Ford hat das Fließband nicht erfunden, weil er Autos bauen wollte.
Was McKinseys AI Assembly Line für die deutsche Industrie wirklich bedeutet.
Henry Ford hat das Fließband nicht erfunden, weil er Autos bauen wollte. Er hat es erfunden, weil er die Ökonomie der Produktion verändern musste. 1908 baute seine Fabrik 12.000 Model T pro Jahr zu 825 Dollar pro Stück. 1925 waren es zwei Millionen Fahrzeuge zu 260 Dollar.
Diese Zahlen kennt jeder. Was meist übersehen wird, ist die Reihenfolge der Schritte, die dahin geführt haben.
Ford hat nicht mit dem Band angefangen. Er hat mit der Standardisierung der Teile angefangen. Austauschbare Komponenten, einheitliche Toleranzen, definierte Schnittstellen — das war die eigentliche industrielle Revolution. Das Fließband war nur die logische Konsequenz. Ohne standardisierte Teile hätte kein Band der Welt funktioniert.
Diese Reihenfolge ist entscheidend für das Verständnis dessen, was McKinsey in seinem aktuellen Paper „The AI Assembly Line: Strategic Imperatives for CEOs“ vorschlägt.
Was McKinsey richtig sieht
Das Paper liefert eine der klarsten strategischen Einordnungen von Agentic AI, die ich in den letzten Monaten gelesen habe. Drei Punkte verdienen Zustimmung — uneingeschränkt.
Erstens: AI ist kein Technologieprojekt. Sie ist eine Business-Transformation. McKinsey belegt das mit einer Zahl, die in Aufsichtsräten ankommen sollte: CEO-geführte Transformationen sind 1,5-mal erfolgreicher als technologiegetriebene. Wer AI in der IT-Abteilung verortet, hat das Problem nicht verstanden. Es geht um Organisation, Rollen, Spans of Control, Performance Metrics. Es geht um das Betriebssystem des Unternehmens.
Zweitens: Die Architektur ist klar beschrieben. McKinsey unterscheidet zwischen functional agents — die in einer Domäne operieren — und enterprise agents, die den End-to-End-Fluss orchestrieren. Das ist keine Spielerei. Das ist die nächste Stufe nach dem Chatbot. Es ist der Moment, in dem AI von der Informationsebene auf die Handlungsebene wechselt.
Drittens: Die Dringlichkeit ist begründet. Chinesische Automotive-Hersteller bauen neue Modelle in 24 Monaten, ihre westlichen Wettbewerber brauchen 40. Sie haben 50 Prozent des Heimatmarkts erobert. Wer als europäischer OEM weiter an „artisanal engineering“-Prozessen festhält, wird die nächste Dekade nicht überstehen. Das ist keine Vermutung. Das ist Mathematik.
Bis hierhin: vollständige Zustimmung.
Drei Stellen, an denen es ins Stocken gerät
Genau hier beginnt aber meine Arbeit als Übersetzer zwischen McKinseys Vision und der industriellen Realität in Deutschland. Denn das Paper beschreibt einen Zustand, in den die meisten Unternehmen nicht aus dem Stand springen können. Es beschreibt das laufende Band — aber nicht den Weg dorthin.
Stelle 1 — Das Datenfundament
McKinsey schreibt: „Leaders should ensure that all AI solutions share the same data and operational framework.“ Ein Halbsatz, eingebettet in einen Absatz über Architektur.
In der industriellen Praxis ist genau dieser Halbsatz die 18-Monats-Vorarbeit, an der die meisten Projekte scheitern. Ich habe in 30 Jahren gesehen, wie ehrgeizige Transformationen an exakt einer Frage zerbrechen: Wissen wir eigentlich, was wir wissen?
Ein typisches Beispiel aus der Logistik: Ein Industrieunternehmen führt ein Transport Management System ein. Algorithmisch sauber, fachlich exzellent konzipiert. Das System kann keine optimierten Routen rechnen — weil niemand weiß, wie viel die Teile wiegen. Oder wie groß sie sind. Die Stammdaten liegen in Excel-Tabellen, die seit Jahren nicht aktualisiert wurden.
Das ist kein Einzelfall. Das ist die Regel. Und es ist der Grund, warum die Diskussion über Agentic AI ohne eine ehrliche Bestandsaufnahme der Datenrealität in der Luft hängt. Ein funktionaler Agent, der Lieferantenrisiken bewerten soll, braucht eine konsistente Sicht auf Lieferanten. Ein Enterprise Agent, der Source-to-Contract orchestriert, braucht eine durchgängige Prozess- und Datenarchitektur über zwölf SAP-Systeme hinweg.
McKinsey setzt diese Voraussetzung implizit. In der deutschen Industrie ist sie der Engpass.
Stelle 2 — Die Standardisierungs-Lücke
Hier kehren wir zu Ford zurück. Ford brauchte austauschbare Teile, bevor das Band laufen konnte. Im deutschen Mittelstand sind die „Teile“ Prozesse — und die sind oft historisch gewachsen, werksspezifisch, bereichsspezifisch, manchmal personenspezifisch.
