Global denken, lokal handeln: Was der industrielle Mittelstand aus McKinseys KI-Manifest lernen kann

In den großen Studien zur KI-Transformation liest man viel von „Rewired Companies“, 20 Prozent höherem EBITDA und beeindruckenden Wachstumskurven. Diese Fälle zeigen: Unternehmen, die KI nicht als Spielerei, sondern als Teil ihres Betriebsmodells verstehen, holen deutlich mehr heraus – sie wachsen schneller, verdienen besser und bleiben belastbarer, wenn es stürmisch wird.

Für mittelständische Maschinenbauer, Anlagenbauer und Zulieferer in Deutschland ist eine Sache besonders wichtig: Die guten Einsichten helfen nur, wenn sie im eigenen Werk, im eigenen Lager und im eigenen Service landen. Global denken ist richtig – gebracht wird der Erfolg aber dort, wo man lokal handelt, sehr konkret, mit den eigenen Leuten und Prozessen.

Weg vom „Use-Case-Zoo“, hin zu 1–3 starken Hebeln

Viele Betriebe haben inzwischen einen bunten Strauß an KI-Ideen: ein Assistent im Büro, ein Pilot im Marketing, ein Tool für Angebote. Das ist nicht falsch, aber sehr verteilt. Die erfolgreichen Unternehmen aus den Studien machen etwas anderes: Sie gehen an die Stellen, wo sich der Gewinn entscheidet – und sie bleiben dort hartnäckig.

Für einen typischen Industriebetrieb heißt das:

• In der Fertigung: Durchsatz, Ausschuss, Stillstände.
• In der Supply Chain: Bestände, Liefertermine, Materialverfügbarkeit.
• Im Service: Reaktionszeiten, Ersatzteile, Kundenzufriedenheit.

Statt zehn Baustellen zu eröffnen, werden ein bis drei dieser Bereiche sauber angegangen – mit klaren Zielen und den Kennzahlen, die dazu passen. Global gedacht: „KI-Transformation.“ Lokal gehandelt: „Wir verbessern Durchsatz und Ausschuss auf Linie X, Bestände im Bereich Y, Servicezeiten im Segment Z – messbar, im Alltag.“

KI ist Chefsache – sonst bleibt sie Spielzeug

Eine der ehrlichsten Lehren aus den Studien: In erfolgreichen Fällen führt die Geschäftsführung selbst. Die IT ist wichtig, externe Partner sind wichtig – aber sie allein können nicht festlegen, wie künftig geplant, gewartet, disponiert und entschieden wird.

Das passt zur Stärke des Mittelstands:

• Der Inhaber kennt den Betrieb, die Leute, die Kunden.
• Der Werkleiter kennt jede Linie, jeden Engpass.
• Die kurzen Wege sind ein Vorteil, wenn man sie nutzt.

Wenn KI „ein Projekt der IT“ bleibt, spielt sie am Rand mit. Wenn KI als Teil der Linienverantwortung verstanden wird, wird sie zu einem echten Hebel:

• Der Geschäftsführer oder COO benennt klar, welche Kernprozesse zuerst dran sind.
• Produktions-, Supply-Chain- und Serviceleiter bringen ihre Praxissicht ein.
• Gemeinsam wird festgelegt, wie KI in diese Prozesse eingebaut wird – nicht oben drauf, sondern mitten hinein.

Global denken: „Wir wollen zur Liga der Unternehmen gehören, die KI für Vorsprung nutzen.“ Lokal handeln: „Wir setzen uns mit PRODVIS hin und beschreiben, wie unsere Planung, Wartung und Disposition konkret anders laufen sollen.“

Agentische KI: Entlastung, wenn Rollen mitwachsen

Ab hier die Kurzfassung, wie sie ein bodenständiger Inhaber mag: wenige Worte, klare Schritte, Fokus auf Erfolg.

Agentische KI nimmt Routinearbeit ab: planen, sortieren, Tickets anlegen, Vorschläge machen. Menschen treffen die wichtigen Entscheidungen – aber mit besseren Informationen und weniger Zettelwirtschaft. Damit das funktioniert, braucht es neue Rollen:

• Der Meister wird Regel- und Ausnahme-Manager.
• Der Einkäufer arbeitet mit Signalen, nicht nur mit Bauchgefühl.
• Der Serviceleiter priorisiert nach klaren KI-Hinweisen.

Was zu tun ist:

1. Ein bis zwei Prozesse auswählen, zum Beispiel Schichtplanung, Wartung oder Disposition.
2. Klären: Welche Aufgaben kann ein Agent übernehmen, welche bleiben bewusst beim Menschen.
3. Die betroffenen Rollen konkret neu beschreiben – kurz, schriftlich, mit klarer Verantwortung.

