Datenschutz & Vertragsgestaltung - Zugriff auf Maschinen- und personenbezogene Daten

Folge 71 auf einen Blick (und Klick):

[06:38] Herausforderungen, Potenziale und Status quo – So sieht der Use Case in der Praxis aus
[20:33] Lösungen, Angebote und Services – Ein Blick auf die eingesetzten Technologien
[33:56] Ergebnisse, Geschäftsmodelle und Best Practices – So wird der Erfolg gemessen

Zusammenfassung der Podcastfolge

Unternehmen zögern bei dem Austausch von Daten innerhalb einer Lieferkette oder mit gewerblichen Kunden, da Rechte und Pflichten aufwendig zu klären sind. Wie kann der Datenaustausch zwischen den Unternehmen am besten funktionieren? Was sind die Anforderungen und worauf ist zu achten?

Boris Scharinger, Senior Innovation Manager bei der Siemens Digital Industries, beschäftigt sich genau mit diesen Fragen und wie das herstellerübergreifende Zusammenarbeiten möglich und standardisiert werden kann. Dabei beleuchtet er sowohl rechtliche als auch organisatorische Sichtweisen und präsentiert Lösungsansätze, da viele Unternehmen – vor allem bei übergreifenden Datenpools in KI-Projekten – Verlust von Geschäftsgeheimnissen befürchten. Darüber hinaus zeigt er auf, wie der Anbahnungsprozess von IoT-Projekten beschleunigt und vereinfacht werden sollte.

CEO der MindSphere World e.V., Ulf Könekamp, hat zum Ziel, die Zukunft des IIoT mitzugestalten. Dies realisiert er mit Experten aus unterschiedlichsten Branchen. Mithilfe verschiedenster Arbeitsgruppen können komplementär weiterführende Leistungsverbesserungen erreicht werden. Wo die Grenzen eines einzelnen Unternehmens erreicht sind, kann durch Kollaboration mit anderen Firmen ein weiteres Vorankommen möglich werden.

Wie ein multilaterale Verhältnis der Unternehmen rechtlich geregelt werden und wie der Ecosystem Manager Abhilfe für mögliche Konsequenzen schaffen kann, erfahren wir in der 70. Folge des IoT Use Case Podcasts.

Podcast Interview

Boris, du bist Senior Innovation Manager bei der Siemens Digital Industries. Siemens ist der Technologie- und Innovationsführer für die industrielle Automatisierung und Digitalisierung. Du beschäftigst dich aktuell mit dem wohl wichtigstem Thema, wenn es um den Datenaustausch aus rechtlicher und organisatorischer Sicht geht, um herstellerübergreifendes Zusammenarbeiten möglich zu machen. Hast du zum Beginn aktuelle Beispiele, die die Relevanz des Themas Datenaustausch aus rechtlicher und organisatorischer Sicht verdeutlichen?

Boris

Ja, klar. Es gibt viele rechtliche und organisatorische Themen zu klären. Das Thema »Was ist ein Geschäftsgeheimnis?« fällt mir dazu ein. Das ist gar nicht so trivial zu beantworten. Ich möchte ein kleines Beispiel nennen. Wir erinnern uns sicherlich alle daran, wie Tesla die Model-3-Produktion hochgefahren hat. Und die Frage, wie hoch der Produktionsoutput wird von dem neuen Model 3, war etwas, das auf täglicher Ebene den Börsenkurs beeinflusst hat. Wenn ich mir nur vorstelle, ich habe eine Zentrale Maschine in der Produktion von Tesla, dann ist allein das Datum »Timestamps« sehr sensibel, während das in einer ganz anderen Konstellation bei einer anderen Firma unbedeutend ist von der Geschäftsgeheimnis-Perspektive her. Genau um solche und weitere Fragen geht es bei unserer Arbeit.

Du bist heute nicht alleine hier und hast Ulf Könekamp mitgebracht, von der MindSphere World. Ulf, du bist CEO des Vereins der MindSphere World e.V. Ihr seid seit Anfang 2018 mit rund 80 Mitgliedsunternehmen aus Industrie und Forschung, aber auch unterschiedlichen Anwendern unterwegs. Ihr habt zum Ziel, gemeinsam die Zukunft des Industrial Internet of Things (IIoT) mitzugestalten, und teilt Praxiswissen aus erster Hand. Ihr arbeitet mit technologischen Standards, die dazu gehören, und schaut, dass ihr allen Mitgliedern die Möglichkeit gebt, dieses offene Betriebssystem nutzbar zu machen. Ist das so richtig?

Ulf

Wie du schon gesagt hast, ist die MindSphere World ein unabhängiger Verein, dessen Mitglieder vor allem sehr multi-diszipliniert zusammengesetzt sind. Das sind unter anderem Maschinenbauer, Komponentenhersteller, Systemintegratoren, Finanzinstitute, Businessdeveloper und auch Start-Ups, die sich zum Beispiel auf das Thema KI spezialisiert haben.

