Die Digitalisierung im europäischen Maschinen- und Anlagenbau schreitet langsamer voran, als vielfach erwartet. Während Großunternehmen zunehmend auf datengetriebene Cloud-Architekturen setzen, stehen kleine und mittelständische Unternehmen häufig vor wirtschaftlichen, organisatorischen und technologischen Hürden. Gleichzeitig wächst der Druck, KI-basierte Lösungen zur Prozessoptimierung einzusetzen, um wettbewerbsfähig zu bleiben. Neue Ansätze wie Edge AIoT versprechen hier einen pragmatischen Weg: datengetriebene Optimierung direkt an der Maschine – ohne komplexe Infrastruktur oder hohe Einstiegskosten. Doch wie sieht eine solche Lösung konkret aus, und welche Vorteile lassen sich in der Anwendung nutzen? Dimitri Philippe, CEO der BE.services GmbH gibt Antworten.
Redaktion: Herr Philippe, welche strukturellen Unterschiede sehen Sie zwischen Großunternehmen und KMU bei der Umsetzung digitaler Strategien. Und welche Rolle spielt dabei die oft unklare Zuständigkeit zwischen OT und IT?
Dimitri Philippe: Die strukturellen Unterschiede zeigen sich besonders deutlich in der Herangehensweise an digitale Strategien. In größeren Organisationen beobachten wir häufig einen klaren Fokus auf Cloud-basierte Ansätze: Daten aus Maschinen und Anlagen werden – oft zunächst als Rohdaten – in die Cloud übertragen und dort mithilfe einer Vielzahl spezialisierter Services analysiert und weiterverarbeitet, um Optimierungspotenziale zu erschließen. Dafür bauen diese Unternehmen gezielt interdisziplinäre Teams mit neuen Kompetenzprofilen wie Data Scientists, KI-Spezialisten oder Cloud Engineers auf oder greifen auf externe Dienstleister zurück. Die Verantwortung für solche Initiativen ist in der Regel klar in der IT verankert. Im Gegensatz dazu verfügen KMU meist nicht über diese spezialisierten Ressourcen im eigenen Haus. Hier liegt die Verantwortung für Digitalisierungsprojekte häufig bei den Automatisierungsexperten, die zusätzlich zu ihren klassischen Aufgaben auch Themen wie Datenintegration, Analyse und IT-nahe Fragestellungen übernehmen müssen. Gerade an der Schnittstelle zwischen OT und IT führt dies nicht selten zu Unklarheiten in der Zuständigkeit, was die Umsetzung digitaler Strategien zusätzlich erschwert.
Redaktion: Cloud-basierte Ansätze gelten als Standard – warum sind sie insbesondere für KMU häufig nicht die optimale Lösung?
Dimitri Philippe: Ein wesentlicher Faktor sind die Kosten: Sowohl die Übertragung und Speicherung großer Datenmengen in der Cloud als auch die Nutzung spezialisierter Cloud-Services verursachen laufende Ausgaben, die für kleinere Unternehmen schnell erheblich werden können. Hinzu kommen die Kosten für qualifiziertes Fachpersonal – unabhängig davon, ob dieses intern aufgebaut oder extern eingekauft wird. Darüber hinaus ist nicht jede verfügbare Datenmenge automatisch relevant für eine sinnvolle Digitalisierung. Die Identifikation der aussagekräftigen Daten erfordert tiefes Applikations- und Prozessverständnis, das typischerweise im OT-Bereich verankert ist. Ohne dieses Know-how besteht die Gefahr, große Datenmengen zu erfassen und zu verarbeiten, ohne einen entsprechenden Mehrwert zu generieren. Ein weiterer zentraler Aspekt ist das Thema Datenschutz und Schutz geistigen Eigentums. Viele Unternehmen – nicht zuletzt vor dem Hintergrund aktueller geopolitischer Unsicherheiten – stehen Cloud-Lösungen kritisch gegenüber, wenn es um sensible Produktions- und Betriebsdaten geht. Diese Daten stellen einen erheblichen Wert dar und sind oft geschäftskritisch, weshalb viele KMU es bevorzugen, sie innerhalb der eigenen Infrastruktur zu halten und nicht außer Haus zu geben.
Redaktion: Was passiert aus Ihrer Sicht mit Unternehmen, die sich noch nicht so sehr mit Digitalisierung und KI beschäftigen?
