Benjamin Geislinger erlebt die KI-Revolution gleich doppelt. Intern verändert sie, wie der Salzburger Spezialist für Kupplungen, Drehschwingungsdämpfer und Antriebsstranglösungen recherchiert, programmiert, Produktionsdaten analysiert und Arbeit organisiert. Extern beschert derselbe Boom dem Familienunternehmen einen kräftigen Wachstumsschub. Denn hinter ChatGPT, Claude, Gemini und den Milliarden von Tokens stehen Rechenzentren, und hinter vielen dieser Rechenzentren stehen Notstromaggregate. In deren Antriebssträngen wiederum stecken Komponenten von Geislinger.
Nie mehr die wichtigsten News aus Österreichs Industrie verpassen? Abonnieren Sie unser Daily Briefing: Was in der Industrie wichtig wird. Täglich um 7 Uhr in ihrer Inbox. Hier geht’s zur Anmeldung!
„Wir profitieren auf Marktseite sehr stark von KI und vom Ausbau der Rechenzentren. Das bringt uns sehr viel Umsatz“, sagt Benjamin Geislinger, Managing Director und zugleich für Digitalisierung verantwortlich.
Billigere Intelligenz aus China: Warum Europas Industrie neu rechnen muss
Die Zahlen geben ihm recht. Im Geschäftsjahr 2025/26 steigerte Geislinger den Umsatz um fast 15 Prozent auf 167 Millionen Euro. Für das laufende Jahr werden 180 Millionen Euro angepeilt, 2027/28 soll die 200-Millionen-Marke fallen. Das 1958 gegründete Familienunternehmen beschäftigt weltweit rund 1.000 Menschen und exportiert nahezu seine gesamte Produktion. Rund die Hälfte des Umsatzes entfällt auf Großdämpfer für Schiffsmotoren, ein stark wachsender zusätzlicher Markt sind inzwischen Datacenter. Dort sichern Generatoren bei Stromausfällen die Versorgung, und Geislingers Drehschwingungsdämpfer schützen deren Antriebsstränge. Damit befindet sich ein österreichischer Maschinenbauer mitten in der physischen Infrastruktur der generativen KI. Geislinger selbst spricht von Rechenleistung bereits als einem neuen strategischen Rohstoff.
Erst Copilot, dann ChatGPT, jetzt Multimodell
Intern verlief die KI-Reise weniger geradlinig. Vor rund einem Jahr wollte Geislinger zunächst standardisieren. Microsoft Copilot war der naheliegende Kandidat, schließlich arbeitet das Unternehmen bereits tief im Microsoft-Universum. Die Resonanz aus den Fachabteilungen fiel jedoch ernüchternd aus. „Das hat die Aufgaben nicht so gut erledigen können wie ChatGPT“, sagt Geislinger. Geislinger entschied sich folglich für den Einsatz von ChatGPT. Für das Unternehmen bedeutete das zugleich eine Datenschutzentscheidung. Anfangs galten strikte Regeln. Kundenbezogene und auftragsbezogene Daten durften nicht in das System. Dann richtete Geislinger einen eigenen Unternehmenszugang in der OpenAI-Cloud ein. Damit veränderte sich die Risikobewertung. OpenAI verwendet Daten aus ChatGPT Business, Enterprise und der API standardmäßig nicht für das Training seiner Modelle. Unternehmen können zudem Zugriffs- und Retention-Regeln verwalten. Geislinger wurde daraufhin wesentlich liberaler. Betriebsgeheimnisse bleiben geschützt. Doch bei normalen Unternehmensinformationen ist die Nutzung weit geöffnet. „Wir geben inzwischen 90 Prozent rein, würde ich sagen. Produktionsoptimierungsparameter undsoweiter“, sagt er.
