KI Infrastruktur: Foxconn, Bull und AI Factories

KI & Automatisierung · 3. Juni 2026 · Joseph Flesh

KI Infrastruktur aus Europa verändert Smart Factory und Vertrieb. Lesen Sie, welche Schritte Mittelständler jetzt für AI Factories planen sollten in DACH.

Vergangenen Donnerstag, 8:12 Uhr, saß ich bei Amplifa in einem Onboarding-Call mit Andrea, COO eines Automatisierers aus Ulm. Im Hintergrund hörte ich das leise Kreischen einer Säge aus der Fertigung, sie hatte die Tür zu ihrem Büro nur halb geschlossen, und auf ihrem Schreibtisch lag ein Ausdruck mit Lieferterminen, rot markiert. „Joseph, wir haben die Leads für drei neue Linien“, sagte sie, „aber unsere Kunden fragen inzwischen zuerst nach KI Infrastruktur und erst danach nach der Mechanik.“ Ich habe kurz auf meinen Kaffee geschaut. Kalt. Dann kam die Nachricht über die neue Foxconn-Bull-Partnerschaft auf meinen zweiten Bildschirm.

Meine Prognose ist simpel und unbequem: Wer im Maschinenbau, in der Elektronikfertigung oder bei Automatisierungskomponenten bis 2028 keine klare Antwort auf AI Factories hat, verliert nicht zuerst Aufträge in der Produktion. Er verliert sie im Vertrieb. Nicht, weil jede 180-Mann-Firma plötzlich eigene GPU-Cluster betreiben wird. Naja, fast. Sondern weil Kunden in DACH anfangen, Lieferanten danach zu sortieren, ob sie Daten, Edge-KI, digitale Zwillinge und Anlagenintegration wirklich liefern können — oder ob sie nur „Industrie 4.0“ auf Folien schreiben.

KI Infrastruktur in Europa: Warum diese Meldung weh tun sollte

Foxconn, offiziell Hon Hai Technology Group, und Bull SAS, die französische IT-Infrastruktur-Tochter aus dem Atos-Umfeld, wollen gemeinsam AI Server, GPU-Cluster, Edge-Systeme und Automatisierungshardware in Europa bauen. Das klingt erstmal nach Rechenzentrum. Nach Blech, Racks, Kabeln, Lüftern. Nach etwas, das COOs interessiert und Vertriebsleiter überblättern. Genau da liegt der Denkfehler.

Die Partnerschaft zielt laut den in den letzten 24 bis 48 Stunden veröffentlichten Branchenmeldungen ausdrücklich auf europäische Fertigungsunternehmen, Smart Factories und sogenannte AI Factories. Deutschland, Österreich und die Schweiz werden als Kernmärkte genannt. Automotive. Elektronik. Prozessindustrie. Präzisionsfertigung. Also genau die Firmen, mit denen wir bei Amplifa regelmäßig arbeiten: 50 bis 500 Mitarbeiter, ein gutes Produkt, eine über Jahre gewachsene Kundenbasis, aber eine Pipeline, die immer häufiger von Projekten abhängt, in denen IT, OT und Einkauf gleichzeitig mitreden.

Für mich ist diese Meldung kein Hardware-Detail. Sie ist ein Vertriebssignal. Wenn Foxconn und Bull „AI infrastructure made in Europe“ in den Markt drücken, verschiebt sich die Erwartungshaltung bei Kunden von Trumpf-Zulieferern, Festo-Integratoren, Schaeffler-Partnern oder Webasto-nahen Komponentenherstellern. Der Kunde fragt nicht mehr: „Können Sie die Anlage liefern?“ Er fragt: „Können Sie sie in unsere Datenarchitektur bringen, sie mit Computer Vision erweitern, Wartungsdaten auswerten und das Ganze auditierbar betreiben?“ Das ist ein anderer Verkaufsprozess. Härter. Technischer. Länger. Aber auch lukrativer.

Status quo: Viele reden über KI, wenige haben die Leitung verlegt

Laut dem Tacton „State of Manufacturing“-Report 2026 investieren oder experimentieren 79 Prozent der Hersteller weltweit aktiv mit KI. Im Vorjahr waren es 64 Prozent. Das ist ein Sprung, den man nicht als Messehype abtun kann. Gleichzeitig haben laut derselben Quelle nur 7 Prozent der Hersteller eine echte End-to-End-Konnektivität über Wertschöpfungskette, Vertrieb, Engineering, Produktion und Service. Ich wiederhole die Zahl, weil sie in Workshops meistens kurz Stille erzeugt: sieben Prozent.

Diese Lücke sehe ich jeden Monat. Im März 2026 sprach ich mit Markus, Vertriebsleiter eines Sondermaschinenbauers aus Heilbronn. Sein Team verkauft Anlagen im Bereich 250.000 bis 1,8 Millionen Euro. Die Firma nutzt ein CRM, ein ERP, ein PLM, Excel-Angebotsvorlagen und drei SharePoint-Ordner, die alle „final“ heißen. Die Maschine selbst erzeugt Sensordaten im Sekundentakt. Aber im Vertrieb weiß niemand, welche Features bei Bestandskunden tatsächlich genutzt werden. Kein Mensch. Der After-Sales hat die Informationen, das Engineering ahnt etwas, der Vertrieb ruft trotzdem mit generischen Argumenten an.

Das ist der Status quo in vielen mittelständischen Fertigungsunternehmen in DACH. Es gibt Maschinen mit Siemens-Steuerung, Kamerasysteme von Cognex oder Keyence, Roboterzellen von Kuka oder ABB, ERP-Daten aus SAP Business One oder Microsoft Dynamics, und dann gibt es den Vertrieb, der immer noch aus dem Bauch heraus priorisiert, welcher OEM gerade „heiß“ ist. Stimmt nicht ganz. Die guten Teams haben Listen. Aber Listen sind keine Intelligenz. Und sie werden wertlos, sobald Kunden anfangen, AI-Readiness als Einkaufskriterium zu nutzen.

Was wir bei Amplifa konkret sehen: In 17 Implementierungen bei Industriefirmen zwischen 70 und 430 Mitarbeitern haben wir in den letzten 12 Monaten fast immer dasselbe Muster gefunden. Die Top-20-Bestandskunden erzeugen zwischen 52 und 78 Prozent des Deckungsbeitrags, aber weniger als ein Drittel der Vertriebsaktivitäten basiert auf installierter Basis, Maschinenalter, Servicefällen oder Ersatzteilmustern. Der Vertrieb arbeitet auf Firmenebene, die Chance entsteht aber auf Anlagenebene. Genau dort werden AI Factories relevant — nicht als Buzzword, sondern als Datenstruktur für Umsatz.

Trend 1: AI Factories wandern aus der Cloud in die Fabrikhalle

Der erste Trend ist physisch. Laut. Warm. Man hört ihn. Wer schon einmal neben einem GPU-Rack stand, weiß, dass KI nicht in einer wolkigen Metapher lebt, sondern in Strom, Kühlung, Latenz, Kabelmanagement und Brandschutz. Foxconn und Bull setzen genau hier an: AI Server, GPU-Cluster, industrielle Edge-Gateways und Steuerungshardware sollen in Europa gefertigt, integriert und für industrielle Workloads qualifiziert werden.

Warum ist das für eine Firma mit 180 Mitarbeitern in Baden-Württemberg relevant? Weil viele produktionsnahe KI-Anwendungen nicht sauber funktionieren, wenn sie nur als SaaS-Demo im Browser existieren. Qualitätsprüfung per Computer Vision braucht Kameras nahe an der Linie, Inferenzzeiten im Millisekundenbereich und eine robuste Verbindung zur Steuerung. Predictive Maintenance braucht Maschinenhistorie, Sensorik, Kontext aus Wartungsaufträgen und Modelle, die nicht bei jeder Netzstörung ausfallen. Digitale Zwillinge brauchen mehr als ein schönes 3D-Modell. Sie brauchen Datenflüsse, die nicht nach dem Pilotprojekt sterben.

Ich habe im April 2026 mit Thomas, Head of Sales bei einem Automationsintegrator in Nürnberg, über ein Angebot für eine Sichtprüfanlage gesprochen. Sein Kunde, ein Tier-2-Zulieferer für die Automotive-Industrie, wollte wissen, ob die Bilddaten lokal verarbeitet werden können. Nicht „irgendwann“. Im Lastenheft. Der Betriebsrat hatte mitgeredet, die IT-Security auch. Thomas sagte mir: „Früher haben wir über Taktzeit verkauft. Jetzt verkaufen wir Datenresidenz.“ Genau das ist die Verschiebung.

Siemens Digital Industries argumentiert in einem aktuellen Beitrag zur europäischen KI-Souveränität, dass KI-Führerschaft nicht nur von Modellen abhängt, sondern von Halbleitern, Compute-Infrastruktur, Energieeffizienz, Robotik und der Fähigkeit, Innovation in Produktion zu überführen. Das klingt nach Konzernstrategie. Für den Mittelstand ist es aber eine Angebotsfrage. Kann ich dem Kunden eine Lösung anbieten, die in seinem Werk läuft, mit seinen Daten, unter europäischen Compliance-Bedingungen, und die nach sechs Monaten noch gewartet werden kann?

Europas KI-Souveränität wird nicht nur durch Software entschieden, sondern durch die Fähigkeit, Halbleiter, Compute, Automatisierung und industrielle Daten in skalierbare Produktion zu bringen.

— Sinngemäße Kernaussage aus Siemens Digital Industries, Beitrag zur AI Sovereignty in Europe, 2026

Ich mag dieses Zitat, weil es die übliche KI-Debatte zurechtrückt. Viele Vertriebsorganisationen reden über Chatbots, E-Mail-Automatisierung und Prompt-Bibliotheken. Alles nützlich. Aber im industriellen B2B entscheidet sich KI nicht im Prompt. Sie entscheidet sich daran, ob ein Kunde in Linz seine Linie erweitern kann, ohne Produktionsdaten in eine unklare Cloud-Region zu schieben; ob ein Werk in Bielefeld Ersatzteile proaktiv disponiert; ob ein Qualitätsleiter in St. Gallen nachts schlafen kann, weil das Modell nicht nur 93 Prozent Accuracy in PowerPoint hatte, sondern in Schicht drei bei Ölnebel und schwankendem Licht noch funktioniert.

Trend 2: Der Vertrieb verkauft Architektur, nicht mehr nur Maschinen

Der zweite Trend trifft Vertriebsleiter direkt. Früher war der technische Vertrieb im Maschinenbau schon komplex genug: Lastenheft, Taktzeit, Materialfluss, CE, Service, Lieferzeit, Preis. Jetzt kommt eine weitere Schicht dazu. Kunden wollen wissen, wie eine Lösung in ihre KI Infrastruktur passt. Welche Daten entstehen? Wo werden sie gespeichert? Welche Schnittstellen existieren? Wie trainiert oder überwacht man Modelle? Wer haftet, wenn die KI falsche Qualitätsentscheidungen trifft?

Ich bin da kantig: Wer 2026 noch glaubt, dass ein reiner Produktvertrieb im Maschinenbau reicht, hat die Veränderung nicht verstanden. Der Kunde kauft nicht nur ein Aggregat. Er kauft ein Stück zukünftige Betriebslogik. Wenn Ihr Angebot diese Betriebslogik nicht erklärt, erklärt sie jemand anders. Vielleicht ein Integrator. Vielleicht ein großer Automatisierer. Vielleicht ein IT-Dienstleister, der weniger über Spindeln weiß als Sie, aber besser über Datenflüsse spricht.

Vor drei Wochen hatte ich ein internes Meeting mit Lena, unserer Customer Success Lead bei Amplifa, und wir haben die Verlustgründe aus acht Industrie-Pipelines durchgesehen. Der Raum roch nach Whiteboard-Marker, weil jemand den Stift offen liegen ließ. In drei von acht Fällen stand im CRM als Verlustgrund „Preis“. Als wir die E-Mail-Verläufe und Call-Notizen rekonstruierten, war der eigentliche Grund ein anderer: Der Wettbewerber konnte früher erklären, wie seine Lösung in MES, ERP und lokale Edge-Architektur passt. Preis war das Wort, das der Vertrieb benutzt hat, weil es weniger weh tut.

Hier wird die Foxconn-Bull-Meldung interessant. Wenn europäische AI Server und Edge-Systeme verfügbarer werden, sinkt die Ausrede „Das ist noch zu früh“. Kunden werden Referenzarchitekturen erwarten. Sie werden fragen, ob Ihre Anlage mit lokalen GPU-Racks, industriellen Gateways und standardisierten Datenmodellen zusammenspielt. Und ja, viele Mittelständler werden sagen: „Unsere Kunden fragen das noch nicht.“ Vielleicht stimmt das. Vielleicht fragen sie nur Ihre Wettbewerber.

Wie sich Buying Center durch KI Infrastruktur verändern

In klassischen Maschinenbau-Deals saßen Geschäftsführung, Produktionsleitung, Einkauf und vielleicht ein Instandhaltungsleiter am Tisch. Bei AI-Factory-nahen Projekten kommen neue Stimmen dazu: IT-Security, Datenschutz, OT-Verantwortliche, manchmal Betriebsrat, gelegentlich ein externer Digitalisierungsberater. Das verlängert Deals. Es macht sie nicht automatisch schlechter. Es macht schlechte Vertriebsprozesse sichtbar.

Ein Beispiel: Bei einem Kunden aus dem Umfeld Verpackungsmaschinenbau, 220 Mitarbeiter in der Region Ravensburg, haben wir im Januar 2026 die ICP-Logik neu gebaut. Vorher priorisierte der Vertrieb nach Branche und Umsatzgröße. Danach kamen Kriterien hinzu wie installierte Siemens- oder Beckhoff-Steuerungen, Anzahl der Produktionsstandorte, Serviceintensität, vorhandenes MES und Signalwörter aus Stellenausschreibungen wie „Data Engineer“, „Computer Vision“ oder „OT Security“. Ergebnis nach neun Wochen: weniger Erstgespräche, aber die Quote von Discovery zu qualifiziertem Projekt stieg von 31 auf 46 Prozent. Keine Magie. Bessere Zielauswahl.

Das ist die Brücke zwischen KI Infrastruktur und Vertrieb. Hardware-Verfügbarkeit in Europa schafft neue Projektklassen. Neue Projektklassen schaffen neue Kaufkriterien. Neue Kaufkriterien machen alte Lead-Scoring-Modelle kaputt. Wer immer noch nur nach Mitarbeiterzahl, PLZ und Branche segmentiert, übersieht die Firmen, die gerade Budget für Edge AI, digitale Zwillinge und Produktionsdatenplattformen freimachen.

Trend 3: AI Factories machen Datenhoheit zum Verkaufsargument

Der dritte Trend ist politisch, aber nicht abstrakt. Datenhoheit wird kaufmännisch. In Deutschland, Österreich und der Schweiz gibt es eine tiefe Skepsis gegenüber Produktionsdaten in fremden Händen. Man kann darüber lächeln, wenn man aus der reinen SaaS-Welt kommt. Ich würde das nicht tun. Ein Geschäftsführer eines Präzisionsteileherstellers aus Villingen-Schwenningen sagte mir im Mai 2026: „Unsere Prozessdaten sind unsere Marge.“ Der Satz sitzt.

Wenn Foxconn und Bull europäische Fertigung, europäische Integration und lokale AI-Infrastruktur betonen, treffen sie genau diesen Nerv. Es geht nicht nur um Lieferketten. Es geht um Vertrauen in Ausschreibungen. Ein Schweizer Pharma-Zulieferer, ein österreichischer Maschinenbauer oder ein deutscher Automotive-Lieferant muss gegenüber Kunden, Auditoren und internen Gremien erklären können, wo Daten verarbeitet werden, wer Zugriff hat, wie Updates laufen und wie Systeme bei geopolitischen Spannungen weiterbetrieben werden.

Bull bringt laut den Meldungen europäische Kundenbasis, Integrationskompetenz und Rechenzentrumsdesign ein. Foxconn bringt Fertigungsvolumen, Elektronikdesign und Supply-Chain-Macht. Das ist keine romantische europäische Selbstversorgung. Foxconn bleibt Foxconn. Aber die lokale Montage, Qualifikation und Systemintegration in der EU kann für industrielle Kunden einen Unterschied machen, wenn Lieferzeiten, Exportkontrollen oder Supportketten kritisch werden.

Für den Vertrieb heißt das: Souveränität wird ein Argument, aber nur, wenn es konkret wird. „Made in Europe“ allein verkauft keine Anlage. „Ihre Bilddaten verlassen das Werk nicht, die Inferenz läuft auf einem Edge-Cluster im Schaltschranknahbereich, Updates werden über ein freigegebenes Wartungsfenster eingespielt, und die Modellversion wird im Audit-Log dokumentiert“ — das verkauft. Oder es verhindert zumindest, dass der IT-Leiter nach 42 Minuten das Gespräch abwürgt.

FAQ: Was ist eine AI Factory im industriellen Mittelstand?

Eine AI Factory ist keine einzelne Fabrik mit Robotern und blinkenden Dashboards. Im industriellen Kontext meint der Begriff eine wiederholbare Infrastruktur, mit der Unternehmen KI-Modelle trainieren, betreiben, überwachen und in Produktionsprozesse integrieren. Dazu gehören Compute — oft GPU-Server oder spezialisierte Edge-Systeme — Datenpipelines, Modellmanagement, Schnittstellen zu Maschinensteuerungen, Cybersecurity, Monitoring und Verantwortlichkeiten. Für einen 300-Mann-Maschinenbauer muss das nicht aussehen wie bei Nvidia oder BMW. Es kann ein lokaler Edge-Cluster für Qualitätsprüfung sein, ergänzt um einen digitalen Zwilling, Service-Daten und ein sauberes MLOps-Konzept. Wichtig ist nicht die Größe. Wichtig ist, dass KI vom Pilot zur Betriebsfähigkeit kommt.

KI Infrastruktur und Pipeline-Management: Die unbequeme Verbindung

Viele Geschäftsführer trennen Produktionstechnologie und Vertriebstechnologie noch zu sauber. Da drüben die Fertigung mit OPC UA, SPS, MES, OEE und Sensorik. Hier der Vertrieb mit CRM, Kampagnen, Messen und Besuchsberichten. Diese Trennung ist organisatorisch bequem. Sie ist wirtschaftlich gefährlich.

Wenn Ihre Kunden in AI Factories investieren, entstehen Vertriebssignale weit vor der offiziellen Anfrage. Eine Firma stellt einen OT-Security-Manager ein. Ein Werkleiter spricht auf LinkedIn über Computer Vision. Ein Geschäftsbericht erwähnt „local inference“. Ein Standort baut ein neues Logistikzentrum. Ein Einkauf fragt plötzlich nach Datenformaten. Ein Konstrukteur lädt Whitepaper zu digitalen Zwillingen herunter. Jedes Signal allein ist schwach. Zusammen ergibt es eine Absicht.

Genau hier scheitern viele klassische CRM-Setups. Das CRM speichert, was der Vertrieb bereits weiß. Es erkennt selten, was draußen passiert. Bei Amplifa bauen wir deshalb ICP- und Account-Modelle, die externe Trigger, CRM-Historie, Produktfit und Timing zusammenführen. Nicht, um Sales-Mitarbeiter zu ersetzen. Das ist Quatsch. Sondern um ihnen zu sagen, wo ein Gespräch jetzt Sinn ergibt und wo sie nur höflich stören.

Amplifa ICP Playbook Ein praktisches Playbook, um Zielkunden im industriellen B2B nach echten Kauf- und Technologiesignalen zu priorisieren statt nur nach Branche und Umsatz.

Was das für den Mittelstand bedeutet

Für Fertigungsunternehmen mit 50 bis 500 Mitarbeitern in DACH bedeutet die Foxconn-Bull-Partnerschaft zuerst: Die Messlatte steigt. Große Anbieter werden europäische AI-Infrastruktur als Baustein in ihre Angebote integrieren. Systemintegratoren werden Komplettpakete schnüren. Kunden werden sich daran gewöhnen, dass KI-Projekte nicht mehr als Experiment verkauft werden, sondern als skalierbare Architektur. Wer dann nur mit „Wir können auch KI“ antwortet, klingt wie ein Faxgerät im Glasfaserbüro.

Zweitens verschieben sich Margen. Reine Hardware oder reine Mechanik wird weiter unter Druck geraten, vor allem wenn asiatische und osteuropäische Wettbewerber preislich aggressiv bleiben. Wert entsteht dort, wo Maschinen, Daten, Service und Prozesswissen verbunden werden. Ein Hersteller von Prüfständen kann zum Anbieter von Qualitätsintelligenz werden. Ein Komponentenlieferant kann Ausfallrisiken modellieren. Ein Sondermaschinenbauer kann mit digitalen Inbetriebnahmen, Simulationsdaten und Serviceprognosen neue Umsatzlinien schaffen. Aber nur, wenn Vertrieb und Technik dieselbe Sprache sprechen.

Drittens wird Internationalisierung selektiver. Deutschland, Österreich und die Schweiz sind laut der Partnerschaft priorisierte Märkte, weil hier industrielle Dichte, Automatisierungskompetenz und Zahlungsbereitschaft zusammenkommen. Das ist gut. Es heißt aber auch: Mehr Anbieter werden genau diese Märkte angreifen. Ein Mittelständler aus Ostwestfalen konkurriert nicht mehr nur mit dem bekannten Wettbewerber aus dem Nachbarlandkreis, sondern mit europäischen Plattformpartnerschaften, die Hardware, Integration und KI-Narrativ bündeln.

Ich sehe bei COOs oft eine verständliche Reaktion: erst einmal abwarten. Die Linie läuft, die Auftragsbücher sind nicht leer, die Leute sind knapp. Aber Abwarten ist keine neutrale Position, wenn Kaufkriterien gerade neu geschrieben werden. Es ist eine Entscheidung, dass andere die Standards setzen. Und Standards sind im Vertrieb brutal. Wer den Standard definiert, muss weniger erklären. Wer später kommt, muss beweisen.

Ein Beispiel aus dem Alltag: Vom Ersatzteil zur KI-Chance

Ein Kunde von uns aus Nordbayern verkauft Anlagenkomponenten an Hersteller von Verpackungs- und Prozessmaschinen. Kein Konzern, 140 Mitarbeiter, guter Ruf. Im CRM sahen Bestandskunden lange gleich aus: Umsatz, Ansprechpartner, letzte Bestellung. Als wir Servicefälle, Ersatzteilzyklen und öffentlich sichtbare Investitionssignale ergänzt haben, fielen plötzlich Accounts auf, bei denen alte Komponenten in Linien liefen, während der Kunde parallel Stellen für „Manufacturing Data Analyst“ und „Automation Engineer“ ausgeschrieben hatte. Der Vertrieb ging nicht mit „Brauchen Sie Ersatzteile?“ in den Call. Er ging mit „Wir sehen bei vergleichbaren Linien, dass sich Nachrüstung und Datenerfassung zusammen rechnen, wenn Sie Qualitätsdaten lokal auswerten wollen.“ Andere Tonlage. Anderer Termin.

Nach vier Monaten hatte das Team fünf technische Workshops gebucht, davon drei mit Produktionsleitung und IT gemeinsam. Vorher war IT in diesen Accounts fast nie im Gespräch. Der Punkt ist nicht, dass Amplifa irgendeinen Zaubertrick hatte. Der Punkt ist, dass AI-Factory-Signale im Markt sichtbar sind, wenn man danach sucht. Die meisten Vertriebsprozesse suchen nur nicht.

Vorbereitung: 7 Schritte für Vertriebsleiter, COOs und Geschäftsführer

1. Kartieren Sie Ihre AI-Factory-Relevanz pro Produktlinie. Schreiben Sie für jede Maschine, Komponente oder Dienstleistung auf, welche Daten entstehen, welche Schnittstellen existieren, welche KI-Anwendungsfälle realistisch sind und welche nicht. Ehrlich sein. Ein schlechter KI-Use-Case frisst Vertrauen schneller als ein verspäteter Liefertermin.
2. Erweitern Sie Ihren ICP um technische Trigger. Mitarbeiterzahl und Branche reichen nicht. Erfassen Sie MES-Projekte, OT-Security-Rollen, neue Werke, Stellenanzeigen zu Computer Vision, ERP-Migrationen, Nachhaltigkeitsberichte, Instandhaltungsinitiativen und Hinweise auf digitale Zwillinge.
3. Bauen Sie eine einfache Architekturfolie, die ein Vertriebsmitarbeiter erklären kann. Nicht 38 Kästen. Eine Seite: Maschine, Edge, Datenfluss, lokale Verarbeitung, Cloud-Option, Security, Service. Wenn Sales diese Folie nicht versteht, versteht sie der Kunde auch nicht.
4. Trainieren Sie Discovery-Fragen für KI Infrastruktur. Fragen Sie nicht: „Haben Sie Interesse an KI?“ Fragen Sie: „Welche Produktionsdaten dürfen Ihr Werk verlassen?“, „Wer verantwortet Modellfreigaben?“, „Wo scheitern Qualitätsentscheidungen heute?“, „Welche Linie erzeugt die teuersten ungeplanten Stillstände?“
5. Definieren Sie Partnerrollen früh. Nicht jedes mittelständische Unternehmen muss GPU-Cluster bauen oder MLOps selbst betreiben. Aber Sie müssen wissen, ob Bull, Siemens, Phoenix Contact, lokale Systemhäuser oder Cloud-Partner in Ihrer Referenzarchitektur vorkommen können.
6. Verknüpfen Sie Service- und Vertriebsdaten. Maschinenalter, Ersatzteilmuster, Störungsgründe und Wartungsfenster sind starke Kaufsignale. Wenn diese Daten im Service bleiben, während der Vertrieb Kaltakquise macht, verbrennen Sie vorhandenen Kontext.
7. Machen Sie Compliance verkaufsfähig. EU AI Act, NIS2, Cyber Resilience Act und Datenresidenz dürfen nicht erst beim Vertragscheck auftauchen. Übersetzen Sie Anforderungen in klare Aussagen, die Vertrieb und Technik gemeinsam tragen können.

Der fünfte Punkt ist mir wichtig. Viele Mittelständler haben Angst, bei KI Infrastruktur technologisch abgehängt zu werden, weil sie nicht die Budgets von DMG Mori, Kärcher oder Brose haben. Diese Angst ist teilweise berechtigt. Aber sie führt oft zur falschen Konsequenz: gar nichts tun, weil man nicht alles tun kann. Besser ist ein klarer Zuschnitt. Welche KI-Funktion macht Ihr Produkt für Kunden wertvoller? Welche Daten brauchen Sie dafür? Welche Infrastruktur muss beim Kunden oder bei Partnern existieren? Welche Aussage kann Ihr Vertrieb morgen testen?

Amplifa Produkt Amplifa hilft Industrie-Vertriebsteams, relevante Zielkunden, Trigger und Account-Prioritäten mit KI zu erkennen — aus CRM-Daten, Marktsignalen und ICP-Logik.

Warum reine Inbound-Strategien bei AI Factories zu langsam sind

Ich widerspreche hier bewusst einer bequemen These: „Wenn der Kunde bereit ist, kommt er schon auf uns zu.“ Nein. Bei AI-Factory-Projekten kommt der Kunde oft zu dem Anbieter, der ihn sechs Monate vorher an der richtigen Stelle abgeholt hat. Der Entscheidungsprozess beginnt nicht mit der Anfrage. Er beginnt mit interner Unsicherheit.

Ein COO merkt, dass Ausschusskosten steigen. Ein Werkleiter bekommt Druck, OEE transparenter zu machen. Ein IT-Leiter blockt Cloud-Experimente. Ein Geschäftsführer hört auf einer VDMA-Veranstaltung in Frankfurt, dass Wettbewerber mit Predictive Maintenance arbeiten. Noch gibt es kein Projekt. Noch gibt es kein Budget. Aber es gibt Spannung. Wer dann nur auf Website-Conversions wartet, sieht den Markt zu spät.

Wer 2026 noch auf reine Inbound-Strategie setzt, hat in fünf Jahren keine Pipeline mehr, die den Namen verdient. Besonders nicht im industriellen Mittelstand. Die Gewinner werden nicht die lautesten Content-Maschinen sein, sondern die Teams, die Signale lesen, Hypothesen bilden und mit technischer Relevanz in Gespräche gehen. Weniger Newsletter. Mehr Timing.

Das heißt nicht, dass Outbound wieder plumpe Serienmails bedeuten darf. Bitte nicht. Ich bekomme selbst genug Nachrichten, in denen mein Name falsch geschrieben ist und mir jemand „Synergien“ verkaufen will. Guter outbound-orientierter Industrie-Vertrieb sieht anders aus: Account verstehen, technische Situation ableiten, plausiblen Auslöser nennen, kurze These formulieren, respektvoll fragen. Ein Satz wie „Wir sehen bei mehreren Kuka- und Beckhoff-lastigen Linien, dass lokale Bildauswertung gerade wegen Datenresidenz neu bewertet wird“ ist nicht perfekt. Aber er ist tausendmal besser als „Ich wollte mich kurz vorstellen“.

KI Infrastruktur: Kosten, Context Windows und der harte Teil

Jetzt kurz technisch, weil sonst nur Strategie übrig bleibt. KI Infrastruktur besteht nicht nur aus GPUs. Für industrielle Anwendungen zählen Latenz, Verfügbarkeit, Netzsegmentierung, Datenqualität, Modellüberwachung, Schnittstellen und Betriebskosten. Ein Modell, das im Labordatenbestand sauber läuft, kann in der Fertigung scheitern, weil die Kamera minimal anders steht, weil Ölnebel die Bilder verändert, weil eine Nachtschicht anderes Material fährt oder weil die SPS ein Timing-Verhalten hat, das im Test niemand simuliert hat.

Bei generativer KI im Vertrieb kommt ein anderes Problem dazu: Context Windows und Kosten. Große Sprachmodelle können heute lange Dokumente verarbeiten, ja. Aber wer komplette CRM-Historien, technische Spezifikationen, E-Mail-Verläufe, Angebotsdaten und Serviceprotokolle unkontrolliert in jedes Prompt kippt, baut keine Intelligenz, sondern eine Token-Heizung. Token-Preise sinken, aber schlechte Architektur skaliert schneller als gute Einkaufskonditionen. Wir sehen immer wieder Setups, in denen 80 Prozent der Modellkosten für irrelevanten Kontext verbrannt werden.

Die bessere Architektur ist meistens unspektakulär: Daten normalisieren, Signale vorfiltern, relevante Ausschnitte per Retrieval holen, Modell nur dort einsetzen, wo Sprache, Klassifikation oder Mustererkennung wirklich einen Mehrwert liefern. Im Vertrieb heißt das: Nicht jedes Account-Update braucht ein großes Modell. Manchmal reicht ein Regelwerk. Manchmal ein kleiner Klassifikator. Manchmal braucht man ein LLM, weil die E-Mail des Kunden zwischen den Zeilen sagt: „Wir haben ein Budgetproblem, aber ein größeres Risiko, wenn wir nichts tun.“

Genau diese Nüchternheit fehlt in vielen KI-Debatten. Foxconn und Bull bauen nicht deshalb relevante Infrastruktur, weil jeder Mittelständler plötzlich sein eigenes Foundation Model trainiert. Ehrlich? Das werden die wenigsten tun. Relevant ist, dass industrielle KI näher an die Produktion rückt und dass Europa mehr Kontrolle über Integration, Verfügbarkeit und Betrieb bekommt. Das senkt Reibung. Und Reibung entscheidet oft, ob ein Vertriebsteam ein KI-nahes Angebot überhaupt sauber platzieren kann.

Amplifa für Industrie-Vertrieb Für Teams, die technische Kaufsignale wie Edge AI, Automatisierung, Servicebedarf und Modernisierungsvorhaben in priorisierte Sales-Aktionen übersetzen wollen.

Persönliche Prognose: 2026 bis 2029 wird die Sortierung brutal

Meine persönliche Prognose für die nächsten zwei bis drei Jahre: Der Markt sortiert sich nicht nach „KI ja oder nein“. Er sortiert sich nach Betriebsfähigkeit. Anbieter, die KI als Demo verkaufen, werden in Pilotfriedhöfen landen. Anbieter, die KI Infrastruktur, Datenflüsse, Compliance und Service in ein verständliches kommerzielles Angebot packen, werden größere Deals gewinnen — auch wenn sie nicht die günstigsten sind.

Ich erwarte drei konkrete Bewegungen. Erstens werden Ausschreibungen im Maschinen- und Anlagenbau häufiger Fragen zu lokaler Inferenz, Datenresidenz und Modellmonitoring enthalten. Zweitens werden Integratoren stärker in den Vertrieb vordringen und klassische Hersteller in Beratungspositionen drängen, wenn diese ihre Architektur nicht erklären können. Drittens werden Bestandskundendaten zum wichtigsten Wachstumshebel, weil AI-Factory-Projekte selten auf der grünen Wiese starten. Sie starten an bestehenden Linien, mit alten Steuerungen, mit bekannten Schmerzen.

Foxconn und Bull sind dabei nicht der einzige Auslöser. Aber sie sind ein sichtbares Signal. Wenn ein globaler Fertigungsriese und ein europäischer Infrastrukturspieler gemeinsam AI-Hardware und Automatisierungsplattformen für Europa positionieren, dann ist das kein Randthema für IT-Abteilungen. Es ist ein Hinweis darauf, wohin industrielle Nachfrage läuft. Und Nachfrage ist das Material, aus dem Pipeline gebaut wird.

Nach dem Call mit Andrea aus Ulm habe ich mir die Foxconn-Bull-Meldung noch einmal ausgedruckt. Papier, nicht PDF. Auf dem Rand steht in meiner Handschrift: „Nicht Hardware. Buying Criteria.“ Der Kaffee war da längst kalt, aus der Fertigung kam wieder dieses helle Sägen, und Andrea schrieb mir zehn Minuten später: „Wir müssen unsere Zielkundenliste neu denken, oder?“ Ja. Genau da fängt es an.