Dimitri Philippe: Die Stärke des deutschen Maschinen- und Anlagenbaus basierte über Jahrzehnte hinweg maßgeblich auf Qualität und Innovationskraft in den Bereichen Mechanik und Elektronik. Diese Kompetenzen haben entscheidend dazu beigetragen, „Made in Germany“ als weltweit anerkanntes Gütesiegel zu etablieren und eine starke Wettbewerbsposition zu sichern. Seit einigen Jahren hat sich das jedoch grundlegend verändert. Neben der klassischen Ingenieursleistung sind heute insbesondere Software, Digitalisierung und der gezielte Einsatz von künstlicher Intelligenz entscheidend für den geschaffenen Mehrwert und damit für die Wettbewerbsfähigkeit. Unternehmen, die diese Entwicklung nicht aktiv vorantreiben, laufen Gefahr, den Anschluss zu verlieren. In der Praxis zeigt sich, dass viele Unternehmen bei diesen Themen noch zu zögerlich agieren. Die Folge ist ein spürbarer Verlust an Innovationskraft und Wettbewerbsfähigkeit im internationalen Vergleich. Digitalisierung und KI sind daher keine optionalen Zukunftsthemen mehr, sondern zentrale Handlungsfelder, die konsequent adressiert werden müssen, um langfristig als innovativ und relevant im Markt wahrgenommen zu werden.
Redaktion: Mit Coligo bieten Sie eine Edge-AIoT-Lösung für die Industrie. Was war die ursprüngliche Motivation für die Entwicklung, und wie unterscheidet sich Ihr Ansatz grundlegend von klassischen Cloud- oder Plattformlösungen?
Dimitri Philippe: Die ursprüngliche Motivation für die Entwicklung von Coligo entstand aus unserer langjährigen Tätigkeit bei BE.services im Bereich Software- und Konnektivitätslösungen für die industrielle Automatisierung. Dabei haben wir früh erkannt, dass viele KMU zwar über wertvolle Daten und tiefes Applikations-Know-how verfügen, jedoch häufig nicht die notwendigen Kompetenzen in den Bereichen Datenverarbeitung, Digitalisierung und künstliche Intelligenz besitzen, um dieses Potenzial zu nutzen. Genau an diesem Punkt setzen wir an: Statt zusätzliche, hochspezialisierte Rollen wie Data Scientists oder KI-Experten vorauszusetzen, haben wir eine Lösung entwickelt, die sich konsequent an den bestehenden Kompetenzen im OT-Umfeld orientiert. Seit 2021 entwickeln wir daher mit Coligo eine Edge-AIoT-Lösung, die speziell auf die Anforderungen von Automatisierungsexperten zugeschnitten ist. Unser Ansatz unterscheidet sich grundlegend von klassischen Cloud- oder Plattformlösungen. Die Software wird als sofort einsetzbares Produkt auf der SYNA EdgeBox bereitgestellt – einer kosteneffizienten Hardwarelösung auf Basis von i.MX-Technologie mit integrierter NPU. Dadurch verbleiben sämtliche Daten lokal auf der Maschine, und eine Cloud-Anbindung ist nicht erforderlich. Optional steht eine MQTT-Schnittstelle zur Verfügung, über die Analyseergebnisse aus dem Edge heraus übertragen werden können, sofern dies gewünscht ist.
Redaktion: Was bedeutet „Edge-AIoT“ konkret für den Anwender – insbesondere im Hinblick auf Integration in bestehende Anlagen (z.B. über OPC UA) und den Verzicht auf spezialisierte KI- oder Cloud-Expertise?
Dimitri Philippe: „Edge-AIoT“ bedeutet für den Anwender vor allem eines: maximale Einfachheit bei gleichzeitig hoher technischer Leistungsfähigkeit – ohne die sonst übliche Komplexität von Cloud- oder KI-Projekten. Unser Ansatz verlagert zentrale Aufgaben wie den Aufbau von Datenpipelines sowie das Training und Deployment von KI-Modellen vollständig in das Produkt. Dadurch entsteht eine intuitiv bedienbare Lösung, die direkt an der Anlage auf dem Edge arbeitet. Die Integration in bestehende Systeme ist dabei bewusst einfach gehalten. Die Datenerfassung erfolgt über OPC UA, sodass vorhandene Steuerungen und Infrastrukturen problemlos angebunden werden können. Sowohl das Training als auch die Inferenz der Modelle finden vollständig lokal statt. Darüber hinaus erfolgt die Integration vollständig nicht-invasiv: Bestehende Anlagen werden nicht beeinträchtigt, und sensible Daten verbleiben vor Ort. Coligo liest Daten über OPC UA aus der Steuerung und erfordert keine Änderung der Maschinensteuerung. Insgesamt ermöglicht dieser Ansatz es insbesondere Automatisierungsexperten im OT-Umfeld, KI gewinnbringend einzusetzen – ohne zusätzliche spezialisierte Rollen oder externe Expertise aufbauen zu müssen.
