GreenTech ist für viele Industrieunternehmen kein fernes Zukunftsthema mehr, sondern ein konkreter Wachstumsraum. Die entscheidende Frage ist nur: Wo anfangen?

Genau hier setzt die neue Studie „Unternehmen im Wandel: Mit GreenTech erfolgreich wachsen“ an, die wir gemeinsam mit dem INEC der Hochschule Pforzheim erarbeitet haben. Sie zeigt, wie Unternehmen aus dem herauswachsen können, was sie heute schon gut beherrschen. Spannend wird es genau an der Schnittstelle: Dort, wo sich zeigt, welche Fähigkeiten in neuen Märkten tatsächlich gefragt sind.

Dabei wird deutlich: Es sind oft nicht einzelne Technologien, die den Unterschied machen, sondern Themen wie Industrialisierung, Qualitätssicherung oder die Fähigkeit, komplexe Systeme zuverlässig umzusetzen. Daraus lassen sich klare Angebotsmuster ableiten und damit konkrete Einstiegspunkte in neue Geschäftsfelder.

Vom Ansatz zur Anwendung

Wie dieser Weg in der Praxis aussehen kann, haben wir bei einer Veranstaltung im Literaturhaus Stuttgart vorgestellt.

Im Fokus stand weniger die Studie selbst als die Frage: Wie lassen sich aus vorhandenen Kompetenzen systematisch neue Chancen entwickeln? Genau das haben wir anhand unseres methodischen Vorgehens aufgezeigt, indem wir von der eigenen Ausgangsbasis die Ableitung konkreter Geschäftsmöglichkeiten beschrieben haben.

Die Praxisbeispiele haben das greifbar gemacht: vom Einstieg in biobasierte Chemikalien bis zur Entwicklung von Ladeinfrastruktur aus dem Maschinenbau heraus. Unterschiedliche Wege, aber ein ähnliches Prinzip.

Den Austausch besonders wertvoll gemacht hat die Offenheit, auch über Unsicherheiten und Hürden zu sprechen. Denn genau dort entscheidet sich, ob aus einer Idee ein Geschäft wird.

Warum das jetzt wichtig ist

Viele Unternehmen stehen unter Druck, neue Wachstumsfelder zu erschließen. Gleichzeitig fehlt oft die Klarheit, wo genau diese liegen.

Die Studie hilft, den Suchraum einzugrenzen und zeigt, dass der nächste Schritt oft näher ist, als man denkt. Nicht irgendwo da draußen, sondern im eigenen Unternehmen.

Oder anders gesagt:
Die Frage ist nicht, was der nächste große Trend ist.
Sondern, wo die eigenen Stärken morgen gebraucht werden.

Fazit

GreenTech bietet echte Chancen, gerade für Unternehmen mit starker industrieller Basis. Wer sie nutzen will, muss nicht bei null anfangen. Sondern bei sich selbst.

Studie und Praxisleitfaden hier herunterladen:
https://www.umwelttechnik-bw.de/de/kompetenzfelder/greentech

Daten, Simulation und Künstliche Intelligenz verändern die Medizintechnik spürbar. Gleichzeitig wächst die Unsicherheit, welche Entwicklungen wirklich relevant sind und wo sich ein Einstieg lohnt.

Genau dieser Frage sind wir bei einer Veranstaltung in Tuttlingen nachgegangen, organisiert von MedicalMountains. Im Mittelpunkt stand unser Beitrag zu Digital Twins in der Medizintechnik und die Frage, wie sich technologische Entwicklungen fundiert einordnen lassen.

Der Ausgangspunkt ist klar. Produkte werden immer komplexer und der technologische Lösungsraum wächst rasant. Für Unternehmen wird es damit zunehmend schwieriger, den Überblick zu behalten und die richtigen Entscheidungen zu treffen.

