42 Prozent der deutschen Industrieunternehmen setzen laut einer Bitkom-Befragung bereits künstliche Intelligenz in der Produktion ein. In Bereichen wie der Personal- und Produktionsplanung, Wartung, Qualitätssicherung, Prozessoptimierung sowie Analyse entfaltet KI ihr Potenzial, da sie Muster in Daten erkennen und nutzen kann. Für die Personalplanung bedeutet das: Mit KI lassen sich komplexe Arbeitsabläufe präzise planen – meist in Echtzeit – wofür ein Mensch sehr viel Zeit investieren müsste.
Das bremst die KI-Einführung
Der Einsatz von KI nimmt Fahrt auf. Doch es gibt noch viel Luft nach oben. Zu diesem Schluss kommt das IFO Institut in der Untersuchung ‚Künstliche Intelligenz – Verbreitung, Anwendung und Hindernisse in Deutschland im europäischen Vergleich‘. Mehr als acht Prozent der Unternehmen in der EU nutzten 2023 KI. Deutschland lag mit 12 Prozent über dem Durchschnitt und damit nicht weit entfernt von Spitzenreitern wie Dänemark, Finnland, Belgien und den Niederlanden mit je 14 Prozent. Diverse Hindernisse bremsen die KI-Einführung jedoch aus. Die Verfasser der Studie identifizierten dazu drei Handlungsfelder: fehlendes Wissen, hohe Kosten und unsichere rechtliche Rahmenbedingungen. Sie sehen vor allem die Politik in der Pflicht, die Rahmenbedingungen positiv zu verändern. Doch Produktionsunternehmen haben angesichts angespannter Märkte, geopolitscher Entwicklungen und sinkender Nachfrage kaum Zeit zu verlieren, Wettbewerbsvorteile durch KI und Digitalisierung anzustreben.
KI – Schritt für Schritt implementieren
Produktionsunternehmen, die KI in der Fertigung etablieren wollen, stoßen damit einen Transformationsprozess an, der durchdacht, strategisch geplant und verlässlich umgesetzt werden muss. Nur so kann die KI valide Ergebnisse liefern. Folgende Abläufe und Aspekte sind dabei maßgeblich:
Daten – die Basis für KI
Damit Produktionsdaten ausgewertet werden können, müssen sie zunächst überhaupt erfasst werden. Grundlage ist eine ausreichende Datenverfügbarkeit, die in vielen Fällen durch IoT-Sensoren oder angeschlossene Maschinenschnittstellen sichergestellt wird. Ebenso entscheidend ist die Datenqualität und -konsistenz: Erhobene Werte müssen fehlerfrei, plausibel und in einem einheitlich auslesbaren Format vorliegen, um für Analysen genutzt werden zu können. Für die Erkennung von Mustern oder langfristigen Trends sind zudem historische Daten erforderlich. Je größer und konsistenter diese Datensätze sind, desto zuverlässiger lassen sich Zusammenhänge ableiten. Schließlich braucht es eine zentrale Datenplattform, auf der Informationen aus verschiedenen Systemen – etwa aus MES- (Manufacturing Execution System) und ERP-Systemen (Enterprise Resource Planning) – zusammengeführt werden. Wenn diese Daten zentral vorliegen und für KI-Anwendungen zugänglich sind, kann ihr Potenzial in der Analyse und Optimierung von Fertigungsprozessen ausgeschöpft werden.
Technologie – die IT-Infrastruktur
Ohne eine moderne IT-Infrastruktur lassen sich KI-gestützte Anwendungen in der Fertigung kaum realisieren. Sie bildet die Grundlage, um Modelle zu betreiben, zu integrieren und mit aussagekräftigen Daten zu versorgen. Entscheidend ist zunächst eine zuverlässige Vernetzung und Anbindung: Maschinen und Systeme müssen über stabile lokale Netzwerke oder Edge-Computing-Strukturen miteinander kommunizieren können, damit Produktionsdaten in Echtzeit übertragen werden.Ebenso wichtig ist eine ausreichende Rechenleistung, die – je nach Komplexität der Modelle – lokal oder über Cloud-Dienste bereitgestellt wird. Das KI-Modul sollte sich zudem nahtlos in bestehende Systeme wie das Manufacturing Execution System (MES) und das Advanced Planning and Scheduling System (APS) einfügen, damit Handlungsempfehlungen direkt umgesetzt werden können. Da Produktionsdaten häufig geschäftskritisches Knowhow enthalten, ist schließlich ein hohes Maß an Datensicherheit und -schutz unerlässlich.
Organisation – die strategischen Voraussetzungen
Die Einführung von KI in der Fertigung erfordert nicht nur technologische Voraussetzungen, sondern auch organisatorisches Engagement und begleitende Veränderungsprozesse. Grundlage ist eine klare Strategie. Unternehmen sollten definieren, welche Ziele oder Probleme mithilfe von KI adressiert werden sollen – etwa die Verringerung von Maschinenausfällen oder die Verbesserung der Produktqualität. Ein Pilotprojekt kann helfen, erste Erfahrungen zu sammeln und die Wirksamkeit des Ansatzes zu prüfen. Ebenso wichtig ist das Engagement des Top-Managements. Da der Einsatz von KI stets strategische Auswirkungen hat, braucht es entsprechende Unterstützung auf Leitungsebene – auch im Hinblick auf Investitionen und notwendige Prozessanpassungen. Schließlich spielt das Change-Management eine zentrale Rolle: Mitarbeitende sollten früh eingebunden und über Ziele sowie Nutzen informiert werden.
Personal – Aufbau von Knowhow
Für den Betrieb und die Weiterentwicklung von KI-Systemen spielt das Personal eine entscheidende Rolle. Mitarbeitende müssen befähigt werden, die Technologie zu verstehen und sinnvoll einzusetzen. Dazu gehört der Aufbau spezifischer KI-Kompetenzen, sei es durch interne Fachkräfte wie Data Scientists und KI-Ingenieure oder durch die Zusammenarbeit mit externen Partnern, die bei der Entwicklung und Verfeinerung von Modellen unterstützen können. Darüber hinaus ist ein grundlegendes digitales Verständnis notwendig. Beschäftigte, die mit dem MES oder direkt an Maschinen arbeiten, sollten in der Lage sein, KI-basierte Vorschläge zu interpretieren, zu bewerten und in ihren Arbeitsalltag zu integrieren. Mit dem Einzug solcher Anwendungen entstehen zugleich neue Rollenprofile an der Schnittstelle zwischen IT und Produktion, etwa als KI-Anwendungsmanager oder Data Engineer.
KI out of the box
Unternehmen, die mit weniger individuellem Aufwand KI nutzen wollen, können auf standardisierte Anwendungen zurückgreifen. MPDV bietet hierfür mit der AI Suite eine Sammlung von sogenannten mApps (Manufacturing Applications) an, die auf die Anforderungen von Produktionsunternehmen zugeschnitten ist. Diese KI-Module erweitern sowohl das Manufacturing Execution System (MES) als auch das Advanced Planning and Scheduling System (APS). Sie greifen auf vorhandene, strukturierte Produktionsdaten zu und brauchen kein individuelles Training.
