Digitaler Zwilling im Mittelstand. Warum der Einstieg günstiger ist, als viele Unternehmen glauben

Zwischen Interesse und Umsetzung liegt eine teure Lücke

Das Interesse am digitalen Zwilling ist kaum noch eine Frage. In einer Befragung von McKinsey unter 75 Führungskräften aus der Industrie gaben 86 Prozent an, dass ein digitaler Zwilling für ihr Unternehmen relevant ist. 44 Prozent hatten bereits einen umgesetzt, weitere 15 Prozent planten den Einsatz.^[1] Der digitale Zwilling ist damit in den Strategiepapieren der Industrie angekommen.

Ein genauerer Blick zeigt jedoch, wie weit Anspruch und Alltag noch auseinanderliegen. Laut dem Manufacturing IT/OT Trend Report 2025 befinden sich knapp 41 Prozent der befragten Unternehmen erst in der Pilotphase, während nur 20 Prozent von einer vollständigen Integration berichten.^[2] Viele Projekte bleiben im Versuchsstadium stecken, obwohl die Technik verfügbar ist.

Woran das liegt, zeigt eine Umfrage des Digitalverbands Bitkom. 57 Prozent der befragten Industrieunternehmen sehen fehlende Daten als zentrales Problem beim Einsatz digitaler Zwillinge, 48 Prozent nennen unzureichende technische Voraussetzungen.^[3] Auffällig ist, dass beide Gründe Einschätzungen beschreiben. Ob die Daten tatsächlich fehlen oder nur nicht als solche erkannt werden, bleibt in solchen Antworten offen.

Zwischen Interesse und Umsetzung liegt eine große Lücke.

^{Infografik: Fast alle halten den digitalen Zwilling für relevant, doch nur ein Bruchteil nutzt ihn im Alltag | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen ist diese Lücke teuer. Investitionen in Workshops und Pilotprojekte entfalten keinen nachhaltigen Nutzen, wenn sie nie in den Betrieb übergehen. Gleichzeitig verschafft sich die Konkurrenz Vorsprung, die bereits simuliert, bevor sie baut. Die gute Nachricht: Wenn die größten Hürden auf Einschätzungen beruhen, lassen sie sich mit Wissen und einem klaren Vorgehen überwinden, ohne dass zuerst große Budgets freigegeben werden müssen.

Das häufigste Bedenken betrifft die Daten. Ob Unternehmen wirklich bei null anfangen, zeigt das nächste Kapitel.

• 86 Prozent der befragten Führungskräfte halten den Zwilling für relevant.
• 44 Prozent haben bereits einen digitalen Zwilling umgesetzt.
• Knapp 41 Prozent stecken noch in der Pilotphase.
• Nur 20 Prozent berichten von einer vollständigen Integration.
• Fehlende Daten gelten als häufigstes Hindernis.

Die Zahlen zeigen ein klares Muster: Der Wille ist da, der Weg in den Alltag fehlt. Genau dort setzen die folgenden Kapitel an.

Die Datenfrage. Der wichtigste Baustein liegt oft schon im Archiv

Der Satz „Uns fehlen die Daten“ fällt in fast jedem ersten Gespräch über einen digitalen Zwilling. Er beschreibt das Gefühl, ganz von vorne beginnen zu müssen. Bei genauerem Hinsehen trifft dieses Gefühl in technischen Unternehmen jedoch selten zu.

Wer Produkte entwickelt, arbeitet mit CAD-Daten, also mit computergestützten Konstruktionsmodellen. Darin steckt bereits ein großer Teil dessen, was ein digitaler Zwilling braucht: die exakte Geometrie jedes Bauteils, Maße und Toleranzen, Materialangaben, die Struktur der Baugruppen, Stücklisten und häufig auch Bewegungsachsen. Hinzu kommen Fotos aus Marketing und Dokumentation, Handbücher aus dem Service, Schulungsvideos und Maschinendaten aus dem Betrieb. Das amerikanische National Institute of Standards and Technology hat die Wirtschaftlichkeit digitaler Zwillinge in einem eigenen Bericht untersucht und beschreibt sie als Computermodelle physischer Objekte und Prozesse, deren Nutzen über den gesamten Lebenszyklus entsteht.^[4]

Wo keine aktuellen CAD-Daten existieren, etwa bei älteren Hallen und Bestandsanlagen, lassen sich die fehlenden Bausteine heute mit vertretbarem Aufwand erfassen. Im Reallabor des Forschungscampus ARENA2036 wurden verschiedene Verfahren zur Digitalisierung von Bestandsanlagen verglichen. Manuelles Modellieren erreichte dort mit 93,4 Prozent nach der Kennzahl mAP die höchste Genauigkeit, war aber sehr zeitaufwendig. Ein Verfahren namens Gaussian Splatting, das aus einem einfachen Videoscan eine fotorealistische 3D-Szene berechnet, erreichte in wenigen Minuten einen Wert von 91,2 Prozent.^[5]

Im CAD-Modell steckt bereits der Rohbau des digitalen Zwillings.

