Discover and Use Your Data Assets – Der Einstieg in datengetriebene Entscheidungen und KI-Anwendungen
23.09.2026
Zielsetzung
Der Workshop „Discover and Use Your Data Assets“ widmete sich der Frage, wie Unternehmen ihre vorhandenen Daten erkennen, aufbereiten und für bessere Entscheidungen nutzbar machen können. Im Mittelpunkt stand nicht die isolierte Anwendung einzelner KI-Werkzeuge, sondern ein systematisches Vorgehen vom konkreten Problem über die benötigten Daten und Wissensquellen bis hin zu einer belastbaren Entscheidung.
Die Veranstaltung verband strategische Perspektiven auf den Einsatz von Künstlicher Intelligenz in der End-to-End-Produktentwicklung mit einem praxisnahen Fallbeispiel aus der Produktion. Anhand von Demonstratoren und interaktiven Arbeitsphasen konnten die Teilnehmenden nachvollziehen, wie aus zunächst unverbundenen Datenquellen ein nutzbares Data Asset entsteht.
Abschließend wurden die gewonnenen Erkenntnisse auf eigene betriebliche Fragestellungen übertragen und mögliche Quick Wins identifiziert.
Der Aufbau folgte dabei bewusst einer Bewegung vom Gesamtbild zum konkreten Baustein. Zunächst wurden die Voraussetzungen und der strategische Kontext für KI-Anwendungen betrachtet. Anschließend wurde anhand eines Produktionsproblems gezeigt, wie Daten strukturiert, analysiert und visualisiert werden können. Darauf aufbauend entwickelten die Teilnehmenden einen Blick auf die eigenen Datenbestände und mögliche datenbasierte Entscheidungen.
Ablauf
Ziel des Workshops war es, Orientierung für die Nutzung von Daten und KI in Entwicklung, Produktion und angrenzenden Unternehmensbereichen zu schaffen. Die Teilnehmenden sollten erkennen, dass die Einführung einer KI-Anwendung nicht bei der Auswahl eines verfügbaren Tools beginnt. Stattdessen steht am Anfang immer ein konkretes Problem beziehungsweise eine Entscheidung, die durch Daten und Wissen besser unterstützt werden soll.
Der Workshop verfolgte drei miteinander verknüpfte Ziele.
- Erstens sollten die Teilnehmenden die Möglichkeiten und Grenzen von KI besser verstehen und den Einsatz in einen unternehmensspezifischen Kontext einordnen können.
- Zweitens sollten sie erleben, welchen Mehrwert vorhandene Daten bereits heute bieten können, wenn diese systematisch erfasst, strukturiert und ausgewertet werden.
- Drittens sollte ein gemeinsamer Rahmen entstehen, um komplexes Wissen, Datenquellen, technische Werkzeuge und menschliche Expertise sinnvoll miteinander zu verbinden.
Die Leitfrage lautete:
Welche Entscheidung im eigenen Unternehmen könnte bereits kurzfristig datenbasierter getroffen werden?
Impulsvortrag: KI-Werkzeuge überall – aber wo ist der Plan?
Im ersten Impulsvortrag wurde ein Ordnungsrahmen für den Einsatz von Künstlicher Intelligenz in der End-to-End-Produktentwicklung vorgestellt. Unternehmen haben heute Zugang zu zahlreichen KI Werkzeugen; deren Verfügbarkeit führt jedoch nicht automatisch zu einem effektiven Einsatz.
Entscheidend ist, die Werkzeuge in einen fachlichen, technischen und organisatorischen Zusammenhang einzuordnen. Im Vortrag wurde betont, dass häufig mit der falschen Frage begonnen wird. Nicht „Welches KI-Tool können wir einsetzen?“ sollte am Anfang stehen, sondern „Welches Entwicklungsproblem wollen wir lösen und welchen Mehrwert erwarten wir davon?“. Erst wenn Problem, Ziel, Wissensquellen und benötigte Daten bekannt sind, können geeignete technische Fähigkeiten und Werkzeuge ausgewählt werden.