Unser Ansatz setzt genau hier an. Statt auf Einschätzungen oder Einzelmeinungen zu setzen, analysieren wir große Mengen wissenschaftlicher Veröffentlichungen und machen so sichtbar, welche Themen tatsächlich an Dynamik gewinnen. In der Präsentation haben wir gezeigt, wie sich auf Basis von über 3.800 Forschungsartikeln konkrete Technologietrends im Umfeld von Digital Twins identifizieren lassen.

Dabei wird deutlich, dass Digital Twins kein isoliertes Thema sind. Entscheidend ist das Zusammenspiel aus Daten, Simulation, KI und durchgängigen Engineering-Prozessen. Erst wenn diese Elemente zusammenkommen, entsteht ein echter Mehrwert.

Für die Medizintechnik eröffnen sich daraus konkrete Potenziale. Entwicklungsprozesse lassen sich beschleunigen, Nachweise sauberer führen und Entscheidungen fundierter treffen. Voraussetzung ist allerdings, dass Daten und Modelle konsequent integriert werden und nicht in Silos verbleiben.

Die Diskussion vor Ort hat gezeigt, wie groß das Interesse an diesen Themen ist. Gleichzeitig wurde deutlich, dass viele Unternehmen vor der Herausforderung stehen, aus der Vielzahl an Möglichkeiten die richtigen auszuwählen. Genau hier kann ein datenbasierter Foresight-Ansatz Orientierung geben und helfen, den Fokus auf die Themen zu legen, die wirklich tragen.

Am Ende bleibt eine einfache Erkenntnis. Digital Twins werden die Medizintechnik prägen. Entscheidend ist, früh zu verstehen, wo die eigene Position in diesem Feld liegt und wie sich daraus konkrete Schritte ableiten lassen.

In Projekten mit unseren Kunden begegnet uns immer wieder dasselbe Muster. Unternehmen verfügen über internes Wissen in Form von Checklisten, Präsentationen, Workshop-Protokollen und Projekterfahrungen aus der Vergangenheit. Gleichzeitig wächst die Menge relevanter Fachliteratur, die in der täglichen Projektarbeit kaum systematisch genutzt werden kann. Die Frage ist selten, ob das Wissen vorhanden ist. Die Frage ist vielmehr, wie es schneller und konsistenter verfügbar gemacht werden kann. Gemeinsam mit unseren Kunden entwickeln wir KI-gestützte Lösungen, die genau das adressieren und zeigen, dass gute KI-Lösungen nicht immer aufwändig sein müssen.

Das Prinzip: Kontext schlägt Modell

Standardsprachmodelle und Chatbots wie GPT, Gemini oder Claude sind leistungsstarke Werkzeuge, bleiben als reine Chatbots aber oftmals zu generisch. Sie sind inzwischen durch verschiedene Tool-Calls nah am Wissen von Experten, aber bei Spezialthemen fehlt die Tiefe und interne Prozesse sind nicht bekannt. Der entscheidende Hebel ist deshalb nicht das Modell selbst, sondern der Kontext, der ihm mitgegeben wird. Die Architektur für Speziallösungen dahinter ist im Kern konzeptuell einfach erklärbar. Interne und externe Wissensquellen werden aufbereitet und dem Modell entweder direkt oder über RAG (Retrieval-Augmented Generation) bereitgestellt. Ein präziser System-Prompt definiert das Verhalten, die Fachsprache und das Ausgabeformat der Lösung. Das Ergebnis ist ein System, das nicht nur Wissen abruft, sondern durch die Generalisierungsfähigkeit des LLMs bekannte Lösungsmuster auf neue Problemstellungen überträgt und direkt anwendbare Empfehlungen generiert.

Entscheidend ist dabei, dass die Qualität der Lösung primär von der Güte der Wissensbasis und des Prompts abhängt und nicht vom gewählten Modell. Ob die Lösung als Custom GPT bei OpenAI, als Gem in Google (Gemini) oder als Projekt in Claude eingesetzt wird, spielt dabei eine untergeordnete Rolle. Das Grundprinzip und die erzielbare Ergebnisqualität sind über alle Plattformen übertragbar.