^{Infografik: Konstruktionsdaten enthalten Geometrie, Material, Baugruppen, Stückliste und Bewegung und damit die Grundlage jedes Zwillings | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Das eigentliche Problem ist deshalb meist nicht das Fehlen, sondern die Verteilung der Daten. CAD-Modelle werden konstruiert, für die Produktion genutzt und anschließend archiviert. Jahre später lässt der Vertrieb neue Produktbilder erstellen, der Service zeichnet Explosionsdarstellungen neu, und die Schulung produziert neue Videos, obwohl die nötigen Informationen bereits im Konstruktionsmodell vorliegen. Unternehmen bezahlen so mehrfach für Inhalte, die sie längst besitzen. Forschende der Chalmers University of Technology haben zudem gezeigt, dass realistische virtuelle Modelle gerade bei der Planung in bestehenden Fabriken typische Probleme wie fehlende Maßstäbe und missverständliche Kommunikation deutlich verringern.^[6]

Wer seine vorhandenen Daten sichtet, stellt deshalb oft fest, dass ein großer Teil des Weges bereits gegangen ist. Wo noch Lücken bleiben, stellt sich die Frage nach dem Aufwand ihrer Erfassung, und genau darum geht es im nächsten Kapitel.

• Technische Unternehmen besitzen fast immer CAD-Daten.
• Konstruktionsmodelle enthalten Geometrie, Material und Baugruppen.
• Fotos, Handbücher und Maschinendaten ergänzen das Bild.
• Bestandsanlagen lassen sich per Videoscan in Minuten erfassen.
• Das Problem ist meist die Verteilung, nicht das Fehlen.

Die Datenfrage ist damit in den meisten Fällen beantwortet. Die Bausteine sind vorhanden, sie liegen nur in verschiedenen Abteilungen und Archiven.

Die Gerätefrage. Wenn das Smartphone den Spezialscanner ersetzt

Wo Daten fehlen, müssen sie erfasst werden. Viele denken dabei an teure terrestrische Laserscanner auf Stativen, an spezialisierte Software und an ausgebildete Vermessungsteams. Dieses Bild stimmt für Aufgaben, bei denen es auf den Millimeter ankommt. Für einen großen Teil der Anwendungen ist es jedoch überholt.

Aktuelle Smartphones der Pro-Klasse besitzen einen eingebauten LiDAR-Sensor, also einen kleinen Lasersensor, der Entfernungen misst, und kombinieren ihn mit der Kamera. Eine 2026 in den ISPRS Archives veröffentlichte Studie hat fünf iPhone-Apps für 3D-Scans in kontrollierten Tests verglichen, darunter PIX4Dcatch. Das Ergebnis: Smartphone-LiDAR kann eine Genauigkeit im Zentimeterbereich erreichen, wobei die Leistung je nach App deutlich schwankt.^[7] Eine Untersuchung der University of New Brunswick ermittelte mit einem iPhone 13 Pro eine absolute Genauigkeit von etwa drei Zentimetern in der Horizontalen und etwa sieben Millimetern in der Vertikalen.^[8]

Wie das in der Praxis aussieht, zeigt das dänische Bauunternehmen Nordkysten, das Strom- und Versorgungsleitungen in Städten repariert und ersetzt. Das Unternehmen gräbt und verfüllt im Durchschnitt rund 1.500 Baugruben pro Jahr und dokumentiert sie mit mobilen Geräten. Laut dem Anbieter ist für erfolgreiche Aufnahmen keine besondere Schulung nötig, die Daten werden automatisch in die Cloud übertragen und dort zu 3D-Modellen verarbeitet, die mit Kunden geteilt werden können.^[9] Auch das Schweizer Unternehmen Multinet setzt auf diesen Ansatz, ausdrücklich weil die Teams vor Ort keine ausgebildeten Vermesser sind und mit minimaler Einweisung arbeiten müssen.^[10]

Nicht jede Aufgabe braucht Millimeter.

^{Infografik: Die erforderliche Genauigkeit entscheidet über das passende Erfassungsverfahren und damit über die Kosten | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen verschiebt sich damit die entscheidende Frage. Sie lautet nicht mehr, was ein Scanner kostet, sondern wie genau das Ergebnis für den jeweiligen Zweck sein muss. Für Dokumentation, Planung, Abstimmung und das spätere Wiederfinden von Leitungen genügt oft der Zentimeterbereich. Wo es auf Millimeter ankommt, etwa bei Passungen oder verbindlichen Vermessungen, bleiben Laserscanner und klassische Vermessung die Referenz. Wer beide Welten kombiniert, setzt teure Technik gezielt dort ein, wo sie wirklich gebraucht wird, und spart überall sonst.

Sind die Daten erfasst, stellt sich die nächste Frage: Womit werden sie lebendig, interaktiv und simulierbar? Die Antwort kommt aus einer Branche, die viele in der Industrie unterschätzen.

• Pro-Smartphones besitzen eingebaute Lasersensoren für 3D-Scans.
• Studien belegen Genauigkeiten im Zentimeterbereich.
• Die Qualität hängt stark von der verwendeten App ab.
• Teams vor Ort brauchen nur eine kurze Einweisung.
• Für Millimeterarbeit bleiben Laserscanner die Referenz.

Die Gerätefrage ist damit für viele Aufgaben beantwortet. Oft genügt ein Smartphone und der Mitarbeiter, der ohnehin vor Ort ist.

Die Werkzeugfrage. Was die Industrie von Videospielen lernt

Ein digitaler Zwilling ist, nüchtern betrachtet, eine interaktive 3D-Welt, in der sich Objekte bewegen, Licht und Physik berechnet werden und Menschen in Echtzeit eingreifen können. Genau das leisten Game Engines, die Softwarebasis moderner Videospiele. Dennoch hält sich in vielen Unternehmen die Einschätzung, Game Engines seien Spielzeug und für ernsthafte industrielle Anwendungen ungeeignet. Wer so denkt, plant oft eine teure Eigenentwicklung, wo ein bewährtes Werkzeug bereitsteht.

Die Praxis zeigt, wie verbreitet diese Werkzeuge längst sind. Laut Epic Games setzen Hunderte Automobilhersteller, Zulieferer und Händler die Unreal Engine ein, vom ersten Designkonzept bis zur Planung von Fabriken.^[11] Mercedes-Benz hat im neuen CLA ein Infotainmentsystem eingeführt, das auf der Game Engine Unity basiert.^[12] Und das Daimler-Tochterunternehmen Protics entwickelte mit der Unreal Engine eine Plattform für gemeinsame Design-Reviews, die als Multiplayer-Onlinespiel für Ingenieure beschrieben wird.^[13]

Das eindrücklichste Beispiel stellte Tesla bereits 2021 auf seinem AI Day vor. Das Unternehmen trainiert seinen Fahrassistenten in einer fotorealistischen Simulation, die es selbst als Videospiel mit dem Autopiloten als Spieler beschreibt. Echte Fahrten der Flotte werden dabei als Spielwelt nachgebaut, und in diesen Welten lassen sich seltene und gefährliche Situationen wie Nacht, Regen oder plötzlich auftauchende Fußgänger beliebig oft und ohne Risiko durchspielen.^[14]

Was für Spiele entwickelt wurde, simuliert heute Fabriken und Fahrzeuge.

^{Infografik: Game Engines sind von der Unterhaltung in die industrielle Simulation gewandert und dort längst etabliert | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Der wirtschaftliche Vorteil der Simulation lässt sich in einem Satz zusammenfassen: Ein Video von der echten Welt zeigt nur, was passiert ist. Eine Simulation zeigt, was passieren könnte. Für Unternehmen bedeutet das, Varianten zu testen, bevor sie gebaut werden, Mitarbeitende an Anlagen zu schulen, die noch nicht existieren, und Produkte zu präsentieren, die erst in Planung sind. Dass diese Technik erwachsen wird, zeigt auch die Standardisierung: Die Khronos Group, das Konsortium hinter verbreiteten 3D-Formaten, hat 2026 eine Erweiterung vorgestellt, mit der sich fotorealistische 3D-Rekonstruktionen in einem offenen Austauschformat speichern lassen.^[15] Offene Standards schützen Unternehmen vor der Abhängigkeit von einzelnen Anbietern.

Bleibt die Frage, wie lange es dauert, solche interaktiven Anwendungen zu bauen. Auch hier hat sich in kurzer Zeit mehr verändert, als viele ahnen, wie das nächste Kapitel zeigt.

• Game Engines berechnen 3D-Welten, Licht und Physik in Echtzeit.
• Hunderte Autohersteller nutzen die Unreal Engine.
• Mercedes baut das Infotainment des neuen CLA mit Unity.
• Tesla trainiert seinen Fahrassistenten in einer Spielwelt.
• Offene Standards schützen vor Anbieterabhängigkeit.

Die Werkzeugfrage ist damit beantwortet. Game Engines sind kein Spielzeug, sondern die leistungsfähigsten Werkzeuge für interaktive Simulation, die es heute gibt.

Die Zeitfrage. Prototypen in Tagen statt Monaten

Selbst wer Daten und Werkzeuge hat, fürchtet häufig den Zeitaufwand. Bis ein erster Prototyp vorliegt, den man der Geschäftsführung, Kunden oder Investoren zeigen kann, vergehen nach verbreiteter Erfahrung Monate. Diese Erfahrung stammt allerdings aus einer Zeit vor der generativen künstlichen Intelligenz.

Ein kontrolliertes Experiment von Microsoft Research, GitHub und dem MIT lieferte dazu frühe, belastbare Zahlen. Entwickler sollten so schnell wie möglich einen Webserver programmieren. Die Gruppe mit einem KI-Assistenten war 55,8 Prozent schneller als die Vergleichsgruppe ohne.^[16] McKinsey kam in einer eigenen Untersuchung zu dem Ergebnis, dass neuer Code mit generativer KI in nahezu der Hälfte der Zeit entsteht.^[17] Und eine Studie der Harvard Business School mit der Boston Consulting Group zeigte, dass Beratende mit KI-Unterstützung mehr Aufgaben erledigten, rund 25 Prozent schneller arbeiteten und dabei deutlich bessere Ergebnisse lieferten.^[18]

Seitdem hat sich die Technik erheblich weiterentwickelt. Im September 2026 zeigte der Softwareentwickler Dilum Sanjaya, wie das KI-Modell GPT-6 Astra von OpenAI eine interaktive Visualisierung eines V8-Motors mit Kurbeltrieb, Ventilsteuerung und Drehzahlregelung erstellte. Nach seiner Angabe benötigte das Modell dafür 25 Minuten.^[19] Am selben Tag veröffentlichte die Entwicklerin Ashe Magalhaes den Human Atlas, einen interaktiven Anatomie-Atlas mit 2.234 einzeln auswählbaren Strukturen aus 15 Körpersystemen. Die anatomische Geometrie stammt dabei aus dem vorhandenen Referenzmodell BodyParts3D, die KI machte daraus eine nutzbare Anwendung.^[20]

Schneller zum Prototyp, aber nicht ohne Prüfung.

^{Infografik: Künstliche Intelligenz verkürzt den Weg zum ersten Prototyp drastisch, die fachliche Prüfung bleibt ein eigener, unverzichtbarer Schritt | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen verändert das die Logik von Investitionsentscheidungen. Wenn ein erster vorzeigbarer Prototyp in Tagen statt Monaten entsteht, sinkt das Risiko eines frühen Starts erheblich. Ideen lassen sich zeigen, diskutieren und verwerfen, bevor große Budgets gebunden sind. Zugleich gilt eine wichtige Einschränkung: Die gezeigten Beispiele sind frühe Demonstrationen. Ob Geometrie, Funktion und Qualität stimmen, müssen Fachleute prüfen, besonders bei sicherheitsrelevanten Anwendungen.

Damit verschiebt sich die Rolle des Menschen von der Ausführung zur Steuerung und Prüfung. Wer diese Rolle übernimmt und wie groß das dafür nötige Team sein muss, beantwortet das nächste Kapitel.

• Mit KI-Assistent lösten Entwickler eine Aufgabe 55,8 Prozent schneller.
• Neuer Code entsteht laut McKinsey in nahezu halber Zeit.
• Ein interaktiver V8-Motor entstand in 25 Minuten.
• Ein Anatomie-Atlas mit 2.234 Strukturen wurde am selben Tag veröffentlicht.
• Fachliche Prüfung bleibt unverzichtbar.

Die Zeitfrage ist damit neu zu bewerten. Vorzeigbares entsteht heute in Tagen statt Monaten, wenn Fachleute die Ergebnisse sorgfältig prüfen.

Die Teamfrage. Warum kleine Teams oft besser sind

Das letzte Bedenken ist oft das hartnäckigste. Selbst wenn Daten, Werkzeuge und Zeit kein Problem mehr sind, bleibt die Sorge, für ein solches Vorhaben eine eigene Abteilung aufbauen zu müssen. Große Konzerne verfügen über ganze Innovationsbereiche, mittelständische Unternehmen haben dafür weder das Personal noch das Budget.

Die Forschung spricht jedoch nicht dafür, dass Größe automatisch zu besseren Ergebnissen führt. Eine 2019 in Nature veröffentlichte Studie von Lingfei Wu, Dashun Wang und James Evans analysierte mehr als 65 Millionen Fachartikel, Patente und Softwareprodukte aus den Jahren 1954 bis 2014. Kleinere Teams brachten dabei eher neue, umwälzende Ideen hervor, während größere Teams vor allem bestehende Ansätze weiterentwickelten.^[21] Dashun Wang fasste das Ergebnis so zusammen, dass große Teams mehr Aufmerksamkeit erzielen, kleine Teams aber systematisch mehr Neues schaffen.^[22]

Auch in der industriellen Praxis setzt sich dieses Muster durch. McKinsey beschreibt, wie ein großer Hersteller seinen digitalen Zwilling mit einem bereichsübergreifenden Produktteam aus Fertigungsingenieuren, Betriebsverantwortlichen, Datenfachleuten und IT-Architekten aufbaute. Das Team verband die Datenquellen, erprobte zunächst ein minimal funktionsfähiges Produkt und baute darauf eine skalierbare Lösung auf.^[1] Entscheidend war nicht die Größe des Teams, sondern seine Zusammensetzung.

Drei Rollen ersetzen eine eigene Abteilung.

^{Infografik: Ein kleines Team aus Zielverantwortung, Fachwissen und technischer Umsetzung genügt für den Start eines digitalen Zwillings | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Daraus lässt sich eine einfache Formel ableiten. Es braucht einen Menschen im Unternehmen, der das Ziel kennt, Prioritäten setzt und andere für das Thema begeistert, häufig als Product Owner bezeichnet. Es braucht die Fachabteilung, die das eigene Produkt und die eigenen Prozesse am besten versteht. Und es braucht ein kleines Spezialteam, das die Technik beherrscht und die Umsetzung übernimmt. Dieses Team muss nicht im eigenen Haus aufgebaut werden. Gerade für mittelständische Unternehmen ist es oft wirtschaftlicher, die technische Umsetzung extern zu besetzen und das Wissen über Ziel und Produkt im eigenen Haus zu behalten.

Mit der Teamfrage sind alle fünf Bedenken geprüft. Doch ein Baustein fehlt noch, und er entscheidet darüber, ob ein digitaler Zwilling am Ende tatsächlich Nutzen stiftet.

• Eine Nature-Studie wertete über 65 Millionen Arbeiten aus.
• Kleine Teams bringen eher neue Ideen hervor.
• Erfolgreiche Zwillinge entstehen in gemischten Produktteams.
• Product Owner, Fachabteilung und Spezialteam bilden den Kern.
• Die technische Umsetzung kann extern erfolgen.

Die Teamfrage ist damit beantwortet. Unternehmen brauchen kein großes Team, sondern das richtige.

Erst das Ziel, dann die Technik

Der Begriff digitaler Zwilling wird inzwischen für sehr unterschiedliche Dinge verwendet, vom einfachen 3D-Modell bis zur vollständig vernetzten Simulation einer Fabrik. Auf einem Fachpanel der INTERGEO 2026 in München fiel dazu ein treffender Gedanke: Der Begriff bedeute alles und nichts, und die entscheidende Frage sei nicht, ob man einen digitalen Zwilling habe, sondern welche Frage er beantworten solle.^[23]

Wie wichtig diese Unterscheidung ist, zeigte ein Beispiel aus derselben Diskussion. Eine Stadt präsentierte ihren digitalen Zwilling und wollte damit Hochwasser simulieren. Das gelang nicht, weil das Modell zwar gut aussah, aber weder Semantik noch belastbare Messwerte enthielt. Es war ein schönes Bild, kein Werkzeug für die eigentliche Frage.^[23] Das Beispiel steht für ein verbreitetes Muster: Zuerst wird Technik beschafft, und erst danach wird überlegt, wofür sie eingesetzt werden soll.

McKinsey empfiehlt deshalb einen anderen Ausgangspunkt. Der erste Schritt beim Aufbau eines digitalen Zwillings besteht darin, die Beteiligten auf eine gemeinsame, klare Vision zu einigen.^[24] Aus dieser Vision ergibt sich, welche Daten benötigt werden, welche Genauigkeit ausreicht und welche Technik am besten passt.

Die Frage bestimmt Daten, Genauigkeit und Technik.

^{Infografik: Ein digitaler Zwilling entfaltet Nutzen, wenn er von einer klaren Frage aus geplant wird und nicht von der verfügbaren Technik | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Für Unternehmen ist diese Reihenfolge der wirksamste Schutz vor Fehlinvestitionen. Ein Zwilling für die Schulung von Servicepersonal braucht andere Daten als einer für die Layoutplanung einer Halle, und ein Zwilling für Vertrieb und Marketing andere als einer für die vorausschauende Wartung. Wer die Frage zuerst klärt, vermeidet teure Erfassungen, die niemand nutzt, und erkennt zugleich, wie viele der benötigten Bausteine bereits vorhanden sind.

Bleibt die Frage, wie aus einem klaren Ziel ein konkreter erster Schritt wird, ohne dass sofort ein Großprojekt entsteht. Darum geht es im letzten Kapitel.

• Der Begriff digitaler Zwilling wird sehr unterschiedlich verwendet.
• Ein Modell ohne klare Frage bleibt ein schönes Bild.
• McKinsey empfiehlt, mit einer gemeinsamen Vision zu beginnen.
• Die Frage bestimmt Daten, Genauigkeit und Technik.
• Die richtige Reihenfolge schützt vor Fehlinvestitionen.

Am Anfang steht deshalb nicht die Frage nach der Technik, sondern die Frage nach dem Ziel. Wer sie zuerst beantwortet, investiert gezielter.

Klein anfangen, messbar wachsen

Ein digitaler Zwilling muss nicht als Großprojekt beginnen. Im Gegenteil: Die erfolgreichsten Vorhaben starten häufig mit einer eng begrenzten Aufgabe, deren Nutzen sich schnell messen lässt. So beschreibt auch McKinsey den Weg vieler Industrieunternehmen, die zunächst ein minimal funktionsfähiges Produkt erproben und es erst danach zu einer skalierbaren Lösung ausbauen.^[1]

Der mögliche wirtschaftliche Hebel ist dabei erheblich. Nach Angaben von McKinsey kann der Einsatz digitaler Zwillinge bei großen Investitionsprojekten Kosten und Zeitpläne um bis zu 30 Prozent senken, indem Prozesse in Planung, Fertigung, Logistik und Bau verändert werden.^[25] Im Manufacturing IT/OT Trend Report 2025 gaben 65 Prozent der Unternehmen, die bereits digitale Zwillinge nutzen, an, Ausfallzeiten und Betriebskosten reduziert zu haben.^[2]

Für den Einstieg hat sich ein Vorgehen in drei Schritten bewährt. Zuerst wird das Ziel geklärt, also die konkrete Frage, die der Zwilling beantworten soll. Dann werden die vorhandenen Daten gesichtet, von CAD-Modellen über Fotos bis zu Betriebsdaten, und fehlende Bausteine gezielt erfasst. Im dritten Schritt entsteht ein erster Prototyp, der in einer realen Abstimmungsrunde erprobt wird. Gemessen wird, ob Entscheidungen schneller fallen, ob Fehler früher auffallen und wie hoch der tatsächliche Aufwand ist.

Drei Schritte führen zum ersten messbaren Ergebnis.

^{Infografik: Ein begrenzter Pilot mit klarem Ziel schafft eine belastbare Grundlage für jede weitere Investition | Grafik: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Dieser Ansatz verbindet alle Erkenntnisse der vorangegangenen Kapitel. Die Daten sind meist vorhanden, die Erfassung fehlender Bausteine ist mit handelsüblicher Technik möglich, Game Engines liefern die interaktive Grundlage, künstliche Intelligenz verkürzt den Weg zum Prototyp, und ein kleines Team aus Zielverantwortung, Fachwissen und technischer Umsetzung genügt für den Start. Für mittelständische Unternehmen bedeutet das: Der Einstieg ist heute eine überschaubare Investition mit klar messbarem Ergebnis.

Wie diese Gedanken in einem Vortrag vor Fachpublikum zusammengeführt wurden, zeigt das folgende Video.

• Erfolgreiche Zwillinge beginnen mit einer begrenzten Aufgabe.
• McKinsey nennt bis zu 30 Prozent Einsparung bei Investitionsprojekten.
• 65 Prozent der Nutzer berichten von geringeren Kosten.
• Der Einstieg folgt drei Schritten: Ziel, Daten, Prototyp.
• Ein messbarer Pilot schafft die Grundlage für Investitionen.

Am Ende entscheidet nicht die Größe des Budgets über den Erfolg, sondern die Klarheit des Ziels und der Mut, mit dem ersten Schritt zu beginnen.

Vom leeren Blatt zum digitalen Zwilling im Vortrag

Die Fragen dieses Beitrags standen im Mittelpunkt eines Vortrags bei den TuWAs-Netzwerktagen 2026 am TUM Entrepreneurship Research Institute in Garching bei München. Unter dem Titel „Vom leeren Blatt zum Digitalen Zwilling“ zeigte Ulrich Buckenlei vor Fachpublikum aus Industrie und Forschung fünf verbreitete Mythen rund um den digitalen Zwilling und wie Unternehmen sie mit vorhandenen Mitteln entkräften können.

