User Experience (UX) im KI-Zeitalter

Ich bin von Haus aus UX-Designerin. Mein Herz schlägt für intuitive Oberflächen, konsistente Nutzungserlebnisse und die Frage: Wie kommt ein User möglichst einfach von A nach B? Jahrelang war die Antwort in Business Software immer recht eindeutig: klare Menüs, erlernbare Muster, effiziente Wege durch das System. Doch ist die Frage mit Blick auf den Einfluss von KI auf die UX überhaupt noch aktuell?

Künstliche Intelligenz verändert nicht nur, was Software kann. Sie verändert, wie wir mit Software arbeiten. Und das hat Auswirkungen auf das, was wir unter „guter User Experience“ verstehen.

Das Ende der klassischen Bedienoberfläche?

Schauen wir auf ein Beispiel aus dem Engineering-Alltag: Sie erhalten eine E-Mail. Ihr Zulieferer teilt mit, dass Bauteil #4711 ab März nicht mehr lieferbar ist. Bisher würden Sie sich durch die Stückliste klicken, manuell nach Verwendungen suchen, Alternativen in einem anderen System recherchieren, einen Änderungsantrag anlegen und Kolleg*innen per Mail informieren. Das alles dauert Stunden, verteilt über mehrere Tools.

Demnächst sprechen Sie nur noch ein: „Bauteil #4711 fällt weg – was ist betroffen und was sind Alternativen?” Das System prüft selbständig alle Baugruppen, schlägt qualifizierte Ersatzteile vor und bereitet den Änderungsantrag zur Freigabe vor.

Noch ein Schritt weiter in die Zukunft und Sie müssen die Frage gar nicht mehr stellen. Das System erkennt die Auswirkung selbst, schlägt die Änderung proaktiv vor und wartet nur noch auf Ihre Freigabe.

Neue Anforderungen an die UX

Das Beispiel beschreibt den Paradigmenwechsel, den KI-Funktionen und -Agenten in Engineering-Umgebungen gerade einleiten. Dieser Wandel stellt vieles auf den Kopf, was wir über UX gelernt haben.

Die UX von morgen wird nicht mehr daran gemessen, wie intuitiv eine Oberfläche zu bedienen ist. Sie wird daran gemessen:

  • …wie gut das System die Absicht des Nutzers versteht
  • …wie relevant die proaktiven Vorschläge sind
  • …wie intelligent die Automatisierung im Hintergrund arbeitet

Anders formuliert: Die beste UX wird wahrscheinlich die sein, bei der man am wenigsten mit einer Oberfläche interagieren muss, um sein Ziel zu erreichen.

Fünf Prinzipien, die UX neu definieren

Was bedeutet das konkret? Ich sehe fünf Verschiebungen, die sich abzeichnen – besonders im Engineering-Umfeld.

1. Konversation statt Klick

Sprache und Text werden zur primären Schnittstelle. Nicht weil Klicken schlecht ist, sondern weil natürliche Sprache näher an unserer eigentlichen Absicht liegt als jede Menüstruktur. Ein gut trainiertes System versteht, was gemeint ist – auch dann, wenn die Formulierung nicht exakt passt.

Das erfordert ein radikales Umdenken: Es geht nicht mehr darum, dass User*innen den Umgang mit der Oberfläche einüben. Das System muss lernen, den Menschen zu verstehen.

2. Proaktiv statt reaktiv

Heutige Software wartet auf Eingaben. Zukünftige Systeme handeln von sich aus: Sie erkennen Risiken, bevor sie entstehen, schlagen Aktionen vor, bevor Nutzer*innen danach suchen, und weisen auf Inkonsistenzen hin, bevor sie zu Problemen werden.

Ein Qualitäts-Agent, der Datenströme überwacht und automatisch Korrekturmaßnahmen einleitet – das ist nicht Zukunftsmusik. Das ist eine konkrete Architekturentscheidung, die heute getroffen werden kann.

3. Adaptiver Arbeitsbereich – just in time

Die Oberfläche konfiguriert sich nach Rolle, Aufgabe und Datenkontext. Eine Konstrukteurin benötigt ein anderes Interface als eine Projektleiterin oder ein Qualitätsverantwortlicher. Und was man um 9 Uhr morgens braucht, kann sich von den Anforderungen um 15 Uhr unterscheiden.

Intelligente Systeme passen sich an den Menschen an – nicht umgekehrt.

4. Wissensgraph statt Stichwortsuche

Klassische Suche findet Dokumente, die ein Schlagwort enthalten. Eine semantische Suche auf Basis eines Wissensgraphen versteht Beziehungen: Wo wird dieses Bauteil verbaut? Welche Varianten sind betroffen? Was hat sich in der letzten Version geändert?

Dieser Unterschied klingt technisch. Er hat aber unmittelbare UX-Konsequenzen: Nutzer*innen müssen nicht mehr wissen, wonach sie suchen müssen. Das System liefert den richtigen Kontext.

5. Human-in-the-Loop – der Mensch entscheidet

So beeindruckend KI-Agenten auch sind: Die Entscheidungshoheit bleibt beim Menschen – oder sollte es in jedem Fall.

Gute UX in KI-Systemen bedeutet, den richtigen Moment zu finden, an dem das System pausiert und auf menschliche Genehmigung wartet – nicht zu früh (das wäre nervig), nicht zu spät (das wäre riskant).

Human-in-the-Loop ist kein Sicherheitsnetz. Es ist eine Designentscheidung, die Vertrauen schafft.

Eine Flotte digitaler Kolleg*innen

Ein Bild hilft mir, wenn ich über die Zukunft der Zusammenarbeit mit KI nachdenke: Stellen Sie sich vor, Sie bekommen kein neues Tool, sondern neue Kolleg*innen, die sich um Engineering und Design kümmern. Die auf Qualität und Compliance spezialisiert sind und die Lieferkette im Blick haben.

Diese digitalen Agent-Kolleg*innen arbeiten still im Hintergrund, orchestriert und aufeinander abgestimmt. Sie sind nicht omnipräsent, aber immer dann zur Stelle, wenn sie gebraucht werden.

Das verändert nicht nur die Arbeit, sondern auch das Verhältnis zur Software. Aus einem Werkzeug, das bedient werden muss, wird ein Partner, der mitdenkt.

BU: In CONTACT Elements enthaltene KI-Assistenten helfen Ingenieur*innen bei ihren Aufgaben.

In CONTACT Elements enthaltene KI-Assistenten helfen Ingenieur*innen bei ihren Aufgaben.

Was das für die Praxis bedeutet

Diese Veränderungen geschehen nicht über Nacht. Und sie sind keine Selbstläufer. Wer von intelligenter UX profitieren will, braucht dafür die richtige Grundlage: strukturierte Daten, klare Governance. Und ein System, das KI nicht als Add-on, sondern als integralen Bestandteil versteht.

Die Qualität der KI-Ausgaben ist direkt abhängig von der Qualität der Eingaben. Ein Agent, der auf unstrukturierte oder unvollständige Daten zugreift, liefert unzuverlässige Ergebnisse und schlechte UX, egal wie gut das Interface gestaltet ist.

Deshalb lautet mein wichtigstes Fazit aus der Arbeit der letzten Monate: Investitionen in Datenqualität und Plattformarchitektur sind Investitionen in User Experience.

Der Mensch bleibt im Mittelpunkt

KI verändert die Oberfläche, aber nicht das Ziel. Technologie soll Menschen in die Lage versetzen, ihre Arbeit gut zu erledigen. Mit weniger Reibung, mehr Kontext undbesseren Entscheidungsgrundlagen.

Dass dies künftig über Konversation statt Klick, über proaktive Vorschläge statt leerer Textfelder, über semantische Zusammenhänge statt Stichwortsuche geschieht, ist keine Bedrohung für gutes UX-Design. Es ist eine Einladung, neu darüber nachzudenken, was „intuitiv“ eigentlich bedeutet.

Künstliche Intelligenz richtig einsetzen

Künstliche Intelligenz entfaltet ihre Wirkung nur, wenn Sie KI-Funktionen systematisch und wertschöpfend in Ihren Prozessen verankern. Wie das funktioniert, erfahren Sie in unseren AI Insights. Mit dem Newsletter erhalten Sie handfeste Praxisbeispiele, Best Practices und wertvolle Tipps rund um Engineering und Manufacturing Intelligence.

KI im Engineering einsetzen

Künstliche Intelligenz (KI) ist im Engineering nicht mehr wegzudenken. Anwendungen wie ChatGPT oder GitHub Copilot erhöhen die Effizienz schon heute in vielen Bereichen der Produktentwicklung. Während Ihr Unternehmen diese Werkzeuge einfach und schnell einsetzen kann, ist die Implementierung industrieller AI-Lösungen aufgrund der spezifischen Fragen und komplexen Prozesse deutlich anspruchsvoller. Zumal es häufig an der benötigten Datenqualität, -menge und -infrastruktur mangelt. Hier kommen Systeme für Product Lifecycle Management (PLM) ins Spiel.

PLM-Lösungen bieten nicht nur eine Plattform zur Verwaltung von Produktdaten. Sie liefern auch eine wichtige Schnittstelle, mit der sich KI-gestützte Technologien in verschiedenen Phasen des Engineerings implementieren lassen.

Industrielle KI implementieren

Wenn Sie AI nutzbringend in industrielle Prozesse integrieren wollen, stehen Sie vor mehreren Herausforderungen. Eine der größten ist, geeignete KI-Modelle zu trainieren und Daten in ausreichender Qualität bereitzustellen.

Fertige Anwendungen wie ChatGPT oder Dall-E sind für generische Anwendungszwecke wie Textarbeit oder Bilderstellung sofort nutzbar. Solche Anwendungen und Modelle fehlen für komplexe industrielle Fragestellungen. Öffentlich zugängliche Datensätze sind selten auf industrielle Anforderungen zugeschnitten. Daher müssen Unternehmen KI-Modelle gezielt anpassen und firmenspezifische Datensätze und Modelle erstellen.

Darüber hinaus müssen Sie komplexe Anforderungen an das Deployment von KI-Modellen berücksichtigen. Dies betrifft insbesondere

  • die Integration in bestehende Systeme,
  • die Zugriffssicherheit und Autorisierung im Umgang mit den dahinterliegenden Daten und
  • die Sicherstellung von Zuverlässigkeit und Performance.

Wie hilft PLM-Software hier weiter?

PLM-Systeme bieten die nötige Infrastruktur, um Daten zu sammeln, zu strukturieren und aufzubereiten. Sie ermöglichen es, KI-Modelle in bestehende Prozesse zu integrieren, und bieten eine zentrale Plattform, um KI-Lösungen über den gesamten Produktlebenszyklus zu managen. Dies umfasst die Sicherstellung der Datenqualität, die Versionierung und die Verwaltung der generierten Ergebnisse.

Mit der Verbindung von KI-Tools und PLM-Systemen stellen Sie eine konsistent strukturierte Nutzung Ihrer Daten sicher. So entsteht die Grundlage für erfolgreiche KI-Anwendungen.

Eine zweite große Herausforderung ist die Komplexität der KI-Implementierung. Das reicht von der Auswahl geeigneter Modelle und Algorithmen bis hin zur Anpassung dieser Modelle an Ihre spezifischen Anforderungen.

Um AI erfolgreich zu integrieren, sind die Expertise der Ingenieur*innen und Datenwissenschaftler*innen sowie die Zusammenarbeit zwischen Abteilungen wie IT, Engineering und Datenwissenschaft entscheidend. PLM-Systeme unterstützen den Prozess als Plattform für nahtlose Zusammenarbeit und Kommunikation zwischen Ihren Teams.

PLM-Systeme als Wegbereiter für KI

PLM-Software mit tiefer Integrationsfähigkeit erzeugt die Voraussetzungen, um KI in bestehenden Engineering-Prozessen einzusetzen. Als zentrale Datendrehscheiben ermöglichen sie es, auf Daten aus verschiedenen Quellen im Produktlebenszyklus zuzugreifen.

Die konsolidierte Datenbasis des PLM-Systems ebnet den Weg für generative KI-Technologien (GenAI). Dabei handelt es sich um KI-Lösungen, die selbstständig neue, kreative Inhalte wie Texte oder Bilder erschaffen. Dadurch eröffnen sich Unternehmen völlig neue Möglichkeiten, zum Beispiel im Design und in der Produktentwicklung.

Indem PLM-Systeme die Integration von KI-gestützten Design-Tools erleichtern, sorgen sie für eine effiziente Verwaltung und Versionierung von KI-generierten Designs. Sie können beispielsweise Varianten von CAD-Modellen automatisiert erstellen. Bewährt haben sich auch Designoptimierungen, die auf Basis von Simulationsergebnissen generiert werden.

Wesentlich ist außerdem, KI-Lösungen mit bestehenden Datenstrukturen zu verknüpfen. Durch die Integration von KI in PLM-Systeme verbinden Sie KI-gesteuerte Designwerkzeuge direkt mit Ihren Produktdaten. Dies beschleunigt nicht nur den gesamten Entwicklungsprozess. Ihr Unternehmen gestaltet die Wiederverwendung von Komponenten effizienter, verbessert die Zusammenarbeit zwischen Teams und optimiert die Produktentwicklung kontinuierlich.

Ein weiterer Vorteil: PLM-Systeme speichern KI-generierte Erkenntnisse und Optimierungen zentral. Das macht sie für zukünftige Projekte nutzbar. Dadurch können Sie Ihre Innovationsfähigkeit erheblich steigern.

PLM-Systeme sind weit mehr als nur Datenverwaltungssysteme. Es sind zentrale Plattformen für den Einsatz KI-gestützter Assistenz-Systeme.

Solche Systeme helfen zum Beispiel bei Designentscheidungen. Sie analysieren Daten aus ähnlichen Projekten und liefern konkrete Verbesserungsvorschläge. Darüber hinaus führen sie Simulationen durch und stellen die Ergebnisse in einer Form dar, die für Ingenieur*innen verständlich ist. Das Ergebnis: bessere Entscheidungen, kürzere Entwicklungszeiten.

KI-Anwendungen im Engineering

Durch das Zusammenspiel von GenAI und PLM-System integrieren Sie KI-basierte Designprozesse nahtlos in bestehende Workflows. Daraus ergeben sich vielseitige Use Cases:

Automatisierte Designvarianten

Künstliche Intelligenz erstellt neue Designvarianten auf Basis bestehender CAD-Daten und optimiert diese automatisch auf Parameter wie Kosten, Materialeinsatz oder Produktionsmöglichkeiten. Ingenieur*innen gewinnen mehr Zeit für kreative Designaufgaben.

Simulationsgestützte Optimierungen

Mit Simulationstools, die GenAI-Algorithmen nutzen, verbessern Sie Designvorschläge kontinuierlich und passen sie auf Basis von Simulationsergebnissen iterativ an. So treffen Sie die besten Designentscheidungen auf Basis umfassender Datenanalysen. Dies reduziert die Anzahl physischer Prototypen und spart Zeit und Kosten.

Optimierung der Produktentwicklung

KI passt Designs dynamisch an neue Anforderungen an – während der laufenden Entwicklung. In Verbindung mit dem PLM-System können Sie schneller auf Änderungen reagieren und die Produktentwicklung ohne Verzögerungen anpassen. Dies bietet insbesondere dem Maschinen- und Anlagenbau große Vorteile.

Zeitreihenvorhersagen

GenAI analysiert Zeitreihendaten und sagt zukünftige Entwicklungen voraus. Auf Grundlage historischer Daten und anderer betrieblicher Informationen helfen PLM-Systeme in Kombination mit KI, Trends frühzeitig zu erkennen und fundierte Entscheidungen zu treffen.

KI-Anwendungen für Ingenieur*innen

Datenmanagement und Deployment

Die Integration von KI in die Produktentwicklung ist nicht nur technisch, sondern auch organisatorisch komplex. Damit KI seine Wirkung erzielt, braucht es ein geeignetes Datenmanagement. Auch hier sind PLM-Systeme eine große Hilfe.

Mit einer PLM-Lösung verwalten Sie Daten konsistent und strukturiert – von der Erfassung über die Speicherung bis zur Bereitstellung für KI-Modelle. Dabei müssen Unternehmen Datenschutz, -sicherheit und -verfügbarkeit gewährleisten.

