Ilan Gluck, Leiter von Go-to-Market, Nordamerika bei Digital Matter – Interview-Serie

Ilan Gluck, Leiter von Go-to-Market, Nordamerika bei Digital Matter, ist ein erfahrener Technologie- und Geschäftsleiter mit einer Vergangenheit, die das Internet der Dinge (IoT), künstliche Intelligenz, Supply-Chain-Technologie, Datenanalyse und Unternehmensstrategie umfasst. Bevor er zu Digital Matter kam, verbrachte er mehr als fünf Jahre bei Cox 2M und GearTrack, wo er als General Manager und Chief Revenue Officer tätig war und half, Echtzeit-Asset-Tracking- und Supply-Chain-Visibility-Lösungen voranzutreiben. Zuvor war Gluck General Manager bei Wasteless AI, wo er an AI-gesteuerter dynamischer Preistechnologie arbeitete, die dazu diente, Lebensmittelhändlern dabei zu helfen, Abfälle zu reduzieren, und hatte seniorische Produkt- und Geschäftsrollen bei WeissBeerger, einem IoT- und Datenanalyse-Unternehmen, das von AB InBev übernommen wurde. Er begann seine Karriere in Strategie und Betrieb bei Deloitte Consulting, was ihm eine Kombination aus Produkt-, Kommerzialisierungs- und strategischer Erfahrung in aufstrebenden Technologien gab.

Digital Matter ist ein globales IoT-Hardware-Unternehmen, das sich auf Langzeit-Asset-Tracking, Sensor-Überwachung und Telematik-Lösungen spezialisiert hat. Das Unternehmen entwickelt robuste, energiesparende vernetzte Geräte, die für Bereitstellungen in Bereichen wie Logistik, Flotten- und Geräte-Tracking, Supply-Chain-Überwachung, Landwirtschaft und Umweltanwendungen konzipiert sind, mit Millionen von Geräten, die weltweit bereitgestellt werden. Seine Hardware unterstützt eine Reihe von Positionierungstechnologien und -verbindungen, einschließlich Global Navigation Satellite System (GNSS), Wi-Fi-Positionierung, Bluetooth Low Energy (BLE), cellulare IoT, LoRaWAN und Satellitenverbindung. Digital Matter bietet auch eine cloudbasierte Device-Manager-Plattform, die es Kunden und Partnern ermöglicht, vernetzte Geräte remote zu konfigurieren, zu überwachen, zu bereitstellen und zu verwalten.

Bevor Sie zu Digital Matter kamen, haben Sie bei GearTrack, Wasteless AI und WeissBeerger gearbeitet, wo Echtzeit-Operationen verwendet wurden, um Supply-Chains zu verbessern, Abfälle zu reduzieren und bessere Geschäftsentscheidungen zu treffen. Wie hat diese Erfahrung Ihre Sicht auf IoT als Grundlage für Unternehmens-KI geprägt?

Über GearTrack, Wasteless AI und WeissBeerger hinweg sah ich persönlich, dass die beste Technologie nur so gut ist wie die Daten, die dahinter stecken.

Jedes Unternehmen löste ein anderes Problem, aber der gemeinsame Faden war die Verwendung von Echtzeit-Informationen aus der physischen Welt, um bessere Entscheidungen zu treffen. Das könnte bedeuten, zu verstehen, wo Inventar war, Abfälle vor ihrem Auftreten zu identifizieren oder einem Unternehmen zu helfen, schneller auf das zu reagieren, was sich auf dem Boden änderte.

Diese Erfahrungen haben wirklich geprägt, wie ich über IoT und KI denke. Viele wertvolle Betriebsinformationen werden immer noch nicht in traditionellen Geschäftssystemen erfasst. Sie existieren über Fahrzeuge, Geräte, Inventar, Einrichtungen und Supply-Chains. IoT ist das, was diese physische Aktivität in nutzbare Daten umwandelt.

Für mich macht das IoT eine kritische Grundlage für Unternehmens-KI. Es gibt KI ein viel klareres und aktuelles Bild davon, wie ein Unternehmen tatsächlich operiert. Anstatt nur rückwärts auf historische Berichte zu schauen, können Unternehmen beginnen, Muster zu erkennen, Probleme vorherzusagen und bessere Entscheidungen in Echtzeit zu treffen.

