Lassen Sie uns näher auf dieses Video eingehen, in dem Laurent Bourgouin, CEO von Samp, Sam Altman zum Verwechseln ähnlich sieht. Die Schwerindustrie setzt heute in großem Umfang auf „Agentic AI“ – intelligente, autonome Systeme, die mit minimalen menschlichen Anweisungen beobachten, Schlussfolgerungen ziehen und handeln können. Von diesen Systemen wird erwartet, dass sie den Betrieb optimieren, Ausfallzeiten reduzieren und die Gesamteffizienz jeder Industrieanlage verbessern.
Wie in dem Beitrag von Vlad Larichev erwähnt, zeigt der neue Wharton/GBK-Bericht, dass 72 % der Unternehmen mittlerweile den ROI von GenAI verfolgen und 75 % positive Erträge verzeichnen – doch laut MIT erzielen nur etwa 5 % tatsächlich skalierbaren, wiederholbaren Erfolg. Trotz der Diskrepanz in den Berichten zur Einführung können wir anerkennen, dass es komplexe organisatorische und betriebliche Faktoren gibt, die den Fortschritt bremsen oder verzögern.
Die zentrale Herausforderung, mit der KI-Agenten in realen industriellen Umgebungen häufig konfrontiert sind: Sie sind vollständig von der Genauigkeit und Vollständigkeit der ihnen zur Verfügung stehenden Daten abhängig. Ohne verlässliche Daten trifft selbst die fortschrittlichste KI falsche Entscheidungen, was zu betrieblichen Ineffizienzen oder Systemausfällen führt.
Viele Betriebsdaten in Fabriken, Anlagen und Infrastrukturumgebungen sind unvollständig, inkonsistent oder haben keinen Bezug zu dem, was tatsächlich vor Ort geschieht. Anlagengeschichten sind oft lückenhaft oder falsch gekennzeichnet, und das Wissen der Bediener bleibt in Notizbüchern und Schichtgesprächen statt in Systemen erhalten.
In der Vergangenheit standen Initiativen wie IoT-Analysen, vorausschauende Wartung und Energieoptimierung daher vor dem gleichen Problem: Pilotprojekte funktionieren, scheitern aber bei der Skalierung … weil die zugrunde liegenden Daten nicht die tatsächlichen Bedingungen vor Ort widerspiegeln.
Hier kommt Shared Reality ins Spiel. Bevor Unternehmen Agenten einsetzen, die autonome Entscheidungen treffen, benötigen sie eine verifizierte, kontinuierlich abgestimmte Sicht auf die physische Umgebung – ein gemeinsames Verständnis zwischen Menschen, Systemen und KI über den Zustand von Maschinen, Prozessen und Anlagen. Dies stellt sicher, dass Daten korrigiert und mit den Beobachtungen vor Ort in Zusammenhang gebracht werden. Wenn also die Daten die Realität widerspiegeln, können KI-Agenten endlich mit Zuversicht Schlussfolgerungen ziehen und handeln. Damit Agentic AI in der realen Welt funktioniert, müssen wir die Datenrealitätsebene kontinuierlich korrigieren und gleichzeitig darauf aufbauend automatisieren – das ist das zentrale Wertversprechen von Shared Reality. Es ist die Grundlage, die KI von beeindruckenden Demos in verlässliche industrielle Leistung verwandelt. Darüber hinaus kann es mit den Update-Workflows sicherstellen, dass die 3D-Daten kontinuierlich an die Veränderungen vor Ort angepasst werden.
Außerdem leistet Shared Reality mehr als nur die Abstimmung von Daten – es lässt sich direkt in die bestehenden Systeme eines Unternehmens integrieren. Über APIs verknüpft es ERP-, MES-, CMMS-, SCADA- und Historian-Daten mit vor Ort verifizierten 3D-Daten. Und bald wird es Protokolle wie MCP unterstützen, wodurch es mit KI-Agenten interagieren kann. Anstatt ein weiteres Datensilo hinzuzufügen, ist es die vor Ort validierte 3D-Kontextualisierungsebene, auf die sich alle KI-Agenten, Analysen und Software verlassen können.