So entsteht Entlastung, ohne dass man die Menschen aus dem Spiel nimmt.

Daten: Arbeitsgrundlage, kein Nebenprojekt

Ohne verlässliche Daten bringt jede KI nur schöne Bilder, aber wenig Wirkung. Sie brauchen keine „Datenfabrik“, sondern drei bis vier saubere Datengrundlagen: Durchlaufzeiten, Stillstände, Bestände, Servicefälle.

Was zu tun ist:

1. Festlegen, welche Kennzahlen pro Prozess wirklich wichtig sind.
2. Prüfen: Kommen diese Infos heute aus ERP, MES, Excel, Maschine – und sind sie vollständig.
3. Lücken schließen, etwa bei Stammdaten, Zeiterfassung und Störgründen, bevor KI darauf aufsetzt.

Global gedacht: „Daten als Produkt, KI-ready.“ Lokal gehandelt: „Wir räumen gezielt die Daten für unsere wichtigste Linie oder unseren wichtigsten Bereich auf und nutzen sie sofort in der Planung und Wartung.“ Eine saubere Cloud ERP für den Mittelstand & Exact Online Beratung ist dafür oft die tragende Datenbasis.

Prozesse mitziehen: Sonst bleibt alles Theorie

Viele KI-Projekte scheitern nicht am Modell, sondern am Alltag. Die KI sieht einen drohenden Ausfall, aber die Instandhaltung arbeitet weiter nach Kalender. Die KI erkennt Nachfrageänderungen, aber Einkauf und Disposition planen wie bisher.

Erfolg kommt nur, wenn sich Abläufe und Verantwortlichkeiten mitändern.

Was zu tun ist:

1. Für jeden KI-Signaltyp festlegen: Wer schaut hin, wer entscheidet, was passiert als Nächstes.
2. Besprechungsrhythmen und Checklisten anpassen, zum Beispiel von „Fixtermin“ hin zu „Termin mit aktuellen Signalen“.
3. Alte Routinen streichen, die den neuen Ablauf ausbremsen.

Global gedacht: „Design for Adoption.“ Lokal gehandelt: „Wir passen unsere Wartungs-, Planungs- und Einkaufsroutinen so an, dass sie mit den KI-Signalen zusammenspielen – sonst lassen wir Geld liegen.“

Kurz gesagt: Ihr Fahrplan

Für einen typischen mittelständischen Industriebetrieb könnte der Fahrplan so aussehen:

1. Einen Kernbereich wählen. Zum Beispiel: eine Fertigungslinie, einen Lagerbereich oder den Service.
2. Rollen klären. Wer ist dort künftig Regel-Owner, Datenverantwortlicher, Entscheidungsführer?
3. Daten sauber ziehen. Genau für diesen Bereich: die zwei bis drei wichtigsten Kennzahlen zuverlässig machen.
4. Einen Agenten einführen. Einen agentischen KI-Baustein, der Routine übernimmt: Planung, Wartung, Disposition.
5. Prozess anpassen. Einen Ablauf konkret umstellen – nicht reden, sondern im Alltag leben.

Wie PRODVIS Ihnen konkret hilft

PRODVIS unterstützt Sie genau dabei – ohne Zauberworte, mit klarem Vorgehen:

• Gemeinsam mit Ihnen wählen wir den ersten Kernbereich aus, der wirklich zählt: Durchsatz, Bestände oder Service.
• Wir helfen, Rollen und Daten pragmatisch zu klären – auf Basis Ihrer bestehenden Systeme, etwa ERP, MES und Maschinendaten.
• Wir setzen einen passenden KI-Agenten auf Ihrer Systemlandschaft auf, statt Ihnen nur ein neues Tool hinzustellen.
• Und wir begleiten die Umstellung des Prozesses, bis die neuen Abläufe sitzen und die Zahlen sich bewegen.

Global denken – wir orientieren uns an erprobten Rewired-Prinzipien und Studien. Lokal handeln – wir setzen mit Ihnen vor Ort genau die Schritte um, die in Ihrem Werk, Ihrem Lager, Ihrem Service wirklich zählen.

In the major studies on AI transformation you read a lot about “rewired companies”, 20 percent higher EBITDA and impressive growth curves. These cases show: companies that understand AI not as a gimmick but as part of their operating model get significantly more out of it – they grow faster, earn better and stay more resilient when things get stormy.

For mid-market machine builders, plant engineers and suppliers in Germany, one thing matters most: the good insights only help if they land in your own plant, your own warehouse and your own service. Thinking global is right – but success is delivered where you act local, very concretely, with your own people and processes.

