Zu viele isolierte Daten, nicht genug Maßnahmen: Wie Führungskräfte in der Fertigung betriebliche Daten mit industrieller KI in Wett­bewerbs­vor­tei­le verwandeln können?

Für CTOs, CIOs und Digitalisierungsverantwortliche besteht die dringende Notwendigkeit, Daten von guter Qualität zu generieren und zu sammeln, die auch zugänglich sind. Unternehmen in der diskreten und verarbeitenden Industrie sowie in der Energie- und Versorgungswirtschaft beschäftigen sich seit Jahrzehnten mit Daten. Ihr Schwerpunkt lag jedoch auf den betrieblichen Aktivitäten, was zu Lasten der Datenreife ging.

"Normalerweise wird diese Fülle an Daten für sehr enge Zwecke verwendet. Viele Daten befinden sich nur in operativen Systemen und Protokollen und wurden nie für analytische Zwecke genutzt. Letztendlich sollten die Daten aber den Menschen in der Werkstatt, im Außendienst, im Vertrieb, im Kundensupport, in der Produktentwicklung oder in der Vorstandsetage zugute kommen", sagt Matti Partanen, Director of Service Solutions bei Etteplan.

Unternehmen sollten datengesteuert arbeiten und ganzheitliche Ansichten schaffen, indem sie Daten aus verschiedenen betrieblichen Datenbereichen wie Sicherheit, Qualität, Wartung, Aftermarket-Services und Lieferkette zusammenführen.

Kein Wunder, dass jeder künstliche Intelligenz (KI) ausprobieren möchte, insbesondere nach dem Aufkommen der generativen KI. Sie verspricht, alle Arten von Datenmagie zu vollbringen, die zu wertvollen Ergebnissen führt.

"Unternehmen versprechen sich von der Nutzung von KI zahlreiche Vorteile, wie optimierte Leistung, weniger Ausfallzeiten, geringere Material- und Energiekosten und eine höhere Produktivität der Mitarbeiter. Unternehmen versuchen auch, geschäftsschädigende Anwendungsfälle zu finden, aber oft ist es sicherer, mit internen Abläufen zu beginnen und Erfahrungen zu sammeln", erklärt Partanen.

Industrieunternehmen ermutigen und führen KI-Pilotprojekte durch, zum Teil aus Angst, den Anschluss an die KI-Bewegung zu verpassen. Branchenberichten zufolge bleibt jedoch ein beträchtlicher Prozentsatz der KI-Initiativen stecken und kommt nie über das Pilotstadium hinaus. Und warum?

In der Regel wird KI eingeführt, ohne zunächst die Grundlagen zu schaffen, was zu Enttäuschungen führt. KI kann nicht richtig funktionieren und sinnvolle Ergebnisse liefern, wenn es Engpässe bei der Verfügbarkeit, Zugänglichkeit und Qualität von Daten gibt.

Kein Wunder, dass jeder künstliche Intelligenz (KI) ausprobieren möchte, insbesondere nach dem Aufkommen der generativen KI. Sie verspricht, alle Arten von Datenmagie zu vollbringen, die zu wertvollen Ergebnissen führt.

"Unternehmen versprechen sich von der Nutzung von KI zahlreiche Vorteile, wie optimierte Leistung, weniger Ausfallzeiten, geringere Material- und Energiekosten und eine höhere Produktivität der Mitarbeiter. Unternehmen versuchen auch, geschäftsschädigende Anwendungsfälle zu finden, aber oft ist es sicherer, mit internen Abläufen zu beginnen und Erfahrungen zu sammeln", erklärt Partanen.

Industrieunternehmen ermutigen und führen KI-Pilotprojekte durch, zum Teil aus Angst, den Anschluss an die KI-Bewegung zu verpassen. Branchenberichten zufolge scheitert jedoch ein erheblicher Prozentsatz der KI-Initiativen und kommt nie über das Pilotstadium hinaus. Und warum?

In der Regel wird KI eingeführt, ohne zunächst die Grundlagen zu schaffen, was zu Enttäuschungen führt. KI kann nicht richtig funktionieren und sinnvolle Ergebnisse liefern, wenn es Engpässe bei der Verfügbarkeit, Zugänglichkeit und Qualität von Daten gibt.