Neben der Datenverarbeitung ist auch das Deployment – die Bereitstellung in der produktiven Umgebung – entscheidend. Um KI-Lösungen in bestehende IT-Infrastrukturen zu integrieren, müssen Ihre IT- und Engineering-Teams eng zusammenarbeiten. PLM-Systeme ermöglichen es, KI-Anwendungen sicher und leistungsstark zu integrieren und sie für die Anwender*innen im Tagesgeschäft einfach zugänglich zu machen.

Damit müssen PLM-Systeme sowohl die Entwicklung und Integration von KI-Modellen unterstützen als auch deren Betrieb und Wartung im laufenden Geschäft sicherstellen.

Ein weiterer wichtiger Aspekt ist die kontinuierliche Verbesserung von KI-Modellen. Hier unterstützen PLM-Systeme als Plattform für das Monitoring und die Aktualisierung. Auf Basis von gesammelten Betriebsdaten lassen sich KI-Modelle kontinuierlich verbessern und an Veränderungen anpassen. Dies stellt ihren Nutzen langfristig sicher.

Welche Trends zeichnen sich ab?

PLM-Systeme dienen künftig zunehmend als zentrale Plattformen für die Verwaltung und Integration von KI-Lösungen. Eine immer größere Bedeutung gewinnt die KI-gestützte Automatisierung, denn die Fähigkeiten, aus Daten zu lernen und komplexe Zusammenhänge zu erkennen, wird stetig verbessert.

Ein weiterer Trend ist die immer stärkere Integration von KI in die Zusammenarbeit zwischen Abteilungen und Unternehmen. PLM-Systeme entwickeln sich dabei zu Plattformen, die sowohl interne Prozesse unterstützen als auch eine vernetzte Zusammenarbeit über Unternehmensgrenzen hinweg ermöglichen. Das Ergebnis sind effizientere Lieferketten und beschleunigte Innovationen.

Auch erklärbare und transparente AI-Modelle gewinnen zunehmend an Bedeutung. Sie stärken das Vertrauen in KI-Lösungen und erhöhen deren Akzeptanz in sicherheitskritischen Bereichen des Engineerings.

In die PLM-Lösung CONTACT Elements integrierter KI-Assistent (Screenshot).

Erfolgsfaktoren für KI im Engineering

Datenverfügbarkeit und -qualität

Die Grundlage für den Erfolg von KI-Anwendungen bilden hochwertige Daten (und deren Verfügbarkeit). PLM-Systeme stellen durch eine konsistente Datenerfassung und -verwaltung sicher, dass die benötigten Daten in der erforderlichen Qualität zur Verfügung stehen. So können Modelle auf einer soliden Datenbasis trainieren und präzise, verlässliche Ergebnisse liefern.

Nahtlose Prozessintegration

Um den vollen Mehrwert von KI-Technologien auszuschöpfen, müssen Unternehmen diese in bestehende Workflows einbinden. PLM-Systeme integrieren KI-gestützte Anwendungen in bestehende Prozesse und vereinfachen deren Nutzung. Dadurch lassen sich KI-Lösungen ohne große Anpassungen in bestehende Systeme einführen und schneller in Betrieb nehmen.

Schulungen und Change Management

Unternehmen müssen ihre Mitarbeiter*innen gezielt auf die Nutzung von KI-Tools vorbereiten. Dafür sind technische Schulungen notwendig, in denen auch ein Verständnis für den Einsatz im jeweiligen Arbeitskontext vermittelt wird. Durchdachtes Change Management fördert die Akzeptanz und involviert alle Mitarbeiter*innen aktiv in den Veränderungsprozess.

Unterstützung durch das Management

Die erfolgreiche Einführung von KI im Engineering gelingt nur, wenn das Management entsprechende Initiativen unterstützt. Die Kommunikation klarer Ziele und Strategien für die Transformation ist ebenso wichtig wie die Bereitstellung nötiger Ressourcen. Zugleich muss das Management eine Kultur des Wandels fördern.