Viele Unternehmen trainieren KI-Modelle auf den gleichen öffentlichen Datensätzen wie ihre Wettbewerber. Warum glauben Sie, dass proprietäre Betriebsdaten zu einer wichtigeren Quelle von KI-Differenzierung werden?

Gleiche Daten ein, gleiche Erkenntnisse aus. Da der Zugang zu KI-Modellen immer weiter verbreitet wird, werden die Modelle selbst zunehmend zu Handelswaren, wobei der wahre Differenzierer die Qualität, Einzigartigkeit und Relevanz der Daten ist, die sie speisen.

Wenn alle die gleichen Werkzeuge verwenden, die auf den gleichen öffentlichen, Drittanbieter- oder historischen Datensätzen trainiert werden, kommen sie alle zu etwa den gleichen Schlussfolgerungen.

Nehmen wir zwei konkurrierende Einzelhändler, die die gleiche KI-Plattform, Marktvorhersagen und historische Nachfragedaten verwenden. Wenn einer von ihnen IoT-Sensoren über seine Lagerhäuser, Trailer, Paletten und Geräte bereitgestellt hat, speist er kontinuierlich Bodenwahrheitsdaten in seine KI ein – Echtzeit-Informationen über Inventarbewegung, Verweilzeiten, Asset-Auslastung, Engpässe und Betriebsunterbrechungen. Seine KI lernt nicht nur aus dem, was im letzten Quartal passiert ist. Sie lernt kontinuierlich aus dem, was im Unternehmen gerade passiert.

Im Laufe der Zeit wird daraus ein echter Vorteil. Seine KI verlässt sich nicht allein auf historische Trends oder Drittanbieter-Benchmarks. Sie lernt aus den eigenen Betrieben des Unternehmens in Echtzeit und schafft eine Informationsquelle, die Wettbewerber nicht kaufen, scrape oder replizieren können.

Wenn Sensoren über Flotten, Einrichtungen, Geräte und Supply-Chains bereitgestellt werden, welche Arten von Betriebsintelligenz können Unternehmen erfassen, die sie sonst verpassen würden?

Viele Organisationen treffen wichtige Entscheidungen, ohne kontinuierliche Einsicht in das, was in ihren physischen Betrieben passiert. Sie wissen vielleicht, wie viel Inventar sie haben oder wann eine Lieferung geplant war, aber sie haben oft keine Einsicht in die Leistung von Assets, Geräten und Workflows.

Indem Unternehmen Sensoren über Flotten, Einrichtungen, Geräte und Supply-Chains bereitstellen, können sie Engpässe identifizieren, Asset-Auslastung verfolgen, Inventarbewegung überwachen und verstehen, wie realweltliche Bedingungen die Leistung beeinflussen.

Ein Einzelhändler weiß beispielsweise vielleicht, dass das Inventar in einem Verteilzentrum angekommen ist und schließlich in einem Laden geliefert wurde, aber er merkt nicht, dass bestimmte Paletten regelmäßig einige zusätzliche Tage in einem Zwischenlager verbringen, bevor sie weitergeleitet werden. Ohne Sensordaten bleibt diese Verzögerung größtenteils unsichtbar. Mit IoT wird sie messbar und handhabbar – und ermöglicht es Teams, die Ursache zu identifizieren, den Inventarfluss zu verbessern und Lagerverfügbarkeitsprobleme zu reduzieren.

Wie unterscheidet sich IoT-generierte Daten von traditioneller Unternehmensdaten, wenn es um das Training, Feinabstimmung oder Grundlegung von KI-Systemen geht?

Traditionelle Unternehmensdaten sind oft transaktional und historisch und erfassen Ereignisse, die bereits passiert sind, wie Bestellungen, Rechnungen, Inventarunterlagen oder abgeschlossene Geschäftsprozesse. Obwohl diese Informationen wertvoll sind, spiegeln sie hauptsächlich einen Moment in der Vergangenheit wider. Und mit Märkten, die sich schneller als je zuvor bewegen, sagt uns, was im letzten Quartal passiert ist, vielleicht nicht viel über das aktuelle Quartal aus.

IoT-generierte Daten sind anders, weil sie erfassen, was in Echtzeit passiert. Sie liefern kontinuierliche Einsicht in Asset-Position, -Bewegung, -Auslastung, Umgebungsbedingungen und andere Betriebszeichen, die in traditionellen Unternehmenssystemen nicht verfügbar sind.

