Maschinenbau : GPT, Claude oder Kimi? Auf diese KI-Wette setzt KNAPP

Michael Pratter hat ein abendliches Ritual. Wenn die Kinder im Bett sind, beginnt für den Director Digital Innovation der KNAPP AG die nächste Schicht. GitHub auf, Repositories prüfen, neue Modelle, Tools und Agenten ansehen. Wer in dieser Welt eine Woche aussetzt, sagt Pratter, hat "bereits entscheidende Entwicklungen verpasst". Bei KNAPP ist das mehr als die private Begeisterung eines Technikers. Der steirische High Tech-Automatisierer besitzt inzwischen eine KI-Architektur, die vom Microsoft Copilot über GitHub Copilot und die APIs amerikanischer Frontier-Modelle bis zu selbst gehosteten chinesischen Modellen, eigenen NVIDIA-Rechnern, Cloud-Stacks, selbst trainierten Modellen für Bildverarbeitung und KI-Robotern bei Kunden reicht. 

„KI verbieten ist das Doofste“: Warum Henn Claude ungewöhnlich viel zutraut

Der zentrale strategische Gedanke dahinter ist bemerkenswert: KNAPP wettet nicht darauf, dass OpenAI, Anthropic, Meta, Moonshot AI oder ein anderer Modellhersteller dauerhaft gewinnt. KNAPP wettet darauf, dass das Modell selbst irgendwann austauschbar wird. „Meine Wette ist die: Je besser der Harness ist, desto verwendbarer wird es und das Modell dahinter wird austauschbare Commodity".

Drei Jahre neuronales Netz, zwei Tage mit LLM: Semperit zieht die Konsequenzen

Für ein Unternehmen dieser Größenordnung ist das eine strategische Ansage. KNAPP erzielte im Geschäftsjahr 2025/26 2,135 Milliarden Euro Umsatz, 7,6 Prozent mehr als im Jahr davor. Der Auftragseingang erreichte 2,51 Milliarden Euro. Weltweit beschäftigt die Gruppe inzwischen rund 9.000 Menschen, davon 4.600 in Österreich. Robotik und KI nennt KNAPP selbst ausdrücklich als wesentliche technologische Wachstumstreiber.

KI lässt sich nicht verbieten

Pratters Ausgangspunkt ist pragmatisch. Ein Industrieunternehmen kann generative KI im Jahr 2026 nicht mehr einfach verbieten. Die Mitarbeiter haben ChatGPT, Claude, Gemini, Kimi und zahllose kostenlose Dienste auf dem privaten Smartphone. Wer ihnen keine sichere Alternative gibt, produziert "Schatten-IT". KNAPP versucht deshalb genau die umgekehrte Strategie. Werkzeuge werden möglichst früh kontrolliert in die Breite gebracht, Mitarbeiter geschult, Arbeitsgruppen eingerichtet und Best Practices ausgetauscht. Sonst drohe, dass sensible Informationen in irgendeinem kostenlosen „Tante-Emma-Gratis-Modell“ landen.

Das erklärt, warum die KI-Landschaft im Konzern bewusst mehrere Ebenen hat. Für klassische Büroarbeit steht Microsoft Copilot zur Verfügung. In der Softwareentwicklung spielt GitHub Copilot eine wichtige Rolle, nicht nur beim Schreiben von Code, sondern auch bei Konzeption und automatisiertem Testing. Gleichzeitig trainiert KNAPP selbst Foundation Models für Anwendungen in der Bildverarbeitung. KI ist damit längst sowohl horizontales Produktivitätswerkzeug als auch Bestandteil des eigenen Technologieportfolios.

Die Herausforderung ist kulturell mindestens so groß wie technisch. Manche Mitarbeiter springen sofort auf neue Werkzeuge, andere wesentlich langsamer. Und generative KI verführt dazu, immer größere Informationsmengen in ein Modell zu kopieren, weil mehr Kontext häufig bessere Antworten verspricht. Genau dieses Verhalten müsse man durch Schulung und Sensibilisierung beherrschbar machen, sagt Pratter. KI-Einführung wird damit auch zu einer Governance-Aufgabe.