Diese Multidisziplinarität ermöglicht jedem, vom speziellen Fachwissen der anderen zu profitieren und über den eigenen Tellerrand hinauszublicken. Die Mitglieder sind alle Experten in ihrer Branche oder ihrer Domain. Wir betreiben hier gegenseitiges Consulting über alle Grenzen hinweg. In diesem immer noch sehr neuen Thema der digitalen Transformation ist das sehr wertvoll.

Um tiefer einzusteigen; du sagst, es gibt verschiedene Mitwirkende. Kannst du ein paar Beispiele oder auch Use Cases nennen, an denen ihr gerade im Verein arbeitet?

Ulf

Sehr gerne. Wir haben zum Beispiel eine Interest Group »Finance & Insurance«, in der sich das Who-is-Who der deutschsprachigen Finanz- und Leasingwirtschaft regelmäßig trifft. Dazu gehören unter anderem die Deutsche Bank, die SüdLeasing oder die Swiss Three, um ein paar Namen zu nennen. Diese Unternehmen beraten im neutralen Umfeld des Vereins, wie die Finanzwirtschaft ganz neue Geschäftsmodelle unterstützen kann.

Wie lässt sich ein Pay-per-Use-Modell im regulatorischen Rahmen abbilden? Wie kann man das Risiko der Nicht-Nutzung eines Assets vernünftig auffangen und welche verschiedenen Finanzmechaniken gibt es für neue Geschäftsmodelle? Welche verschiedenen Kunden-Archetypen gibt es? Weil hier noch keiner die perfekte Lösung parat hat, ist ein solcher Austausch auf Augenhöhe sehr wichtig für alle Beteiligten.

In der Arbeitsgruppe Edge befassen sich verschiedenste Unternehmen mit der relativ neuen Technologie. Was sind die Charakteristiken eines Edge-Systems? Wie ist die Architektur, was sind die Elemente? Es geht nicht nur um Technik, sondern auch um die Player in einem Edge-System und die konkreten Anwendungsszenarien. Wer macht was – und die Geschäftstransformationen –, wenn aus einem hierarchischen plötzlich ein heterarchisches System wird?

Ein drittes Beispiel ist die Gruppe Shared Data Pools. Die Teilnehmer haben ein weit fortgeschrittenes Ecosystem-Mindset und haben für sich und andere ein wertvolles Tool geschaffen.

Sehr spannend, was ihr macht.

Herausforderungen, Potenziale und Status quo – So sieht der Use Case in der Praxis aus [06:38]

Boris, du bist einer der Leiter der Gruppe Shared Data Pool. Herstellerübergreifendes Zusammenarbeiten, wo findet das heute statt und wann brauche ich solche Datenpools mit mehreren Leuten?

Boris

Wir würden uns gerne wünschen, dass es noch mehr stattfindet als heute. Viele der heutigen IoT-Projekte laufen bilateral ab – zwischen jemandem, der Daten bereitstellt, und jemandem, der dann zum Beispiel mit den Daten ein Modell baut. Überall da, wo wir Lösungen entwickelt sehen wollen, die skalieren, die über ein Projekt hinausskalieren, die das Potenzial haben, zu einem Produkt zu werden, sind diese übergreifenden Datenpools sehr wertvoll.

Vielleicht trainiert man ein neuronales Netz für eine Quality Inspection, für eine automatisierte Qualitätsinspektion bei einem Kunden in einem spezifischen Umfeld. Ich werde große Schwierigkeiten haben, dieses neuronale Netz beim zweiten Kunden zum Fliegen zu bringen; das wird dann einen sehr hohen weiteren Projektaufwand erfordern. Wenn ich jetzt allerdings das neuronale Netz mit Daten trainiert habe von fünf oder sechs unterschiedlichen Kunden, vielleicht sogar mit Daten aus mehreren Werken pro Kunde, dann kann ich sehr zuversichtlich sein, dass die Lösung, die dort entstanden ist, auch bei dem Kunden sieben und acht funktioniert.

Anders formuliert: Dass sie kommerziell skaliert. Das ist heute die große Herausforderung in der Entwicklung von Vorhersagemodellen, Predictive Models. Dass wir es schaffen müssen, aus dem verdammten Projektmodus herauszukommen, Lösungen und Produkte zu schaffen, die skalieren. Das ist schwierig, weil heute viele Parteien – Maschinenbauer zum Beispiel – auf ihren Daten sitzen und aus einem Bauchgefühl heraus sagen, nein, ich möchte eigentlich jetzt nicht meine Daten mit anderen Firmen zusammen in einen größeren Datenpool legen.

Du hast eben den Aspekt erwähnt, Daten von Werken und Kunden zusammenzubringen. Es geht hier nicht um irgendwelche Wetterdaten, die von Extern kommen. Sondern ein Hersteller – vielleicht ein Sensorhersteller –, ein produzierender Betrieb und ein Komponentenlieferant beispielsweise würden ein gemeinsames Projekt haben. Wäre das ein solches Szenario, was du beschreibst, oder wie muss man sich solche Projekte vorstellen?

