Fertigungsunternehmen im DACH-Mittelstand sitzen auf einer großen Menge wertvoller Daten, und fast niemand nutzt sie wirklich gut. Ich habe in den letzten Monaten mit Werksleiter:innen, Controller:innen und Eigentümer:innen in der Region gesprochen, zuletzt vergangene Woche auf der Hannover Messe. Das Muster ist immer wieder dasselbe: Die Daten sind da. Alle wissen, dass sie da sind. Aber sie lassen sich kaum sinnvoll nutzen.
Die Gründe dafür sind interessanter, als sie auf den ersten Blick wirken. Ich glaube, es lohnt sich, sie etwas genauer zu betrachten, weil die gängige Erzählung (Fertigungsunternehmen seien zu langsam, zu risikoavers, zu sehr an Altsysteme gebunden) die Situation fast genau falsch herum beschreibt.
An Daten fehlt es nicht
Eine moderne Produktionslinie erzeugt sehr viele nützliche Telemetriedaten: Maschinenzustände, Zykluszeiten, Energieverbrauch, Materialfluss, Qualitätsmessungen, Freigaben durch Bediener:innen. Das meiste davon liegt bereits irgendwo: in einem SCADA-System, einem ERP-Modul oder einer Tabelle, die jemand im Controlling jeden Freitagnachmittag aktualisiert. Die Daten fehlen selten. Die meisten Fertigungsunternehmen haben sie bereits. Sie sind nur auf Maschinendaten, ERP-Daten, Lagerdaten und Tabellen verteilt, sodass das Gesamtbild schwer zu erkennen ist.
Eine aktuelle Umfrage der ARC Advisory Group unter industriellen Entscheider:innen zeigt, dass 63 % ein "Industrial Data Fabric" als kritisch wichtig einstufen, und ebenfalls 63 % sagen, dass die "Entkopplung von Daten und Software" kritisch wichtig ist (ARC Advisory Group, 2026). Es gibt also längst eine Sprache für das, was fehlt. Der Ausblick von Redwood Software für 2026 zeigt, dass 78 % der Fertigungsunternehmen weniger als die Hälfte ihrer kritischen Datentransfers automatisiert haben und nur 40 % ein automatisiertes Exception Handling nutzen (Redwood, 2026). Das Industry 4.0 Barometer von MHP / LMU München sieht die Digitalisierung in DACH bei 57 % und stagnierend, während der globale Durchschnitt auf 68 % gestiegen ist (MHP / LMU, 2026).
Fertigungsunternehmen wissen also, dass diese Daten wertvoll sind, und sie haben das Problem benannt. Trotzdem wird die Lücke nach fast allen Kennzahlen jedes Jahr größer.
Was diese Daten tatsächlich wert sind
Produzierende KMU in DACH arbeiten typischerweise mit Nettomargen im niedrigen einstelligen Bereich, je nach Teilbranche oft irgendwo zwischen 3 % und 6 %. Bei einer Nettomarge von 4 % kann eine Senkung der Produktionskosten um 5 % den Gewinn mehr als verdoppeln. Ein metallverarbeitender Betrieb mit 10 Mio. Euro Umsatz und 400.000 Euro Jahresgewinn kann 200.000 bis 300.000 Euro freisetzen, allein indem sichtbar wird, wohin das Geld tatsächlich fließt.
Einige der Anwendungsfälle sind wirklich einfach, zumindest in dem Sinne, dass sie keine KI, keinen digitalen Zwilling und keinen ERP-Austausch brauchen.
Nehmen wir Overall Equipment Effectiveness (OEE), die Standardkennzahl dafür, wie produktiv eine Maschine im Vergleich zu ihrem vollen Potenzial läuft. Branchen-Benchmarks setzen Weltklasse-OEE bei 85 % an, während typische Fertigungs-OEE eher bei 60 % liegt (Lean Production Inc.). Der Abstand zwischen tatsächlicher Betriebsleistung und Best-in-Class liegt typischerweise bei 5 % bis 15 % der gesamten Produktionskosten.
Bei Energie ist es ähnlich. Ein erheblicher Teil der industriellen Stromrechnung, oft die Hälfte oder mehr, fällt an, während nichts produziert wird: Licht, Kompressoren, HLK, Maschinen im Leerlauf. Sobald Kilowattstunden konkreten Linien, Produkten und Schichten zugeordnet werden können, liegen typische Einsparungen bei 10 % bis 25 % der Energiekosten. Das entspricht dem unteren Ende der Submetering-Benchmarks des US Department of Energy, die Einsparbereiche von 15 % bis 45 % ausweisen (FEMP Metering Best Practices Guide, PNNL-23892). Bei deutschen Industriestrompreisen in der Größenordnung von 18 ct/kWh summiert sich selbst das konservative Ende schnell.