Redaktion: Ein zentrales Feature ist die Anomalie-Erkennung: Wie funktioniert das Streaming-Learning in der Praxis, und welche Vorteile bietet das lokale Training und die Inferenz direkt auf dem Edge?
Dimitri Philippe: Anomalieerkennung auf Basis von Streaming-Learning bdeutet in der Praxis, dass das System direkt im laufenden Betrieb aus den Maschinendaten lernt – ohne vorgelagerte Trainingsphasen oder aufwendige Datenaufbereitung. Der entscheidende Vorteil liegt darin, dass wir den Automatisierungsexperten in den Mittelpunkt stellen. Anwender, die bislang keine Berührungspunkte mit KI hatten, aber genau wissen, welche Sensor- und Applikationsdaten relevant sind, können dieses Wissen unmittelbar nutzen. Es ist weder erforderlich, ein geeignetes KI-Modell auszuwählen, noch sich mit Training, Deployment oder Datenaufbereitung auseinanderzusetzen – diese Komplexität übernimmt vollständig das System. Der Anwender definiert lediglich die relevanten Variablen, beispielsweise Strom, Drehmoment, Druck, Vibration oder Geschwindigkeit. Auf dieser Basis erkennt Coligo im Livebetrieb eigenständig Muster und Zusammenhänge im normalen Maschinenverhalten. Nach einer initialen Lernphase wechselt das System automatisch in den Inferenzmodus und identifiziert fortlaufend Abweichungen oder unerwartete Zustände. Das lokale Training und die Inferenz direkt auf dem Edge ermöglicht die unmittelbare Verarbeitung in Echtzeit und eine schnelle Reaktion auf kritische Zustände. In der Anwendung schafft dies einen klaren Mehrwert: von der frühzeitigen Erkennung von Problemen über die Vermeidung ungeplanter Stillstände bis hin zur Qualitätssicherung und kontinuierlichen Prozessoptimierung – alles auf Basis vorhandener Daten und ohne zusätzliche KI-Spezialisierung im Team.
Redaktion: Wie flexibel ist Coligo bei der Verarbeitung unterschiedlicher Datentypen, Prozessparameter und auch im Kontext von Machine Vision?
Dimitri Philippe: Coligo ist bei der Verarbeitung von Datentypen und Prozessparametern bewusst flexibel ausgelegt. Standardmäßig unterstützen wir eine Vielzahl gängiger Datentypen „out of the box“, darunter numerische Werte, Boolesche Variable sowie eindimensionale Arrays. Prozessparameter können problemlos verarbeitet werden, sofern sie über OPC UA bereitgestellt werden und in diesen Datentypen abgebildet sind. Dadurch lässt sich Coligo in den meisten bestehenden Automatisierungsumgebungen integrieren. Im Bereich Machine Vision befinden wir uns derzeit in einer gezielten Weiterentwicklung. Aktuell unterstützt unsere Lösung Basler-Kameras in Kombination mit Object-Detection-Modellen. Die technischen Möglichkeiten sind dabei unter anderem durch die verfügbare Rechenleistung der eingesetzten Edge-Hardware begrenzt. Auch in diesem Bereich verfolgen wir konsequent das Ziel, dem Anwender eine möglichst einfache und praxisnahe Methodik zur Verfügung zu stellen. Das Labeling der Objekten erfolgt über eine kostenlose Software, während das Training der Modelle automatisiert im Hintergrund abläuft. Die trainierten Modelle werden anschließend direkt bereitgestellt, sodass der Anwender Machine-Vision-Anwendungen ohne tiefgehende KI-Expertise einsetzen kann. Darüber hinaus hängt die Leistungsfähigkeit im Vision-Bereich – wie üblich – stark von den Rahmenbedingungen ab, etwa von der Beleuchtungssituation, der Kamerapositionierung sowie der Qualität der bereitgestellten Trainingsdaten. Diese Faktoren haben einen wesentlichen Einfluss auf die erzielbaren Ergebnisse und müssen entsprechend berücksichtigt werden.
