„Wir erschaffen das industrielle Gegenstück zu ChatGPT“ – mit dieser Aussage positioniert Roland Busch, CEO von Siemens, sein Unternehmen im Interview mit dem Manager Magazin^[1]„Wir erschaffen das industrielle Gegenstück zu ChatGPT“ als technologischen Vorreiter. Die Vision ist ambitioniert: KI-Modelle, trainiert mit proprietären Industriedaten, sollen Fabriken automatisieren, Arbeitskräftemangel bekämpfen und Siemens bis 2030 eine Börsenbewertung von 400 Milliarden Euro bescheren – eine Verdopplung des aktuellen Werts. KI, so Busch, sei eine „Querschnitts-Schlüsseltechnologie“ vergleichbar mit der Elektrizität. Kooperationen mit Nvidia und Meta unterstreichen den Anspruch.

Die Rhetorik ist vertraut: ein deutscher Industriekonzern kündigt an, das europäische oder industrielle Gegenstück zu einer dominanten amerikanischen Technologieplattform zu schaffen. Die Frage ist nicht, ob diese Ambition kommunikativ funktioniert – sie tut es, Kapitalmärkte und Fachmedien nehmen sie auf. Die Frage ist, ob sie operativ realisierbar ist. Und hier beginnt die Analyse der strukturellen Widersprüche.

Das fundamentale Datenproblem: Warum Siemens allein nicht ausreicht

ChatGPT als Referenzpunkt ist instruktiv. OpenAI trainierte das Modell auf Milliarden von Textdokumenten aus dem gesamten Internet – nahezu alle Sprachen, Domänen, Stile und Anwendungsfälle sind abgedeckt. Diese Breite der Datenbasis ermöglicht Generalisierung: ChatGPT kann über mittelalterliche Philosophie ebenso kommunizieren wie über moderne Softwarearchitektur, weil es aus der schieren Diversität menschlicher Texte gelernt hat.

Ein industrielles Äquivalent müsste analog trainiert werden: Produktionsdaten von allen relevanten Maschinen und Anlagen, Prozessdaten aus unterschiedlichsten Industrien (Chemie, Automotive, Pharma, Lebensmittel, Halbleiter), Wartungsprotokolle, Fehleranalysen und Optimierungsdaten – und zwar über Herstellergrenzen hinweg. Unterschiedliche Steuerungssysteme, Protokolle und Standards müssten integriert werden. Nur so entstünde ein Modell, das tatsächlich „industriell“ im Sinne von universell anwendbar wäre.

Was Siemens tatsächlich hat, ist etwas fundamental anderes: Daten aus eigenen Installationen, wo Siemens-Steuerungen und Siemens-Software laufen. Die Kundenlandschaft ist fragmentiert, Freigabeniveaus für Datennutzung variieren erheblich. Selbst im optimistischsten Szenario – alle Siemens-Kunden stimmen umfassender Datennutzung zu – hätte Siemens bestenfalls 20 bis 30 Prozent Marktabdeckung in relevanten Segmenten. Daten von ABB-Anlagen, Schneider Electric-Systemen, Rockwell-Steuerungen, Mitsubishi-Installationen oder den zahllosen Spezialsystemen in der Prozessindustrie fehlen vollständig.

Das Resultat: Ein mit Siemens-Daten trainiertes Modell wäre kein „industrielles ChatGPT“, sondern ein Siemens-spezifisches Assistenzsystem. Nützlich für Siemens-Kunden, gewiss. Aber fundamental anders als das kommunizierte Narrativ eines universellen industriellen Foundation Models.

Das Wettbewerber-Dilemma: Warum der benötigte Datenraum governance-unmöglich ist

Um ein echtes „industrielles ChatGPT“ zu schaffen, bräuchte es einen herstellerübergreifenden Datenraum. Hier wird die strukturelle Unmöglichkeit offensichtlich.

Drei Szenarien sind denkbar, alle scheitern an unterschiedlichen, aber jeweils fundamentalen Problemen:

Szenario 1: Siemens kontrolliert den Datenraum. Warum sollten ABB, Schneider Electric oder Rockwell Automation ihre Produktions- und Prozessdaten an eine von Siemens kontrollierte Plattform liefern? Als „Plattform-Owner“ würde Siemens disproportional profitieren – nicht nur durch Zugang zu Wettbewerberdaten, sondern auch durch die strategische Position als Infrastrukturanbieter. Kein rational handelnder Wettbewerber würde seinen Konkurrenten auf diese Weise stärken. Die Anreiz-Struktur ist fundamental gebrochen.

Szenario 2: Ein neutraler, konsortial betriebener Datenraum. Dies ist das klassische europäische Governance-Modell – und es ist bereits mehrfach spektakulär gescheitert. Gaia-X sollte die europäische Dateninfrastruktur als Gegenstück zu AWS und Azure etablieren; heute ist es ein bürokratisches Konstrukt ohne operative Relevanz. Catena-X, das Automotive-Datenökosystem, existiert als Spezifikation, hat aber kaum Marktdurchdringung erreicht. ADAMOS, die Industr…