Die meisten Unternehmen haben kein Datenproblem mehr. Sie haben ein Kontextproblem.
Ein Jahrzehnt lang bestand die Einschränkung in der Sammlung: zu wenige Sensoren, zu wenig Telemetrie, zu wenig Geschichte. Diese Einschränkung ist weg. Den Zahlen von IoT Analytics zufolge haben vernetzte Geräte im Jahr 2025 die 21-Milliarden-Marke überschritten und bis 2030 sollen es 39 Milliarden sein. Parallel dazu nutzen laut der McKinsey-Umfrage 2025 mittlerweile 88 % der Unternehmen KI in mindestens einer Geschäftsfunktion, gegenüber 78 % im Vorjahr. Der Rohstoff ist überall.
Der Wert ist nicht. Ein IDC-Studie im Auftrag von Seagate im Jahr 2020 fanden heraus, dass 68 % der den Unternehmen zur Verfügung stehenden Daten nie genutzt werden. Das Muster ist älter als der Hype: McKinseys Studie aus dem Jahr 2015 über eine Offshore-Ölplattform mit 30.000 Sensoren ergab, dass etwa 1 % der Daten jemals untersucht wurden, und zwar hauptsächlich zur Erkennung von Anomalien und nicht zur Optimierung oder Vorhersage. Mehr Sensoren führten nicht zu mehr Erkenntnissen. Sie produzierten mehr dunkle Daten.
Das ist die wahre Geschichte von AIoT. Es geht nicht darum, mehr zu sammeln oder ein Modell hinzuzufügen. Es geht darum, die Lücke zwischen einem Sensormesswert und einer Entscheidung zu schließen.
Was AIoT tatsächlich verändert
AIoT ist die Konvergenz von künstlicher Intelligenz und dem Web der Dinge: KI liefert die Analyse und die Entscheidung, IoT liefert die Konnektivität und die Daten. Die damit eingeführte Änderung ist keine neue Datenquelle. Es ist ein neuer Lebensraum für Intelligenz.
Die klassische Analyse hat funktioniert Enterprise Intelligence hat immer, auf historischen Momentaufnahmen, im Nachhinein, um das nächste Quartal zu informieren. Operational Intelligence kehrt das um. Es reagiert in Echtzeit auf Daten in Bewegung, um die nächste Minute zu informieren. Der Unterschied liegt im Timing, und das Timing macht aus einem Dashboard eine Entscheidung.
Edge AI macht dies praktisch. Anstatt jeden Messwert an ein zentrales Lager zu senden und später zu analysieren, werden Modelle auf oder in der Nähe des Geräts ausgeführt und an der Quelle abgeleitet. Dadurch verringert sich die Menge der an die Cloud gesendeten Rohdaten und die Verzögerung, bevor etwas dagegen unternommen werden kann. IoT Analytics sieht den Markt 2026 in die gleiche Richtung: als eine Verlagerung von vernetzten Dingen hin zu vernetzten Abläufen, die zunehmend eigenständig agieren.
Die geschäftliche Konsequenz ist das Entscheidungsfenster. Eine Vibrationssignatur, die einen Lagerausfall vorhersagt, ist in der Stunde vor dem Stillstand der Maschine sehr viel wert und am Tag danach quick nichts. Die historische Analyse beantwortet die zweite Frage: Was ist schief gelaufen? Operational Intelligence beantwortet die erste Frage – was passieren wird und was jetzt zu tun ist. Derselbe Datenpunkt hat einen unterschiedlichen Wert, je nachdem, wie schnell er zu einer Entscheidung gelangt.
Zusammenfassung: Die Daten verlagerten sich an den Rand, additionally musste der Geheimdienst ihnen folgen.
Warum Daten allein nicht ausreichen
Daten allein reichen nicht aus, da Rohmessungen keine Aussagekraft haben. Ein Temperaturwert ist eine Zahl, bis etwas aufzeichnet, welcher Vermögenswert ihn in welchem Prozess und in welchem erwarteten Bereich erzeugt hat. Diese Bindung wird als Kontext bezeichnet und fehlt den meisten Industriedaten.