Für KI-Anwendungen ist dieser Unterschied wichtig. Historische Daten helfen, zu verstehen, was passiert ist, während IoT-Daten helfen, zu verstehen, was gerade passiert. Wenn Unternehmen beides kombinieren, können sie KI-Systeme in aktuellen Betriebsrealitäten gründen und genauere Erkenntnisse ermöglichen sowie schnellere, informiertere Entscheidungen treffen.

Digital Matter betont energiesparende, langlebige Geräte, die für Langzeit-Asset-Tracking und Sensor-Überwachung konzipiert sind. Was sind die größten technischen Herausforderungen, um IoT-Geräte zuverlässig Daten für Jahre in komplexen Umgebungen zu produzieren?

IoT-Geräte werden oft in Umgebungen bereitgestellt, die schwer vorherzusagen und noch schwerer zu kontrollieren sind. Ein einzelnes Gerät kann Jahre damit verbringen, zwischen Einrichtungen, Fahrzeugen, Kundensites, Remote-Standorten und Bereichen mit unregelmäßiger Konnektivität zu wechseln.

Eine der größten Herausforderungen ist es, Sichtbarkeit mit Energieverbrauch in Einklang zu bringen. Je häufiger ein Gerät Daten sammelt und überträgt, desto mehr Energie verbraucht es. Geräte zu entwerfen, die bedeutungsvolle Ereignisse intelligent erfassen, sich an veränderte Betriebsbedingungen anpassen und die Batterielebensdauer über mehrere Jahre maximieren, ist entscheidend, um zuverlässige Daten im großen Maßstab zu liefern.

Langlebigkeit ist ebenso wichtig. Geräte müssen Vibrationen, Auswirkungen, Temperaturschwankungen, Feuchtigkeit und Jahre des täglichen Gebrauchs standhalten und dabei konsistent funktionieren, mit wenig oder gar keiner Wartung. Selbst eine kleine Ausfallrate kann bei Bereitstellungen im großen Maßstab zu einem erheblichen Betriebsproblem werden.

Wie kann KI Unternehmen helfen, über das bloße Nachverfolgen von Assets hinaus zu gehen, um Ausfälle vorherzusagen, Routen zu optimieren, Abfälle zu reduzieren oder die Auslastung zu verbessern?

Es ist wichtig zu wissen, wo sich ein Asset befindet, aber die Position allein erzählt nur einen Teil der Geschichte. Die echte Chance liegt darin, zu verstehen, wie Assets im Laufe der Zeit verwendet werden und Muster zu erkennen, die manuell schwer zu erkennen wären. Wenn Unternehmen IoT-Daten mit KI kombinieren, gehen sie über das bloße Reagieren auf Ereignisse hinaus und beginnen, sie vorherzusagen.

Indem sie Trends in Bewegung, Auslastung, Verweilzeit, Umgebungsbedingungen und andere Betriebsdaten analysieren, kann KI helfen, Ineffizienzen zu identifizieren, potenzielle Probleme vorherzusagen und Chancen für Verbesserungen zu identifizieren. Das kann zu besserer Asset-Auslastung, effizienteren Betrieben, reduziertem Abfall und schnelleren Entscheidungen führen. Der Wert liegt nicht nur darin, zu wissen, wo sich ein Asset befindet, sondern darin, die Daten, die es generiert, zu nutzen, um intelligente Entscheidungen über das zu treffen, was als Nächstes passiert.

In Branchen wie Logistik, Kühlkette, Gesundheitswesen, Bauwesen oder Gerätemanagement, wo sehen Sie die stärksten kurzfristigen Chancen für die Kombination von IoT-Daten mit KI?

Die stärksten Chancen liegen in Branchen, die enorme Mengen an verteilten Assets über komplexe Betriebe verwalten, was Logistik, Kühlkette, Gesundheitswesen, Bauwesen und Gerätemanagement alle umfasst.

Und das ist nicht theoretisch. Große Unternehmen, von großen Einzelhändlern bis hin zu Automobil-OEMs und Schwergeräteherstellern, setzen bereits auf diese Strategie um, was genau der Grund ist, warum sie erhebliche Investitionen in IoT tätigen. Immer mehr ihrer Vorstände fragen nicht mehr, ob sie KI verwenden, sondern wo der messbare Geschäftswert herkommt, und die Antworten sind operativ: verbesserte Durchlaufzeiten, weniger Qualitätsvorfälle, bessere pünktliche Lieferung und bessere Kundenerfahrung.