Pratter zieht bei KI-Ausgaben bewusst Obergrenzen ein. Die Kosten können gerade bei agentischer Softwareentwicklung schnell nach oben laufen. „Da steht der Chefarchitekt der Softwareentwicklung in der Tür und fragt, wie viel Euro in Credits er dem Unternehmen pro Monat wert ist“. Für leistungsfähige Entwickler seien „ein paar hundert Euro“ monatliche KI-Credits durchaus eine Größenordnung, die man investieren wolle. Ein Entwickler kostet nicht mehr nur Gehalt, Notebook, IDE und einige SaaS-Lizenzen. Er bekommt zusätzlich ein Budget für maschinelle Intelligenz. Pratter setzt die teuren Modelle dort ein, wo ihre Fähigkeiten den größten Hebel bringen. Besonders bei Konzeption, funktionaler Spezifikation und Testbeschreibung greift er persönlich gerne zu GPT-Modellen von OpenAI oder Claude von Anthropic. Ist klar beschrieben, was gebaut werden soll, kann ein preisgünstigeres Modell übernehmen. 

„Wenn ich der Meinung bin, dass die Spezifikation sauber ist, dann füttere ich damit zum Beispiel eine Kimi", sagt er. Wie elegant das billigere Modell anschließend formuliert, sei zweitrangig. Entscheidend sei, dass die Spezifikation stimmt und der Code funktioniert. 

Pratter nennt Kimi ausdrücklich als eines seiner bevorzugten Werkzeuge für Softwareentwicklung. Hinter Kimi steht Moonshot AI, eines der prominentesten chinesischen KI-Labs. Im Jänner 2026 veröffentlichte das Unternehmen Kimi K2.5, ein multimodales Modell mit besonderem Fokus auf Coding, Agenten und visuelles Reasoning. Moonshot bewirbt K2.5 ausdrücklich für „professional-grade coding tools“ und hat die API-Preise gegenüber dem vorherigen K2-Turbo-Modell deutlich reduziert.

Pratters Urteil: „Ich verwende Kimi relativ gerne, weil es einfach superschnell ist und gut trifft, aber nur fürs Kodieren.“ Anthropic sei wiederum bei Konzeption stark. Beim Coding könne Claude allerdings teuer werden.  Pratter erinnert sich an einen Satz von der AI4 2026, die vom 4. bis 6. August in Las Vegas stattfand. Der dort gefallene Satz habe sich bei ihm festgesetzt: „Die große Ironie der AI-Entwicklung 2026 sei, dass die einzigen freien AI-Modelle von einem autoritären Regime kommen". Während OpenAI, Anthropic und andere US-Anbieter ihre besten Modelle monetarisieren, drücken chinesische Akteure aggressive Open-Weight-Angebote in den Markt. KNAPP testet diese chinesischen Modelle bewusst. Produktiv bei Kunden landen sie derzeit allerdings nicht. „Wir hosten die intern", sagt Pratter. KNAPP bringe sie aber nicht in produktive Systeme.

Sechsstellige NVIDIA-Investitionen statt völliger Cloud-Abhängigkeit

KNAPP investiert regelmäßig in eigene GPU-Infrastruktur. Im Gespräch fallen NVIDIA H100 und H200. Das sind keine gewöhnlichen Grafikkarten, sondern Beschleuniger für KI-Rechenzentren. Ein DGX-H100-System von NVIDIA enthält acht H100-GPUs mit zusammen 640 GB GPU-Speicher. Die H200-Variante kommt mit acht H200-Beschleunigern auf insgesamt 1.128 GB GPU-Speicher. Dazu kommen zwei Xeon-Prozessoren, zwei Terabyte Arbeitsspeicher und Hochgeschwindigkeitsnetzwerke bis 400 Gigabit pro Sekunde.

Pratter nennt für entsprechende Systeme Größenordnungen, die noch vor einem halben Jahr bei rund 100.000 Euro für A100-basierte und 200.000 Euro für H200-basierte Hardware gelegen hätten. Inzwischen hätten Engpässe die Preise teilweise massiv nach oben getrieben. Den aktuellen Faktor beziffert er grob mit drei bis vier gegenüber früheren Größenordnungen. KNAPP investiere durchaus immer wieder und darüber in NVIDIA-Infrastruktur. 

„Wir orchestrieren und leiten die Kanäle übergeordnet auf die richtige Maschine, entweder im Haus oder in einen Cloud-Stack oder zu einem Modell-Provider“, erklärt Pratter. Ein Mitarbeiter stellt eine Aufgabe. Die Plattform entscheidet, wohin diese Aufgabe geht. Vielleicht wird sie auf eigener NVIDIA-Hardware gerechnet. Vielleicht wandert sie in einen Cloud-Stack. Vielleicht wird eine API von Anthropic, OpenAI oder einem anderen Anbieter angesprochen. Die zentrale Ebene entscheidet nach Fähigkeiten, Kosten, Verfügbarkeit, Datenschutz und Zweck. 
Auch die Auslastung wird optimiert. Tagsüber entstehen besonders viele Nutzerabfragen. Nachts, wenn weniger Mitarbeiter auf die Systeme zugreifen, nutzt KNAPP die freien Rechenkapazitäten für Modelltraining. „Das Equipment, das man kauft, läuft idealerweise 24 Stunden am Tag“, sagt Pratter.