Boris

Genau. Ich denke, es gibt strukturell zwei Szenarien. Das eine Szenario ist, es gibt unterschiedliche Hersteller von beispielsweise Maschinen, die alle in einem Prozess verwendet werden. Diese Hersteller können zusätzlichen Kundennutzen generieren, wenn sie ihre Maschinen über den gesamten Prozess hinweg aufeinander abstimmen. Um diese Abstimmung generieren zu können, beginnt man, an der Wertschöpfungskette und den Produktionsschritten entlang, Daten im Auftrag des Kunden zu integrieren.

Das andere Szenario ist schlichtweg, dass es eine ganz spezifische Funktion in einer Produktion gibt, die mehrere Unternehmen haben. Vielleicht die Inspektion von Platinen, ob diese ordnungsgemäß bestückt sind. Das haben sehr viele Unternehmen und sagen, dass ist ein Use Case, da würde ich mich freuen, wenn der ein bisschen besser funktioniert. Use-Case-spezifisch schließe ich mich jetzt zusammen mit fünf, sechs anderen Unternehmen, und wir sagen, wir legen da jetzt unsere Platinendaten, Messdaten zusammen und schauen, dass wir da unsere Funktion, die Qualitätsinspektion, optimieren.

Ein Beispiel wäre, dass man einen Hersteller von Glas hat, der mit seinen Lieferanten spricht, und man stellt fest, da sind ähnliche Prozesse und auch Daten, die man teilen kann, um unter anderen Qualitäts- oder Vermessungsdaten auszutauschen. Vorher war hier der Bruch, dass man gesagt hat, jeder kocht sein eigenes Süppchen und baut die eigenen Datenpools auf. Jetzt arbeitet man zusammen und teilt diese Daten.

Wenn man weiter geht, warum sollte ich denn diese Daten teilen? Hast du hier ein paar Beispiele aus deiner Praxis?

Boris

Die Modelle der KI skalieren oder generalisieren besser, wenn ich mit Daten aus unterschiedlichen Firmen und unterschiedlichen Werken arbeiten kann. Es ist außerdem so, dass gerade unsere deutschen Produktionen so hoch optimiert sind, dass die Verfügbarkeit von Fehlerdaten ein ganz schwieriges Thema darstellt. Auch da können Unternehmen, die sich zusammen setzen, Datenpools gründen, die ein bisschen mehr auf die kritische Masse von Fehlerdaten kommen, damit diese Trainingsvorgänge überhaupt stattfinden können.

Ich möchte noch einmal auf einen der Use Cases zurückkommen, über den Ulf bereits gesprochen hat – das Thema Pay-to-Use-Modelle. Ich habe eine Versicherung als Stakeholder in meinem Ökosystem und einen Leasinggeber. Ich habe dann einen Endkunden und vielleicht einen Produzenten und Hersteller einer Maschine. Auch das ist schon ein multilaterales Datenaustauschverhältnis, das dort organisiert werden muss. Natürlich hat die Versicherung ein legitimes Interesse daran, den Wartungszustand der Maschine zu kennen; und so auch der Leasinggeber. Letzterer wird möglicherweise auch den Durchsatz kennen müssen.

Es gibt ganz unterschiedliche technische Themen, die multilaterales Datensharing voraussetzen; eben aber auch neue Ansätze in Geschäftsmodellen, bei denen es notwendig wird.

Kannst du ein paar Insights geben, warum Unternehmen bei diesen Szenarien auch zögern, ihre Daten zu teilen?

Boris

Natürlich ist es so, dass diese multilateralen Verträge, die es dabei zu gestalten gibt, ein ziemlicher Aufwand sind. Wir sehen in der Praxis, dass die vertragliche Anbahnung eines gemeinsamen IoT-Projektes durchaus sechs, neun oder auch mal zwölf Monate dauern kann. Das hat auch etwas damit zu tun, dass diese Expertise, die ich brauche, um IoT, KI und die juristischen Aspekte zu verstehen, eine Expertise ist, die rar gesät ist. Es gibt keinen Standard und keine etablierten Mechanismen für einen industriellen vertrauensvollen, herstellerübergreifenden Datenaustausch. Anders übrigens, als es bereits andere Branchen geschaffen haben. Ich spreche jetzt über Vertragsstandards oder methodische Vorgehensweisen, die multilateral anerkannt sind als Beispiel.