Die Investitionen dafür blieben überschaubar. Für den eigenen OpenAI-Unternehmenszugang und die bisherige Nutzung nennt Geislinger eine Größenordnung von „unter 100.000“ Euro. Doch die Ein-Modell-Strategie hielt nicht lange. Vor allem die eigene Softwareentwicklung machte deutlich, dass kein Anbieter jede Aufgabe gleich gut löst. GitHub Copilot kam hinzu. Andere Tools wurden getestet. Entwickler forderten unterschiedliche Werkzeuge für unterschiedliche Aufgaben. Die neue Modellstrategie: OpenAI bleibt wichtig, Microsoft bleibt tief im Unternehmen verankert, GitHub ist für Coding relevant, doch kein einzelner Provider soll automatisch jede KI-Aufgabe erhalten.
Geislinger hatte die Nutzung anfangs bewusst kaum begrenzt. Die Mitarbeiter sollten experimentieren und möglichst viel herausfinden. Dann wurden die verfügbaren ChatGPT-Credits knapp. Das Unternehmen untersuchte zunächst, wohin die Rechenleistung verschwand. Die überraschende Antwort: Nicht unbedingt die spektakulären KI-Projekte fraßen das Budget, sondern unauffällige Automatisierungen. Agenten liefen regelmäßig los, machten Marktrecherchen, beobachteten Einkaufspreise bestimmter Materialien, verfolgten Aktienkurse oder lösten Benachrichtigungen aus. "In der Summe erzeugten die dauerlaufenden Routinen beträchtlichen Verbrauch", sagt Geislinger. Die Automatisierungen wurden gedrosselt. Danach kam Geislinger mit den vorhandenen Kontingenten wieder gut aus.
Für eine einfache Aufgabe darf noch das beste Modell laufen
Andere Industrieunternehmen beginnen bereits damit, teure Frontier-Modelle nur für komplexe Planung und preiswertere Modelle für die Abarbeitung zu verwenden. Geislinger hat über eine solche Abstufung ebenfalls diskutiert, setzt derzeit aber bewusst auf größtmögliche Freiheit. „Momentan haben wir uns bewusst dafür entschieden, dass wir alles zulassen. "Für das simpelste Thema nutzen wir das hochwertigste Modell“, sagt er. Statt technische Sperren einzuziehen, versucht das Unternehmen zunächst Kostenbewusstsein aufzubauen. Mitarbeiter sollen verstehen, welche Aufgaben viele Credits verbrennen und wo ein günstigeres Werkzeug reichen könnte.
Besonders deutlich ist das in der Softwareentwicklung. Geislinger hat in den vergangenen Jahren nicht nur klassisches Engineering betrieben, sondern auch eine eigene Softwareaktivität aufgebaut. Aus einem intern entwickelten Produktionsplanungssystem entstand die Business Unit Software Solutions und das MES-Produkt Okulon. Die Software war ursprünglich für die eigenen Kleinserien und Spezialanwendungen entwickelt worden. Nachdem externe Industrieunternehmen Interesse zeigten, begann Geislinger, das System kommerziell zu lizenzieren. Für Geislinger ist der Effekt bereits massiv. „Je bessere Tools man zur Verfügung hat, desto schneller ist die Entwicklung“.
Die Zentrale sorgt dabei für Governance, Lizenzen, Datenschutz und strategische Leitplanken. Die Fachabteilungen suchen selbst nach Anwendungen. Das habe die Dynamik deutlich erhöht. Denn der wirklich wertvolle Use Case entsteht häufig nicht in einem KI-Strategiemeeting, sondern bei einem Mitarbeiter, der jeden Dienstag dieselbe Excel-Auswertung erstellt, regelmäßig Marktpreise recherchiert oder Produktionsdaten manuell zusammenführt. Geislinger hat dafür ein kleines Gremium eingerichtet, das sich monatlich mit der KI-Strategie beschäftigt. Zusätzlich gibt es Key User in den Fachabteilungen, die ihre Erfahrungen und Anwendungen untereinander austauschen.
Einen der stärksten Produktivitätseffekte sieht Geislinger bei Tätigkeiten, die früher häufig extern vergeben wurden. "Marktrecherchen beispielsweise", so Geislinger.
