Eine neue Rezeptur kann viele Versuche kosten, bevor sie die gewünschten Eigenschaften erreicht. Thomas Keller von Riegg & Partner intercorp spricht mit Norman Müller darüber, wie Unternehmen frühere Entwicklungsdaten für die Auswahl des nächsten Versuchs nutzen können. An Beispielen aus der Lebensmittel- und Kunststoffindustrie geht es um Vorhersagemodelle, die Bewertung von Ergebnissen und die Zusammenarbeit zwischen Entwicklern und KI. Wir unterscheiden technische Herstellbarkeit vom späteren Markterfolg und fragen, woran ein Unternehmen den Nutzen eines ersten Projekts erkennen kann.
Kapitel
00:00 Einstieg: KI für konkrete Produktentscheidungen
01:39 Warum Thomas den Hebel in Forschung und Entwicklung sieht
04:42 Rezepturen, Einflussgrößen und lernende Vorhersagemodelle
08:01 Ein Kuchenbeispiel und zwei verschiedene Arten von Erfolg
10:22 Zutaten verändern, Eigenschaften erhalten
12:44 Entwicklungsgeschwindigkeit und wirtschaftlicher Nutzen
15:10 Mit einem begrenzten Proof of Concept anfangen
16:31 Verbesserungen am bisherigen Prozess messen
18:02 Mensch, Maschine und die Idee einer neuen Schokolade
20:24 Erfahrungswissen in Entwicklungsdaten nutzbar machen
23:05 Geschmack, Messwerte und vergleichbare Bewertungen
24:59 Vom Laborfeedback zur Wiederbestellung
27:24 Vorhersagen in die bestehende Laborsoftware einbinden
29:47 Realistische Ziele und bessere Datenerfassung
32:19 Erwartungen an KI-Projekte und die Arbeit mit alten Daten
34:18 Neue Kundenwünsche und die Grenzen vergangener Erfahrungen
36:23 Was Unternehmen aus einem ersten Projekt lernen können
39:29 Entscheidungen und Zusammenarbeit im Projektteam
41:05 Modellverständnis, Partnerschaft und neue Vergütungsansätze
44:36 Gemeinsame Teams und langfristige Zusammenarbeit
46:14 Wenn erfahrene Entwickler das Unternehmen verlassen
48:49 Rückblick, offene Fragen und Ausblick
Wir haben die Paywalls abgeschafft. Jede Woche veröffentlichen wir neue Essays und Podcast-Folgen, auf die du kostenlos zugreifen kannst.
Wenn du unsere Arbeit unterstützen möchtest, freuen wir uns über ein bezahltes Abo. Damit kannst du auch an unseren Podcast Live-Talks teilnehmen, im Live-Chat mitdiskutieren und dich im Substack Community Chat austauschen. Zugleich hilfst du uns, weitere Essays zu schreiben und spannende Podcast-Gäste einzuladen.
Shownotes
Thomas Keller auf LinkedIn: https://www.linkedin.com/in/thomas-keller-intercorp-ki-software-entwicklung-beratung/
Riegg & Partner intercorp. GmbH: https://www.intercorp.de/
KI in der Produktentwicklung: Ansatz und Leistungen von intercorp: https://www.intercorp.de/programmierung/ki-beratung-und-implementierung-aus-oberfranken/unsere-ki-leistungen-beratung-schulung-implementierung/implementierung/deep-learning
intercorp auf LinkedIn: https://de.linkedin.com/company/riegg-partner-intercorp/
Was frühere Versuche über die nächste Rezeptur verraten können
Ein Entwickler soll Zucker in einer Rezeptur ersetzen. Der Kuchen soll weiterhin schmecken, seine Konsistenz behalten und sich auf den vorhandenen Anlagen herstellen lassen. Mit einer anderen Zutat verändern sich möglicherweise mehrere Eigenschaften zugleich. Das Team muss ausprobieren, messen und nacharbeiten.
Thomas Keller nutzt dieses Beispiel in unserem Gespräch, um die Aufgabe hinter einem Vorhersagemodell zu erklären. Er arbeitet bei Riegg & Partner intercorp an Projekten, die Daten aus früheren Entwicklungsversuchen für neue Entscheidungen nutzbar machen sollen. Im Podcast berichtet er von einem Lebensmittel- und einem Kunststoffhersteller. Die Kunden bleiben anonym.
Mich interessiert daran die Entscheidung vor dem nächsten Versuch: Welche Variante sollte ein Team zuerst erproben? Kann es aus früheren Ergebnissen eine bessere Reihenfolge ableiten? Und was muss es weiterhin selbst überprüfen?