Was dazu kommt ist, was denn ein Geschäftsgeheimnis ist. Viele Unternehmen sagen aus dem Bauch heraus, nein, ich weiß nicht genau, was die andere Partei da aus meinen Daten herauslesen könnte. Ein strukturierter Ansatz, auf einen erforderlichen Datensatz zu schauen – das muss immer etwas sein, was ich mir Use-Case-spezifisch anschaue. Auch die Frage, wie ermittele ich strukturiert? Was stecken da für Geschäftsgeheimnisse drin und kann ich diese vielleicht herausnehmen, und trotzdem den Algorithmus entwickeln? Kann ich sie tarnen? Kann ich meine Datensätze zuschneiden und sagen, ein Partnerunternehmen bekommt immer nur viertausend Datensätze pro Tag, damit man den Durchsatz nicht herauslesen kann? Das sind alles Themen, die sind kein Basis-Know-how in unserer Branche. In der Konsequenz kostet diese Anbahnung dann viel Zeit und Geld; das macht es nicht viel besser.

Genau, also wir haben hier das Thema des Geschäftsgeheimnisses und des Aufwands, welches mit einem neuen Skill-Set einhergeht, was man eben auch als Jurist innerhalb einer Company braucht, um dieses Thema zu durchleuchten und zu begreifen. Da gibt es bestimmt auch einige Lernkurven.

Viel gibt es auch das Thema DSGVO, beziehungsweise auch, wem gehören die Daten am Ende? Besonders bei so vielen Datenpool-Gebern.

Boris

Interessanterweise ist es so, dass es den Begriff des Eigentums an Daten eigentlich gar nicht gibt. Sondern die Daten, die entstehen, gehören im engerem Sinne niemandem. Die Informationen, die darin stecken, gehören aber jemandem. Wenn ich die in ein neuronales Netz packe … vielleicht spreche ich über IP, Intellectual Property, das ich dann schützen kann. Dabei muss ich übrigens auch eine Einigung erzielen – wie teile ich mir das mit den Partnerparteien?

Die andere Sache ist: Geschäftsgeheimnisse sind geschützt. Geschäftsgeheimnisse gehören mir. In der Tat sind das rechtliche Situationen … wir sprechen viel über den Data Owner – den es rechtlich gar nicht gibt! Das sind so Hürden und Lernkurven, durch die man muss. Danach kann man auch versuchen, den Prozess zu strukturieren und möglicherweise einen Standard zu schaffen, an dem sich andere Unternehmen orientieren können.

Warum ist es heute ein Problem, dass die Firmen nicht in die Richtung gehen, Daten zusammenzubringen und irgendwo auch eine kritische Masse der Daten zu schaffen, auch in der Zukunft?

Boris

Wir sagen auch in der Arbeitsgruppe, wir schaffen es eigentlich nur, das Potenzial der künstlichen Intelligenz auf dem Shopfloor zu heben, wenn wir aus diesem Projektumfeld herauskommen, in dem wir heute stecken. Das wird ein großes Thema der nächsten Jahre werden. Es ist schon so, dass viele in Unternehmen Ermüdungserscheinungen sehen. Sie sagen, Mensch, wir hangeln uns von Proof of Concept zu Proof of Concept, von Feasability Study zu Feasability Study. Aber wie verdienen wir denn jetzt Geld mit KI-Lösungen? Oder andersherum, wie heben wir echt Produktivität in der Fläche, durch den Einsatz von KI? Das scheitert heute an firmenübergreifenden Datapools.

Ich würde gerne noch einen Kommentar machen zum Thema International Dataspaces und GAIA-X, weil das ein großes europäisch-getriebenes Thema ist. Das ist toll, wichtig und stellt eine wichtige technische Infrastruktur zur Verfügung, wie Daten in Zukunft sicher geteilt werden können. Dass ich aber eine Projektorganisation vorher schaffen muss und dass ich rechtlich eine Einigkeit schaffen muss zwischen den Projektparteien … Wie wird geteilt, was wird geteilt, zu welchem Zweck wird geteilt? Wie wird entstehendes IP aufgeteilt? Wie gehe ich mit Haftungsfragen um? Was ist denn, wenn einer der Teilnehmer die Datenquelle nicht auf die Reihe bringt, die das Projekt braucht zur Umsetzung der Lösung? Das sind alles Themen, die adressieren technische Infrastrukturen, wie GAIA-X und IDS, nicht. Da versuchen wir, mit unserer Arbeitsgruppe anzusetzen.

Wenn wir das Thema anpacken und das gemeinsam umsetzen wollen: Was sind Anforderungen, die ihr identifiziert habt, an ein solches System, was es mitbringen muss, um eine datenübergreifende Zusammenarbeit aus juristischer Sicht möglich zu machen?

Boris

Eine wichtige Frage. Das war der Kern unserer Arbeitsgruppe. Wir haben bewusst gesagt, wir bauen jetzt nicht Yet-another-IoT-Plattform. Uns geht es nicht um eine sichere Plattform für den Datenaustausch, sondern wir wollen den Anbahnungsprozess dieser IoT-Projekte, dieser Shared-Data-Pool-Projekte, vereinfachen und beschleunigen. Diese Beschleunigung hat etwas mit Matchmaking zu tun.

Ich habe einen Use Case, an dem ich arbeiten möchte. Ich habe auch einen Algorithmus und muss dazu jetzt einen firmenübergreifenden Datenpool schaffen. Oder möchte mich einbringen mit Daten, die ich habe. Ich habe die Aufgabe, eine Risikoanalyse zu machen und zu sagen, aha, für diesen Use Case ist dieser spezifische Datensatz erforderlich und auf den schaue ich und mache eine Analyse: Welche Geschäftsgeheimnisse könnten für mich als Unternehmen darin stecken, auf die ich aufpassen muss? Dann kann man damit umgehen. Ich muss lediglich vertraglich umgehen und sagen, da stecken Geschäftsgeheimnisse von mir drin; ich möchte jetzt jeden anderen Vertragspartner kennen und die Daten dürfen nicht weitergegeben werden. Oder kann man damit auch technisch umgehen? Ich konvertiere und transformiere einen bestimmten Datenpunkt in einen anderen Datenpunkt, der weniger Geschäftsgeheimnisbezug zu mir hat.

Ich habe ebenfalls Themen, die mit den IP-Rechten der Lösung zu tun haben. Auch das muss eine Projektanbahnung hergeben, dass ich mich unterhalte. Wenn ich zehntausend, hunderttausend Datensätze von mir hergebe, also Aufwand reinstecke, um die Daten qualitätsbereinigt und gesichert in diesen Datenpool zu geben – was bekomme ich denn? Bekomme ich Nutzungsrechte am Modell? Bekomme ich Vermarkungsrechte am Modell? Und so weiter. Dann geht es um ein normales Statement of Work; einen normalen Projektvertrag, der sagt, das und das sind die Rollen, Beteiligten und Pflichten der entsprechenden Parteien, die beim Projekt mitmachen. Wer managt das Projekt? Wer gibt Daten, wer macht ein Modell daraus, wie sind die Übergabepunkte?

Last, but not least, ich brauche ein paar Steuerungsmechanismen obendrauf. Ich muss mir überlegen, wie gehe ich mit Wettbewerbsrecht um? Ist das schon ein Kartell, was ich da möglicherweise gründe, oder laufe ich in die Gefahr hinein? Wie sieht es aus, wenn einer der Beteiligten herausmöchte aus dem Projekt und sagt, ich bringe es doch nicht auf die Reihe, die Daten zu liefern, wie es erforderlich ist? Plötzlich kann auch einer der Hyperscaler an die Tür klopfen und sagen, ich hätte ganz gerne auch an diesem Projekt teilgenommen, ist das denn möglich? Dafür brauche ich Steering-Strukturen – dass es dann Voting-Mechanismen gibt, um mit solchen Projektsituationen umzugehen.

Lösungen, Angebote und Services – Ein Blick auf die eingesetzten Technologien [20:33]

Ihr habt innerhalb der MindSphere-World-Arbeitsgruppe das Ganze umgesetzt und arbeitet gemeinsam an einem IoT-Template-Generator, um diese Zusammenarbeit datenübergreifend zu ermöglichen. Wie funktioniert das genau, was ihr da entwickelt habt?

Boris

Wir haben da den sogenannten MindSphere-World-Ecosystem-Manager geschaffen. Das ist eine Plattform, in der ich Use Cases bekanntgeben und mir auch im Marktplatz vorhandene Use Cases anschauen kann, sodass ich dann entscheiden kann: Möchte ich mich bewerben, da mitzumachen, bei einem dieser Use Cases, indem ich beispielsweise eine Fähigkeit einbringe? In der Tat, neben diesem Marktplatz gibt es in dem Moment, in dem ein Projekt … ich nenne es jetzt mal »fertig konfiguriert« ist … die Beteiligten stehen fest; man ist sich strukturell handelseinig geworden; es gab eine Diskussion, wie man mit IP umgeht, und ist zu einer Einigung gekommen. Dann kann ich das konfigurieren. Ich habe für alle diese Themen Konfigurationsmöglichkeiten in meinem Projekt-Setup und drücke auf den Knopf. Dann wird aus dem Projekt-Setup über das gesamte Projekt und alle Beteiligten ein Rahmenvertrag generiert; teilweise auch spezifische Verträge für Einzelleistungspakete.

Es gibt zum Beispiel den vertrauenswürdigen Datenverarbeiter, den Trusted Data Processor. Mit dem wird ein Data Processing Agreement abgeschlossen; zwischen den Beteiligten und dieser Partei. Da steht genau drin, wie werden die Data Pipelines organisatorisch aufgesetzt und welche rechtlichen Pflichten und Verpflichtungen hat der Trusted Data Processor zu erfüllen? Wenn wir sagen, als Beispiel, in dem Projekt haben sich alle Beteiligten darauf geeinigt, dass es eine Audit-Möglichkeit gibt. Diese Audit-Möglichkeit sorgt dafür, dass ein unabhängiger externer Auditor überprüft, ob die technische Umsetzung des Shared Data Pools auch wirklich den vertraglichen Vereinbarungen entspricht. Dann muss der Data Processor Audit-Klauseln in seinem Dienstleistungsvertrag drin stehen haben. Diese sagen, mit soundso vielen Tagen Vorlauf können wir einen Audit ankündigen, und dann musst du eine externe Partei das ganze Thema anschauen lassen.

Das ist ein Thema, wo wir einen Haken dran machen; okay, wir brauchen den Auditor und die Audit-Möglichkeit, und dann werden da zusätzliche Passagen in die Verträge und Vertrags-Templates hineingegeben.

Sehr spannend. Das eine ist also das Matchmaking; Parteien, die solche Datenprojekte gemeinsam angehen wollen, dann aber auch diese ganzen Features und Funktionen, die ich brauche, um so ein Vertrags-Template zu erstellen, was dann am Ende vermutlich eine PDF-Datei ist, oder?

Boris

Wir haben uns dazu entschieden, es letztendlich eine Word-Datei werden zu lassen, weil wir sagen, Rechtsanwälte müssen schon auch noch mal drüberschauen können und möglicherweise den ein oder anderen Halbsatz ergänzen können. Die Flexibilität soll da sein. Mir ist aber auch wichtig, dass diese Vertrags-Templates von mehreren Parteien im Vorfeld geprüft wurden und werden, sodass man davon ausgehen kann, dass das ein fairer Vertragsentwurf ist, der niemanden benachteiligt in dem Projektumfeld.

Hast du ein Beispiel aus dem privaten Umfeld, wo solche Vertragsvorlagen auch zum Tragen kommen? Da gibt es bestimmt auch etwas, um das Ganze einfacher verstehen zu können.

Boris

Da fallen mir sofort welche ein. Wir kennen alle den ADAC. Nicht nur, weil er uns im Zweifelsfall Pannenhilfe leistet, sondern weil ich auch auf die ADAC-Seite gehen kann, um mein Auto zu verkaufen. Ich kann dort ein Vertrags-Template herunterladen, das alle entscheidenden Aspekte eines Gebrauchtwagenverkaufs regelt, und zwar ohne irgendwie nachteilig zu sein für den Verkäufer. Das ist eine glaubwürdige Plattform. Wenn ich mit einem Vertrags-Template ankomme, dann hat normalerweise die andere Seite überhaupt kein Problem damit, sich darauf einzulassen.

Ein ähnliches Beispiel ist das Vermieten einer Wohnung. Einige von uns tun das vielleicht. In dem Moment, in dem ich einen neuen Mieter habe, setze ich mich nicht an den Rechner und öffne eine neue leere Word-Datei und fange an zu schreiben und zu überlegen, was in den Mietvertrag rein muss. Sondern da gibt es den Vermieterverbund, »Haus & Grund« – möglicherweise muss ich auch 5 Euro bei PayPal einwerfen, aber dann habe ich auch einen Wizard, der mich durch ein paar Fragen führt und generiert danach einen absolut von allen akzeptierten Mietvertrag.

Ich spare mir am Ende Zeit und Geld damit.

Boris

Richtig, das ist das eine. Aber ich habe auch Glaubwürdigkeit, weil ich mich nicht selbst hingesetzt habe und irgendetwas getextet habe.

Du sagtest, es gibt verschiedene Rollen. Ob es um Nutzungs- und Vermarktungsrechte am Ende geht oder verschiedene Rollen, die ich als Datengeber oder Datennehmer einnehmen kann. Kannst du Beispiele nennen, welche Beteiligten da mit Platz nehmen? Welche Rollen es auch gibt innerhalb des Ökosystem-Managers?

Boris

Grundsätzlich gibt es unterschiedliche Rollen, und jede Partei kann eine oder mehrere von diesen Rollen haben. Wir könnten zum Beispiel eine Situation haben, wo ein Fraunhofer-Institut ein Ideengeber ist. Ein Ideengeber für einen Use Case, der vielleicht auch den Algorithmus mitbringt, ist eine dieser Rollen. Da gilt es, IP zu regeln.

Es gibt ebenfalls die Rolle des Orchestrators. Das ist diejenige Partei, die das Projekt managt – auch gegen Bezahlung, im Übrigen. Und über mehrere Beteiligten hinweg sagt: ich sorge dafür, dass wir hier unseren Projektplan haben, dass die Datenqualitätsprüfung stattfindet und dass ein Dienstleister unterbeauftragt wird.

Darüber hinaus gibt es die Rolle der Datengeber, die sich im Projekt beteiligen, indem sie Daten einbringen. Die Rolle des Modellentwicklers – potenziell im Übrigen; denn es könnte auch sein, dass sich alle Beteiligten darauf einigen, dass das Projekt aufhört in dem Moment, in dem der Shared Data Pool zustande gekommen ist. Dann würde jede Partei mit Zugriff auf den Shared Data Pool anschließend ihr eigenes Modell bauen.

