen, Konnektivität an Orten debuggt, die keine hatten. Fast die ganze Zeit über waren die Regeln stabil. Man baute eine bessere Maschine als der Wettbewerber, verlangte einen fairen Preis und gewann. Die Ingenieure, mit denen ich groß geworden bin, haben diese Regeln beherrscht. Viele von ihnen führen heute traditionelle Unternehmen.
Irgendwann im letzten Jahrzehnt haben sich die Regeln geändert, leise genug, dass viele gute Unternehmen es übersehen haben. Ich erinnere mich an das erste Mal, als ich es aus der Nähe sah. Ein Hersteller, den ich kannte, hatte das beste Produkt seiner Kategorie, gemessen an allem, was früher zählte: Präzision und Verarbeitungsqualität. Er verlor einen großen Auftrag an einen Wettbewerber, dessen Maschine schlechter war. Die Maschine des Wettbewerbers meldete alles, was sie tat, jede Stunde, von jedem Standort. Der Käufer verglich keine Maschinen mehr. Der Käufer verglich, was er von ihnen lernen konnte.
Der Druck auf traditionelle Unternehmen
Traditionelle Unternehmen stehen von zwei Seiten unter Druck. Hardwarehersteller, die ihre Produkte nie mit Daten verschmelzen, werden zur Massenware, und ihre Maschinen werden austauschbare Kisten, die nur noch über den Preis konkurrieren. Auf der anderen Seite fehlt den Softwarekonzernen, die diese Märkte umkreisen, die Physik der Domäne: das Ingenieurwissen, das sich in Jahrzehnten des Bauens echter Produkte in einem Unternehmen ablagert. Ein Hardwarehersteller, der Daten hinzunimmt, gewinnt einen Burggraben, den Software allein nicht überquert. Ich habe beide Hälften dieses Drucks erlebt, Unternehmen für Unternehmen. Gebraucht wird kein weiteres Dashboard. Gebraucht wird ein Weg vom Verkauf von Maschinen zum Verkauf dessen, was die Maschinen wissen.
Die klarste Karte dieses Wegs, die ich gefunden habe, ist Fusion Strategy: How Real-Time Data and AI Will Power the Industrial Future (Harvard Business Review Press, 2024) von Vijay Govindarajan und Venkat Venkatraman. Ihr Argument ist direkt: Industrieunternehmen gewinnen die nächste Ära nicht durch bessere Maschinen, sondern indem sie physische Produkte mit Echtzeitdaten verschmelzen und so Geschäfte aufbauen, die reine Softwarefirmen nicht kopieren können. Das deckte sich mit dem, was ich seit Jahren im Feld sah.
Ihr Produkt hat schon einen Datagraph
Google hat einen Suchgraph. Meta hat einen Sozialgraph. Govindarajan und Venkatraman argumentieren, dass jedes Industrieunternehmen seine eigene Version bauen kann: einen Datagraph, die lebendige Karte davon, wie sich die Produkte eines Unternehmens in der echten Welt tatsächlich verhalten, bei Tausenden Kunden, jeden Tag.
John Deere ist das Vorzeigebeispiel des Buchs. Das System See & Spray setzt Kameras und KI auf die Feldspritze, sodass die Maschine Unkraut in Echtzeit von der Kultur unterscheidet und nur das Unkraut spritzt. Landwirte senken ihren Herbizideinsatz deutlich, die Maschine bezahlt sich über gespartes Mittel, und Deere kann den gelieferten Wert pro Hektar berechnen statt einen Traktor zu verkaufen und zu gehen. Das Geschäftsmodell selbst hat sich geändert.
Die Maschine ist nicht mehr das Produkt. Die Maschine ist der Sensor, der Datagraph ist der Vermögenswert, und das Ergebnis ist das Produkt.
Wer diese Daten besitzt und aus ihnen lernt, setzt die Bedingungen der Branche. Die Maschine ist das Mittel, sie zu sammeln.
Die vier Schritte der Fusion
Die Autoren beschreiben einen Aufstieg, den jedes Hardwareunternehmen versuchen kann. Jede Stufe verändert, was das Unternehmen verkauft und wie viel seines Werts aus Daten kommt. Ich habe Unternehmen auf jeder dieser Stufen getroffen.
Die Leiter oben ist Fusion Strategy (Govindarajan und Venkatraman, 2024) nachempfunden.
Fusion Products sind Maschinen mit Sensoren und Konnektivität, die sich mit den gesammelten Daten verbessern. Hier stehen die meisten Unternehmen, die ich heute treffe. Oft kam die Konnektivität hinzu, weil die Ausschreibung eines Kunden sie verlangte, und die Daten landen jetzt in einer Datenbank, die niemand öffnet.
Fusion Services hängen datengetriebene Angebote an das Produkt, etwa einen Ausfall vorhersagen, bevor er passiert. Ein Anlagenbauer, mit dem wir arbeiten, begann mit einer einzigen Warnung: dem Kunden melden, wenn ein Kompressor aus seinem normalen Vibrationsprofil läuft. Aus dieser Warnung wurde ein bezahlter Überwachungsplan, und dieser Plan verlängert sich heute besser als die Hardwaregarantie es je tat. Er ist eine der Erlösquellen, die die meisten Hersteller übersehen.
Fusion Systems verbinden Produkte und Flotten, damit sie aus den Daten vieler Kunden lernen. Ein Kühlkettenbetreiber sieht einen Lkw. Ein Fusion System sieht jeden Lkw auf jeder Route und beginnt Fragen zu beantworten, die kein einzelner Kunde allein stellen könnte.