Der Grund ist struktureller Natur. Betriebsdaten befinden sich in Silos, die sich nie auf eine gemeinsame Sprache geeinigt haben: SPS, SCADA-Systeme, Historiker, MES und ERP, jeweils mit eigener Benennung, eigenem Format und eigener Aktualisierungshäufigkeit. Die Daten sind vorhanden, jedoch nicht in einer Kind, die jedes andere System lesen kann. McKinsey schätzt, dass die Interoperabilität zwischen zwei oder mehr IoT-Systemen etwa 40 % des Gesamtwerts ausmacht, den das IoT liefern kann – quick die Hälfte des Gewinns liegt in den Verbindungen zwischen Systemen, nicht in einem einzelnen von ihnen. Wenn Systeme nicht gemeinsam nutzen können, verfällt dieser Anteil.
Kontext ist die Arbeit, die einen Zahlenstrom in etwas verwandelt, dem ein Modell oder ein Bediener vertrauen kann. Es verknüpft jede Messung mit der Anlage, die sie erzeugt hat, über ein Anlagenmodell oder einen einheitlichen Namensraum, und zwar einheitlich im gesamten Werk. Ohne diese Ebene sind mehr Daten nicht wertvoller. Es ist mehr Lärm zu speichern.
Faustregel: Eine Organisation, die ihre Daten nicht beschreiben kann, kann Entscheidungen darüber nicht automatisieren.
Welche Fähigkeiten verwandeln Daten in Geschäftswert?
Vier Funktionen wandeln kontextualisierte Betriebsdaten konsistent in messbare Ergebnisse um. Die folgenden Zahlen stellen das starke Ende der Spanne dar, demonstrierte Ergebnisse und keine Durchschnittswerte, und jede wird ihrer Quelle zugeordnet.
Der klarste Fall ist die vorausschauende Wartung. Untersuchungen von McKinsey gehen davon aus, dass dadurch die Ausfallzeiten der Maschinen um 30–50 % reduziert werden und die Wartungskosten um 10–40 % gesenkt werden. IBM schätzt die Wartungskostenreduzierung im Vergleich zu herkömmlichen Methoden unter Berufung auf Branchenanalysen auf 18–31 %.
Am auffälligsten ist die Closed-Loop-Optimierung. Google DeepMind meldete im Jahr 2016 eine Reduzierung des Energieverbrauchs zur Kühlung eines Rechenzentrums um 40 % und stieg 2018 auf durchschnittliche Einsparungen von etwa 30 %, nachdem das System von Empfehlungen auf autonome Steuerung umgestellt wurde. Die Eingaben waren Tausende von Sensormesswerten, die in Echtzeit verarbeitet wurden.
Kontextualisierte Analysen sind am umfassendsten. Das International Lighthouse Community des Weltwirtschaftsforums berichtet von einer Gesamteffektivitätssteigerung der Ausrüstung von 5–10 % und einer Produktivitätssteigerung von über 50 % an den von Lighthouse ausgewiesenen Standorten. Diese Zahlen werden im Rahmen eines unabhängigen Programms selbst gemeldet, und der gemeinsame Faktor ist eine saubere, integrierte Datengrundlage.
Anomalieerkennung und KI-Copiloten sind am schnellsten unterwegs. Echtzeitmodelle zeigen Abweichungen in dem Second auf, in dem sie auftreten, und fassen sie zunehmend für einen Bediener in einfacher Sprache zusammen, wodurch die Zeit zwischen Ereignis und Reaktion verkürzt wird. Der Markt preist dies ein. Die IoT-Analyseschicht, die diese Modelle ausführt, wird nach Schätzungen von SNS Insider voraussichtlich um mehr als 23 % professional Jahr wachsen, schneller als die Plattformen, auf denen sie basiert.
Die Fähigkeiten sind unterschiedlich. Die Voraussetzung gilt nicht. Jeder von ihnen ist auf Daten angewiesen, die kontextualisiert, integriert und in Echtzeit verfügbar sind.
Warum die meisten Initiativen immer noch scheitern
Die meisten AIoT-Initiativen scheitern immer noch, und der Grund dafür sind dieselben Voraussetzungen, die von der anderen Seite gesehen werden. Die Akzeptanz ist nahezu universell. Realisierter Wert ist selten.