Es können sich die Beteiligten auch einigen, eine gemeinsame Beauftragung für einen Modellentwickler zu machen. Dann ist das Ergebnis des gemeinsamen Projekts das Modell, das an alle Beteiligten verteilt wird, die vielleicht Daten hineingegeben haben. Oder man sagt, nein, es gibt als Output des Projekts eine Applikation; das heißt, es gibt jemanden, der baut um das Modell herum noch eine Applikation, eine echte Anwendung. Das ist das Deliverable, das anschließend in die Projekt-Community wieder hinein verteilt wird.

Diese unterschiedlichen Konstellationen gibt es. Ich brauche vielleicht einen IT-Dienstleister, der mir die Applikationen baut. Das mag vielleicht ein anderer Dienstleister sein als die Firma, die mir das Modell entwickelt. Unsere Plattform bringt die Flexibilität mit, das frei zu entscheiden. Der Auditor als Beispiel, den man in seltenen Fällen beauftragt und ins Projekt integriert. Und der Trusted Data Processor, der die Pipelines baut; der die Datentransformation in diesem gemeinsamen Shared Data Pool dann auf die Reihe kriegen muss.

Das heißt, wenn ich Glashersteller bin oder – dein Beispiel – aus der Elektronikfertigung, kann ich schauen, ob ich ein Machine-Learning- oder Data-Science-Team inhouse habe. Dann kann ich auch diese Daten mit einbringen. Ich kann auch von einem Lieferanten oder einem Kunden Daten von Extern einholen; dann kann ich dieses Projekt ausschreiben und von den anderen Stakeholdern Input einholen oder Daten teilen. Das funktioniert auch schnell mit einem Tool, um standardisiert zusammenarbeiten zu können – ist das richtig so?

Boris

Ganz genau. Mir ist nur immer wichtig, dass niemand die Plattform vermischt mit, was ist die eigentliche IoT-Plattform, über die dann der Datenaustausch technologisch ermöglicht wird? Das ist es nicht. Bei uns geht es um die Unterstützung der Anbahnung. Wenn die Projektverträge generiert sind, dann ist die Aufgabe von unserer Plattform erst einmal getan.

Die IoT-Plattform, das wäre ja dann wieder eine Rolle als Hyperscaler oder wenn ich selber schon eine Plattform habe; unabhängig davon – praktisch ein Baustein, den man dann dort anlegen kann?

Boris

Das ist ein Baustein, den man dort anlegen möchte; und wenn sich jemand dafür entscheidet, dafür Google Drive zu verwenden, dann ist das möglicherweise eine legitime Umsetzung.

Wir haben verschiedene IoT-Partner, produzierende Betriebe, Maschinen- und Anlagenbauer, die gerade zuhören. Wenn ich das spannend finde, wie mache ich denn bei euch mit? Habt ihr innerhalb der Arbeitsgruppe die Offenheit, dass ihr sagt, hey, schließt euch uns an, oder wie mache ich bei euch mit?

Boris

Ganz genau. Erst mal ist es so, dass wir auch Firmen suchen, die den Schritt wagen wollen, von den doch heute sehr bilateral strukturierten IoT-Projekten und Modellentwicklungsprojekten den Schritt ins Multilaterale zu gehen. Sie können sich gerne auch über iotusecase.com mit uns in Verbindung setzen. Das ist eine Möglichkeit. Die andere Möglichkeit ist, macht doch bei der MindSphere World Community mit! Wir haben ganz vielfältige Aktivitäten. Es wird dauerhaft so sein, dass diese Plattformen, die wir für MindSphere World entwickelt haben, für Mitglieder kostenfrei ist und sich daher Firmen, die Interesse an der Arbeitsgruppenarbeit oder auch an der Nutzung der Plattform haben, an Ulf Könekamp und oder auch an mich bei MindSphere World wenden können.

Die entsprechenden Links finden sich in den Shownotes.

Ihr geht auch sehr in Vorleistung mit dem Thema. Ihr habt im Hause wahrscheinlich einiges an Kapazitäten in Gang gesetzt, und auch die Kompetenz, die ihr aus MindSphere World mitbringt, dass ihr gemeinsam an so einem Thema arbeitet. Das ist wahrscheinlich für viele da draußen gewinnbringend, dort mitzumachen.

Ergebnisse, Geschäftsmodelle und Best Practices – So wird der Erfolg gemessen [30:56]

Ulf, du hast gesagt, ihr habt ganz unterschiedliche Firmen bei euch, bei denen es darum geht, diese Kompetenzen zusammenzubringen. Kannst du zusammenfassen, warum es für viele eurer Mitgliedern ein wichtiges Thema ist?

Ulf

Ganz viele Unternehmen haben mittlerweile erkannt, dass sie die richtige Innovation oder Effizienzsteigerung nicht mehr alleine hinkriegen. Sondern dass sie das mit anderen zusammen tun müssen. Dass sie eben die komplementären Kompetenzen von anderen nutzen und damit Ökosysteme schaffen, um Dinge anbieten zu können, die keiner alleine anbieten könnte. Es ist immer dieses Zusammenspiel mehrerer. Das ist ein echter Mindset Change, wo Firmen nicht denken, ich kann das alleine oder bilateral, sondern in einer größeren Gruppe zusammenarbeiten. Dazu gehören zum Beispiel auch Cross Supplier Solutions. Die bieten ein enormes Potenzial, weil die Firmen nicht nur einfach eine Spezifikation erfüllen, sondern gemeinsam weiterdenken und damit mehr erreichen können.

