Künstliche Intelligenz in der F&E: Das sind die Top 5!

Auf der Abschlusskonferenz des Konsortial-Benchmarkings „Künstliche Intelligenz in der F&E“ am 23. Mai 2019 im Aachener Eurograss zeichnete das Werkzeugmaschinenlabor WZL der RWTH Aachen in Kooperation mit der Complexity Management Academy GmbH und einem hochkarätigen Industriekonsortium die fünf besten Unternehmen zum Thema “Künstliche Intelligenz in der F&E“ aus.

...war es, besonders erfolgreiche Methoden, Strukturen und Prozesse in der systematischen Implementierung und Umsetzung von Künstlicher Intelligenz in der F&E zu identifizieren. Für ihre herausragenden Leistungen wurden die Firmen 3M, Wacker Chemie, Dürr Systems, ABB und Airbus als „Successful Practices 2019“ ausgezeichnet.

Die Ermittlung der „Successful Practices“ erfolgte in Zusammenarbeit mit einer Jury aus Experten erfolgreicher internationaler Unternehmen, die zugleich das Konsortium des Projekts stellten. Mitglieder des Konsortiums waren 24 führende Industrieunternehmen aus der produzierenden Industrie innerhalb verschiedenster Branchen. Professor Günther Schuh, Direktor des Werkzeugmaschinenlabors WZL der RWTH Aachen, leitete das Projekt.

Zu Projektbeginn im Juli 2018 erarbeitete das Werkzeugmaschinenlabor WZL der RWTH Aachen in enger Zusammenarbeit mit der Complexity Management Academy und dem Konsortium zunächst die aktuellen industriellen Herausforderungen im Themenfeld der Integration von Künstlicher Intelligenz in der F&E. Diese Herausforderungen bildeten die Basis für eine detaillierte schriftliche Fragebogenstudie. Die befragten Unternehmen gaben Antworten zu vier zentralen Themenfeldern der Künstlichen Intelligenz in der F&E.
Neben der Identifikation von neuen Leistungsangeboten durch die „Applikation von KI im Produktportfolio“, wurden Anwendungsmöglichkeiten zur „Optimierung der internen F&E-Prozesse“ adressiert. Desweiteren wurden die Unternehmen zu „organisatorischen Voraussetzungen“ sowie „technologischen Voraussetzungen“ einer erfolgreichen Integration von Künstlicher Intelligenz in der F&E befragt.

Insgesamt beteiligten sich über 200 Unternehmen am Benchmarking. Ein Großteil der teilnehmenden Unternehmen stammte dabei aus Deutschland. Die übrigen Unternehmen haben ihren Unternehmenssitz im europäischen Ausland sowie in den USA oder Asien.

Ein ausführliches Screening der Top-Performer der Studie ergab die neun aussichtsreichsten Kandidaten, welche den Konsortialpartnern während des „Review-Meetings“ im Februar 2019 vorgestellt wurden, um die gesuchten fünf Successful-Practice-Unternehmen zu identifizieren. Die Konsortialpartner besuchten die ausgewählten Unternehmen im April und Mai 2019 und durften Einblicke in deren Methoden, Strukturen und Prozesse im Themenfeld der Künstlichen Intelligenz in der F&E vor Ort gewinnen. In allen Fällen bestätigte sich, dass die ausgewählten Unternehmen besonders erfolgreiche Ansätze für die Umsetzung von Künstlicher Intelligenz in der F&E nutzen und zu Recht als „Successful Practices“ ausgezeichnet werden können.

Ein zentrales Ergebnis der Konsortialstudie ist, dass insbesondere die Successful-Practice-Unternehmen Anwendungsfälle in Netzwerken entwickeln.
Ziel der im Anschluss an die Studie folgenden Aktivitäten ist es, die Kompetenzen des Hochschulumfeldes der RWTH Aachen über die Studie hinaus enger mit den produzierenden Unternehmen zu verknüpfen. Daher wird auf dem RWTH Aachen Campus eine Community mit produzierenden Unternehmen aufgebaut, um die Kollaboration im Themenfeld von digitalen Lösungen in der F&E zu fördern sowie konsortial oder bilateral Demonstratoren aufzubauen und Anwendungsfälle umzusetzen.

Während der Abschlusskonferenz am 23. Mai 2019 wurden die Projekterkenntnisse durch das Werkzeugmaschinenlabor WZL der RWTH Aachen in Form von 11 Kernthesen zur erfolgreichen Integration von Künstlicher Intelligenz in der F&E vorgestellt. Wie eine erfolgreiche Umsetzung in der Praxis aussehen kann, präsentierten die Vertreter der Successful-Practice-Unternehmen innerhalb eines World-Cafés und nahmen anschließend ihre Auszeichnungen entgegen.