Mehr als Wissensabruf

Der Unterschied zu einem generischen Chatbot liegt nicht im Modell, sondern im Kontext. Wenn interne Methoden, historische Projektdaten, unternehmensspezifische Checklisten und externe Fachquellen systematisch aufbereitet und mit einem durchdachten Prompt kombiniert werden, entsteht ein System, das die Sprache des Unternehmens spricht. Es kennt die internen Definitionen, orientiert sich an etablierten Prozessen und gibt Empfehlungen, die in der Praxis direkt anwendbar sind.

In einem konkreten Engineering-Projekt wurde ein solcher Copilot entwickelt, der Ingenieure bei der strukturierten Analyse und Lösungsfindung unterstützt. Als Wissensbasis dienten sowohl interne Dokumente wie Methoden-Guidelines, projektspezifische Checklisten und Projekterfahrungen als auch externe Fachquellen wie wissenschaftliche Publikationen und etablierte Konstruktionsprinzipien. Das System synthetisiert diese Quellen, analysiert neue Problemstellungen und schlägt priorisierte Lösungsansätze in Sekunden vor, wo Experten sonst Stunden benötigen würden.

Besonders relevant ist, dass das System nicht nur Wissensabruf betreibt, sondern einen echten inhaltlichen Transfer leistet. Es erkennt Muster aus vergangenen Projekten und überträgt sie auf neue Situationen, ähnlich wie ein erfahrener Kollege, der gesammelte Erfahrungen gezielt anwendet.

Nutzerakzeptanz durch Vertrautheit

Ein oft unterschätzter Erfolgsfaktor bei der Einführung von KI-Lösungen ist die Nutzerakzeptanz. Ergebnisse, die generisch klingen oder nicht zur internen Sprache und Methodik passen, stoßen auf Skepsis, unabhängig davon, wie gut das zugrunde liegende Modell ist. Anders verhält es sich, wenn ein Ergebnis so strukturiert ist wie ein bekanntes internes Dokument, die gewohnte Fachterminologie verwendet und sich an internen Bewertungskriterien orientiert.

Wer eine Antwort erhält, die klingt, als hätte ein erfahrener Kollege mit vollständigem Überblick über alle Unternehmensrichtlinien sie verfasst, vertraut dem Ergebnis eher und setzt es leichter in die Praxis um. Durch die Überführung interner Definitionen, Prozesse und Bewertungsmaßstäbe in die Wissensbasis und den System-Prompt entsteht eine Lösung, die inhaltlich passt und im Arbeitsalltag akzeptiert wird.

Schnell starten, gezielt skalieren

Ein wesentlicher Vorteil dieses Ansatzes ist seine Skalierbarkeit. Ein erster funktionsfähiger Pilot lässt sich in vergleichsweiser kurzer Zeit mit einer strukturierten Wissensbasis, einem guten Prompt und einem leistungsfähigen LLM entwickeln. Wenn der Pilot überzeugt, kann die Lösung schrittweise ausgebaut werden, z.B. durch die Einbindung dynamischer Daten, größerer Datenbanken, weiterer interner Quellen oder angepasster Ausgabeformate. Auch komplexere Visualisierungen oder die Integration in bestehende Systeme sind möglich.

Solche Lösungen stellen einen effektiven Weg dar, schnell einen konkreten KI-Mehrwert zu schaffen, ohne aufwändige Infrastruktur und ohne eigene Modellentwicklung. Entscheidend sind die Qualität der Wissensgrundlage und das Prompt-Design. Wer das Prinzip einmal erfolgreich angewendet hat, kann es auf weitere Fachbereiche, Methoden oder Fragestellungen übertragen. Kommen Sie bei Fragen für Ihre internen Prozesse gerne auf uns zu.