Zusammenfassung

Die Integration von KI revolutioniert das Engineering. PLM-Systeme nehmen dabei als zentraler Dreh- und Angelpunkt der Daten eine Schlüsselrolle ein. Sie schaffen die notwendige Infrastruktur, um KI-Anwendungen in bestehende Prozesse zu integrieren und effizient zu nutzen.

Kritische Erfolgsfaktoren sind die sinnvolle Nutzung von Daten, die Integration von KI-Modellen in die bestehende IT-Landschaft sowie die Einbindung der Mitarbeiter*innen. Nur wer diese Herausforderungen gezielt angeht, gestaltet die KI-Transformation im Engineering nachhaltig.

Ratsam ist ein strategisches Vorgehen. Ihr Unternehmen sollte Technologie und Menschen gleichermaßen in den Fokus rücken. So schöpfen Sie das volle Potenzial von KI im Engineering nachhaltig aus.

Kosten von Cloud PLM vs. On-Premises PLM

Sie stehen vor der Entscheidung Ihr Product Lifecycle Management (PLM) auf den neuesten Stand bringen oder überhaupt erst einzuführen. Die Vorteile sind klar: effizientere Prozesse, schnellere Markteinführung, bessere Zusammenarbeit. Doch sobald die Funktionslisten und Anwendungsfälle besprochen sind, rückt eine andere wichtige Frage in den Mittelpunkt: Was kostet das eigentlich – und welche Option ist wirklich die günstigere auf lange Sicht?

Die Wahl zwischen Cloud PLM und der klassischen On-Premises-Lösung ist oft ein Ritt zwischen der initialen Investitionsbereitschaft und flexiblen, laufenden Betriebskosten. In diesem Beitrag werfen wir einen Blick auf die Kosten von Cloud PLM vs. On-Premises PLM.

Die traditionelle Variante: On-Premises PLM

Wenn Sie sich für ein On-Premises PLM-System entscheiden, erwerben und betreiben Sie die Software in Ihrer eigenen IT-Infrastruktur. Dies bedeutet eine hohe Anfangsinvestition, aber auch volle Kontrolle.

Anschaffungskosten:

  1. Software-Lizenzen: Dies ist oft der größte Posten. Sie kaufen Dauerlizenzen, die Ihnen das unbegrenzte Nutzungsrecht an der Software gewähren. Die Kosten variieren je nach Anbieter, Funktionsumfang und Anzahl der Benutzer*innen.
  2. Hardware-Infrastruktur: Sie benötigen leistungsstarke Server, Speichersysteme, Netzwerkkomponenten und Back-up-Lösungen. Diese müssen den Anforderungen des PLM-Systems gerecht werden und für zukünftiges Wachstum skalierbar sein.
  3. Infrastrukturkosten: Ein geeigneter Serverraum (Klimatisierung, Stromversorgung, etc.), Firewalls etc. sind unerlässlich.
  4. Implementierung und Anpassung: Die Installation, Konfiguration und Datenmigration aus Altsystemen sowie die Anpassung an spezifische Unternehmensprozesse erfordern oft externe Beratungsleistungen und interne Ressourcen.
  5. Schulungen: Umfassende Schulungen für Administrator*innen und Endbenutzer*innen sind notwendig, um das System optimal zu nutzen.

Laufende Kosten:

  1. Wartungs- und Supportverträge: Die meisten Softwareanbieter verlangen jährliche Gebühren für Software-Updates, Patches und technischen Support. Diese liegen typischerweise bei 15-25 % des ursprünglichen Lizenzpreises pro Jahr.
  2. IT-Personal: Sie benötigen eigene IT-Spezialist*innen für die Systemwartung, Fehlerbehebung, Sicherheit, Backups und Performance-Optimierung.
  3. Hardware-Wartung und Austausch: Server und Speicher müssen regelmäßig gewartet und nach einigen Jahren ersetzt werden (Abschreibung, Neuanschaffung).
  4. Energiekosten: Der Betrieb der Server und der Klimaanlage verursacht laufende Stromkosten.
  5. Sicherheitsmaßnahmen: Lizenzen für Antivirensoftware, Firewalls und regelmäßige Penetrationstests sind notwendig, um die Datensicherheit zu gewährleisten.
  6. Upgrades: Größere Versions-Upgrades können den Umfang einer Neuimplementierung erreichen, da sie oft Anpassungen, intensive Tests und erneute Schulungen erfordern.