Diese ganzen neuen Technologien, die wir sehen – sei es Edge oder sei es Cloud –, werden dann besonders wertvoll, wenn Daten geteilt und in einen neuen Kontext gestellt werden. Also Daten an eine andere Firma oder die Wetterdaten dazu und so weiter. Dann ergeben sich ganz neue Möglichkeiten und auch Erkenntnisse, aus denen man wieder einen Nutzen ziehen kann.

Viele Unternehmen befürchten durch diesen Datenaustausch und durch diese teilweise Offenlegung ihrer Daten, Betriebsgeheimnisse zu verlieren und rechtliche Probleme. Dazu gehört natürlich auch, Compliance zu bekommen. Spätestens an dieser Stelle kommt der Ecosystem Manager ins Spiel. Spezifisch auf Datenverwendung zugeschnittene Vertrags-Templates schützen dann die Unternehmen und ermöglichen ihnen zudem den Einstieg in datenbasierte Geschäftsmodelle, was sonst nicht so einfach wäre.

Boris, um das Ganze einzuordnen, wo steht ihr denn aktuell mit dem Ecosystem Manager und was kommt hier in Zukunft? Es gibt ganz verschiedene Parteien, auch Banken und Versicherungen, die ins Spiel kommen.

Boris

Im Ergebnis haben wir vor, Shared Data Pools so zu ermöglichen, dass wir die Hürde der juristischen Ängste, die Hürde des Datenteilens überwinden. Wir wollen Unternehmen darüber hinweghelfen und sie stärker in Richtung Data-Economy-Themen, in Richtung neuer Geschäftsmodelle, aber auch stärker in – ganz praktisch gesprochen – kommerzielles Skalieren der industriellen KI bringen.

Eine Bemerkung noch: Wir haben geopolitisch ein Thema in Europa mit unseren Ängsten um das Datenteilen, und mit unseren Rechten, die wir haben und auf die wir Wert legen. Wir müssen ein bisschen dafür sorgen, dass wir geopolitisch nicht ins Hintertreffen geraten, weil es eben andere Kulturen gibt, die mit dem Datenteilen anders umgehen und da andere Grundlagen entwickelt haben, zum Beispiel für KI-Anwendungen. Wir können das auch schaffen. Wir können da aufholen und dranbleiben, indem wir mit den Hürden, die wir uns selbst auferlegt haben – aus gutem Grund – strukturiert umgehen und dann in der Struktur, die wir uns geschaffen haben, die Beschleunigung erreichen. Das ist das, woran wir weiter arbeiten werden und woran wir glauben, früher oder später einen Unterschied ausmachen zu können.

Das war ein schöner Appell an alle Zuhörer und Zuhörerinnen. Lasst uns das Thema gemeinsam angehen und vorantreiben. Ein wirklich wichtiges Thema in Richtung Innovation, und es ermöglicht diese Zusammenarbeit zwischen allen, die im Endeffekt den Mehrwert von neuen Technologien heben und die Business Cases zum Fliegen bringen. Ulf, ich gebe dir das letzte Wort für heute. Die Innovation ist ein wichtiges Thema, auch für euch im Verein, und wird es auch in Zukunft bleiben, oder?

Ulf

Genau. Echte Innovation entsteht durch das Zusammenbringen vieler verschiedener Kompetenzen und ganz neuer Formen der Zusammenarbeit, über alle Ebenen der Wertschöpfungskette hinweg. Grundlage dazu ist der Datenaustausch. Wenn alle mehr wissen, können alle davon profitieren und das Ergebnis ist insgesamt besser.

Die modernen industriellen IoT-Technologien sind die Basis dafür. Seien es Edge-Systeme, die mit ihren heterarchischen Strukturen viel einfacher und modularer Architekturen ermöglichen, oder Cloud-Systeme, zwischen denen man sehr einfach, aber immer kontrolliert und dediziert, Daten, und damit Wissen, austauschen kann. Das Ganze immer auf Grundlage vernünftiger Verträge und des Wissens, wer geht mit wem und wie miteinander um.

Datenschutz & Vertragsgestaltung – Zugriff auf Maschinen- und personenbezogene Daten

Zusammenfassung der Podcastfolge

Podcast Interview

Herausforderungen, Potenziale und Status quo – So sieht der Use Case in der Praxis aus [06:38]

Lösungen, Angebote und Services – Ein Blick auf die eingesetzten Technologien [20:33]

Ergebnisse, Geschäftsmodelle und Best Practices – So wird der Erfolg gemessen [30:56]

Quicklinks

Begriffserklärung

Kontakt