Beispiele aus der Praxis

Local AI / AI as a Service

Lokale KI im Unternehmen für KMU

Ausgangslage

Kleine und mittlere Unternehmen wollen KI für Wissensbots, Dokumentenanalyse oder Assistenzsysteme nutzen – sensible Kunden-, Produktions- und Vertragsdaten sollen dabei aber das Haus nicht verlassen. Cloud-APIs bringen laufende Kosten pro Anfrage, Abhängigkeit von einem einzelnen Anbieter und offene Fragen beim Datenschutz.

Lösung

Wir bauen eine eigene, lokal gehostete KI auf: auf Hardware von Apple, Nvidia oder AMD, vom leistungsstarken Arbeitsplatzrechner bis zum eigenen Serverschrank. Auch sehr grosse Sprachmodelle laufen so im Unternehmen. DATANOMIQ unterstützt beim Aufbau der Umgebung, beim Finetuning der Modelle auf Fachsprache und eigene Dokumente sowie bei der Bildung von Modell-Ensembles, in denen mehrere spezialisierte Modelle zusammenarbeiten. Wer keine Hardware betreiben möchte, hostet die Modelle in einem Rechenzentrum in der Schweiz – oder kombiniert beides als hybriden Ansatz.

Wirkung

Das Unternehmen betreibt eigene KI-Use-Cases mit voller Datenhoheit und planbaren Kosten – und kann KI-Funktionen als AI as a Service intern für Fachabteilungen oder extern für Kunden anbieten. Unabhängig von einzelnen Anbietern, skalierbar vom ersten Piloten bis zum Regelbetrieb.

Data Science / Machine Sensor Analytics

Anomalien in der Chemieproduktion erkennen: Maschinensensordaten mit Machine Learning ausgewertet

Ausgangslage

Ein globaler Chemiehersteller sah sich aufgrund intransparenter Produktionsdaten und steigender Prozessanforderungen mit Ineffizienzen konfrontiert. Sensor-, Steuerungs- und Auftragsdaten lagen zwar vor, waren aber über Anlagen, Leitsystem und ERP verteilt und wurden nie gemeinsam ausgewertet.

Lösung

Wir haben die Sensordaten der Anlagen zusammen mit Steuerungs- und MES-Daten in einer Cloud-Datenplattform zusammengeführt und mit Machine Learning ausgewertet: Predictive Analytics erkennt Prozessanomalien, bevor sie zu Ausschuss oder Stillstand führen, und leitet optimierte Maschineneinstellungen ab. Die Ergebnisse fliessen als Sollwerte und Warnungen zurück an Leitstand und Anlagenfahrer – der Datenkreislauf von der Feldebene bis zur Cloud ist damit geschlossen.

Wirkung

Die Anlageneffizienz stieg um 10 bis 20 %. Dazu kamen geringere Kosten, ein höheres Produktionsvolumen sowie ein verbessertes Energie- und Qualitätsmanagement.

Data Platform / Logistik & Supply Chain

Supply Chain für den Handel: Data Lakehouse als Single Source of Truth für Bestände, Touren und Lieferzeiten

Ausgangslage

Einem Handelsunternehmen mit mehreren Lagerstandorten und eigener Auslieferung fehlte eine einheitliche Datensicht auf Bestände, Aufträge, Touren und Lieferanten. Die Daten lagen verteilt in ERP, Lagerverwaltung, Transportplanung und Shop-Systemen; Disposition und Tourenplanung liefen über manuell gepflegte Tabellen. Die Folge: Lieferengpässe, Leerfahrten und unzuverlässige Lieferzeiten.

Lösung

Wir haben ein zentrales Data Lakehouse auf einer Cloud-Datenplattform aufgebaut und alle internen und externen Daten – ERP, Lagerverwaltung, Transportplanung, Shop- und Marktplatzschnittstellen, Lieferantendaten – in strukturierten Ebenen konsolidiert. Auf dieser Basis laufen Bedarfsprognosen, eine Wegeoptimierung für Kommissionierung und Touren sowie ein Abgleich von Beständen, Fahrzeugen und Personal in Echtzeit. Disponenten sehen Engpässe, bevor sie entstehen.

Wirkung

Bis zu 30 % Kosteneinsparung und 40 % Zeitersparnis durch Wegeoptimierung und bessere Abstimmung zwischen den Ressourcen. Dadurch weniger Lieferengpässe, verlässlichere Lieferzeiten und eine einheitliche Datenbasis für Berichte und Entscheidungen im gesamten Unternehmen.

Data & Process Transparency

Optimierungspotenziale in der Fertigungslogistik mit Process Mining identifiziert

Ausgangslage

Für einen mittelständischen Maschinenbauer sind Durchlaufzeiten in der Produktion kritisch: Kunden wählen vor allem nach den kürzesten Lieferzeiten. Die Prozesse liefen über Einkauf, Fertigung, Montage, Qualitätsprüfung und Logistik hinweg – wo Zeit verloren ging, war aus den Standardberichten nicht ersichtlich.