Erst klären, welchen Erfolg das Modell einschätzen soll
Ich übertrage den Ansatz zunächst auf die Frage, ob ein neuer Kuchen am Markt erfolgreich sein wird. Thomas grenzt die Aufgabe ein. Seine Projekte beginnen bei technischen Kriterien. Lässt sich eine Rezeptur herstellen? Erreicht sie die gewünschte Qualität? Bleibt sie unter den vorgesehenen Bedingungen verwendbar?
Die spätere Nachfrage ist eine weitere Frage. Zwischen einem Versuch im Labor und einem Produkt, das Kunden wieder bestellen, liegen zusätzliche Schritte. Thomas beschreibt Rückmeldungen von Testern und Kunden. Erst später können Bestell- und Vertriebsdaten weitere Hinweise liefern. Dafür müssten die beteiligten Systeme und ihre Informationen zusammenpassen.
Diese Trennung ist für mich der Ausgangspunkt einer vernünftigen Beauftragung. Wenn ein Unternehmen weniger Laborversuche braucht, ist das ein möglicher Nutzen. Ob das Produkt anschließend Käufer findet, muss es gesondert untersuchen. Für ein erstes Projekt lässt sich deshalb eine begrenzte technische Frage wählen, deren Ergebnis die Entwickler beurteilen können.
Thomas beschreibt zwei Einsatzmöglichkeiten: Ein Modell kann Vorschläge für eine Rezeptur unterstützen oder vorhandene Ideen bewerten. In beiden Fällen soll es frühere Versuche als zusätzliche Orientierung nutzen. Der nächste praktische Test bleibt erforderlich.
Auch ein misslungener Versuch muss verständlich dokumentiert sein
In den Entwicklungsdaten findet Thomas eine Spur menschlicher Erfahrung. Welche Zutat hat ein Mitarbeiter verändert? Welchen Prozesswert hat er gewählt? Wie hat das Team das Ergebnis bewertet? Wer über Jahre Produkte entwickelt, hinterlässt in diesen Entscheidungen Informationen, die auch Kollegen helfen könnten.
Damit ein Modell diese Daten nutzen kann, müssen Anforderung, Zusammensetzung und Ergebnis zusammengehören. Eine Bemerkung wie „zu weich“ lässt viele Fragen offen. Im Gespräch beschreibt Thomas Bewertungsskalen, mit denen Entwickler genauer festhalten, wie stark ein Ergebnis vom Ziel abweicht.
Bei Lebensmitteln spielt außerdem die sensorische Beurteilung eine Rolle. Thomas erzählt von Teams, die sich auf eine gemeinsame Bewertung verständigen. Das beschreibt die Praxis dieser Fälle. Es ersetzt keine allgemeine Prüfung, wie verlässlich unterschiedliche Personen denselben Versuch beurteilen.
Für das nächste Projekt würde ich mir deshalb einige vorhandene Versuchseinträge zeigen lassen. Kann jemand daraus nachvollziehen, was das Team erreichen wollte, was es tatsächlich ausprobiert hat und woran der Versuch scheiterte? Wenn diese Verbindung fehlt, beginnt die Arbeit bei der Erfassung. Thomas berichtet, dass solche Verbesserungen bereits während der ersten Workshops entstehen können.
Der Vergleich mit dem bisherigen Prozess entscheidet über den Nutzen
Thomas argumentiert, dass schon wenige vermiedene Versuche wirtschaftlich relevant sein können. Wie viel das ausmacht, hängt von Material, Personal, Anlagenbelegung und der Zahl der Entwicklungen ab. Seine Zahlen im Gespräch illustrieren diesen Gedanken. Wir legen damit keine überprüfte Erfolgsrechnung der beiden Kundenprojekte vor.
Ein Unternehmen sollte vor einem Test festhalten, wie es die entsprechende Aufgabe bisher löst. Wie viele Versuche benötigt es? Welche Qualität muss es erreichen? Welche Kosten entstehen dafür? Anschließend lässt sich prüfen, ob die Unterstützung durch ein Modell den Ablauf verbessert.
Zur Rechnung gehören auch Datenaufbereitung, Integration und laufende Betreuung. Ein schneller Vorschlag allein genügt als Maßstab nicht. Die Entwickler müssen damit arbeiten können und das Ergebnis anschließend praktisch überprüfen.
Thomas legt deshalb Wert auf die Einbindung in die vorhandene Laborsoftware. Die Mitarbeiter sollen Vorhersagen dort erhalten, wo sie bereits arbeiten. Wenn eine zusätzliche Anwendung viele Umwege verlangt, kann sie im Alltag ungenutzt bleiben. Der Zugang zum Modell ist damit selbst ein Teil des Projekts.