Im kurzfristigen Bereich wird der größte Wert daraus resultieren, Organisationen dabei zu helfen, bessere Betriebsentscheidungen zu treffen, indem sie die Aktivität nutzen, die sie bereits jeden Tag generieren, aber noch nie vollständig erfassen oder nutzen konnten.

Wenn Unternehmen mehr Sensoren und vernetzte Geräte bereitstellen, wie sollten sie über Datenqualität, Signalzuverlässigkeit, Sicherheit und Governance nachdenken, wenn sie IoT-Daten als strategische KI-Ressource behandeln?

KI-Modelle sind nur so gut wie die Daten, auf denen sie basieren. Organisationen neigen dazu, sich auf die Sammlung von mehr Daten zu konzentrieren, aber wenn diese Daten unvollständig, inkonsistent oder unzuverlässig sind, werden die Erkenntnisse der KI auch unzuverlässig sein. Es ist das klassische Problem von “Müll rein, Müll raus”, und im Unternehmensmaßstab wird es zu einem teuren Fehler.

Deshalb muss Datenqualität von Anfang an eine Priorität sein. Organisationen müssen sich sicher sein, dass Daten konsistent gesammelt, sicher übertragen und genau die physische Welt widerspiegeln, zusammen mit klarer Governance darüber, woher die Daten stammen, wie sie verwaltet werden und wie sie interpretiert werden sollten.

Letztendlich liegt der Wert nicht darin, mehr Daten zu generieren. Es liegt darin, vertrauenswürdige, hochwertige Daten zu generieren, die als zuverlässige Grundlage für Entscheidungen dienen können.

Für Unternehmen, die bereits IoT-Bereitstellungen haben, welche Schritte sollten sie unternehmen, um diese Daten für KI-Anwendungen nutzbarer zu machen?

Der erste Schritt ist, mit dem Geschäftsproblem zu beginnen, nicht mit der KI. Sobald das Ziel klar ist, ob es darum geht, Verweilzeiten zu reduzieren, die Auslastung zu verbessern oder Verluste zu senken, wird es viel einfacher, die erforderlichen Daten, Workflows und KI-Fähigkeiten zu identifizieren, die zur Unterstützung erforderlich sind. Viele Organisationen sammeln bereits enorme Mengen an Betriebsdaten, aber diese liegen in nicht verbundenen Systemen und gelangen nie in eine Entscheidung.

Der zweite Schritt ist der, den die meisten Unternehmen unterschätzen, und das ist der Change-Management-Prozess. Große Bereitstellungen scheitern selten wegen der Technologie. Sie scheitern, wenn Menschen nicht auf das reagieren, was die Daten sagen. Eine Warnung, dass ein Zwischenlager unterbestückt ist, schafft nur dann Wert, wenn jemand tatsächlich das Inventar bewegt, also ist der Aufbau von Prozessen und Gewohnheiten, die Erkenntnisse mit Aktionen verbinden, der schwierigste und wichtigste Teil der Arbeit.

Letztendlich sind die Unternehmen, die am meisten Erfolg sehen, diejenigen, die Betriebsdaten mit messbaren Geschäftsergebnissen verbinden und sicherstellen, dass ihre Mitarbeiter sie nutzen.

Wenn Sie in die Zukunft blicken, glauben Sie, dass proprietäre Betriebsintelligenz zu einer der größten Barrieren werden wird, die KI-Führer von Unternehmen trennt, die einfach die gleichen Werkzeuge wie alle anderen verwenden?

Ja. Wenn KI immer weiter verbreitet wird, wird die Technologie allein zu einem weniger wichtigen Differenzierungsmerkmal.

Die Organisationen, die sich abheben, werden diejenigen sein, die einzigartige Betriebsintelligenz aus ihren eigenen Umgebungen generieren und verwenden, um bessere Entscheidungen zu treffen. In vielen Branchen liegt einige der wertvollsten Information noch in der physischen Welt, über Assets, Geräte, Inventar und Supply-Chains – und sie kann nicht gekauft, gescraped oder von einem Wettbewerber repliziert werden.

Die Unternehmen, die kontinuierlich diese Informationen erfassen, verstehen und nutzen können, werden in einer viel stärkeren Position sein als diejenigen, die sich allein auf die gleichen Werkzeuge und Datensätze wie alle anderen verlassen.

Vielen Dank für das großartige Interview. Leser, die mehr erfahren möchten, sollten Digital Matter besuchen.