Away from the “use-case zoo”, towards 1–3 strong levers

Many operations now have a colourful bouquet of AI ideas: an assistant in the office, a pilot in marketing, a tool for quotes. That is not wrong, but very scattered. The successful companies in the studies do something else: they go to the places where profit is decided – and they stay there persistently.

For a typical industrial operation this means:

• In production: throughput, scrap, downtime.
• In the supply chain: stock, delivery dates, material availability.
• In service: response times, spare parts, customer satisfaction.

Instead of opening ten construction sites, one to three of these areas are tackled cleanly – with clear goals and the metrics that fit. Thought globally: “AI transformation.” Acted locally: “We improve throughput and scrap on line X, stock in area Y, service times in segment Z – measurable, in daily operations.”

AI is a leadership task – otherwise it stays a toy

One of the most honest lessons from the studies: in successful cases, management leads itself. IT is important, external partners are important – but they alone cannot define how planning, maintenance, scheduling and decisions will work in future.

This fits the strength of the mid-market:

• The owner knows the operation, the people, the customers.
• The plant manager knows every line, every bottleneck.
• Short paths are an advantage when you use them.

If AI stays “an IT project”, it plays at the margins. If AI is understood as part of line responsibility, it becomes a real lever:

• The managing director or COO clearly names which core processes come first.
• Production, supply chain and service managers bring in their practical view.
• Together you define how AI is built into these processes – not on top, but right in the middle.

Think global: “We want to belong to the league of companies that use AI for an edge.” Act local: “We sit down with PRODVIS and describe how our planning, maintenance and scheduling should concretely work differently.”

Agentic AI: relief when roles grow along

From here the short version, as a down-to-earth owner likes it: few words, clear steps, focus on success.

Agentic AI takes over routine work: planning, sorting, creating tickets, making suggestions. People make the important decisions – but with better information and less paperwork. For this to work, new roles are needed:

• The foreman becomes a rule and exception manager.
• The buyer works with signals, not just gut feeling.
• The service manager prioritises by clear AI cues.

What to do:

1. Select one or two processes, for example shift planning, maintenance or scheduling.
2. Clarify which tasks an agent can take over and which deliberately stay with people.
3. Redescribe the affected roles concretely – short, written, with clear responsibility.

This creates relief without taking people out of the game.

Data: working basis, not a side project

Without reliable data, any AI only produces nice pictures but little impact. You do not need a “data factory”, but three to four clean data foundations: lead times, downtime, stock, service cases.

What to do:

1. Define which metrics per process are really important.
2. Check whether this information comes today from ERP, MES, Excel, machine – and whether it is complete.
3. Close gaps, for example in master data, time recording and fault reasons, before AI builds on it.

Thought globally: “Data as a product, AI-ready.” Acted locally: “We clean up the data for our most important line or area in a targeted way and use it immediately in planning and maintenance.” A clean cloud ERP for the mid-market & Exact Online consulting is often the load-bearing data foundation for this.

Pull the processes along: otherwise it all stays theory

Many AI projects fail not at the model, but in everyday life. The AI sees an impending failure, but maintenance keeps working by calendar. The AI detects demand changes, but purchasing and scheduling plan as before.

Success only comes when workflows and responsibilities change along.

What to do:

1. For each AI signal type define: who looks, who decides, what happens next.
2. Adjust meeting rhythms and checklists, for example from “fixed date” to “date with current signals”.
3. Cancel old routines that slow the new workflow.

Thought globally: “Design for adoption.” Acted locally: “We adapt our maintenance, planning and purchasing routines so they interact with the AI signals – otherwise we leave money on the table.”

In short: your roadmap

For a typical mid-market industrial operation, the roadmap could look like this:

1. Choose a core area. For example: a production line, a warehouse area or service.
2. Clarify roles. Who will be the rule owner, data owner, decision lead there?
3. Pull clean data. Exactly for this area: make the two to three most important metrics reliable.
4. Introduce an agent. An agentic AI building block that takes over routine: planning, maintenance, scheduling.
5. Adjust the process. Concretely change one workflow – do not talk, live it in daily operations.

How PRODVIS concretely helps you

PRODVIS supports you exactly in this – without magic words, with a clear approach:

• Together with you we select the first core area that really counts: throughput, stock or service.
• We help to clarify roles and data pragmatically – based on your existing systems, such as ERP, MES and machine data.
• We set up a suitable AI agent on your system landscape, instead of just handing you another tool.
• And we accompany the process change until the new workflows fit and the numbers move.

Think global – we orient ourselves on proven rewired principles and studies. Act local – we implement with you on site exactly the steps that really count in your plant, your warehouse, your service.