Offen bleiben im Gespräch konkrete Angaben zur Prognosegüte der beiden Vorhaben: Welche neuen Fälle wurden geprüft? Wie häufig lag das Modell falsch? Wie viel Aufwand fiel insgesamt an? Für eine Investitionsentscheidung wären diese Antworten relevant. Der beschriebene Ansatz und ein nachgewiesener betrieblicher Nutzen sind getrennt zu beurteilen.
Erfahrung aus der Vergangenheit braucht neue Ideen von Menschen
Später kommen wir auf einen möglichen blinden Fleck zu sprechen. Ein Modell lernt aus dem, was das Unternehmen bisher ausprobiert hat. Neue Kundenwünsche oder ungewohnte Zutaten können darüber hinausgehen. Thomas betont, dass Menschen solche Entwicklungen einbringen müssen. Eine weitergehende Einbindung zusätzlicher Informationen beschreibt er als mögliche Perspektive.
Für mich folgt daraus eine Frage an das Entwicklungsteam: Wann lohnt sich ein Versuch trotz einer zurückhaltenden Modellbewertung? Im Gespräch legen wir dafür kein fertiges Verfahren fest. Wer mit einem solchen Modell arbeitet, sollte die Entscheidung über ungewöhnliche Ideen jedoch bewusst organisieren.
Zum Schluss sprechen wir über die Zusammenarbeit zwischen Unternehmen und Dienstleister. Thomas beschreibt die Bereitschaft, bei passenden Voraussetzungen auch über eine Beteiligung am Projekterfolg nachzudenken. Wir diskutieren längerfristige Teams und veränderte Anreize. Das sind Überlegungen im Gespräch, keine vereinbarten Konditionen oder garantierten Ergebnisse.
Ein erster gemeinsamer Schritt könnte darin bestehen, einen abgegrenzten Entwicklungsfall und seine Daten anzusehen. Daraus lässt sich eine konkrete Frage formulieren: Welche Entscheidung möchten wir besser treffen, und wie werden wir das überprüfen? Erst dann kann ein Unternehmen beurteilen, ob ein Vorhersagemodell seinen nächsten Versuch sinnvoll unterstützt.
Wir haben die Paywalls abgeschafft. Jede Woche veröffentlichen wir neue Essays und Podcast-Folgen, auf die du kostenlos zugreifen kannst.
Wenn du unsere Arbeit unterstützen möchtest, freuen wir uns über ein bezahltes Abo. Damit kannst du auch an unseren Podcast Live-Talks teilnehmen, im Live-Chat mitdiskutieren und dich im Substack Community Chat austauschen. Zugleich hilfst du uns, weitere Essays zu schreiben und spannende Podcast-Gäste einzuladen.
VENTURE AI ACADEMY
Unsere digitale Plattform ist Ihr Zugang zu praxisnaher Qualifizierung im Bereich Künstliche Intelligenz, kuratiert für Entscheider:innen und Teams im Mittelstand.
Ob kompakte Webinare, vertiefende Online-Kurse oder interaktive Branchenformate: Hier lernen Sie, was Sie wirklich brauchen, um KI im eigenen Unternehmen sicher und gewinnbringend einzusetzen.
Wenn du uns dabei unterstützen möchtest, diesen Podcast zu einer Allianz von Zukunftsarchitekten der KI-Transformation zu machen, in der wir offen über Chancen, Risiken und reale Erfahrungen mit Künstlicher Intelligenz sprechen, dann abonniere uns auf Substack, YouTube, Spotify oder Apple Podcasts. Dein Abonnement kostet dich nichts, hilft uns aber sehr, noch mehr herausragende Persönlichkeiten für tiefgehende und inspirierende Podcast Gespräche zu gewinnen. Vielen Dank für deinen Support.
Darüber hinaus laden wir dich ein, Teil der Plattform des Bundesverbands für KI-Transformation e.V. zu werden. Hier vernetzen sich mittelständische Unternehmen, KI Expertinnen und Experten, Startups sowie Vertreterinnen und Vertreter aus Forschung und Wissenschaft, um Wissen zu teilen, Erfahrungen auszutauschen und um an konkreten KI-Projekten zu arbeiten. In unserer Podcast Community kannst du dich einbringen, mitdiskutieren und den Bundesverband als Mitglied aktiv unterstützen und mitprägen.
Zur Plattform:
https://www.venture-ai-germany.space
Vernetze dich mit Norman auf LinkedIn:
