92% der Unternehmen sind laut Ciscos AI Readiness Index 2023 nicht KI-bereit, vor allem weil ihre grundlegenden Daten fragmentiert und in verschiedenen Systemen isoliert sind.
OEMs wollen KI nutzen, um Wachstum zu fördern, den Service zu verbessern, die Teileverfügbarkeit zu optimieren und zunehmend Entscheidungen und Prozesse zu automatisieren. Doch die Daten und der Kontext, die diese Anwendungsfälle ermöglichen, sind über den OEM und sein Händlernetz verteilt, und viele wichtige Erkenntnisse stecken in den Systemen der Händler.
Zu wissen, dass ein Ersatzteil bestellt wurde, ist eine Sache. Zu wissen, warum es bestellt wurde, für welche Maschine es ist, ob beim Kunden gerade ein Ausfall vorliegt und was als Nächstes passieren sollte, erfordert Kontext, der oft über mehrere Systeme und Organisationen verteilt ist.
Damit ist die Herausforderung größer als die Wahl der richtigen KI-Technologie. Bevor OEMs KI im After Sales skalieren können, müssen sie die Datenbarrieren beseitigen, die diese Anwendungsfälle von vornherein ausbremsen.
Warum jetzt: Der Zermürbungskampf
Unvorhersehbarkeit in Lieferketten ist die neue Normalität, und die Unternehmen, die sich schneller anpassen, ziehen davon. Anpassungsfähigkeit ist zu einem eigenständigen Wettbewerbsvorteil geworden.
OEMs und Händler haben hier dasselbe grundlegende Interesse, auch wenn sie es selten so formulieren. Beide Seiten brauchen Echtzeit-Transparenz, um schnell zu handeln und Kunden gut zu bedienen. Wer sein Ökosystem zuerst vernetzt und die Händlersysteme in einem einzigen KI-Kontext-Layer verbindet, ist in der Position, den Wettbewerb zu überholen. Die Daten unterstreichen die Dringlichkeit:
- 85% der IT-Verantwortlichen sagen, dass fragmentierte Daten und unverbundene Systeme vereinheitlicht werden müssen, bevor KI erfolgreich sein kann (Forrester-Report, 2026).
- 25 bis 50% der industriellen OEMs fehlen Daten zur installierten Basis vollständig (BCG Aftermarket Services Report, 2025).
- 38% der Verantwortlichen für Infrastruktur und Betrieb sagen, dass schlechte Datenqualität oder eingeschränkte Datenverfügbarkeit direkte Ursache für das Scheitern von KI-Projekten war (Gartner-Report, 2026).
Liest man diese Zahlen zusammen, zeigt sich ein Muster. Das Problem, dass sich KI-Investitionen bei OEMs nicht auszahlen, liegt meistens nicht an der KI selbst, sondern an den Daten darunter. Und speziell bei OEMs liegt ein großer Teil der relevanten Daten nicht einmal in ihren eigenen Systemen. Er steckt im Händlernetz.
In Budgetzahlen ausgedrückt: Ein OEM, der 20 Millionen US-Dollar für KI ausgibt, ohne einen Kontext-Layer zu haben, riskiert, die gesamte Rendite dieser Ausgaben zu verlieren. Dieselben 20 Millionen US-Dollar, von denen 10% zuerst in einen Händler-Kontext-Layer fließen, können eine echte Rendite auf die verbleibenden 18 Millionen US-Dollar freisetzen.
Der Kontext-Layer ist kein konkurrierender Posten zum KI-Budget. Er ist das, worauf das KI-Budget steht.
Die Datenbarrieren beseitigen
Einen KI-Kontext-Layer über unabhängige Händlernetze hinweg aufzubauen, ist schwieriger, als es aussieht, und lässt sich auf drei einfache Barrieren herunterbrechen.
Barriere 1: Fehlende Daten
Ohne Daten aus dem Händlernetz rät die KI. Das ist keine dramatische Aussage, es ist einfach das, was passiert. Wenn einem Modell die nötigen Informationen fehlen, füllt es die Lücke mit etwas anderem, sei es eine generische Annahme oder welche öffentlichen Informationen es auch immer finden kann. Keines von beidem spiegelt wider, was tatsächlich bei Ihren Kunden und Ihren Maschinen passiert.
Diese Lücke besteht nicht, weil OEMs es nicht versucht hätten. Sie ist strukturell. Dealer-Management-Systeme sind unterschiedlich aufgebaut. Unterschiedliche Datenmodelle, unterschiedliche Übertragungsprotokolle, unterschiedliche Arbeitsweisen, und oft zusätzlich angepasst nach Region, Softwareversion und sogar Kunde. Kein OEM, egal wie viel Einfluss er zu haben glaubt, wird sein unabhängiges Händlernetz dazu bringen, sich im großen Maßstab auf ein einheitliches API-Schema und Datenmodell zu einigen. Händler führen ihre eigenen Unternehmen, und DMS dienen den Händlern.
Die Folge für die KI ist eindeutig. Lücken in den Daten setzen von Anfang an die falsche Qualitätsbasis. Das Modell versucht, diese Lücken selbst zu füllen, wodurch sowohl Genauigkeit als auch Vertrauen sinken.
Barriere 2: Integrationen skalieren nicht
Dieser Teil wird unterschätzt, selbst von Teams, die die erste Barriere gut verstehen. OEMs sind Experten darin, Maschinen zu bauen und instand zu halten – sie sind keine Technologieunternehmen, die Hunderte einzelne Integrationen mit Händlersystemen pflegen. Das sind tatsächlich zwei verschiedene Geschäfte, und der Versuch, beides gleichzeitig zu sein, lenkt von dem ab, worin man wirklich gut ist.
Eine individuelle Anbindung an die spezifischen Anforderungen jedes DMS aufzubauen, kostet Zeit, Geld und internes politisches Kapital. Die Wartungskosten steigen, je mehr Systeme angebunden und je tiefer die Integrationen werden, und zwar nicht linear, sondern eher exponentiell. Interne IT-Teams kämpfen in jedem Zyklus um Budget und Personal gegen die eigentlichen Kernkompetenzen des Unternehmens. DMS-Anbieter ändern ständig ihre eigene Technologie, sodass die Integrationen vom letzten Jahr in diesem Jahr überarbeitet werden müssen. Und die Umsetzungszeiten auf DMS-Seite liegen weitgehend außerhalb Ihrer Kontrolle und hängen von deren internen Prioritäten ab, nicht von Ihren.
Was das Skalierungsproblem aber wirklich greifbar macht, ist Folgendes: Es sind keine einmaligen Kosten. Angenommen, ein OEM integriert sich mit Dutzenden DMS, um Einblick in die Ersatzteilbestände der Händler zu bekommen. Das ist für sich genommen ein echter, nützlicher Anwendungsfall. Nun möchte der OEM Betriebsstundendaten in dieselben Systeme übertragen, um Servicepotenziale zu erkennen. Das ist keine Erweiterung der ersten Integration, sondern eine neue Integrationsanfrage mit eigenen Anforderungen an dieselben Systeme. Garantieanträge als dritter Anwendungsfall? Dieselbe Geschichte. Zurück auf Anfang, mit zusätzlichen Kosten an Zeit und Geld.
Die eigentliche Frage war nie: „Können wir unsere Händler einmal anbinden?“ Sie lautet: „Können wir ein Fundament bauen, das mit der Zeit immer mehr Anwendungsfälle trägt?“ Die meisten internen Initiativen beantworten die erste Frage und kommen nie bei der zweiten an.
Genau hier geht ClearOps anders vor. Wir haben bereits Integrationen mit den wichtigsten DMS, und weil wir auf dieser Konnektivität eine Reihe verschiedener Anwendungsfälle unterstützen, können neue Kunden in der Regel auf diese bestehenden Integrationen aufsetzen, statt bei null anzufangen.
Mit ClearOps muss der OEM nicht für jeden neuen Anwendungsfall eine Integrationsarchitektur neu aufbauen. Er wählt aus, welche Apps er auf dem Netzwerk aktivieren möchte, das wir bereits aufgebaut haben.
Barriere 3: Fehlender Kontext
Das ist die Barriere, die meiner Meinung nach am wichtigsten ist, denn sie entscheidet darüber, ob KI tatsächlich nützlich ist, sobald das Konnektivitätsproblem gelöst ist.
Ein einfaches Beispiel: Eine Bestellung über fünf Einheiten eines Ersatzteils geht ein. Betrachtet man die Rohdaten und die Anfrage, ist das eine routinemäßige Nachbestellung. Nichts Auffälliges.
Nun kommt Kontext hinzu. Die Ersatzteilbestellung ist als Notfall gekennzeichnet. Der Kunde hat in den letzten fünf Jahren vier neue Maschinen gekauft. Die betroffene Maschine steht bereits seit 52 Stunden still. Plötzlich ist dieselbe Bestellung alles andere als Routine. Es handelt sich um einen kritischen Maschinenausfall bei einem wertvollen, treuen Kunden, und die Bestellung sollte beschleunigt oder das Teil sogar von einem anderen Händler in der Nähe umgelagert werden.
Das ist der ganze Punkt in einem Beispiel. Kontext verwandelt Daten in Intelligenz. Rohdaten sagen Ihnen, was passiert ist. Kontext sagt Ihnen, warum es passiert ist und was als Nächstes passieren sollte. Ohne Kontext neigt KI zum Halluzinieren und füllt Lücken mit Annahmen, die plausibel klingen, aber auf nichts Realem beruhen. Mit Kontext kann sie gute Entscheidungen tatsächlich beschleunigen, statt schlechte zu produzieren.
Das wird umso wichtiger, je mehr sich KI vom Erzeugen von Informationen hin zum Handeln bewegt. Ein Agent, der in Ihrem Auftrag einen Workflow ausführen darf, braucht mehr als rohe Datenpunkte. Er braucht die Regeln, die Einschränkungen und die situativen Signale, die nötig sind, um eine angemessene Entscheidung zu treffen.
Der Ablauf ist einfach: Rohdaten → Strukturierte Daten → Kontextdaten → KI-Aktion
Die Kontextbasis aufbauen
Der Weg zum KI-ROI verläuft in Etappen. Ziel ist ein Fundament, das mit jedem zusätzlichen Datenpunkt und jedem zusätzlichen Kontext wertvoller wird.
Hier ist es auch wichtig, zwischen einem Data Lake und einem KI-fähigen Kontext-Layer zu unterscheiden. Ein Data Lake kann große Mengen an Rohdaten zentralisieren, aber Daten zu speichern ist nicht dasselbe, wie sie nutzbar zu machen. Ohne Struktur, Geschäftslogik und Kontext brauchen Organisationen weiterhin zusätzlichen Aufwand, um aus diesen Daten etwas zu machen, auf dessen Grundlage KI handeln kann.
Ein KI-fähiger Kontext-Layer ist anders. Er nimmt die verbundenen Daten und strukturiert sie entlang des geschäftlichen Kontexts, in dem sie genutzt werden sollen. Geschäftsregeln und Guardrails lassen sich in diesen Layer einbauen, sodass KI nicht nur mit Rohdaten arbeitet. Sie hat den relevanten Kontext, um zu verstehen, was die Daten bedeuten und welche Aktionen angemessen sind.
KI im After Sales wächst schnell, braucht aber das richtige Fundament
Sobald die Daten verbunden, strukturiert und KI-fähig sind, können OEMs sie einsetzen, um KI-Initiativen im gesamten After Sales zu ermöglichen.
Hier kommt das ClearOps Dealer Operating Network ins Spiel. Mit den zugrunde liegenden Daten und dem Kontext ermöglicht es Anwendungsfälle wie den automatischen Ausgleich der Ersatzteilbestände im Händlernetz, proaktive Wartung, individualisierte eCommerce-Aktionen und Alerts zum Customer Lifetime Value. Mit der Zeit kann es auch autonomere Anwendungsfälle unterstützen, etwa agentische Connectivity und Service Parts Planning.
Der Kontext-Layer bereitet die Daten für KI vor, während das Dealer Operating Network das Fundament bildet, um diese Intelligenz im gesamten Händlernetz anzuwenden und in echten After-Sales-Mehrwert umzusetzen.
Das ist die eigentliche Chance: die Datenbarrieren beseitigen, die KI im Weg stehen, das Kontextfundament einmal aufbauen und damit die nächste Generation von KI-Initiativen im After Sales ermöglichen.
Quellen
- Cisco AI Readiness Report, 2023.
- Forrester-Report, 2026.
- BCG Aftermarket Services Report, 2025.
- Gartner-Report, 2026.
