Viele Digitalisierungsinitiativen scheitern nicht an der Idee, sondern am Schritt von „funktioniert als Prototyp“ zu „läuft stabil im Alltag“. Besonders in KMUs treffen ambitionierte Vorhaben auf knappe Ressourcen, komplexe Datenlagen und Rahmenbedingungen, die sich laufend verändern. Genau darüber haben Christoph Schinko (Fraunhofer Austria) und Bernd Hirschmann (Guid.New GmbH) in der Expert Morning Session „Gemeinsam Innovation gestalten: Forschung trifft Mittelstand“ gesprochen: Wie gelingt der Weg von der Machbarkeitsstudie zur produktiven, skalierbaren Softwarelösung, ohne dass ein Projekt im Alltag „unter die Räder kommt“?
Warum digitale Innovationen im KMU-Alltag oft scheitern
Führungskräfte mit Digital- und Innovationsverantwortung stehen häufig vor dem Dilemma: Innovation ist dringend nötig, um wettbewerbsfähig zu bleiben. Aber das Tagesgeschäft lässt dafür wenig Luft. Dazu kommen typische Muster, die in vielen Organisationen gleichzeitig auftreten:
-
Komplexe Datenmengen, oft fragmentiert über unterschiedliche Systeme oder gar nicht sauber digitalisiert
-
Fachkräftemangel und fehlende „freie Kapazität“ außerhalb des operativen Drucks
-
Steigender Effizienzdruck, volatile Märkte und steigende Anforderungen an Tempo und Qualität
In der Praxis verdichtet sich das oft zu drei Hürden: Digitale Innovation ist zu teuer, zu theoretisch und KMUs verfügen über zu wenig IT-Ressourcen.
Eine zentrale Botschaft aus der Expert Morning Session: Diese Hürden lösen sich selten durch eine einzelne Tool- oder KI-Entscheidung. Sie werden jedoch überwindbar, wenn man zwei Dinge sauber zusammenbringt: methodische Klarheit (wie man Machbarkeit und Nutzen validiert) und Umsetzungskompetenz (wie man daraus ein System macht, das im Betrieb funktioniert). Genau hier kann die Zusammenarbeit mit einem Forschungs- und Umsetzungspartner sinnvoll sein.
Energiegemeinschaften: großes Potenzial, hohe Komplexität
Energiegemeinschaften sind ein greifbares Beispiel für nachhaltige (digitale) Innovation: Strom wird innerhalb einer Community erzeugt, genutzt und geteilt. Was von außen simpel wirkt, ist im Betrieb hochkomplex und deshalb ein hervorragendes Beispiel für komplexe Digitalisierungs-Projekte in Industrie- und Mittelstandsbetrieben.
Woher kommt die Komplexität?
-
Vielschichtigkeit: viele Teilnehmende, Messpunkte, Tarife und Regelwerke
-
Volatilität als Normalzustand: Wetter, Verbrauchsverhalten, saisonale Muster, Änderungen im Bestand
-
Prozesskomplexität: Verwaltung, Abrechnung, Reporting, Kommunikation, Support
-
Systemkritik: Stabilität und Nachvollziehbarkeit sind Pflicht
Energiegemeinschaften sind kein „Energie-Excel“, sondern ein komplexer Betrieb, der nur mit individueller Software zuverlässig und skalierbar funktioniert. Ohne die geeignete digitale Basis (im Fall der EG Austria, das Mitgliederportal) wird Komplexität teuer und Wachstum schwer umsetzbar.
Exkurs: Das Mitgliederportal der EG Austria als digitale Basis für Wachstum
Damit KI-gestütztes Forecasting seinen Nutzen hinsichtlich Planbarkeit, Steuerung und Skalierung in der Energiegemeinschaft überhaupt entfalten kann, braucht es eine operative Basis, die Prozesse stabilisiert und Datenqualität schafft. Bei EG Austria ist dieses zentrale Element das bereits seit zwei Jahren erfolgreich im Alltag eingesetzte Mitgliederportal. Es bildet sprichwörtlich das Rückgrat für den reibungslosen Betrieb und ermöglicht das angestrebte Wachstum der Gemeinschaft.
Was heute schon erfolgreich im Praxisbetrieb "läuft" (Self-Service):
-
Anmeldung und Stammdatenverwaltung
-
Transparenz und Abrechnungsübersichten
Operativer Nutzen:
-
weniger manuelle Prozesse
-
standardisierte Datenqualität
-
Wachstum ohne lineare Teamvergrößerung
Das Mitgliederportal bildet die (Daten-) Basis für die softwaregestützte Weiterentwicklung:
Ohne eine individuelle Softwarelösung wäre der Betrieb der EG Austria in dieser Form nicht möglich und auch nicht skalierbar.