Ein typischer Tier-1-Zulieferer im Automotive-Umfeld mit 800 Lieferanten und zwölf SAP-Systemen hat selten einen Beschaffungsprozess. Er hat zwölf Varianten desselben Prozesses, die historisch gewachsen sind, jede mit eigenen Genehmigungsstufen, eigenen Warengruppen-Logiken, eigenen Sonderregeln.
McKinseys Assembly Line setzt eine Standardisierung dieser Prozesse voraus. Sie sagt nicht: „Standardisiert zuerst, dann automatisiert.“ Sie sagt: „Hier ist die Architektur, in der ihr automatisiert.“
Wer die Reihenfolge umdreht — wer Agenten auf nicht standardisierte Prozesse setzt — produziert Pilotprojekte, die in einem Werk funktionieren und in den anderen elf scheitern. Das ist nicht die Schuld der Technologie. Das ist die Reihenfolge, die Ford bereits 1908 verstanden hat: Erst die Teile, dann das Band.
Stelle 3 — Die Übersetzungs-Lücke
Das Paper adressiert den CEO. Der CEO entscheidet. So weit, so richtig. Aber zwischen der CEO-Entscheidung und der operativen Realität liegt eine Schicht, die in McKinseys Argumentation nicht vorkommt: die Mannschaft, die seit 20 Jahren in SAP-Transaktionen denkt und morgen mit Agenten arbeiten soll.
Diese Schicht ist nicht das Problem. Sie ist die Voraussetzung für Erfolg.
Ein Disponent, der seit 15 Jahren weiß, wann ein Lieferant in Polen trotz roter Ampel im System trotzdem liefert, weil er den Werksleiter persönlich kennt — dieser Disponent trägt Wissen, das in keinem System steht. Wenn ein Agent diese Entscheidung übernehmen soll, muss dieses Wissen explizit gemacht werden. Das ist keine technische Aufgabe. Das ist eine Übersetzungsaufgabe.
McKinsey beschreibt elegante Architekturen. Sie beschreibt nicht, wer das Übersetzen macht. Genau diese Lücke entscheidet darüber, ob aus einer Vorstandspräsentation eine funktionierende Veränderung wird.
Die richtige Reihenfolge
Was bedeutet das alles in der Praxis?
Es bedeutet nicht, dass McKinsey unrecht hat. Es bedeutet, dass der Weg zur AI Assembly Line in der deutschen Industrie drei Stufen hat, die McKinsey im Paper verdichtet — und die in der Übersetzung wieder entfaltet werden müssen.
Stufe eins: Das Inventar. Bevor irgendetwas orchestriert wird, muss man wissen, was vorhanden ist. Welche Daten entstehen wo? Wo gehen sie verloren? Welche Prozesse sind dokumentiert, welche existieren nur in den Köpfen erfahrener Mitarbeiter? Wo sind die kognitiven Bottlenecks, von denen McKinsey spricht — die „white-collar-intensive workflows“, in denen heute tausende Stunden in E-Mails und Meetings versickern? Das ist keine glamouröse Arbeit. Es ist die Voraussetzung für alles, was folgt.
Stufe zwei: Die Standardisierung. Nicht aller Prozesse — sondern der drei bis fünf, die das größte Volumen tragen. Erst auf einem standardisierten Fundament beginnt die Assembly Line, Sinn zu ergeben. Wer hier 18 Monate investiert, gewinnt am Ende drei Jahre.
Stufe drei: Die Orchestrierung. Jetzt — und erst jetzt — beginnen die funktionalen Agenten, ihren Wert zu entfalten. Jetzt wird der Enterprise Agent zur strategischen Klammer. Jetzt wird aus der Vision von McKinsey eine Realität, die in der GuV ankommt.
Schluss
Ford hat nicht mit dem Fließband angefangen. Er hat mit der Standardisierung der Teile angefangen. Das Band war die Konsequenz, nicht der Ausgangspunkt.
Die deutsche Industrie wird McKinseys AI Assembly Line nicht bauen, indem sie Agenten kauft. Sie wird sie bauen, indem sie das Werkstor öffnet, ein ehrliches Inventar macht und die Teile standardisiert. Dann — und nur dann — beginnt das Band zu laufen.
Das ist keine Verzögerungstaktik. Das ist keine deutsche Gründlichkeit als Ausrede. Das ist die Reihenfolge, die Ford selbst eingehalten hat. Wer sie überspringt, baut Showroom-Modelle. Wer sie respektiert, baut Industrie.
Die Frage an die Vorstände ist nicht, ob die AI Assembly Line kommt. Sie kommt. Die Frage ist, ob in der eigenen Organisation die Teile bereitstehen, wenn das Band anläuft.
E-Mail: sven.vollmer@business-quotient.com
Sven Vollmer ist „The Industrial Translator“. Er baut Brücken zwischen der operativen Realität der Industrie (SAP, Supply Chain) und den Möglichkeiten generativer KI. Sein Fokus liegt auf wertschöpfenden Anwendungen abseits des Hypes.
Transparenz-Hinweis: Dieser Artikel entstand mit redaktioneller Unterstützung von KI (Gemini/Claude). Die Ideen, fachliche Prüfung, die Auswahl der Use Cases und die Bewertung (‚Adult Supervision‘) oblagen zu 100% dem Autor.
LinkedIn: www.linkedin.com/in/sven-vollmer-bq
