KI in der Fertigung: Womit Produktionsbetriebe anfangen

In fast jedem Produktionsbetrieb, in dem ich war, gab es schon einen KI-Versuch. Meistens hat ihn jemand aus der Instandhaltung oder der Arbeitsvorbereitung angestoßen, weil dort die Probleme am konkretesten sind.

Und meistens ist er an derselben Stelle stehengeblieben: nicht am Modell, sondern an der Frage, wie die Daten aus der Maschine überhaupt in einer Form ankommen, mit der man arbeiten kann.

Das ist die eigentliche Startlinie für KI in der Fertigung. Nicht die Auswahl der Technologie.

Warum die Fertigung ein Sonderfall ist

In der Verwaltung liegen die Daten in Systemen, die von vornherein dafür gebaut wurden, Daten herauszugeben. E-Mail, ERP, CRM, Dateiablage. Man kommt dran.

In der Produktion ist das anders. Da steht eine Anlage von 2009, die ihre Werte an eine Steuerung schickt, die mit einer Software spricht, für die es seit Jahren keinen Ansprechpartner mehr gibt. Daneben eine neue Maschine, die alles Mögliche protokolliert, aber ausschließlich in ihr eigenes Portal. Und dazwischen ein Messplatz, an dem jemand Werte auf einem Klemmbrett notiert und abends in Excel überträgt.

Das ist kein Versäumnis. Das ist das normale Ergebnis von zwanzig Jahren Investitionsentscheidungen, die jede für sich richtig waren. Nur führt es dazu, dass die Frage „Können wir KI für die Qualitätsprüfung nutzen?" zuerst eine Datenfrage ist und erst danach eine KI-Frage.

Was Du wirklich brauchst, um anzufangen

Die gute Nachricht: deutlich weniger, als die meisten annehmen. Es gibt drei Voraussetzungen, und keine davon heißt „saubere Datenbasis im gesamten Werk".

Erstens: Du kommst an die Daten für einen einzigen Use-Case heran. Nicht an alle Daten. An die für einen Prozessschritt, über einen begrenzten Zeitraum, notfalls als Export. Eine CSV-Datei reicht. Wenn jemand die Werte einmal von Hand exportieren kann, ist die Voraussetzung erfüllt.

Zweitens: Es gibt jemanden, der den Prozess wirklich kennt. Nicht die Prozessbeschreibung im Qualitätshandbuch, sondern die Person, die weiß, warum bei Charge 4 immer nachgemessen wird und dass die Anlage nach dem Wochenende anders läuft. Ohne dieses Wissen baust Du etwas, das an der Realität vorbeigeht.

Drittens: Es ist klar, was ein gutes Ergebnis wäre. „Weniger Ausschuss" reicht nicht. „Der Fehler wird beim Wareneingang erkannt statt in der Montage" reicht. Der Unterschied ist, dass man das zweite überprüfen kann.

Was Du ausdrücklich nicht brauchst: eine bereinigte Datenlandschaft, ein MES-Projekt als Vorbedingung, ein Data Warehouse, eine Cloud-Strategie oder einen Data Scientist im Haus. All das kann später sinnvoll werden. Als Voraussetzung für den ersten Schritt ist es der zuverlässigste Weg, nie anzufangen.

Der Fehler, der am meisten Zeit kostet

Der häufigste Fehler in Produktionsbetrieben ist nicht Naivität. Es ist das Gegenteil: zu groß und zu gründlich anzufangen.

Ein typischer Ablauf sieht oft so aus: Man beschließt, dass man das ordentlich machen will. Also erst eine Bestandsaufnahme aller Maschinen und Datenquellen. Dann eine Bewertung, welche Anlagen anbindbar sind. Dann ein Konzept für eine einheitliche Datenplattform. Dann Angebote dafür. Nach neun Monaten gibt es eine sehr gute Präsentation und keine einzige Erkenntnis darüber, ob KI in diesem Betrieb überhaupt etwas bringt.

Die Alternative ist elegant, funktioniert und günstig umgesetzt: Einen Use-Case nehmen, die Daten dafür notfalls per Hand exportieren, in zwei Tagen etwas prototypen, das läuft, und daran sehen, ob die Sache trägt. Wenn ja, weiß man jetzt sehr genau, wofür sich eine ordentliche Anbindung lohnen würde. Wenn nein, hat es zwei Tage gekostet statt neun Monate.

Wo Du sinnvollerweise suchst

Die besten ersten Use-Cases in der Fertigung liegen selten in der Maschinensteuerung. Sie liegen an den Übergängen: dort, wo Information von einem Bereich in den nächsten wandert und jemand sie dabei "von Hand" umformt.

• Prüfprotokolle, die jemand abtippt, damit sie ins System kommen
• Reklamationen, die jemand liest, um sie einer Ursache zuzuordnen
• Wartungsberichte, die auf Papier entstehen und nie ausgewertet werden
• Kundenanfragen zu Ersatzteilen, bei denen jemand alte Zeichnungen sucht
• Schichtberichte, die jeden Morgen aus drei Quellen zusammenkopiert werden

Diese Use-Cases haben einen entscheidenden Vorteil gegenüber allem, was direkt in die Anlagensteuerung eingreift: Wenn das Ergebnis falsch ist, korrigiert es jemand. Es steht keine Produktionslinie still. Deshalb ist das Risiko klein genug, um es einfach auszuprobieren.

Konkrete Beispiele mit Zahlen aus echten Projekten habe ich in einem eigenen Artikel zu KI im produzierenden Gewerbe gesammelt.

Wenn Du für Deinen eigenen Bereich herausarbeiten willst, welcher Workflow sich lohnt, gibt es dafür ein kostenloses 30-Minuten-Video mit einer Vorlage, die genau diesen Zuschnitt durchgeht.

Kostenloses 30-Minuten-Video ansehen

Warum die Leute aus der Halle dabei sein müssen

Es gibt einen Grund, warum KI-Projekte in der Fertigung besonders oft an Akzeptanz scheitern: Die Belegschaft hat in den letzten Jahrzehnten schon einige Digitalisierungswellen erlebt, und nicht jede hat die Arbeit besser gemacht.

Wenn ein System von außen kommt und ankündigt, künftig die Qualitätsbewertung zu übernehmen, ist Skepsis die vernünftige Reaktion. Zumal die Person an der Maschine oft recht hat: Sie kennt die Ausnahmen, die im Modell fehlen.

Deshalb funktioniert es besser, wenn die Leute, die den Prozess machen, den Prototypen mitbauen. Nicht aus Freundlichkeit, sondern weil ihr Wissen über die Ausnahmen der eigentliche Rohstoff ist. Wer einmal dabei war, wie das eigene Erfahrungswissen zu einer Regel im System wird, hat eine völlig andere Haltung dazu als jemand, dem das Ergebnis präsentiert wird.

Nebenbei löst das ein zweites Problem: Diese Leute können danach beurteilen, ob das nächste Angebot eines Anbieters realistisch ist.

Ein erster Use-Case in zwei Tagen

Für Produktionsbetriebe ist der schnellste Weg zu einer belastbaren Antwort ein Format, in dem genau diese Leute zusammensitzen: jemand aus der Fertigung, jemand aus der IT, jemand mit Budgetverantwortung.

Der AI Hackathon ist so ein Format. Ein zweitägiger KI Innovationsworkshop, in dem Dein Team einen echten Prozess aus dem Betrieb nimmt, ihn auseinandernimmt und am Ende einen laufenden Prototypen hat. Mit Euren Daten, an Eurem Fall, gebaut von Euren Leuten.

Am Ende steht nicht die Frage, ob KI in der Fertigung grundsätzlich funktioniert. Sondern die Antwort darauf, ob sie in Deiner funktioniert.

AI Hackathon ansehen

Zurück zur Übersicht