Anwendbares maschinelles Lernen, für jedes Fertigungswerk.
Ernsthafte industrielle KI gibt es schon. Sie war immer schweres Geschütz — mehrjährige Roadmaps, große Budgets, tiefe Integrationen. Die Mehrheit der Werke bleibt unterhalb dieser Kostenschwelle ausgeschlossen, obwohl sie die Mehrheit des Umsatzes erzeugt. Jemba existiert, um diese Lücke zu schließen.
Die unteren 99 % der Werke erzeugen 60 % des Umsatzes.
Und sie können keine sechsstellige Bereitstellung mit angehängtem Analytics-Team rechtfertigen. Das ist kein KMU-Problem: bekannte Hersteller betreiben eine Galaxie kleinerer Werke, jedes zu klein, um das allein zu finanzieren, und in der Summe sehr bedeutend.
Vertikale Spezialisten bauen physikalische Modelle und digitale Zwillinge für bestimmte große Prozesse. Exzellent, wo sie passen — und der Ansatz amortisiert sich nicht über Werke hinweg.
Mega-Plattformen verkaufen einheitliche Suiten und Eigenentwicklungen an jedes Unternehmen, das sie finanzieren will. Sie gewinnen dort, wo das Budget vorhanden ist, und das heißt am oberen Ende des Markts.
Beide verfolgen dieselben 1 % der Werke. Industrielle KI, maßgeschneidert für einen Prozess oder ein Unternehmen, kann nicht nach unten reichen. Diese strukturelle Tatsache ist die Voraussetzung von allem, was wir bauen.
In einem Industrieunternehmen inkubiert, nicht in einem Labor.
Die Technologie wurde auf eigenen Fertigungsdaten und echten Anwendungsfällen aus der Produktion entwickelt, begleitet von zehn Jahren Fachwissen in den Werken selbst. Deshalb setzt sie einen groben Export voraus und kein sauberes Data Warehouse.
Ein eigenständiges Unternehmen
Jemba besitzt seine Technologie, seine Schutzrechte und seine Kunden vollständig. Nichts ist von jemandem zurücklizenziert, nichts wird geteilt, und das Team arbeitet fest und in Vollzeit daran.
Warum es eigenständig sein musste
Ein etabliertes Monitoring-Geschäft und ein F&E-intensives Vorhaben haben unterschiedliche Risikoprofile, unterschiedlichen Kapitalbedarf und unterschiedliche Horizonte. Beides aus einem Budget zu finanzieren, kommt bei beidem zu kurz.
Die Datenseite ist bereit. Vor zehn Jahren war das nicht so.
Die Instrumentierung ist erledigt
Fabriken haben mehr als ein Jahrzehnt damit verbracht, Historians, PLCs, Sensoren und Qualitätssysteme zu installieren. Die Daten existieren und sterben im Speicher. Es bleibt nichts mehr im Werk bereitzustellen, bevor Wert entstehen kann.
Die Technologie ist reif geworden
Die Mathematik ist nicht neu. Neu ist, dass sich der vollständige Data-Science-Workflow produktisieren lässt, sodass ein Werksleiter ihn bedient, ohne jemanden einzustellen. Vor fünf Jahren war das ein Beratungsauftrag.
Die Aufmerksamkeit liegt anderswo
KI-Kapital zielt überwiegend auf Büroproduktivität. Fertigungseffizienz ist ein Signalproblem, und sie wird nicht im gleichen Tempo gebaut.
Nennen Sie eine Linie und eine Zielgröße.
Maxime Bunel · mb@jemba.ai
Paris, Frankreich