"Außerdem wird bei vielen KI-Projekten nicht berücksichtigt, wie sich die Lösungen in die täglichen Arbeitsabläufe integrieren lassen. Bei Pilotprojekten fehlt ein klarer Business Case. KI muss sich von einem glänzenden Innovationsprojekt zu einem pragmatischen Werkzeug entwickeln, das in den Kern der Produktion eingebettet ist."

Laut Partanen liegt der Schlüssel zum Erfolg oder Misserfolg in der Datenreife des Unternehmens. Daher sollten Unternehmen zunächst prüfen, wie gut digitale Technologien und automatisierte Arbeitsabläufe in den Betrieb integriert sind.

"Ich habe erlebt, wie Industrieunternehmen auf die harte Tour feststellen mussten, dass ihre Datenreife gravierende Lücken aufweist. Das ist nicht verwunderlich, da Produktionsanlagen und betriebliche Systeme in der Regel stark voneinander abgeschottet sind. Folglich sind die Daten an verschiedenen Orten und in verschiedenen Formaten fragmentiert. Daten aus relevanten Quellen müssen zusammengeführt werden, zum Beispiel auf einer Datenplattform oder einem Edge, auf den KI zugreifen kann", fordert Partanen.

"Es gibt auch organisatorische Silos. Die gemeinsame Nutzung von Daten, über die die Abteilungen verfügen, war noch nie so wichtig wie heute."

Partanen empfiehlt, zu Beginn eine geeignete Daten- und KI-Strategie zu entwickeln. Sie muss eng mit der Unternehmensstrategie abgestimmt sein, um erfolgreich zu sein. Die Strategie umfasst in der Regel Geschäftsmöglichkeiten und Anwendungsfälle. Sie enthält auch Richtlinien für die Organisation, Führung, Daten-Governance, Technologien, Datenschutz und Ethik.

"Auf Unternehmensebene besteht oft die Gefahr, dass die Geschäftsmöglichkeiten und Anwendungsfälle auf einer zu hohen Ebene in der Organisation angegeben werden. Sie passen jedoch nicht so gut zu den wirklichen Problemen oder Möglichkeiten des Unternehmens."

Es ist leicht, im Aufbau eines perfekten Rahmens mit all den Bits und Stücken der Daten- und KI-Strategie zu ertrinken. Um dies zu vermeiden, sollten Unternehmen ihre KI-Projekte mit konkreten Anwendungsfällen, die identifiziert wurden, und betrieblichen Schmerzpunkten beginnen und gleichzeitig den strategischen Rahmen aufbauen. Schmerzpunkte können zum Beispiel Ertragsverluste, ungeplante Ausfallzeiten oder übermäßiger Energieverbrauch sein.

"Ein klarer Anwendungsfall ist wichtig, denn man muss die KI-Tools so steuern, dass sie bestimmte Ergebnisse liefern und die Endnutzer nicht mit zu vielen Informationen überfordern. So kann man beispielsweise KI damit beauftragen, die Ursachen für den Verschleiß eines bestimmten Lagers in einer Industriemaschine zu untersuchen und dies mit menschlicher Intelligenz zu kombinieren. Außerdem könnte die KI Informationen aus verschiedenen Quellen für einen Servicetechniker in der Instandhaltung oder im Aftermarket zusammenfassen und die Ergebnisse in einem leicht verständlichen Format bereitstellen", sagt Partanen.

In vielen Fällen ist der beste Ansatz der Einsatz so genannter KI-Agenten, die maßgeschneidert sind und ein bestimmtes Ziel erreichen sollen. Im Vergleich zu herkömmlicher regelbasierter Software und Algorithmen sind sie wesentlich effizienter und anpassungsfähiger.

Die Entwicklung von KI-Agenten führt oft zu den schnellsten Erfolgen, wie z. B. einer höheren Effizienz. Sie können auch in interne Arbeitsabläufe und Prozesse integriert werden, um menschlichen Nutzern zu helfen, bessere Entscheidungen zu treffen.

Wenn die KI erste Ergebnisse liefert, müssen die Mitarbeiter im Unternehmen den KI-gesteuerten Empfehlungen vertrauen und sie verstehen. Das erfordert Change Management, Transparenz und