EVACO proudly supports

Posted on 16. Juni 202616. Juni 2026 by Stefan Mauer

Am 26. Juni 2026 beteiligt sich EVACO am bundesweiten Digitaltag mit einer kostenlosen Online-Sprechstunde zu Data Literacy. Von 11:00 bis 12:00 Uhr erhalten Teilnehmende einen verständlichen Einstieg in den sicheren Umgang mit Daten im Arbeitsalltag.

Der Digitaltag ist Deutschlands größter Aktionstag für digitale Teilhabe. Er bringt jedes Jahr Menschen, Organisationen und Initiativen zusammen, die Digitalisierung verständlich und erlebbar machen. Am 26. Juni 2026 findet der Aktionstag bereits zum siebten Mal statt.

Getragen wird der Digitaltag von der Initiative „Digital für alle“, einem Bündnis von mehr als 25 Organisationen aus Zivilgesellschaft, Kultur, Wissenschaft, Wirtschaft, Wohlfahrt und öffentlicher Hand. Ziel ist es, allen Menschen eine selbstbewusste und selbstbestimmte Teilhabe an der digitalen Welt zu ermöglichen.

EVACO ist in diesem Jahr mit der Initiative „Daten verstehen, sicher entscheiden – Offene Online-Sprechstunde zu Data Literacy im Arbeitsalltag“ dabei. Das Angebot wurde für den Digitaltag zugelassen und steht interessierten Teilnehmenden kostenlos zur Verfügung.

Datenkompetenz für den Arbeitsalltag

Die Online-Sprechstunde richtet sich an alle, die im Berufsalltag mit Zahlen, Listen, Auswertungen, Kennzahlen, Berichten oder Dashboards arbeiten. Im Mittelpunkt steht die Frage, wie Daten sicherer verstanden, eingeordnet und genutzt werden können.

Behandelt werden unter anderem Fragen wie:

Was bedeutet Datenkompetenz im Arbeitsalltag?
Wann helfen Daten bei Entscheidungen?
Wann können Daten in die Irre führen?
Wie lässt sich erkennen, ob Kennzahlen, Auswertungen oder Visualisierungen belastbar sind?

Besondere Vorkenntnisse sind nicht erforderlich. Die Sprechstunde verbindet einen kurzen fachlichen Impuls mit Raum für Fragen, Austausch und Diskussion.

Data Literacy wird zur Schlüsselkompetenz

Datenverständnis ist längst zu einer wichtigen Fähigkeit in Beruf, Bildung und Gesellschaft geworden. Gerade in einer Zeit, in der künstliche Intelligenz immer breiter genutzt wird, ist es entscheidend, Informationen einordnen, hinterfragen und bewerten zu können.

„Wir engagieren uns seit vielen Jahren in Kooperationen mit Schulen und Hochschulen, weil wir überzeugt sind: Mangelndes Datenverständnis ist der Analphabetismus des 21. Jahrhunderts. Wer heute souverän handeln und entscheiden möchte, muss Informationen einordnen, hinterfragen und bewerten können. Das gilt umso mehr in einer Zeit, in der künstliche Intelligenz breit genutzt wird. KI kann nur dann effektiv eingesetzt werden, wenn Menschen verstehen, auf welchen Daten und Informationen ihre Ergebnisse beruhen – und wenn sie ihr nicht blind vertrauen“, sagt Dr. Rhea Tinkhauser von EVACO.

Premiere für das erste Fachbuch zu Data Literacy

Ein besonderer Höhepunkt: Am Digitaltag feiert das erste Fachbuch zum Thema Data Literacy im deutschen Sprachraum Premiere. Das Buch bündelt praxisnahes Wissen rund um den kompetenten Umgang mit Daten. Grundlage sind Erfahrungen, die das EVACO Team aus hunderten Projekten extrahiert hat.

Mit dem Buch möchte EVACO einen Beitrag zur Wissensvermittlung leisten und Data Literacy als zentrale Kompetenz weiter stärken.

