{"id":1701,"date":"2026-03-06T06:49:35","date_gmt":"2026-03-06T05:49:35","guid":{"rendered":"https:\/\/g7itchme.wordpress.com\/?p=1701"},"modified":"2026-03-06T06:49:35","modified_gmt":"2026-03-06T05:49:35","slug":"die-glaserne-fabrik-wie-inpixon-mit-ki-und-echtzeit-ortung-den-materialfluss-revolutioniert","status":"publish","type":"post","link":"https:\/\/technodidact.de\/en\/die-glaserne-fabrik-wie-inpixon-mit-ki-und-echtzeit-ortung-den-materialfluss-revolutioniert\/","title":{"rendered":"Die gl\u00e4serne Fabrik: Wie Inpixon mit KI und Echtzeit-Ortung den Materialfluss revolutioniert"},"content":{"rendered":"\n

Stellen Sie sich eine Fabrikhalle vor, in der Gabelstapler lautlos ihre Bahnen ziehen, Werkzeuge sich wie von Geisterhand selbstst\u00e4ndig machen und Materialstr\u00f6me so pr\u00e4zise flie\u00dfen wie ein gut einstudierter Tanz. Was nach einer futuristischen Vision klingt, ist in den Werken von Pionieren der Industrie 4.0 bereits gelebte Realit\u00e4t. Das Zauberwort hei\u00dft Echtzeit-Lokalisierung<\/strong> (RTLS). Doch die reine Ortung von Gegenst\u00e4nden ist nur der erste Schritt. Die eigentliche Revolution beginnt dort, wo diese Daten auf k\u00fcnstliche Intelligenz treffen.<\/p>\n\n\n\n

Das kalifornische Unternehmen Inpixon, ein Spezialist f\u00fcr „Indoor Intelligence“, hat mit seiner Plattform INTRANAV.IO<\/a><\/strong> und der integrierten KI „askPixi“<\/strong> eine L\u00f6sung geschaffen, die nicht nur sieht, wo sich Dinge befinden, sondern auch versteht, was dort passiert \u2013 und noch bevor ein Problem entsteht, eigenst\u00e4ndig Gegenma\u00dfnahmen einleitet <\/a><\/a>. Dieser Artikel taucht tief in die Welt dieser Technologie ein und beleuchtet den gesamten Prozess: von der ersten Analyse beim Kunden \u00fcber die Auswahl der Hardware, die Komplexit\u00e4t der Programmierung und Integration bis hin zum handfesten Nutzen, den Unternehmen daraus ziehen.<\/p>\n\n\n\n

Die Herausforderung: Im Blindflug durch die Produktion<\/h2>\n\n\n\n

Bevor wir uns in den technischen Details verlieren, lohnt ein Blick auf das Problem, das Inpixon l\u00f6st. In den meisten Fabriken und Lagern herrscht ein seltsamer Zustand: Obwohl sie vollgestopft sind mit Daten aus ERP-Systemen (Enterprise Resource Planning), Maschinensteuerungen und Barcode-Scans, wissen die Verantwortlichen oft nicht genau, wo sich ein bestimmtes Werkst\u00fcck gerade befindet oder warum der n\u00e4chste Produktionsschritt stockt.<\/p>\n\n\n\n

Die Informationen sind in Silos gefangen. Das ERP-System wei\u00df, dass ein Auftrag raus soll. Das Warehouse-Management-System (WMS) wei\u00df, dass die Ware kommissioniert wurde. Aber was dazwischen passiert \u2013 der physische Transport \u00fcber den Hof, das kurze Zwischenlagern in einer Pufferzone, das Suchen nach einem Gabelstapler \u2013 bleibt eine Blackbox <\/a><\/a>. Die Folge sind Verschwendung: Mitarbeiter verbringen bis zu 20% ihrer Zeit mit der Suche nach Werkzeugen und Materialien. Maschinen stehen still, weil das falsche Teil geliefert wurde. Und niemand bemerkt den Stau am Verladedock, bis es zu sp\u00e4t ist.<\/p>\n\n\n\n

Schritt 1: Der Weg zum Projekt \u2013 Analyse und Einkauf<\/h2>\n\n\n\n

Ein solches System implementiert man nicht von heute auf morgen. Der Einkaufsprozess bei Inpixon ist daher stark beratungsorientiert und beginnt in der Regel mit einer detaillierten Analyse der bestehenden Prozesse.<\/p>\n\n\n\n

Von der ersten Anfrage zur Machbarkeitsstudie<\/h3>\n\n\n\n

Ein typisches Projekt startet mit der Erkenntnis eines Unternehmens, dass es blinde Flecken in seiner Lieferkette oder Produktion gibt. Ein Automobilzulieferer stellt beispielsweise fest, dass die teuren Produktionswerkzeuge f\u00fcr Pressen immer wieder „verschwinden“. Ein Logistikdienstleister hingegen will wissen, warum die Durchlaufzeiten an einem bestimmten Knotenpunkt so stark schwanken.<\/p>\n\n\n\n

Die erste Phase ist das „Discovery“-Gespr\u00e4ch. Inpixon-Experten kommen vor Ort, analysieren die Abl\u00e4ufe und identifizieren gemeinsam mit dem Kunden die kritischen Punkte. „Viele unserer Kunden haben das Gef\u00fchl, sie reagieren nur noch, statt zu agieren“, beschreibt Ersan Guenes, SVP of Product bei Inpixon, die Ausgangslage. „Sie w\u00fcnschen sich ein System, das ihnen Fr\u00fchwarnungen liefert, bevor der n\u00e4chste Linienstopp droht“ <\/a><\/a>.<\/p>\n\n\n\n

Der Einkauf: Technologie, Module und Lizenzen<\/h3>\n\n\n\n

Basierend auf dieser Analyse wird ein Leistungsverzeichnis erstellt. Der Einkauf ist hier komplex, da es sich nicht um ein Standardprodukt von der Stange handelt, sondern um ein \u00d6kosystem aus mehreren Komponenten <\/a>:<\/p>\n\n\n\n

    \n
  1. Die RTLS-Hardware:<\/strong>\u00a0Hier muss entschieden werden, welche Ortungstechnologie die richtige ist. F\u00fcr welche Tags (Sender) und Sensoren (Anker, Nodes) entscheidet man sich? Ben\u00f6tigt man eine\u00a0Ultrabreitband (UWB)<\/strong>-L\u00f6sung f\u00fcr zentimetergenaue Ortung von Werkzeugen in der Halle\u00a0<\/a>? Oder reicht eine kosteng\u00fcnstigere\u00a0Bluetooth Low Energy (BLE)<\/strong>-L\u00f6sung f\u00fcr die grobe Ortung von Paletten auf dem Hof? Die Wahl der Hardware bestimmt ma\u00dfgeblich die Genauigkeit und damit den Preis.<\/li>\n\n\n\n
  2. Die\u00a0INTRANAV.IO<\/a>-Plattform:<\/strong>\u00a0Sie ist das Herzst\u00fcck und wird in der Regel als Software-as-a-Service (SaaS) lizenziert. Die Kosten richten sich nach der Anzahl der gleichzeitig genutzten Tags, der Anzahl der Nutzer und den gebuchten Modulen (z.B. Warehouse-Modul, Prozess-Fluss-Modul)\u00a0<\/a>.<\/li>\n\n\n\n
  3. Die KI „askPixi“:<\/strong>\u00a0Der Zugriff auf die agentische KI ist ein eigenes Lizenzmodell, das sich oft nach der Anzahl der automatisierten Workflows oder der Komplexit\u00e4t der Analysen richtet\u00a0<\/a>.<\/li>\n<\/ol>\n\n\n\n

    Erst wenn diese technischen und kaufm\u00e4nnischen Parameter gekl\u00e4rt sind, kann das eigentliche Projekt beginnen.<\/p>\n\n\n\n

    Schritt 2: Die Programmierung \u2013 Vom Signal zum digitalen Zwilling<\/h2>\n\n\n\n

    Ist der Vertrag unterschrieben, beginnt die Arbeit der Ingenieure und Entwickler. Hier wird aus der Theorie Praxis. Die Programmierung ist weniger das Schreiben von Code aus dem Nichts, sondern vielmehr eine hochkomplexe Integrations- und Konfigurationsaufgabe.<\/p>\n\n\n\n

    Die Sensor-Ebene: Daten sammeln<\/h3>\n\n\n\n

    Zun\u00e4chst muss die Infrastruktur geschaffen werden. In der Decke der Produktionshalle werden die RTLS-Nodes (Empf\u00e4nger) installiert. Sie lauschen auf die Signale der Tags, die an Gabelstaplern, Werkzeugen, Paletten oder sogar Mitarbeiterausweisen befestigt sind. Ein UWB-Tag wie der AssetTAG Pro<\/strong> sendet dabei mehrmals pro Sekunde ein Signal aus, das von mehreren Nodes empfangen wird. \u00dcber die Laufzeitdifferenz (Time Difference of Arrival, TDoA) kann der Standort des Tags mit einer Genauigkeit von unter 50 Zentimetern berechnet werden <\/a><\/a>.<\/p>\n\n\n\n

    Gleichzeitig werden Geozonen<\/strong> definiert \u2013 virtuelle Z\u00e4une auf der digitalen Karte. Bereiche wie „Wareneingang“, „Pufferzone 3“ oder „Maschine 7“ werden so zu digitalen Orten, die das System versteht.<\/p>\n\n\n\n

    Die Integrations-Ebene: Daten verbinden<\/h3>\n\n\n\n

    Der schwierigste Teil ist die Integration. Die gesammelten Standortdaten sind wertlos, wenn sie nicht mit den Gesch\u00e4ftsprozessen verkn\u00fcpft werden. Hier kommen die Programmierer ins Spiel. Sie m\u00fcssen Schnittstellen (APIs) zu den bestehenden Systemen des Kunden schaffen \u2013 zum SAP-System, zum MES (Manufacturing Execution System) oder zum WMS <\/a><\/a>.<\/p>\n\n\n\n

    Erst diese Verkn\u00fcpfung schafft Intelligenz. Sobald ein Tag mit einer Palette die Zone „Wareneingang“ passiert, l\u00f6st dies automatisch eine Transaktion im WMS aus. Oder: Wenn ein Werkzeug die Zone „Maschine 5“ betritt, wird im MES der R\u00fcstvorgang gestartet. Diese „Wenn-Dann“-Regeln sind das Grundger\u00fcst der Automatisierung <\/a>.<\/p>\n\n\n\n

    Die KI-Ebene: askPixi lernt den Betrieb<\/h3>\n\n\n\n

    Hier betreten wir das Reich von askPixi<\/strong>. W\u00e4hrend die regelbasierte Automatisierung auf fest definierte Ereignisse reagiert, ist askPixi lernf\u00e4hig. Die KI wird mit den historischen Daten der Plattform gef\u00fcttert. Sie lernt, wie ein normaler Tag im Werk aussieht: Wann sind die Sto\u00dfzeiten am Versanddock? Wie lange dauert ein typischer Transport von Halle A zu Halle B? Welche Materialverbr\u00e4uche sind normal?<\/p>\n\n\n\n

    Dieses Wissen nutzt askPixi f\u00fcr pr\u00e4diktive Analysen. Die KI erstellt einen digitalen Zwilling der Abl\u00e4ufe<\/strong>, der nicht nur die Gegenwart abbildet, sondern auch in die Zukunft blickt <\/a><\/a>. Wenn askPixi erkennt, dass drei dringende Auftr\u00e4ge in 25 Minuten gleichzeitig an Dock 5 eintreffen werden und gleichzeitig zwei Stapler im Stau stehen, schl\u00e4gt es Alarm \u2013 und bietet sofort L\u00f6sungen an: „Empfehlung: Versand benachrichtigen, Stapler 12 neu zuweisen, Dock 7 aktivieren“ <\/a><\/a>.<\/p>\n\n\n\n

    Schritt 3: Der Aufbau \u2013 Vom Testfeld zur fl\u00e4chendeckenden L\u00f6sung<\/h2>\n\n\n\n

    Die Implementierung erfolgt in der Regel nicht als „Big Bang“, sondern iterativ. Pilotprojekte sind der Schl\u00fcssel zum Erfolg.<\/p>\n\n\n\n

    Der Pilot: Lernen an einem \u00fcberschaubaren Beispiel<\/h3>\n\n\n\n

    In einer Fallstudie mit einem gro\u00dfen Hersteller von Automatisierungstechnik begann der Aufbau mit einem klaren Fokus: der Verfolgung von Fertigwaren an drei Standorten <\/a><\/a>. Zun\u00e4chst wurden nur die Packst\u00fccke eines bestimmten Produkttyps mit Tags versehen und der Transportweg von Werk A zum Kundendienstzentrum digital abgebildet. Die Mitarbeiter vor Ort wurden geschult, die App installiert und der Prozess begleitet.<\/p>\n\n\n\n

    Das Pairing: Die Br\u00fccke zwischen analog und digital<\/h3>\n\n\n\n

    Ein kritischer Moment im Aufbau ist das „Pairing“. Ein RFID-Tag allein wei\u00df nicht, was er da eigentlich verfolgt. In der Praxis scannen die Mitarbeiter daher mit der INTRANAV.APP<\/strong> den Barcode auf dem Produktionsauftrag und dann den Tag. Im System wird diese Verbindung gespeichert: Tag XY ist jetzt f\u00fcr die n\u00e4chsten Stunden der digitale Zwilling von Produktionsauftrag 4711 <\/a><\/a>.<\/p>\n\n\n\n

    Automatisierung schrittweise einf\u00fchren<\/h3>\n\n\n\n

    Sobald die Basis stimmt, werden die Regeln gesch\u00e4rft. In der Fallstudie wurden Geofences eingerichtet. Sobald ein Tag eine bestimmte Zone betritt, wird der Status im System automatisch aktualisiert \u2013 ohne weiteres Scannen. Das spart Zeit und vermeidet Fehler. Nach und nach werden weitere Zonen, weitere Transportbeziehungen und schlie\u00dflich die KI-Funktionalit\u00e4t aktiviert. Das System lernt und wird pr\u00e4ziser.<\/p>\n\n\n\n

    Der Nutzen: Was bringt es wirklich?<\/h2>\n\n\n\n

    Am Ende des Tages z\u00e4hlen harte Fakten. Und die sind beeindruckend. Die Einf\u00fchrung eines KI-gest\u00fctzten RTLS ist eine Investition mit messbarem Return on Investment (ROI).<\/p>\n\n\n\n

    Die vielleicht wichtigste Kennzahl ist die Steigerung der Gesamtanlageneffektivit\u00e4t<\/strong> (OEE). Wenn Maschinen nicht mehr auf Material warten m\u00fcssen und R\u00fcstzeiten optimiert werden, steigt der Durchsatz. In einer hochgemischten CNC-Produktion konnte Inpixon den Durchsatz um 17 Prozent<\/strong> steigern und die Anzahl manueller Eingriffe um 60 Prozent<\/strong> reduzieren <\/a><\/a>.<\/p>\n\n\n\n

    Direkt damit verbunden ist die Reduzierung von Stillstandszeiten. Ein Hersteller von Industrie-Dichtstoffen erlebte immer wieder Engp\u00e4sse bei einem Rohstoff, die zu Linienstopps f\u00fchrten. askPixi erkannte das Risiko fr\u00fchzeitig und l\u00f6ste automatisch Nachbestellungen aus. Das Ergebnis: 18 potenzielle Linienstopps wurden verhindert<\/strong> und die termingerechte Lieferung verbesserte sich um 12 Prozent<\/strong> <\/a><\/a>.<\/p>\n\n\n\n

    Ein weiterer, oft untersch\u00e4tzter Nutzen ist die Effizienzsteigerung der Mitarbeiter. Wenn Arbeiter nicht mehr suchen m\u00fcssen, k\u00f6nnen sie sich auf wertsch\u00f6pfende T\u00e4tigkeiten konzentrieren. Ein Kunde aus der Kunststoffherstellung berichtete, dass die Suchzeiten f\u00fcr Werkzeuge durch die Echtzeit-Ortung drastisch sanken und Engp\u00e4sse beim Werkzeugwechsel der Vergangenheit angeh\u00f6ren <\/a>. In Lagern kann die Produktivit\u00e4t durch automatische Erfassung und reduzierte Scan-T\u00e4tigkeiten um bis zu 40 Prozent<\/strong> steigen, wie das Beispiel des Logistikers TB International zeigt <\/a>.<\/p>\n\n\n\n

    In der Logistik zahlt sich die Technologie ebenfalls aus. Die Analyse von Verweilzeiten (Dwell Times) an verschiedenen Stationen hilft, Engp\u00e4sse zu identifizieren und den Materialfluss zu optimieren. Wer wei\u00df, wie lange eine Palette wirklich im Puffer steht, kann die internen Transportwege effizienter gestalten <\/a><\/a>.<\/p>\n\n\n\n

    \u00dcber die Effizienz hinaus spielt auch die Sicherheit<\/strong> eine Rolle. Kollisionswarnungen f\u00fcr Gabelstapler, die Ortung von Mitarbeitern in Gefahrenbereichen und die \u00dcberwachung von Sperrzonen sind wichtige Features <\/a>. Zudem erh\u00f6ht die l\u00fcckenlose R\u00fcckverfolgbarkeit die Sicherheit vor Diebstahl und Verlust <\/a>.<\/p>\n\n\n\n

    Kontroversen und Ausblick: Wohin steuert die Reise?<\/h2>\n\n\n\n

    So vielversprechend die Technologie ist, so sehr wirft sie auch Fragen auf. Ein zentraler Punkt ist der Datenschutz<\/strong>. Werden auch Mitarbeiter getrackt? Inpizon betont, dass das System prim\u00e4r f\u00fcr Objekte ausgelegt ist. Wo es dennoch zur Ortung von Personen kommt, etwa f\u00fcr Sicherheitswarnungen, m\u00fcssen die Vorgaben des Datenschutzes strikt eingehalten werden. Transparenz und die Freiwilligkeit der Teilnahme sind hier das Gebot der Stunde.<\/p>\n\n\n\n

    Ein zweiter Punkt ist die Abh\u00e4ngigkeit<\/strong>. Wer sein Werk erst einmal mit einer solchen Plattform vernetzt hat, bindet sich langfristig an einen Anbieter. Die Offenheit der Schnittstellen ist daher entscheidend. Inpixon wirbt damit, technologieneutral zu sein und Daten in Drittsysteme wie Power BI oder SQL Server zu exportieren <\/a>.<\/p>\n\n\n\n

    Die Zukunft dieser Technologie ist dennoch klar vorgezeichnet. Sie hei\u00dft „agentische KI“<\/strong>. askPixi wird nicht nur warnen und Vorschl\u00e4ge machen, sondern immer mehr eigenst\u00e4ndig Entscheidungen innerhalb definierter Grenzen treffen <\/a>. Die KI wird zur unsichtbaren Hand, die den Materialfluss selbstt\u00e4tig optimiert, Schichtpl\u00e4ne in Echtzeit anpasst und so die Fabrik von einer reaktiven zu einer wirklich vorausschauenden, lernenden Organisation macht <\/a>.<\/p>\n\n\n\n

    Die „gl\u00e4serne Fabrik“ ist nicht l\u00e4nger eine Vision. Sie entsteht gerade, Schritt f\u00fcr Schritt, Tag f\u00fcr Tag \u2013 getrieben von Daten, vernetzt durch Software und intelligent gemacht durch KI. Inpixon zeigt, wie dieser Weg aussehen kann.<\/p>\n\n\n\n

    Quellen<\/h2>\n\n\n\n

    <\/a> Inpixon. (2025, 26. November). Vom Reagieren zum Vorausdenken \u2013 Wie Industrial AI Ausf\u00e4lle vermeidet. Inpixon Blog. https:\/\/www.inpixon.com\/de\/blog\/industrial-ai-predicts-prevents-manufacturing-disruptions<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). Inpixon RTLS-Plattform: Echtzeit-Tracking trifft pr\u00e4diktive KI. https:\/\/www.inpixon.com\/de\/rtls-platform<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). Intelligenter Materialfluss: Optimierung des Produktionsprozesses und des Transports (Fallstudie). https:\/\/www.inpixon.com\/de\/fallstudien\/verweilzeiten-transportprozess-optimierung-materialflussverfolgung<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). Produktionsmittel und Werkzeuge sofort lokalisieren (Fallstudie). https:\/\/www.inpixon.com\/de\/fallstudien\/produktionsmittel-und-werkzeuge-lokalisieren<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). Customers Using Inpixon\u2018s Award Winning Solutions. https:\/\/www.inpixon.com\/company\/customers<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (2025, 21. November). From Firefighting to Flow \u2013 How Industrial AI Predicts and Prevents Disruptions. https:\/\/www.inpixon.com\/blog\/industrial-ai-predicts-prevents-manufacturing-disruptions<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (2025, 8. September). Swarm UWB: Ultra-Wideband-Funk- und Sensormodul f\u00fcr RTLS. https:\/\/www.inpixon.com\/de\/technologie\/rtls\/module\/swarm-uwb<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). Smart Material Flow: Production process and transport optimization (Case Study). https:\/\/www.inpixon.com\/case-studies\/dwell-time-transport-process-optimization-material-flow-tracking<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). Customers Using Inpixon\u2019s Award Winning Solutions. https:\/\/www.inpixon.com\/company\/customers<\/a><\/p>\n\n\n\n

    <\/a> Inpixon. (o.D.). How Location-Aware, Agentic AI Keeps Your Operations Ahead of Schedule [Webinar]. https:\/\/www.inpixon.com\/resources\/webinars\/ai-manufacturing-rtls-agentic-ai-askpixi<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"

    Stellen Sie sich eine Fabrikhalle vor, in der Gabelstapler lautlos ihre Bahnen ziehen, Werkzeuge sich wie von Geisterhand selbstst\u00e4ndig machen und Materialstr\u00f6me so pr\u00e4zise flie\u00dfen wie ein gut einstudierter Tanz. Was nach einer futuristischen Vision klingt, ist in den Werken von Pionieren der Industrie 4.0 bereits gelebte Realit\u00e4t. Das Zauberwort hei\u00dft Echtzeit-Lokalisierung (RTLS). Doch die reine Ortung […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[41,17,46,26],"tags":[1689,1881,3341,3679,4383,5585],"class_list":["post-1701","post","type-post","status-publish","format-standard","hentry","category-digitalkultur","category-im-herz","category-industrie-4-0","category-mit-den-handen","tag-digitaler-zwilling","tag-echtzeit-lokalisierung-rtls","tag-inpixon","tag-kunstliche-intelligenz","tag-materialflussoptimierung","tag-prozessautomatisierung"],"_links":{"self":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/1701","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/comments?post=1701"}],"version-history":[{"count":0,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/posts\/1701\/revisions"}],"wp:attachment":[{"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/media?parent=1701"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/categories?post=1701"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/technodidact.de\/en\/wp-json\/wp\/v2\/tags?post=1701"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}