Redaktion: „Plug & Play“ und einfache Bedienbarkeit sind große Versprechen: Wie schnell ist Coligo tatsächlich einsatzbereit, und wie unterstützen Sie Anwender, die wenig Erfahrung mit KI oder Datenanalyse haben?
Dimitri Philippe: Bei Coligo sprechen wir bewusst von Konfiguration statt Programmierung. Für den Einsatz sind keine Softwareentwicklungskenntnisse erforderlich, was die Einstiegshürde erheblich reduziert. Um die Bedienung so einfach und intuitiv wie möglich zu gestalten, haben wir eine benutzerfreundliche Applikation entwickelt, die auf Smartphone, Tablet oder Laptop genutzt werden kann. Über diese Oberfläche kann der Anwender die OPC UA Verbindung zur Datenquelle schnell und sicher herstellen und innerhalb weniger Minuten die relevanten Daten in Coligo verfügbar machen. Darüber hinaus ermöglicht die Anwendung die einfache Erstellung von Dashboards sowie den direkten Start der Anomalieerkennung. Der gesamte Inbetriebnahmeprozess ist bewusst schlank gehalten: In der Praxis ist Coligo in der Regel innerhalb von 10 bis 15 Minuten einsatzbereit. Gerade für Anwender ohne Erfahrung in den Bereichen KI oder Datenanalyse bietet dieser Ansatz einen entscheidenden Vorteil: Sie können ihre bestehenden Kenntnisse über Maschine und Prozess unmittelbar nutzen, ohne sich in komplexe Technologien einarbeiten zu müssen.
Redaktion: Welche typischen Use Cases sehen Sie aktuell im Maschinen- und Anlagenbau und wie flexibel ist die Plattform auch für andere Branchen wie Energie, Logistik oder die Prozessindustrie?
Dimitri Philippe: Coligo ist bewusst nicht auf einen spezifischen Use Case beschränkt, sondern wurde als generische Lösung entwickelt. Unser Ansatz richtet sich gezielt an Automatisierungsexperten und Systemintegratoren, die ihre Maschinen, Prozesse und Herausforderungen im Detail kennen und dieses Wissen nun mit datengetriebenen Methoden erweitern möchten. In der Praxis sehen wir aktuell vor allem Anwendungen im Bereich der Anomalieerkennung auf Basis typischer Maschinenparameter. Beispiele sind die Überwachung von Strom- und Temperaturverläufen in Verpackungsanlagen oder die Analyse von Drehmomenten an Roboterachsen bei der Palettierung. Solche Anwendungsfälle zeigen, wie sich bereits mit wenigen, aber aussagekräftigen Variablen wertvolle Erkenntnisse über den Anlagenzustand gewinnen lassen. Durch den generischen Ansatz und die Effizienz der eingesetzten Modelle ist Coligo jedoch nicht auf den klassischen Maschinen- und Anlagenbau beschränkt. Wir sehen großes Potenzial auch in anderen Branchen wie Energie, Gebäudeautomation, Transport und Logistik sowie in der Prozessindustrie. Gemeinsam ist diesen Bereichen, dass umfangreiches Applikations-Know-how vorhanden ist, während spezifische KI-Expertise oft fehlt. Genau hier setzt Coligo an: Es ermöglicht Ingenieuren, ihr vorhandenes Wissen direkt mit Daten zu verknüpfen und daraus konkrete Mehrwerte zu generieren – ohne zusätzliche Spezialisierung im Bereich künstliche Intelligenz.
Redaktion: Welche Vorteile bietet Coligo speziell für Systemintegratoren, und können Sie Beispiele nennen, bei denen Anwender besonders schnell Mehrwert generieren konnten?
Dimitri Philippe: Coligo bietet Systemintegratoren den Vorteil, ihr bestehendes Automatisierungs- und Applikations-Know-how gezielt, um datengetriebene Funktionen zu erweitern – ohne die Komplexität klassischer IT- oder KI-Projekte. So können sie schnell zusätzlichen Mehrwert für Endkunden schaffen, ohne eigene Data-Science-Ressourcen aufbauen zu müssen. Ein zentraler Vorteil ist die einfache Integration und schnelle Inbetriebnahme, sodass innerhalb kurzer Zeit erste Ergebnisse vorliegen. Das reduziert Projektlaufzeiten und ermöglicht es, KI-basierte Funktionen als festen Bestandteil von Automatisierungslösungen anzubieten. In der Praxis zeigt sich der Mehrwert besonders schnell, vor allem in Szenarien mit klar definierten, kritischen Prozessparametern. Systemintegratoren können bestehende Anlagen gezielt um Zustandsüberwachung und datenbasierte Analyse erweitern und so frühzeitig Abweichungen im Betriebsverhalten erkennen. Dadurch lassen sich Wartungsmaßnahmen besser planen, Prozesse stabilisieren und ungeplante Eingriffe im laufenden Betrieb reduzieren. Der entscheidende Faktor ist die Geschwindigkeit: Erste Anomalieerkennungen sind in wenigen Minuten konfiguriert und nach kurzer Lernphase produktiv nutzbar – der Mehrwert wird somit sehr schnell im Betrieb sichtbar.