Lösung

Wir haben ein speziell dafür entwickeltes Data Warehouse aufgebaut, das aus ERP, MES und WMS ein Event Log erzeugt – optional ergänzt um Daten aus dem CRM und aus unternehmensexternen Systemen wie Logistikpartnern und Lieferanten. Diese Event Logs sind sehr viel granularer, als es in der Business Intelligence üblich ist: Jeder Auftrag, jeder Arbeitsgang und jede Übergabe wird mit Zeitstempel erfasst. Darauf setzt Process Mining als laufendes Prozess-Monitoring auf und analysiert die Fertigungs- und Montageprozesse in ihrer Symbiose mit Einkauf und Logistik.

Wirkung

Unnötige Prozessschleifen wurden eliminiert und Bottlenecks erkannt; Zusatzarbeitsgänge und Wartezeiten konnten in rund 50 % der Fälle abgestellt werden. Gerade in der Qualitätsprüfung wurden die Prozesse zusätzlich transparenter – und damit revisionssicher.

Enterprise AI / Knowledge Bot

Wissensbot für Industrie und Stahlproduktion: LLM mit Zugriff auf ERP- und Dokumentendaten

Ausgangslage

Ein grosses Industrie- und Stahlproduktionsunternehmen arbeitet mit einer Vielzahl von Dokumenten – Anforderungsdokumente, Spezifikationen, Einkaufs- und Verkaufsunterlagen – verteilt über Dateiablagen, Dokumentenmanagement und ERP. Mit der Fluktuation der Mitarbeitenden ging Wissen verloren; die Suche nach vergleichbaren Vorgängen und die Prüfung neuer Dokumente gegen bestehende banden viel Zeit von Ingenieuren und Führungskräften.

Lösung

Wir haben eine mehrschichtige Unternehmens-KI aufgebaut: Dokumente und ERP-Daten werden vektorisiert und in einer Wissensbasis abgelegt; ein Large Language Model beantwortet Fragen und vergleicht Dokumente auf dieser Grundlage – stets mit Quellenangabe. Eine Datenzugriffs- und Governance-Schicht stellt sicher, dass die Berechtigungen der Quellsysteme gelten und jede Antwort nachvollziehbar bleibt. Das Modell lief auf einer Cloud-Infrastruktur von Microsoft (IaaS); dieselbe Architektur lässt sich alternativ mit lokal gehosteten Modellen betreiben (siehe Use Case «Lokale KI im Unternehmen für KMU»).

Wirkung

Führungskräfte und Ingenieure vergleichen neue Dokumente 75 % schneller mit früheren Versionen, erstellen Entwürfe anhand von Stichwörtern der Fachbereiche und finden Wissen auch dann, wenn die zuständige Person das Unternehmen oder die Abteilung gewechselt hat.

CFO-Advisory / Finanzdatenqualität

Digitale CFO-Advisory: Revisionssicherheit und Finanzdatenqualität in Echtzeit

Ausgangslage

Aus CFO-Sicht und im Controlling bereitet die Qualität der Finanzdaten vielen Unternehmen Sorgen: Buchungen aus mehreren Systemen, manuelle Korrekturen und späte Abschlüsse lassen offen, ob die Zahlen einer Abschlussprüfung, einer Steuerprüfung oder einer Due Diligence standhalten. Datentransparenz entsteht meist erst, wenn die Prüfer bereits im Haus sind.

Lösung

DATANOMIQ setzt hier auf AUDAVIS, eine ebenfalls von Benjamin Aunkofer gegründete Software, die gemeinsam mit Wirtschaftsprüfern entwickelt wurde. AUDAVIS bietet Prüfern und CFOs eine Echtzeitübersicht über die Finanzdaten und stellt Revisionssicherheit vorausschauend her – für Abschlussprüfung, Steuerprüfung und Due Diligence. Enthalten sind neben Standard-Prüfungshandlungen unter anderem Trendanalysen, Benchmarks, Liquiditätskennzahlen sowie der Abgleich von Finanz- und Materialbewegungen. DATANOMIQ übernimmt die Anbindung an ERP und Buchhaltung, die Datenaufbereitung und die Interpretation der Ergebnisse gemeinsam mit dem CFO-Team.

Wirkung

Finanzdatenqualität wird laufend messbar statt einmal im Jahr geprüft: Auffälligkeiten werden erkannt, bevor sie zu Prüfungsfeststellungen werden, Abschlüsse und Prüfungen laufen schneller, und CFO wie Controlling entscheiden auf einer transparenten, revisionssicheren Datenbasis.

• AUDAVIS – www.audavis.ai