Das Unternehmenswissen steckt nicht im GPT-, Claude- oder Kimi-Modell. Es liegt in Prozessbeschreibungen, Datenbanken, Vektorspeichern, Dokumenten, Software, Schnittstellen und den Erfahrungen der Organisation. Der Harness macht dieses Wissen für ein Modell nutzbar. Er bereitet eine Anfrage auf, entscheidet über Berechtigungen, holt relevante Unternehmensinformationen, wählt ein Modell, übergibt den Kontext, nimmt dessen Antwort entgegen und übersetzt sie wieder in den Geschäftsprozess. Genau darin sieht er das dauerhafte Asset. Das Modell kann morgen Kimi, übermorgen Claude und eine Woche später wieder völlig anders heißen. "Was bleibt, ist die Logik des Unternehmens", sagt er.

Diese Logik führt Pratter direkt zu SAP. Der Walldorfer Softwarekonzern hat einen Vorteil, den ein neuer LLM-Anbieter nicht einfach kopieren kann: jahrzehntelang codiertes Wissen darüber, wie Unternehmen Einkauf, Produktion, Finanzwesen, Materialwirtschaft oder Logistik organisieren. „Derjenige, der die Domäne beherrscht, hat in Zukunft ein leichtes Leben“, glaubt Pratter. Die Kernkompetenz des SAP-Konzerns sei es, Geschäftsprozesse zu steuern. Genau diese Prozesse könnten den „Harness“ bilden, über den künftig unterschiedliche LLMs bedient werden. SAP hat diese Position in den vergangenen Jahren gezielt verstärkt. Mit Signavio verfügt der Konzern über eine eigene Plattform für Process Intelligence und Prozessmanagement. 

Generative KI ist für KNAPP nur der jüngste Teil der Geschichte. Das Unternehmen arbeitet seit Jahren mit Machine Learning und Deep Learning in Bildverarbeitung und Robotik. Die 2016 gegründete hundertprozentige Tochter ivii spezialisiert sich auf intelligente Bildverarbeitung für Qualitätskontrolle und digitale Assistenzsysteme. Bereits 2008 hatte die damalige KNAPP-Geschäftseinheit produktive Vision-Picking-Piloten umgesetzt.

Pratter bezeichnet die aktuelle Bildverarbeitung in der Robotik denn auch als eine der herausragenden KI-Anwendungen im Konzern. Das sichtbarste Beispiel ist Pick-it-Easy Robot. Der stationäre Kommissionierroboter erkennt Artikel in einem Behälter, bestimmt den geeigneten Greifpunkt und nimmt das Produkt automatisiert auf. KI hilft dabei, unterschiedlichste Formen, Verpackungen, Oberflächen und Materialien zu beherrschen, darunter transparente oder spiegelnde Produkte.

Jeder Griff erzeugt neue Trainingsdaten

Die Robotikmodelle werden nicht einmal trainiert und anschließend eingefroren. Sie lernen aus realen Pickvorgängen weiter. Jeder Griff eines Roboters kann Daten liefern, die das zentrale Modell verbessern. Die digitale Beziehung endet nicht damit nicht mehr mit der Inbetriebnahme einer Maschine. Die KI-Komponente bleibt über den Lebenszyklus mit der zentralen Lerninfrastruktur verbunden. KNAPP betreibt dafür einen eigenen gekapselten Cloud-Stack, verteilt über Rechenzentren großer Provider. 

Humanoide für Lastspitzen, nicht für jede Bewegung

Beim Hype-Thema humanoide Roboter will KNAPP Early Adopter sein. Der Vorteil des Humanoiden: bei der Flexibilität. Ein humanoider Roboter muss nicht am Boden verschraubt werden. Für ihn braucht es weniger fixe Fördertechnik. Bei saisonalen Spitzen könnte er am Vormittag an einer Stelle und am Nachmittag an einer völlig anderen eingesetzt werden. Genau dort, wo ein Lager nicht dauerhaft für maximale Spitzenlast mit stationärer Automation ausgestattet werden soll, könnte die menschenähnliche Maschine wirtschaftlich interessant werden. Das widerspricht der Vorstellung, Humanoide würden bestehende Hochleistungsautomation einfach ersetzen. KNAPP denkt sie eher als flexible Ergänzung.