Fusion Solutions stehen oben auf der Leiter: verkauft wird das Ergebnis, das die Daten ermöglichen, nicht die Anlage. Verfügbarkeit statt Pumpen. Eine nachweisbare Kühlkette statt Temperaturlogger.
Die meisten Hardwareunternehmen bleiben auf den ersten zwei Stufen stecken. Meiner Erfahrung nach fehlt es selten am Willen. Es ist die Infrastruktur: Daten in Flottengröße zuverlässig zu sammeln und daraus etwas zu machen, für das ein Kunde zahlt. Diese Arbeit hat keinen Glanz, und sie entscheidet, wer aufsteigt.
Was ich traditionellen Unternehmen sage
Bei TagoIO arbeiten wir mit Hardwareherstellern in mehr als 130 Ländern, und ich führe irgendeine Version dieses Gesprächs jede Woche. Der Rat hat sich über Jahre kaum geändert.
Fangen Sie kleiner an, als es sich bequem anfühlt. Nehmen Sie eine Produktlinie und eine Frage, die die Daten für Ihren Kunden beantworten könnten, und liefern Sie das. Der Datagraph wächst mit der Nutzung, und die erste Antwort, für die ein Kunde zahlt, lehrt mehr als ein zweijähriges Plattformprojekt.
Schätzen Sie das Kapital, das Sie schon besitzen. Ihr Domänenwissen ist der Burggraben. Ein Software-Start-up mietet Cloud-Server an einem Nachmittag; es mietet keine dreißig Jahre Wissen darüber, wie sich Ihre Maschinen in einem brasilianischen Sommer oder einem kanadischen Winter verhalten. Fusion funktioniert, weil Physik und Daten demselben Unternehmen gehören: Ihrem.
Und verwechseln Sie die Rohrleitung nicht mit dem Ziel. Gerätedaten zu sammeln, zu speichern und zu bewegen ist ein gelöstes Problem; Plattformen wie unsere existieren genau dafür. Das ungelöste Problem, das einzige, an dem nur Sie arbeiten können, ist die Entscheidung, was Ihr Unternehmen oben auf der Leiter verkauft.
Wo KI ins Spiel kommt, und was ich noch nicht weiß
KI hebt die Decke jeder Stufe dieser Leiter. Ausfallvorhersage, die früher ein Data-Science-Team brauchte, kommt heute als Funktion. Flottendaten, die ungelesen lagen, lassen sich in normaler Sprache befragen. Wir bauen dafür jeden Tag im KI-Bereich von TagoIO, und ich erwarte, dass KI traditionellen Unternehmen schneller beim Aufstieg hilft als alles, was ich in meiner Laufbahn gesehen habe.
Ich will auch eine Schwierigkeit benennen, die ich nicht gelöst habe: Größe in engen Nischen. Ein Modell, das über Tausende Traktoren trainiert wurde, wird schnell klug. Eine Nische mit einigen hundert Spezialmaschinen im Feld schafft echten Wert für ihre Kunden, bringt aber möglicherweise nie das Datenvolumen, das die Wirtschaftlichkeit von KI offensichtlich macht. Wie diese Nischen ihre Datagraphs skalieren, ist eine Frage, mit der ich jede Woche lebe. Ich habe die Antwort noch nicht, und ich bin vorsichtig bei jedem, der behauptet, sie zu haben.
Noch ist das Fenster offen
Govindarajan und Venkatraman schließen mit einem Punkt, mit dem sich jede Führung eines traditionellen Unternehmens hinsetzen sollte: Diese Transformation lässt sich nicht delegieren. Der Aufstieg verändert, was das Unternehmen verkauft, und nur die Geschäftsführung kann das ändern. In meinen Jahrzehnten in dieser Branche war jede steckengebliebene Dateninitiative, die ich gesehen habe, zwei Ebenen zu tief aufgehängt.
Irgendein Unternehmen in Ihrer Branche wird seinen Datagraph zuerst bauen und die Bedingungen für alle anderen setzen. Nach Jahren, in denen ich ausgezeichnete Maschinen gegen lernende Maschinen verlieren sah, eröffne ich Gespräche nicht mehr mit der Frage an Führungskräfte, ob ihr Produkt das des Wettbewerbers schlägt. Ich stelle die Frage, die dieses Buch mich gelehrt hat: Was ist der Datagraph Ihres Produkts?
Die Antwort, gezeichnet
Es ist eine faire Frage, sie an mich zurückzugeben, also schließe ich, indem ich zwei Antworten zeichne. Die erste kommt direkt aus dem Buch. Deeres Datagraph ist nicht die Feldspritze; er ist das, was sich hinter der Flotte ansammelt.
Jeder Betrieb speist denselben Graph, und der Graph macht jede Feldspritze klüger, als ein einzelner Betrieb es könnte.
Die zweite ist ein Produkt, das ich jede Woche treffe: der Industriekompressor. Kein einzelnes Werk kann diesen Graph bauen. Der Hersteller kann es, weil er jede Einheit sieht, die er je ausgeliefert hat. Dieselbe Zeichnung passt für Leckerkennung in Gebäuden, Wasserzähler oder jede Maschine, die weit weg von ihrem Erbauer lebt.
Ein einzelner Kompressor, der Vibration streamt, ist ein Diagramm. Tausende Kompressoren in vielen Werken werden zu Ausfallsignaturen und Basislinien, die nur der Hersteller bauen kann.
Zeichnen Sie das für Ihr eigenes Produkt. Die linke Spalte ist, was Sie schon verkaufen. Die rechte Spalte ist, was Ihre Kunden wirklich kaufen wollen. Die mittlere Spalte ist, wo das nächste Jahrzehnt Ihres Unternehmens lebt.