Lebensmittel- und Getränkeunternehmen haben meist eine andere Variante desselben Problems: Sie produzieren mehr, als sie verkaufen, und schreiben den Rest ab. Produktionsplanung mit tatsächlicher Nachfrage und Haltbarkeit zu verbinden, ist eine Abfrage gegen das ERP und eine gegen die Verkaufsaufträge. Rückgewinnbare Verschwendung liegt typischerweise bei 20 % bis 40 %.
Nichts davon ist neu. Nichts davon braucht KI. Es braucht bestehende Daten, die gut genug verbunden sind, damit einfache Fragen verlässlich beantwortet werden können.
Warum passiert es dann nicht?
Es liegt nicht daran, dass es niemand versucht. Fast jedes Fertigungsunternehmen, mit dem ich gesprochen habe, hat irgendeine Version eines Projekts gestartet, um Reporting aufzuräumen, Daten über Standorte hinweg zu konsolidieren oder ein zentrales Dashboard zu bauen. Das Muster ist ziemlich konstant: ein paar Power-BI-Dashboards für die wichtigsten Reports, ein ERP-Modul, das tut, was es tut, und Excel als Bindegewebe zwischen allem anderen. Das beantwortet die wichtigsten Fragen. Jede neue Frage braucht wieder CSV-Exporte, manuelle Joins und den Abend von irgendjemandem. Und auf Dauer bedeutet das ein mehrmonatiges Beratungsprojekt, das sich gegen eine Power-BI-Lizenz, die die fünf wichtigsten Reports bereits abdeckt, budgetär kaum rechtfertigen lässt.
Der Widerspruch wird deutlich, wenn man Menschen direkt fragt. Der Industrial-Manufacturing-Report 2026 von KPMG zeigt, dass 83 % der Führungskräfte glauben, starke Datenfundamente aufzubauen, während 76 % in derselben Umfrage unzuverlässige Daten als ein Hauptrisiko für ihre KI-Ambitionen nennen (KPMG, 2026). Diese beiden Antworten widersprechen sich, und sie kommen von denselben Personen in derselben Umfrage.
Die Realität von Digitalisierungsprojekten
Die Standarderklärung für die Lücke oben (Fertigungsunternehmen seien zu langsam, zu risikoavers, zu sehr an Legacy gebunden) ist die Erklärung, die zu einem Transformationsprogramm führt. Ich glaube nicht, dass sie stimmt.
Die Erklärung, die ich von den Menschen höre, die diese Unternehmen tatsächlich führen, ist viel einfacher: Sie haben sich angesehen, was angeboten wird, und die Rechnung geht nicht auf.
Ein ernsthaftes Datenprojekt mit einer der üblichen Plattformen (Databricks, Snowflake, eine SAP-S/4-Migration) landet im ersten Jahr typischerweise bei 100.000 Euro oder mehr, mit sechs bis zwölf Monaten bis zum ersten wirklich nützlichen Ergebnis. Diese Werkzeuge sind für Unternehmen dimensioniert, die bereits eine Vollzeit-Data-Engineering-Funktion haben: Plattform-Engineers, ein dediziertes Team, eine Governance-Schicht. Ein Fertigungsunternehmen mit 200 Mitarbeiter:innen in Schwäbisch Hall hat das alles nicht. Es hat eine Person im Controlling mit Power-BI-Lizenz und eine IT-Person in Teilzeit, die das Netzwerk am Laufen hält. Für dieses Unternehmen ist Databricks in Kosten, Zeit und benötigtem Personal schlicht die falsche Größenordnung.
Eine zweite Kategorie von Lösungen sitzt auf Ökosystemebene: GAIA-X, Catena-X, Manufacturing-X, die Asset Administration Shell. Das Versprechen dahinter ist nachvollziehbar. Diese Initiativen sollen gemeinsame Standards und vertrauenswürdige Datenräume schaffen, damit Fertigungsunternehmen, Zulieferunternehmen, Kundenunternehmen und Softwareanbieter industrielle Daten einfacher austauschen können: Produktdaten, CO2-Fußabdrücke, Qualitätsnachweise, Rückverfolgbarkeit, digitale Produktpässe. In der Theorie reduziert das Sonderintegrationen und gibt der europäischen Industrie eine souveränere Dateninfrastruktur.