Die Herausforderungen bei der Entwicklung und dem Betriebs des Portals sind:
-
Datenintegration und Schnittstellen (Messdaten, Stammdaten, Abrechnungslogik, teils externe Partner)
-
Nachvollziehbarkeit und Vertrauen schaffen („Warum ist mein Anteil so?“ muss erklärbar sein)
-
Governance/Rollen und Betrieb (wer darf was, Monitoring, Supportfenster, Incident-Prozess)
Technisch wurde daher auf Prinzipien gesetzt, die in komplexen Umfeldern Stabilität schaffen: modular, erweiterbar, klare Domänen, plus eine Datenpipeline, die Daten nicht nur übernimmt, sondern auch validiert, persistent speichert und auditierbar macht. Auf genau dieser Grundlage ergibt Forecasting Sinn: als weiterer Baustein, der die Planbarkeit und damit den Betrieb verbessert.
Unser zentrales Learning: Wir haben den Aufwand für Datenaufbereitung und Anonymisierung unterschätzt. Unterschiedliche Formate, Datenlücken und externe Quellen wie Wetterdaten haben gezeigt, dass die Faustregel stimmt: Rund zwei Drittel des Aufwands stecken in der Datenaufbereitung.
Christoph Schinko - Fraunhofer Austria Research GmbH
Use Case „Intelligent Forecast“: Von der Machbarkeitsstudie zur skalierbaren SaaS-Lösung
Im Mittelpunkt der Expert Morning Session von Fraunhofer Austria und Guid.New stand der Use Case „Intelligent Forecast“: ein KI-basiertes Prognosemodell, das Verbrauch und Erzeugung innerhalb der Energiegemeinschaft (EG Austria) besser planbar macht. Ziel ist nicht „KI um der KI willen“, sondern Planbarkeit, Effizienz und langfristig geringere Kosten. Also eine tatsächlich im Alltag messbare Verbesserung.
Die Ausgangslage für das Projekt:
Kurzfristige, präzise Vorhersagen sind schwierig, weil viele dynamische und statische Einflussgrößen zusammenwirken; fehlende Prognosegenauigkeit führt zu Ineffizienz, Kosten und operativer Unsicherheit.
Die Machbarkeitsstudie, durchgeführt von Fraunhofer Austria:
Ein wichtiger Punkt: Das Forecasting wurde nicht als „Modellwahl nach Bauchgefühl“ angegangen, sondern als strukturierte Evaluierung entlang zweier Kriterien: Prognosequalität und praktische Umsetzbarkeit. Das ist genau die Schnittstelle, an der Forschung und Umsetzung zusammenkommen.
Typische Schritte dieser Machbarkeitsphase:
-
Datenübergabe und Vorverarbeitung: häufig der aufwändigste Teil (Bereinigung, Integration, Transformation/Normierung, Feature Engineering)
-
Modellimplementierung: Modelle auswählen/entwickeln und trainieren
-
Bewertung: anhand definierter Metriken (z. B. Genauigkeit) und pragmatischer Kriterien (z. B. Implementierungsaufwand)
-
Aufbereitung und Übergabe: Auswahl eines Ansatzes und Übergabe an die Umsetzung
Nutzen der Machbarkeitsstudie für den weiteren Projektverlauf:
Für Unternehmen ist der Nutzen erstaunlich „bodenständig“:
-
bessere Entscheidungsgrundlage für Technologie- und Architekturwahl
-
weniger Trial-and-Error, damit geringere Investitions- und Implementierungsrisiken
-
konkrete Handlungsempfehlungen für nächste Schritte
-
solide Basis für eine marktfähige, erweiterbare Lösung
- Stärkung der Wettbewerbsfähigkeit im Bereich intelligenter Energiesysteme
KI lohnt sich dann, wenn eine gute Datenbasis vorhanden ist. Am häufigsten scheitern KI- und Softwareprojekte nicht am Modell, sondern an Datenchaos und unklaren Verantwortlichkeiten. Und für manche Problemstellungen ist ein pragmatischer, weniger „KI-lastiger“ Weg einfach der bessere Start.
Christoph Schinko - Fraunhofer Austria Research GmbH
Erfolgsfaktoren für komplexe Digitalisierungsprojekte
Im Zuge der Zusammenarbeit von Fraunhofer Austria und Guid.New haben sich fünf Erfolgsfaktoren für das Gelingen von digitalen Innovationsprojekten herauskristallisiert. Die sich ebenfalls auf andere Branchen sehr gut umlegen lassen.