Das Bild des leeren Blattes zog sich dabei durch den gesamten Vortrag. Viele Unternehmen glauben, ganz von vorne beginnen zu müssen. Mit jedem entkräfteten Mythos füllte sich das Blatt um einen Baustein, von den CAD-Daten über das Smartphone, die Game Engine und das KI-gestützte Prototyping bis zum kleinen Team. Am Ende stand ganz oben das wichtigste Wort: das Ziel.

Das Video fasst den Vortrag mit den gezeigten Beispielen zusammen: die Dokumentation unterirdischer Leitungen mit Smartphones und Augmented Reality, das Training von Teslas Fahrassistenten in einer Spielwelt, wie es auf dem AI Day 2021 vorgestellt wurde, sowie interaktive 3D-Prototypen, die mit künstlicher Intelligenz in kürzester Zeit entstanden sind.

^{Video: Vom leeren Blatt zum Digitalen Zwilling, Vortrag bei den TuWAs-Netzwerktagen 2026, TUM Campus Garching | Beispielvideos: PIX4D, Tesla AI Day 2021, Dilum Sanjaya und Ashe Magalhaes mit OpenAI GPT-6 Astra | Vortrag, Analyse, Sprechertext und Videobearbeitung: © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Bemerkenswert ist, wie wenig von dem Gezeigten noch Zukunftsmusik ist. Die Smartphones sind handelsüblich, die Game Engines etabliert, die KI-Modelle frei zugänglich. Was vielen Unternehmen fehlt, ist weniger die Technik als ein klarer Ausgangspunkt und die Erfahrung, die vorhandenen Bausteine zusammenzuführen.

Zur Einordnung gehört ebenso: Die gezeigten KI-Beispiele sind frühe Demonstrationen, deren Ergebnisse vor einem produktiven Einsatz fachlich geprüft werden müssen. Und die Genauigkeit von Smartphone-Scans reicht für viele, aber nicht für alle Aufgaben.

• Der Vortrag fand bei den TuWAs-Netzwerktagen 2026 statt.
• Fünf Mythen wurden nacheinander entkräftet.
• Gezeigt werden Leitungsdokumentation per Smartphone und AR.
• Tesla trainiert seinen Fahrassistenten in einer Spielwelt.
• KI erstellt interaktive 3D-Prototypen in kürzester Zeit.

Das Video macht sichtbar, was die Kapitel beschreiben: Der Weg zum digitalen Zwilling ist kürzer und günstiger, als viele denken.

Sie bringen das Projektwissen, wir das Expertenwissen

Ein erfolgreicher digitaler Zwilling entsteht aus zwei Arten von Wissen. Das Unternehmen kennt sein Produkt, seine Prozesse und das Ziel, das erreicht werden soll. Für die Umsetzung braucht es Erfahrung in der Aufbereitung von CAD-Daten, der Erfassung von Räumen und Anlagen, in Game Engines, künstlicher Intelligenz und Extended Reality. Genau diese Verbindung bildet den Kern der Arbeit der VISORIC GmbH.

Seit mehr als 15 Jahren entwickelt das Münchner Expertenteam Anwendungen in 3D, KI und XR für Unternehmen vom Mittelstand bis zum DAX-Konzern. VISORIC bereitet vorhandene Daten für die interaktive Darstellung auf, erfasst fehlende Bausteine und führt alles in der Plattform XR Stager zusammen, im Browser, auf großen Displays oder in XR. Dass der Einstieg nicht groß sein muss, zeigen eigene Projekte: Für einen DAX-Konzern begann ein Vorhaben mit einem Budget von deutlich unter 100.000 Euro, und ein Automobilhersteller spart heute jedes Jahr rund zwei Millionen Euro, weil er Produktbilder mit einer Game Engine selbst erzeugt.

Projektwissen und Expertenwissen ergeben gemeinsam den digitalen Zwilling.

^{Bild: Das Unternehmen bringt Ziel und Fachwissen ein, das Expertenteam die Umsetzung, und das Ergebnis bleibt im Unternehmen verankert | © Ulrich Buckenlei | XR Stager Online Magazin | VISORIC GmbH}

Der Einstieg beginnt mit einem Gespräch über das Ziel. Gemeinsam wird geklärt, welche Frage der digitale Zwilling beantworten soll, welche Daten bereits vorhanden sind und wie ein erster Prototyp aussehen kann, der sich in kurzer Zeit erproben lässt.

• Aufbereitung vorhandener CAD-Daten für die interaktive Darstellung.
• Erfassung fehlender Bausteine mit passender Genauigkeit.
• Umsetzung im Browser, auf Displays und in XR.

Gerade weil Smartphones, Game Engines und künstliche Intelligenz den Einstieg so stark vereinfacht haben, ist jetzt ein guter Zeitpunkt, die ersten Bausteine zusammenzuführen.