Mir geht es nicht darum, diese Initiativen pauschal abzutun. Sie versuchen, echte Probleme zu lösen. Aber für ein mittelständisches Unternehmen unterscheiden sich Timing und Nutzenversprechen. Viele Zulieferunternehmen werden wahrscheinlich irgendwann von großen Kundenunternehmen in diese Frameworks gezogen. Das heißt aber nicht, dass das Framework das heutige Problem löst: verstreute interne Daten, manuelles Reporting und keine einfache Möglichkeit, operative Fragen zu beantworten.
Auch die Bilanz zählt. GAIA-X startete 2019 mit hunderten Millionen Euro direkter deutscher Bundesförderung im Rücken, angekündigt als Europas souveräne Antwort auf AWS. 2021 zogen sich erste Mitgliedsunternehmen zurück und nannten Bürokratie und langsame Lieferung als Gründe (CIO / Handelsblatt, 2021). 2024 waren die Hyperscaler stillschweigend in den Vorstand eingezogen. Anfang 2025 veröffentlichte EuroStack einen Beitrag mit dem Titel "Chronicle of a Failure Foretold". Das erste Unternehmen, das die höchste GAIA-X-Zertifizierungsstufe erhielt, bekam sie Ende 2025, sechs Jahre nach dem Start der Initiative.
Und selbst wenn Budget und Architektur zusammenpassen, landet die Arbeit bei einer Person, die bereits einen Vollzeitjob hat. Meist geben diese Projekte auf, bevor sie liefern.
Die ehrliche Version lautet: Die aktuell angebotenen Werkzeuge wurden nicht für die Art von Unternehmen gebaut, aus denen der größte Teil der Fertigungswelt besteht. Nur 30 % der Mittelstandsunternehmen haben ihre Digitalisierungsprojekte tatsächlich abgeschlossen (KfW / ZEW, 2026). Fertigungsunternehmen ignorieren das Problem nicht. Sie sehen sich die verfügbaren Optionen an und stellen fest, dass der Business Case nicht aufgeht.
Warum wir beetl bauen
Das meiste von dem, was ich oben beschrieben habe, ist der Grund, warum wir beetl bauen. Und die Form dessen, was wir bauen, folgt daraus.
Wir versuchen, eine pragmatische Datenanalyse-Lösung zu bauen, die ein Fertigungsunternehmen im Mittelstand heute tatsächlich nutzen kann: 50 bis 500 Mitarbeiter:innen, ein bis zehn Standorte, kein Vollzeit-Data-Engineering-Team, ein gewachsener Stack aus Systemen, die Daten in unterschiedlichen Schemata speichern, und ein oder zwei technisch fähige Menschen, die Reporting nebenbei am Leben halten.
Das Produkt ist darauf ausgelegt, innerhalb weniger Wochen nach dem Start nützliche Antworten zu liefern. Wir zielen auf die 80 % des Werts, die schnell geliefert werden können, und erweitern nur dort, wo sich die zusätzliche Komplexität weiterhin lohnt. Wo wir uns in das industrielle Datenökosystem der EU integrieren müssen (Catena-X, AAS, OPC UA), tun wir das über Adapter, die bei Bedarf das richtige Format ausgeben. Wir verlangen vom Kundenunternehmen nicht, ein Framework als eigene Architektur zu übernehmen, in einem Arbeitskreis zu sitzen oder irgendetwas zertifizieren zu lassen.
Wir nutzen LLMs als Interface-Schicht, nicht als Quelle der Wahrheit. Ihr eigentlicher Wert liegt darin, dass Werksleiter:innen ihre Absicht in normaler Sprache beschreiben können: was eine Maschine bedeutet, wie ein Produktionsschritt funktioniert, welche Zahl falsch aussieht, welche Frage sie beantworten wollen. Das System kann diese Absicht in strukturierte Zuordnungen, Abfragen und Prüfungen gegen die zugrunde liegenden Daten übersetzen. Diesen Teil automatisieren wir.
Portabilität ist wichtig. Wir setzen wo möglich auf Open-Source-Technologien und stellen sicher, dass Kundenunternehmen ihre Daten auch außerhalb von beetl weiter nutzen können.
Die einfachste Beschreibung dessen, was wir tun, ist: Wir helfen Fertigungsunternehmen, die Daten zu nutzen, die sie bereits haben, um Marge zurückzugewinnen, die heute in ihren Zahlen unsichtbar bleibt.