Die flexible Alternative: Cloud PLM

Beim Cloud PLM (oft als Software-as-a-Service, SaaS, angeboten) mieten Sie die Software und die Infrastruktur eines Drittanbieters. Das bedeutet in der Regel geringere Anfangsinvestitionen.

Anschaffungskosten:

  1. Einrichtungsgebühren (optional): Einige Anbieter erheben eine einmalige Gebühr für die Einrichtung des Kontos oder die Erstkonfiguration.
  2. Implementierung und Anpassung: Auch hier sind Dienstleistungen für die Konfiguration, Datenmigration und spezifische Prozessanpassungen erforderlich. Diese können jedoch meist weniger umfangreich sein, da die Basisinfrastruktur bereits vorhanden ist und die Cloud-Lösungen oft standardisiert sind.
  3. Integrationen: Die Anbindung an bestehende On-Premises-Systeme kann Integrationsprojekte erfordern, die mit Kosten verbunden sind.
  4. Schulungen: Schulungen für Anwender*innen und Administrator*innen sind ebenfalls notwendig, können aber durch intuitive Benutzeroberflächen und Online-Ressourcen oft effizienter gestaltet werden.

Laufende Kosten:

  1. Abonnementgebühren: Dies ist der Hauptkostenfaktor. Sie zahlen eine monatliche oder jährliche Gebühr pro Benutzer*in, oft gestaffelt nach Funktionsumfang. Diese Gebühren umfassen die Softwarenutzung, Infrastruktur, Wartung, Updates und den grundlegenden Support.
  2. Skalierung: Das Hinzufügen oder Entfernen von Benutzer*innen oder Speicherplatz ist in der Regel flexibel und wird direkt in den Abonnementgebühren widergespiegelt.
  3. Premium-Support/Zusatzleistungen: Für erweiterten Support, spezielle Add-Ons oder zusätzliche Speicherplatz können extra Gebühren anfallen.
  4. Anpassungen/Integrationen: Laufende Anpassungen oder die Entwicklung neuer Integrationen können zusätzliche Dienstleistungsgebühren verursachen.
  5. Internetzugang: Ein zuverlässiger und ausreichend schneller Internetzugang ist essenziell und sollte in der Kalkulation berücksichtigt werden, auch wenn er oft schon vorhanden ist.

Der direkte Kosten Vergleich:

Um eine fundierte Entscheidung zu treffen, ist es unerlässlich, die Gesamtkosten über einen Zeitraum von 5 bis 10 Jahren zu betrachten.

Fazit:

Die optimale Lösung bei der Wahl zwischen Cloud PLM und On-Premises PLM hängt stark von den individuellen Gegebenheiten Ihres Unternehmens ab:

  • Für kleine und mittelständische Unternehmen (KMU), die schnell starten, IT-Ressourcen schonen und von geringeren Anfangsinvestitionen profitieren möchten, ist Cloud PLM oft die wirtschaftlichere Wahl. Die planbaren monatlichen Kosten und die automatische Wartung entlasten die interne IT erheblich.

Wenn Sie die Vorteile von Cloud PLM in der Praxis erleben möchten, bietet CONTACT Softwares Cloud PLM-System eine flexible und skalierbare Lösung. Besonders interessant: Sie können die Software kostenlos testen und sich selbst ein Bild davon machen, wie modernes Product Lifecycle Management in der Cloud Ihre Entwicklungsprozesse effizienter gestaltet.

  • Für große Unternehmen oder solche mit sehr spezifischen, komplexen Anforderungen, die maximale Kontrolle über ihre Daten und Systeme wünschen und über die notwendigen IT-Ressourcen verfügen, kann On-Premises PLM weiterhin die bevorzugte Option sein. Die hohen Anfangsinvestitionen relativieren sich oft über längere Nutzungszeiträume.

Sie interessieren sich für PLM und Cloud Technologien? Der Newsletter „Engineering Compass“ zeigt aktuelle Trends auf und bietet Orientierung für Unternehmen, die ihre digitale Produktentwicklung effizient und zukunftssicher gestalten möchten.