Auf einen Blick

Termin: 26. Juni 2026
Uhrzeit: 11:00 bis 12:00 Uhr
Format: Kostenlose Online-Sprechstunde
Thema: Data Literacy im Arbeitsalltag
Zielgruppe: Alle, die beruflich mit Daten, Kennzahlen, Berichten oder Dashboards arbeiten
Vorkenntnisse: Nicht erforderlich
Anmeldung und Informationen: Aktionsseite des Digitaltags

Digitaltag bringt Menschen in ganz Deutschland zusammen

Der Digitaltag 2026 steht unter dem Motto „Digitale Sicherheit: Verstehen. Vermitteln. Vertrauen.“ Bundesweit machen zahlreiche Aktionen Digitalisierung erlebbar, fördern den Austausch über Chancen und Herausforderungen und zeigen Wege zu mehr digitaler Teilhabe auf.

Die Aktivitäten werden auf der interaktiven Aktionslandkarte unter www.digitaltag.eu dargestellt.

Call-to-Action

Du möchtest Daten im Arbeitsalltag sicherer verstehen, hinterfragen und nutzen? Dann nimm kostenlos an unserer Online-Sprechstunde beim Digitaltag 2026 teil.

Lokale LLMs: Mehr Kontrolle, weniger Abhängigkeit

Posted on 12. Juni 202615. Juni 2026 by Stefan Mauer

Fable/Mythos zeigt: KI braucht Datensouveränität

Large Language Models fassen Verträge zusammen, beantworten Kundenanfragen und durchsuchen Dokumentenberge in Sekunden. Was als Experiment begann, ist in vielen Unternehmen längst Teil des Arbeitsalltags. Mit jeder Anfrage fließen dabei Daten in diese Systeme, und damit rückt eine Frage unweigerlich in den Mittelpunkt: Was geschieht eigentlich mit diesen Daten?

Und nicht nur das: die US-Regierung hat Anthropic am 13.06. per Notanordnung verboten, seine fortschrittlichsten Modelle Fable 5 und Mythos 5 für ausländische Staatsangehörige bereitzustellen. Quintessenz: Es geht nicht nur um Datenschutz!
Wer sich vollständig auf externe KI-Anbieter verlässt, macht sich auch abhängig von politischen Entscheidungen, regulatorischen Vorgaben und Geschäftsinteressen Dritter.

Das kann schnell kritisch werden. Besonders dann, wenn KI-Anwendungen bereits tief in Prozesse, Wissensarbeit oder sicherheitsrelevante Abläufe integriert sind. Die gute Nachricht: Es gibt heute mehr Optionen als noch vor wenigen Jahren – von abgesicherten Cloud-Modellen über hybride Architekturen bis hin zu lokalen LLMs auf eigener Infrastruktur.

Je nach Anbieter, Region und Vertragsmodell kannst Du Daten heute innerhalb der EU verarbeiten lassen, vertraglich gegen eine Nutzung fürs Modelltraining absichern und durch Verschlüsselung sowie fein abgestufte Berechtigungskonzepte schützen. Für viele Unternehmen und Anwendungsfälle sind das tragfähige Optionen.

Manchen reicht das nicht. Wenn Du besonders sensible Informationen verarbeitest, strengen regulatorischen Vorgaben unterliegst oder schlicht maximale Kontrolle behalten willst, möchtest Du einen Schritt weiter gehen: Die Daten sollen die eigene Infrastruktur gar nicht erst verlassen. Für genau diese Fälle sind lokale LLMs eine ernstzunehmende Alternative.

Die Vorteile lokaler Modelle

Der entscheidende Vorteil ist Kontrolle. Bei einer konsequent lokalen Architektur läuft die gesamte Verarbeitung auf Deiner eigenen Infrastruktur. Keine Anfrage und kein vertrauliches Dokument verlässt Dein Unternehmen. Entscheidend ist dabei der Blick auf die ganze Kette: Neben dem Sprachmodell selbst gehören auch Embeddings, Vektordatenbank, Schnittstellen, Logging, Monitoring und gegebenenfalls die Dokumenten- und OCR-Verarbeitung dazu. Erst wenn all diese Komponenten lokal oder kontrolliert betrieben werden, entsteht echte Datensouveränität.

So bleiben Informationen innerhalb Deiner eigenen Systemgrenzen, was Datenschutz, Compliance und die Einhaltung interner Sicherheitsrichtlinien spürbar erleichtert. Im Gegenzug bleibt auch die Verantwortung bei Dir: Berechtigungen, Verschlüsselung, Betrieb und Wartung wollen sauber geplant und umgesetzt sein.

Hinzu kommt Unabhängigkeit. Wenn Du lokal betreibst, hängst Du weder an den Preismodellen noch an den Nutzungsbedingungen oder der Verfügbarkeit einzelner Anbieter. Auch die Kosten verschieben sich: An die Stelle der Abrechnung pro Anfrage treten kalkulierbare Aufwände für Infrastruktur und Betrieb. Das ist nicht zwangsläufig günstiger, aber deutlich planbarer.

Und schließlich: Anpassbarkeit. Lokale Lösungen lassen sich gezielt auf Fachbereiche, Datenbestände und Prozesse zuschneiden, etwa über Retrieval-Augmented Generation, klare Systemvorgaben oder bei Bedarf Fine-Tuning. So entstehen Anwendungen, die nicht generisch auf Sprache reagieren, sondern fest in Deinem Unternehmenskontext verankert sind.

Von der lokalen Lösung zur eigenen KI-Plattform

Auf dieser Basis kannst Du konkrete Anwendungen aufbauen: interne Wissensassistenten, die automatisierte Auswertung großer Dokumentenbestände oder die Anbindung an bestehende Fachsysteme. Strategisch weitergedacht kann daraus eine eigene lokale KI-Plattform werden, die als gemeinsame Grundlage für unterschiedliche Anwendungen in Deinem Unternehmen dient.

Eine Einschränkung gehört ehrlicherweise dazu: Der lokale Betrieb bietet nicht die Flexibilität der Cloud. Schnelles Skalieren, der sofortige Zugriff auf die jeweils neuesten Modelle und das vollständige Auslagern des Betriebs stehen lokal nicht im gleichen Maße zur Verfügung. Umso wichtiger ist es, Deine Anforderungen vorab präzise zu klären: Welche Anwendungsfälle und Daten stehen im Fokus? Welche Modellgröße ist nötig, mit welcher Last ist zu rechnen? Und welche Vorgaben gelten für Sicherheit, Betrieb und Integration in Deine bestehende Systemlandschaft?

Der richtige Einstieg

Genau diese Klarheit lässt sich am besten in gezielten Workshops schaffen, in denen Anforderungen, Anwendungsfälle und technische Rahmenbedingungen gemeinsam herausgearbeitet werden. Das Ergebnis ist die Grundlage für eine belastbare Architekturentscheidung.

Und weil der Aufbau einer lokalen Lösung Zeit und Investitionen bedeutet, lohnt sich oft noch ein Schritt davor: die Auseinandersetzung mit Deiner KI-Strategie. Sie stellt sicher, dass Prioritäten richtig gesetzt werden und die spätere technische Lösung, ob Cloud, lokal oder hybrid, tatsächlich auf Deine Unternehmensziele einzahlt, statt isoliert zu entstehen.

Genau hier setzt EVACO an: von der strategischen Einordnung über konkrete Workshops bis zur Konzeption und Umsetzung passender KI-Lösungen. Gern beraten wir Dich unverbindlich, welcher Ansatz für Dein Unternehmen der richtige ist. Du erreichst uns unter info@evaco.de info@evaco.de.

Anomaly Detection

Posted on 12. Juni 202612. Juni 2026 by Stefan Mauer

Wenn Maschinen flüstern, bevor sie ausfallen

Wie KI aus Maschinendaten ein Frühwarnsystem für Produktion und Instandhaltung macht

Moderne Maschinen sprechen längst eine eigene Sprache. Sie senden kontinuierlich Signale über Temperaturen, Vibrationen, Drücke, Ströme, Energieverbrauch, Zykluszeiten und viele weitere Betriebsparameter.

Das Problem: Diese Signale sind oft leise.

Ein Lager läuft etwas wärmer als gewöhnlich. Eine Vibration verändert ihr Muster. Der Energieverbrauch steigt schleichend. Taktzeiten driften auseinander. Für sich genommen wirkt jeder einzelne Wert vielleicht noch unkritisch. Im Zusammenspiel können solche Veränderungen aber ein früher Hinweis darauf sein, dass sich ein Problem anbahnt.

Genau hier setzt KI-gestützte Anomalieerkennung an.

Sie hilft dabei, Auffälligkeiten in Maschinendaten frühzeitig sichtbar zu machen – nicht erst, wenn ein Grenzwert überschritten wurde, sondern bereits dann, wenn sich das Verhalten einer Anlage vom gewohnten Normalbetrieb entfernt.

Warum das relevant ist

Ungeplante Stillstände gehören zu den teuersten Problemen in der Produktion. Sie verursachen nicht nur Reparaturkosten, sondern oft auch Ausschuss, Lieferverzögerungen, hektische Eingriffe in laufende Prozesse und zusätzliche Belastung für Instandhaltung und Produktion.

Wie groß dieser Hebel ist, zeigt der Siemens-Report „The True Cost of Downtime 2024″: Demnach verlieren die weltweit 500 größten Unternehmen jährlich rund 1,4 Billionen US-Dollar durch ungeplante Stillstände – etwa 11 Prozent ihres Umsatzes. Im Automotive-Sektor kann eine Stunde Stillstand in einem großen Werk im Schnitt rund 2,3 Millionen US-Dollar kosten. [1]

Die Größenordnungen im Mittelstand sind andere. Der Mechanismus ist derselbe: Wenn Anlagen ungeplant stehen, wird es schnell teuer.

Warum klassische Überwachung oft nicht ausreicht

Viele Unternehmen arbeiten mit festen Grenzwerten, Wartungsintervallen und Alarmlisten. Diese Instrumente sind wichtig, reichen bei komplexen Maschinendaten aber häufig nicht aus.

Denn feste Grenzwerte erkennen nur, was vorher definiert wurde. Schleichende Veränderungen bleiben oft unsichtbar, solange sie sich innerhalb der Toleranzen bewegen. Hinzu kommt: Viele Probleme zeigen sich nicht in einem einzelnen Sensorwert, sondern im Zusammenspiel mehrerer Signale.

Eine Temperatur kann für sich genommen unauffällig sein. In Kombination mit einer bestimmten Drehzahl, Last und Vibration kann sie aber bereits ein klares Warnsignal darstellen.

Dazu kommt das bekannte Alarm-Dilemma: Werden Grenzwerte zu eng gesetzt, entstehen zu viele Fehlalarme. Werden sie zu weit gesetzt, kommen Warnungen zu spät.

Wie KI Anomalien in Maschinendaten erkennt

KI-Modelle lernen aus historischen Daten, wie sich eine Maschine im Normalbetrieb verhält – über unterschiedliche Sensoren, Betriebszustände, Produktvarianten und Lastsituationen hinweg.

Statt nur starre Schwellenwerte zu überwachen, erkennt das Modell Abweichungen vom gelernten Normalverhalten. Dadurch können Auffälligkeiten sichtbar werden, obwohl jeder einzelne Messwert noch im grünen Bereich liegt.

Typische Beispiele sind:

schleichender Verschleiß an Lagern, Antrieben oder Werkzeugen
ungewöhnliche Vibrations- und Geräuschmuster
Temperatur- und Druckdrifts
veränderter Energieverbrauch
abweichende Zyklus- und Taktzeiten
Sensorfehler oder Messwertausfälle

Ein wichtiger Vorteil: Für viele Anwendungsfälle werden keine umfangreichen historischen Ausfalldaten benötigt. Unüberwachte Verfahren können bereits aus dem Normalbetrieb lernen und Abweichungen davon erkennen. Das ist besonders relevant, weil echte Ausfälle in vielen Unternehmen selten, schlecht dokumentiert oder sehr unterschiedlich sind.

Von der Anomalie zur konkreten Handlung

Eine erkannte Anomalie allein schafft noch keinen Nutzen.

Entscheidend ist, was danach passiert: Wird die Meldung richtig eingeordnet? Erreicht sie die zuständige Person? Ist nachvollziehbar, welche Sensoren betroffen sind? Gibt es eine Priorisierung? Kann das Team erkennen, ob ähnliche Muster in der Vergangenheit bereits aufgetreten sind?

Der eigentliche Wert entsteht deshalb nicht nur im Modell, sondern in der Einbettung in den Arbeitsalltag.

Ein gutes Frühwarnsystem beantwortet Fragen wie:

Welche Maschine verhält sich auffällig?
Seit wann tritt die Abweichung auf?
Welche Sensoren oder Betriebszustände treiben die Anomalie?
Wie dringend ist die Situation?
Gab es vergleichbare Muster bereits früher?
Welche Maßnahme wurde damals ergriffen?

So wird aus Maschinendaten keine weitere Alarmliste, sondern ein praktisches Werkzeug für Produktion und Instandhaltung.

Warum sich der Schritt rechnet

Der wirtschaftliche Nutzen von Predictive Maintenance ist gut belegt.

McKinsey beziffert den typischen Effekt datenbasierter vorausschauender Instandhaltung auf 30 bis 50 Prozent weniger Maschinenstillstand und 20 bis 40 Prozent längere Maschinenlebensdauer. [2]

Das U.S. Department of Energy kommt zu ähnlichen Ergebnissen: Gegenüber rein präventiver Wartung lassen sich demnach 8 bis 12 Prozent der Kosten einsparen. Als Branchendurchschnitte nennt die Behörde unter anderem 25 bis 30 Prozent geringere Wartungskosten, 70 bis 75 Prozent weniger Ausfälle und 35 bis 45 Prozent weniger Stillstandszeit. [3]

Auch die Studie „Predictive Maintenance 4.0″ von PwC und Mainnovation – eine Befragung von 268 Unternehmen aus Deutschland, den Niederlanden und Belgien – bestätigt den Nutzen in der Praxis: 95 Prozent der Anwender berichten von Verbesserungen bei mindestens einem zentralen Werttreiber. 60 Prozent verzeichnen konkret eine höhere Anlagenverfügbarkeit, im Durchschnitt um 9 Prozent. [4]

Neben diesen Kennzahlen entstehen weitere Vorteile: Wartungsfenster lassen sich besser planen, Ersatzteile gezielter disponieren, Ausschuss reduzieren und Teams werden entlastet, weil sie Probleme angehen können, bevor sie eskalieren.

Worauf es bei der Umsetzung ankommt

Ein belastbares System zur Anomalieerkennung entsteht nicht dadurch, dass beliebige Sensordaten in ein Modell geladen werden.

Damit aus Rohdaten ein zuverlässiges Frühwarnsystem wird, braucht es drei Dinge: gute Daten, Domänenwissen und eine saubere Integration in bestehende Prozesse.

Dazu gehören:

eine ehrliche Bestandsaufnahme der vorhandenen Daten und Sensorik
eine stabile Datenanbindung aus Steuerungen, SCADA-, MES- oder anderen Produktionssystemen
die Einbindung des Erfahrungswissens aus Produktion und Instandhaltung
ein klarer Umgang mit Fehlalarmen und Rückmeldungen aus dem Betrieb
ein schrittweiser Start mit einer Pilotanlage statt eines Big-Bang-Projekts
klare Zuständigkeiten für Betrieb, Pflege und Weiterentwicklung der Modelle

Gerade der letzte Punkt wird häufig unterschätzt. Anomalieerkennung ist kein einmaliges Analyseprojekt, sondern ein lernendes System, das mit dem Betrieb besser wird.

Kein weiteres Dashboard

Die große Chance liegt darin, vorhandene Maschinendaten in ein aktives Frühwarnsystem zu verwandeln.

Nicht als weiteres Dashboard, das im Tagesgeschäft untergeht. Sondern als praktischer Begleiter für Produktion und Instandhaltung: mit klaren Hinweisen, priorisierten Auffälligkeiten und konkretem Kontext für die nächsten Schritte.

So werden kleine Abweichungen sichtbar, bevor daraus teure Ausfälle werden.

Und genau dort entsteht der Nutzen: weniger Überraschungen, mehr Planbarkeit und Anlagen, die zuverlässiger laufen.

Wenn Du sehen möchtest, wie sich Anomalien in den Maschinendaten Deines Unternehmens frühzeitig erkennen lassen, komm gerne auf uns zu. Wir unterstützen bei der Bewertung der Datenlage, der Auswahl geeigneter Use Cases und der Umsetzung KI-gestützter Frühwarnsysteme für Produktion und Instandhaltung.

EVACO Expertise: Wie KI die BI-Rolle verändert

Posted on 9. Juni 20269. Juni 2026 by Stefan Mauer

EVACO Data Scientist Tobias Eickmanns hat das Fachmagazin BI-Spektrum als Gastautor bereichert. In seinem Beitrag zeigt er, wie generative KI, MCP und dialogbasierte Analysen die Rolle von BI-Entwicklern grundlegend transformieren.

Vom Entwickler zum Orchestrator

Wie beeinflusst generative KI die Arbeit in Business Intelligence? Dieser Frage widmet sich EVACO Data Scientist Tobias Eickmanns in seinem Gastbeitrag für das BI-Spektrum, Ausgabe 02/2026.

Unter dem Titel „Vom Entwickler zum Orchestrator: Die neue Rolle des BI-Entwicklers“ beleuchtet er, warum klassische Dashboards und vordefinierte Berichtspfade zunehmend an Grenzen stoßen. Fachbereiche erwarten heute schnelle, kontextbezogene Antworten. Analysen entstehen immer häufiger im Dialog statt in statischen Cockpits.

Vom Dashboard zur dialogbasierten Analyse

Tobias macht gleich am Anfang seines Beitrags deutlich: Business Intelligence steht vor einem Paradigmenwechsel. Generative KI ermöglicht es, Fragen in natürlicher Sprache zu stellen, dynamisch auszuwerten und Ergebnisse kontextbezogen einzuordnen.

Damit verschiebt sich der Fokus weg von der reinen Visualisierung einzelner Berichte. Entscheidend wird, ob Datenmodelle, Metadaten und Geschäftsregeln so aufbereitet sind, dass KI-gestützte Systeme fachlich korrekte Antworten liefern können.

MCP als Bindeglied zwischen KI und BI

Ein zentraler Aspekt des Gastbeitrags ist das Model Context Protocol (MCP), das sich anschickt, zum USB-Standard für KI Schnittstellen zu werden. MCP dient als technisches Bindeglied zwischen Sprachmodellen und BI-Systemen. Es ermöglicht einen kontrollierten Zugriff auf Daten, Metadaten und fachliche Logiken.

Für Unternehmen ist das besonders relevant, weil KI-Systeme nicht isoliert auf Basis ihres Trainingswissens antworten sollen. Stattdessen müssen sie auf eine verlässliche Datenbasis zugreifen können – inklusive Berechtigungen, Governance und klar definierter Kennzahlen.

Die neue Rolle von BI-Entwicklern

Tobias teilt in seinem Fachbeitrag seine Einschätzung, dass BI-Entwickler durch diese Entwicklung nicht überflüssig werden. Aber ihre Rolle verschiebt sich, denn Aus Berichtserstellern werden zunehmend Orchestratoren: Sie kuratieren semantische Modelle, sichern Datenqualität, definieren Geschäftsregeln und sorgen dafür, dass KI-gestützte Analysen fachlich belastbar bleiben.

Einschätzung:

Dateninteraktion in natürlicher Sprache führt zu einem Wandel von klassischer BI zu generativen Analysen.
Schwerpunkt verändert sich von der Erstellung einzelner Berichte zur Bereitstellung von Datenmodellen, Metadaten und Geschäftsregeln, damit KI-gestützte Systeme fachlich korrekte Antworten liefern können.
Im Fokus stehen MCP, semantische Modellierung und Governance.
Die Rolle von BI-Entwicklern verschiebt sich vom Report-Building zur Orchestrierung.
Unternehmen sollten KI-gestützte BI über klare Datenmodelle und Pilotprojekte absichern.

Tobias resümiert: BI bleibt – mit neuem Schwerpunkt

Der Gastbeitrag im BI-Spektrum zeigt: Der Wandel in Business Intelligence ist kein reiner Technologietrend. Er betrifft Prozesse, Rollenbilder und die Zusammenarbeit zwischen Fachbereichen, BI-Teams und KI-Systemen.

Für EVACO ist klar: Verlässliche KI-gestützte Analysen entstehen nicht allein durch leistungsfähige Modelle. Sie brauchen saubere Datenstrukturen, klare fachliche Logik und eine starke Governance.

Zum Gastbeitrag auf es hier, das PDF findest Du hier. Wenn Du mehr darüber erfahren willst, wie generative BI, MCP und semantische Modellierung deine Datenstrategie weiterbringen können, komm gerne in unsere KI-Sprechstunde und finde heraus, wie du deine BI-Umgebung fit für KI-gestützte Analysen machst.