Für die End-to-End-Produktentwicklung ist außerdem zu klären, an welchem Entwicklungsartefakt KI unterstützen soll. Dabei kann es sich beispielsweise um Anforderungen, CAD-Modelle, Simulationen, Stücklisten, Testergebnisse oder Freigaben handeln. Die konkrete Zielsetzung und das zu bearbeitende Artefakt bilden die Grundlage für eine sinnvolle KI-Architektur.
Darüber hinaus wurde hervorgehoben, dass eine vertrauenswürdige KI-Lösung nicht allein vom eingesetzten Modell abhängt. Entscheidend ist die gesamte Entstehungskette von der Quelle über Daten und Kontext bis zur Verarbeitung, zum Ergebnis und zur abschließenden Entscheidung. Qualität, Herkunft, Aktualität und Nachvollziehbarkeit der Daten müssen ebenso berücksichtigt werden wie Zugriffsrechte, Versionierung, Protokollierung und fachliche Prüfung.
Impulsvortrag: Multi-Agenten-Systeme im Engineering
Im zweiten Impulsvortrag wurde erläutert, wie Multi-Agenten-Systeme komplexe Engineering- Aufgaben strukturieren und nachvollziehbar bearbeiten können. Die zentrale Herausforderung liegt häufig nicht im Fehlen von Daten, sondern in der Verbindung unterschiedlicher Informationsquellen, ihrer fachlichen Einordnung und der anschließenden Validierung.
Am Beispiel des Benchmarkings wurde deutlich, dass technische Vergleichsaufgaben verschiedene Informationen zusammenführen müssen. Dazu gehören unter anderem Geometrie, Material, mechanische Eigenschaften, Fertigung, Dokumentationen, Normen, Prüfprotokolle, Kennwerte und Bauteilvarianten. Diese Informationen liegen in der Praxis häufig verteilt vor und müssen zunächst auffindbar, vergleichbar und fachlich interpretierbar gemacht werden.
Ein einzelnes Large Language Model kann die dafür erforderlichen Aufgaben nicht ausreichend getrennt und nachvollziehbar abdecken. Deshalb können spezialisierte Agenten unterschiedliche Rollen übernehmen: Sie recherchieren Quellen, interpretieren technische Inhalte, führen Berechnungen durch, prüfen Ergebnisse und erstellen dokumentierte Berichte.Eine übergeordnete Orchestrierung koordiniert die Aufgaben und den Workflow.
Grundlage eines solchen Systems ist eine gemeinsame und kontrollierte Wissensbasis. Daten müssen strukturiert, mit Kontext und Metadaten versehen, validiert und versioniert werden. Quellenbindung, Zugriffsrechte, Protokollierung und fachliche Prüfung schaffen zusätzliche Transparenz. Die Verantwortung für die Bewertung und Freigabe kritischer Ergebnisse bleibt bei den Fachkräften; KI unterstützt sie bei Recherche, Strukturierung und Aufbereitung.
Praxisbeispiel: Materialdaten und Ausschuss
Im praktischen Teil des Workshops wurde anhand eines realitätsnahen Produktionsfalls gezeigt, wie aus vorhandenen Daten eine belastbare Entscheidungsgrundlage entstehen kann. Ausgangspunkt war die Situation von Herrn Müller: In einem Umformprozess trat plötzlich eine deutlich erhöhte Ausschussquote durch Rissbildung auf. Maschinen, Werkzeuge und Mitarbeitende waren unverändert, auch die bekannten Prozessparameter zeigten zunächst keine Auffälligkeiten.
Die Untersuchung richtete sich auf die eingesetzten Materialchargen. Die Materialzeugnisse belegten zwar die Einhaltung aller Spezifikationen, dennoch können sich Chargen innerhalb zulässiger Grenzwerte im Produktionsprozess unterschiedlich verhalten. Unterschiede in Materialzusammensetzung oder mechanischen Kennwerten können das Umformverhalten beeinflussen.
Herr Müller strukturierte deshalb zunächst die verfügbaren Materialzeugnisse und ordnete sie Produktionschargen mit beziehungsweise ohne Ausschuss zu. Der Vergleich machte Unterschiede in der Materialzusammensetzung und der Bruchdehnung sichtbar. Auffällige Chargen konnten vorläufig gesperrt und unauffällige Bestände gezielt eingesetzt werden, wodurch sich die Produktion stabilisierte.