Redaktion: Wie wird sich der Einsatz von Edge AI im industriellen Umfeld in den nächsten Jahren entwickeln?
Dimitri Philippe: Der Einsatz von Edge AI wird sich in den kommenden Jahren zunehmend vom Innovationsfeld zum industriellen Standard entwickeln. Ein wesentlicher Treiber ist dabei die Notwendigkeit von Echtzeitfähigkeit: Industrielle Prozesse erfordern schnelle und zuverlässige Entscheidungen direkt an der Maschine – unabhängig von Cloud-Verfügbarkeit oder Netzwerklatenzen. Parallel dazu werden sowohl die Hardware als auch die KI-Modelle kontinuierlich leistungsfähiger und effizienter. Moderne Edge-Systeme verfügen heute über deutlich mehr Rechenleistung und verschiedene Formen von Hardwarebeschleunigung – von leistungsfähigen CPUs und GPUs bis hin zu spezialisierten KI-Beschleunigern. Dadurch können zunehmend anspruchsvolle KI-Anwendungen direkt vor Ort ausgeführt werden. Gleichzeitig werden die Modelle gezielt für den Edge optimiert, sodass sich immer mehr Anwendungsfälle – etwa Anomalieerkennung oder Prozessoptimierung – lokal realisieren lassen. Langfristig wird sich ein hybrider Ansatz etablieren: Die Cloud bleibt relevant für übergeordnete Analysen und das Management, während die eigentliche Intelligenz zunehmend auf dem Edge stattfindet. Für die Industrie bedeutet das mehr Autonomie, höhere Effizienz und eine engere Verzahnung von IT und OT.
Redaktion: Was raten Sie KMU, die bislang noch keine Digitalisierungsstrategie umgesetzt haben?
Dimitri Philippe: KMU sollten das Thema Digitalisierung pragmatisch und schrittweise angehen, anstatt auf die „große“ Gesamtstrategie zu warten. Entscheidend ist, mit konkreten, klar abgegrenzten Anwendungsfällen zu starten, bei denen schnell ein messbarer Mehrwert erzielt werden kann – beispielsweise in der Zustandsüberwachung oder Prozessoptimierung. Wichtig ist dabei, die vorhandenen Stärken zu nutzen: In vielen Unternehmen ist tiefes Applikations- und Prozess-Know-how vorhanden. Genau dieses Wissen sollte als Ausgangspunkt dienen, um relevante Daten gezielt zu identifizieren und sinnvoll einzusetzen. Gleichzeitig empfiehlt es sich, auf Lösungen zu setzen, die ohne hohe Einstiegshürden auskommen – also keine komplexen IT-Infrastrukturen oder spezialisierten KI-Expertisen erfordern. Einfache, schnell integrierbare Technologien ermöglichen erste Erfolge in kurzer Zeit und schaffen intern Akzeptanz für weitere Schritte. Digitalisierung ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess. Wer früh beginnt und iterativ vorgeht, kann schneller lernen, Erfahrungen aufbauen und sich langfristig Wettbewerbsvorteile sichern.
Workshop: Edge statt Komplexität
In dem Workshop am 17.06.2026 zeigt BE.services, wie Sie IoT-Projekte schnell, effizient und praxisnah umsetzen. Erleben Sie, wie Edge IoT und KI eine leistungsstarke Alternative zur Cloud bieten – flexibel, kostengünstig und direkt anwendbar. Entwickeln Sie vor Ort Ihre eigene Lösung und übertragen Sie die Ergebnisse unmittelbar auf Ihre Maschinen und Prozesse. Starten Sie Ihre Digitalisierungsstrategie konkret, fundiert und ohne Umwege. Mehr Infos unter: coligo.automatisierungstreff.com
Die Fragen stellte Dipl.-Ing. Nicole Steinicke, Chefredakteurin INDUSTRIELLE AUTOMATION
Bildquelle: BE.Services