Welche Frage soll Ihr digitaler Zwilling beantworten?

Sprechen Sie mit dem VISORIC Expertenteam in München. Gemeinsam klären wir Ihr Ziel, sichten Ihre vorhandenen Daten und entwickeln einen ersten Prototyp, der zeigt, was Ihr digitaler Zwilling leisten kann.

Kontakt:

E-Mail: info@visoric.com
Telefon: +49 89 21552678

Quellen und Referenzen

1. McKinsey & Company. Digital twins and the factory of the future. Befragung von 75 Führungskräften aus der Industrie, 2024. mckinsey.com.
2. Manufacturing IT/OT Trend Report 2025. Zusammenfassung in Process Excellence Network, 2025. processexcellencenetwork.com.
3. Bitkom e. V. Mangelnde IT-Infrastruktur und Daten bremsen Einsatz digitaler Zwillinge. Presseinformation, Bitkom Research, 2026. bitkom.org.

4. Thomas, D. Economics of Digital Twins. Costs, Benefits, and Economic Decision Making. NIST Advanced Manufacturing Series 100-61, 2024. nvlpubs.nist.gov.
5. ARENA2036. Brownfield und GenAI, Zukunft der Bestandsfabrik, Technologievergleich im Reallabor. arena2036.de.
6. Chalmers University of Technology. Virtual Engineering Using Realistic Virtual Models in Brownfield Factory Layout Planning, 2021. research.chalmers.se.

7. Abdelghany, A. A. et al. Evaluating iPhone-Based 3D Scanning Applications for Heritage Documentation. Controlled Experiments and Future Directions. ISPRS Archives, XLIX-M-1-2026, 2026. doi.org/10.5194/isprs-archives-XLIX-M-1-2026-1-2026.
8. Apple iPhone 13 Pro LiDAR Accuracy Assessment for Engineering Applications. University of New Brunswick, conferences.lib.unb.ca.
9. Pix4D. Streamlining Utility Network Maintenance, Anwenderbericht Entreprenørfirmaet Nordkysten A/S. pix4d.com.
10. Pix4D. Multinet digitized telecommunications with PIX4D, Anwenderbericht. pix4d.com.

11. Epic Games. Unreal Engine für die Automobilindustrie. unrealengine.com.
12. Unity Technologies. Unity-basiertes MBUX-System im neuen Mercedes-Benz CLA. unity.com.
13. Engineering.com. Bericht zur Design-Review-Plattform von Daimler Protics auf Basis der Unreal Engine. engineering.com.
14. Tesla. AI Day, Präsentation zur Autopilot-Simulation, 19. August 2021. youtube.com/tesla.
15. Khronos Group. Khronos Announces glTF Gaussian Splatting Extension. khronos.org, 3. Februar 2026.

16. Peng, S., Kalliamvakou, E., Cihon, P., Demirer, M. The Impact of AI on Developer Productivity. Evidence from GitHub Copilot. arXiv:2302.06590, 2023.
17. McKinsey & Company. Unleashing developer productivity with generative AI, 2023. mckinsey.com.
18. Dell’Acqua, F. et al. Navigating the Jagged Technological Frontier. Field Experimental Evidence of the Effects of AI on Knowledge Worker Productivity and Quality. Harvard Business School Working Paper 24-013, 2023.
19. Sanjaya, D. Interaktive V8-Motor-Visualisierung mit OpenAI GPT-6 Astra. Veröffentlichung auf X und LinkedIn, 5. September 2026.
20. Magalhaes, A. (ashebytes). Human Atlas, interaktiver 3D-Anatomie-Atlas auf Basis von BodyParts3D, Open Source. 5. September 2026.

21. Wu, L., Wang, D., Evans, J. A. Large teams develop and small teams disrupt science and technology. Nature 566, 378-382, 2019. doi.org/10.1038/s41586-019-0941-9.
22. Kellogg Insight. Small vs. large research teams. Northwestern University, 2019. insight.kellogg.northwestern.edu.

23. Fachpanel zu Gaussian Splatting und digitalen Zwillingen, INTERGEO 2026, München. Eigene Mitschrift und Analyse, Ulrich Buckenlei.
24. McKinsey & Company. Digital twins. The foundation of the enterprise metaverse, 2022. mckinsey.com.

25. McKinsey & Company. Capital Excellence, Digital and innovation. mckinsey.com.

26. VISORIC Praxisprojekte in den Bereichen Digitale Zwillinge, Echtzeit-3D und Spatial Computing.
27. XR Stager Plattform für Echtzeit-3D, Digitale Zwillinge und industrielle Spatial-Computing-Anwendungen.