1) Do your homework well
-
Problem und Ziel messbar machen („Was heißt besser konkret?“)
-
Stakeholder und Rollen früh klären
-
Daten- und Prozesslandkarte erstellen (Quelle, Verantwortung, Qualitätsowner)
2) Requirements Engineering als Risikomanagement
-
nicht „viel dokumentieren“, sondern die richtigen Entscheidungen treffen
-
klare Akzeptanzkriterien definieren
-
Non-Functionals früh festziehen (Performance, Verfügbarkeit, Security, Wartbarkeit)
3) Architektur für Resilienz
-
Entkopplung: Datenpipeline ≠ Modell ≠ Produktlogik
-
Changeability: einfache Erweiterbarkeit, neue Einflussgrößen nachrüstbar machen
-
Fallback statt Ausfall
4) Komplexität iterativ handhaben
-
kleine Inkremente, schnelle Validierung an echten Daten
-
kurze Feedback-Loops zwischen Fachlichkeit ↔ Produkt ↔ Betrieb
-
„Done“ heißt: läuft stabil, nicht nur „läuft“
5) Learnings von Machbarkeit bis Betrieb
-
unterschätzt werden oft Datenqualität, Edge Cases und Erwartungsmanagement
-
bewährt haben sich Baselines, frühes Monitoring und klare Ownership
Wir planen, das Prognosemodell künftig als Produktlösung für Dritte bereitzustellen, damit auch andere vom Intelligent Forecasting profitieren können.
Bernd Hirschmann, Co-Founder Guid.New GmbH
How to start: Ein praxistauglicher "Fahrplan" für dein komplexes Digitalisierungsprojekt
Wie der Weg von der Machbarkeitsstudie zur marktreifen, skalierbaren Software gelingt, haben Christoph und Bernd für euch zusammengefasst.
Der wichtigste Schritt: nicht mit Technologie beginnen, sondern zuerst Klarheit schaffen. Heißt: Zu Beginn braucht es einen klaren Fahrplan, der sich in folgende Phasen einteilen lässt.
Foto: Fraunhofer Austria
Förderlogik kurz eingeordnet:
Förderprogramme können frühe Phasen unterstützen, ersetzen aber kein Produktdenken. Wer früh definiert, was Erfolg bedeutet, kann sowohl intern als auch in Förderlogiken deutlich sauberer steuern. Die Kooperation mit einem Forschungspartner wie Fraunhofer Austria, kann passende Förderprogramme eröffnen.
Und zur KI-Frage:
KI lohnt sich, wenn Daten verfügbar sind, Ziel und Nutzen messbar und wiederholbar sind. KI scheitert häufig nicht am Modell, sondern an Datenchaos, unklaren Verantwortlichkeiten oder fehlendem Betriebskonzept. Manchmal ist ein regelbasierter Ansatz plus Forecasting als Add-on der bessere Start.
Wir hatten intern nicht die Ressourcen für Grundlagenforschung. Durch die Zusammenarbeit mit Fraunhofer konnten wir in kurzer Zeit eine Basis schaffen, auf der wir jetzt aufbauen und schnell zu Ergebnissen im laufenden Betrieb kommen. Für mich ein Idealbeispiel, wie Forschung und wirtschaftliche Verwertbarkeit zusammenspielen.
Bernd Hirschmann - Guid.New GmbH
Fazit: Digitale Initiativen brauchen ein Betriebskonzept
Wenn man eine zentrale Aussage aus der Expert Morning Session mitnimmt, dann diese: Der Sprung vom Prototyp zum Produkt entscheidet sich in den Grundlagen und im Betrieb. Messbare Ziele, saubere Anforderungen, resiliente Architektur, iteratives Vorgehen und klare Ownership.
Gerade in komplexen, volatilen Umfeldern zeigt sich außerdem der Wert einer Zusammenarbeit, die beides abdeckt: methodische Tiefe (Validierung, Evaluierung, Modellierung) und Delivery- sowie Betriebskompetenz (Produktisierung, Integration, Monitoring, Skalierung).
Wenn du selbst gerade an einem komplexen Digitalisierungs- oder Innovationsprojekt arbeitest, nimm die Prinzipien aus diesem Use Case gern als kleine Checkliste für eure Situation. Oft reichen schon ein paar Anpassungen im Vorgehen, damit aus „funktioniert grundsätzlich“ wirklich „läuft verlässlich und skalierbar“ wird.
Wenn du Fragen zum Prognosemodell hast oder dich generell zum Thema zielgerichtete Digitalisierung austauschen möchtest, melde dich gern bei Christoph Schinko oder Bernd Hirschmann. Du kannst dich mit beiden auf LinkedIn vernetzen oder ihnen direkt per Mail schreiben: bernd@guidnew.com und christoph.schinko@fraunhofer.at.
Aufzeichnung und Slides zum Webinar:
Hier findest du die Slides der Expert Morning Session "Gemeinsam Innovation gestalten: Forschung trifft Mittelstand" von Bernd Hirschmann und Christoph Schinko vom 26. Februar 2026