Um die Erkenntnisse dauerhaft nutzbar zu machen, wurden weitere Materialzeugnisse erfasst und mit den Ergebnissen der jeweiligen Produktionschargen verknüpft. So entstand eine strukturierte Datengrundlage mit knapp 100 klassifizierten Einträgen. Das Beispiel verdeutlicht, dass Daten vor allem dann einen nachhaltigen Nutzen schaffen, wenn sie mit ihrem Anwendungskontext und beobachteten Ergebnissen verbunden werden
Workshop Ergebnisse
Falls Sie die Inhalte nochmal nachvollziehen möchten, stehen Ihnen unter folgendem Link die Demonstratoren und die Trainingsdaten zur Verfügung.
Fazit und Take-aways für die Unternehmen
Der Workshop hat verdeutlicht, dass der erfolgreiche Einsatz von Daten und Künstlicher Intelligenz nicht mit der Auswahl eines neuen Werkzeugs beginnt. Ausgangspunkt sollte immer eine konkrete betriebliche Entscheidung oder Problemstellung sein, die durch vorhandene Daten besser unterstützt werden kann.
Daten zu nutzbaren Data Assets entwickeln
Datenquellen allein schaffen noch keinen Mehrwert. Erst wenn Informationen strukturiert, mit Kontext versehen und mit Ergebnissen verknüpft werden, entstehen nutzbare Data Assets. Im Praxisbeispiel wurde dies durch die Verbindung von Materialzeugnissen, Produktionschargen und Ausschussdaten sichtbar.
Fachwissen und Daten zusammenführen
KI kann Erfahrungswissen nicht ersetzen, aber es gezielt unterstützen und langfristig verfügbar machen. Fachkräfte sind notwendig, um relevante Fragestellungen zu erkennen, Daten richtig einzuordnen und Ergebnisse fachlich zu bewerten. Besonders in Produktion und Engineering entsteht der Nutzen durch das Zusammenspiel aus Daten, technischem Wissen und praktischer Erfahrung.
Vertrauen systematisch aufbauen
Belastbare Ergebnisse setzen eine nachvollziehbare Entstehungskette voraus. Datenqualität, Herkunft, Aktualität, Zugriffsrechte, Versionierung und fachliche Prüfung müssen von Beginn an berücksichtigt werden. Vertrauen entsteht nicht allein durch ein KI-Modell, sondern durch transparente Prozesse und klar geregelte Verantwortlichkeiten.
Mit einem Quick Win starten
Nicht jeder Anwendungsfall muss unmittelbar als umfassendes KI-Projekt umgesetzt werden. Ein klar abgegrenzter Quick Win mit vorhandenem Datenzugang ermöglicht erste praktische Erfahrungen und einen nachweisbaren Nutzen. Themen mit hohem Potenzial, aber noch fehlender Datenbasis, sollten als strategische Projekte geplant und schrittweise vorbereitet werden.
KI als unterstützendes System verstehen
KI- und Multi-Agenten-Systeme können komplexe Aufgaben strukturieren, Informationen recherchieren, Daten auswerten und Entscheidungen vorbereiten. Die Verantwortung für die fachliche Bewertung und Freigabe bleibt jedoch bei den Mitarbeitenden. Ziel ist daher nicht die vollständige Automatisierung, sondern eine nachvollziehbare Unterstützung besserer Entscheidungen.
Sie haben einen konkreten Anwendungsfall oder sind sich unsicher?
Dann sprechen Sie unsere Experten an.
margot.ruschitzka@th-koeln.de
martin.stock@th-koeln.de
ronan-noah.schlichting@th-koeln.de
Werfen Sie auch einen Blick auf unsere weiteren Veranstaltungsberichte
Unternehmensbesuch Vollmann Group: “Von der Idee zur Intelligenz”
Die Teilnehmenden beschäftigten sich damit, wie KI und Open-Source-Technologien ganz
Innovation for competitiveness
Innovation stellt einen der Wirtschaftsmotoren Deutschlands dar, hilft Unternehmen nachweislich,
„Personalmanagement im Mittelstand” – Auf dem Weg von der administrativen Unterstützung zum strategischen Wertschöpfungspartner im Unternehmen
Am 27. April 2026 fand an der TH Köln in