Die Basistarife sind ernüchternd. Die Umfrage von Cisco unter 1.845 Entscheidungsträgern aus dem Jahr 2017 ergab, dass nur 26 % eine IoT-Initiative als vollen Erfolg betrachteten und 60 % in der Proof-of-Idea-Section ins Stocken gerieten. McKinsey berichtete 2018, dass 84 % der im IoT tätigen Unternehmen im Pilotmodus feststeckten, 28 % davon seit mehr als zwei Jahren. Das Muster blieb im IoT nicht bestehen. RAND stellte im Jahr 2024 fest, dass mehr als 80 % der KI-Projekte scheitern, was etwa doppelt so hoch ist wie bei IT-Projekten ohne KI. Die MIT-Studie aus dem Jahr 2025 ergab, dass 95 % der Pilotprojekte zur generativen KI in Unternehmen keine messbaren Auswirkungen auf den Gewinn hatten. Gartners Untersuchung der Infrastruktur- und Betriebs-KI aus dem Jahr 2026 ergab, dass nur 28 % der Anwendungsfälle die ROI-Erwartungen vollständig erfüllten.
Die Fehlertreiber sind in jeder dieser Studien konsistent, und keine davon entspricht dem Modell. Cisco nannte Datenqualität, teamübergreifende Integration und Budgetüberschreitungen. Gartner geht davon aus, dass bis 2026 60 % der KI-Projekte, denen KI-fähige Daten fehlen, aufgegeben werden. Die Technologie ist nicht der Flaschenhals. Die Datengrundlage ist.
Fazit: Die Organisationen, die scheitern, sind nicht unterbewertet. Sie sind unzureichend kontextualisiert.
Die Sequenz, die Wert vom Rauschen trennt
Die Unternehmen, die Mehrwert schaffen, teilen eine Reihenfolge, kein Funds. Sie bauen zunächst die Grundlage für Betriebsdaten auf – Kontext durch ein Asset-Modell, Integration zwischen OT und IT und Bereitstellung in Echtzeit. An zweiter Stelle steht die Analyse von Daten, die bereits vertrauenswürdig sind. An dritter Stelle stehen KI und Automatisierung. Die 26 %, die Cisco als erfolgreich ansah, und die Leuchtturmwerke, die das Weltwirtschaftsforum verfolgt, haben mit einem besseren Algorithmus nicht gewonnen. Sie gewannen mit Daten, die ihre Systeme tatsächlich nutzen konnten.
Dies ordnet das übliche Budgetgespräch neu. Der Instinkt besteht darin, zuerst die sichtbare Ebene zu finanzieren – das Modell, das Armaturenbrett, den Piloten mit einer Demo am Ende. Darunter liegen die dauerhaften Ausgaben für die unrühmliche Arbeit, Belongings zu benennen, Protokolle zuzuordnen und Daten in Echtzeit zu verschieben. Diese Grundlage ist für jeden zukünftigen Anwendungsfall wiederverwendbar, während ein auf nicht kontextualisierten Daten trainiertes Modell für den nächsten neu erstellt werden muss. Geben Sie für die Verbindungsschicht aus.
Die Organisationen, die diese Reihenfolge umkehren und das Modell kaufen, bevor sie die Daten korrigieren, füllen die 60 % bis 84 %, die das Pilotprojekt nie verlassen. Aus diesem Grund ist die Plattformschicht wichtig. Ein AIoT-Plattform für operative Intelligenz verdient seinen Platz, wenn es Gerätekonnektivität, kontextbezogene Modellierung und Echtzeitanalysen in einer Betriebsebene vereint, anstatt ein weiteres Silo für die spätere Integration hinzuzufügen. Die Plattform ist nicht der Wert. Die kontextualisierten Daten, die es erzeugt, sind.
Am Ende jeder ehrlichen Auseinandersetzung mit diesem Wandel gehört eine Warnung. Laut den Zahlen von McKinsey für 2025 berichten rund 23 % der Unternehmen bereits über eine Skalierung der Agenten-KI, und Gartner geht davon aus, dass bis 2027 mehr als 40 % der Agenten-KI-Projekte abgebrochen werden. Wenn autonome Agenten beginnen, auf nicht kontextualisierten Betriebsdaten zu reagieren, ändert sich die Kind des Fehlermodus. Ein Modell, das ein falsches Dashboard erzeugt, verschwendet den Nachmittag eines Analysten. Ein Agent, der auf denselben fehlerhaften Daten reagiert, trifft mit Maschinengeschwindigkeit eine falsche Entscheidung, und der Verlust wird sichtbar, bevor ihn jemand überprüft. Datenbereitschaft ist nicht mehr nur eine Wertkontrolle. Es wird zu einer Sicherheitskontrolle.
Das Sammeln von Betriebsdaten ist jetzt der einfache Teil.
Der Wert liegt darin, daraus rechtzeitig eine Entscheidung zu machen.