KI in der Produktion: So bereiten Sie Ihr Unternehmen auf die Einführung vor

KI in der Produktion entfaltet keinen Mehrwert, wenn sie kein klar definiertes Problem löst. Sie muss außerdem auf vertrauenswürdigen Daten basieren und innerhalb klar festgelegter Sicherheitsregeln eingesetzt werden. Wenn Sie für Produktion oder Operations verantwortlich sind, sollten Sie vor der Auswahl eines Tools den geschäftlichen Nutzen des Projekts, die Datenreife und die Kontrolle über den Einsatz der KI prüfen.

Dabei müssen Sie nicht sofort die gesamte Fabrik strukturieren und standardisieren. Ein klar abgegrenztes Pilotprojekt ermöglicht es, die Technologie zunächst in einem einzelnen Prozess zu testen und erst danach zu entscheiden, ob eine Skalierung sinnvoll ist.

Künstliche Intelligenz in der Produktion ist eine der Grundlagen von Industrie 4.0 und kann unter anderem bei Qualitätsanalysen, der Erkennung von Signalen vor bestimmten Ausfällen, der Analyse von Prozessparametern, der Planung und der Arbeit mit technischer Dokumentation unterstützen. Ihr Potenzial zeigt sich besonders in Bereichen, in denen Entscheidungen von vielen Daten abhängen und Zusammenhänge mit Standardberichten oder einzelnen Kennzahlen nur schwer erkennbar sind.

Eine reine Liste möglicher Anwendungen ist jedoch wenig hilfreich. Entscheidend ist vielmehr, welcher Use Case in Ihrem Werk tatsächlich sinnvoll ist und ob Ihr Unternehmen die Voraussetzungen mitbringt, um ihn zu testen.

Polnische Unternehmen befinden sich in unterschiedlichen Phasen der KI-Einführung. Laut Eurostat nutzten im Jahr 2025 8,4 % der polnischen Unternehmen mit mindestens 10 Beschäftigten KI-Technologien. Der Durchschnitt in der Europäischen Union lag bei 20 %. Die Erhebung umfasst Unternehmen aus unterschiedlichen Branchen und ist daher keine reine Industriestatistik.

Ein anderes Bild zeigt eine EY-Studie zu mittelständischen und großen Produktionsunternehmen in Polen. In einer Veröffentlichung aus dem Jahr 2025 gaben 30 % der Befragten an, erste KI-Implementierungen abgeschlossen zu haben, während sich 37 % noch in der Einführung befanden. Unter den Produktionsunternehmen, die KI bereits einsetzten, erklärten 79 %, die erwarteten Vorteile erreicht zu haben. Diese Ergebnisse beziehen sich auf eine konkrete Gruppe mittelständischer und großer Unternehmen und sollten nicht auf sämtliche Produktionsbetriebe in Polen übertragen werden.

Der Unterschied zwischen diesen Studien zeigt deutlich, warum Daten zur KI-Adoption immer zusammen mit Informationen über die jeweilige Stichprobe betrachtet werden sollten. Für Ihr Werk ist weniger entscheidend, wie hoch der Marktdurchschnitt ist, sondern ob Sie ein Projekt mit messbarem Ziel und geeigneten Daten identifizieren können.

Eine erste Bewertung einer KI-Idee lässt sich anhand von drei Bereichen vornehmen: VALUE, DATA und CONTROL.

Sie können dieses Modell als einfachen Filter vor der Entscheidung über ein Pilotprojekt nutzen. So vermeiden Sie, mit der Technologie zu beginnen, obwohl das geschäftliche Problem oder die verfügbaren Daten noch nicht ausreichend beschrieben sind.

Angenommen, Sie möchten bestimmte Arten von Maschinenausfällen vorhersagen. Der mögliche Nutzen ist klar, wenn ungeplante Stillstände messbare Verluste verursachen. Historische Daten zu Temperatur, Vibrationen oder Stromverbrauch können dennoch nicht ausreichen, wenn in den Daten nicht zwischen Ausfall, Umrüstung, geplanter Wartung oder Materialmangel unterschieden wird. In diesem Fall erhält das Modell technische Signale ohne vollständigen Prozesskontext.

Auch das Gegenteil ist möglich. Die Geschäftsidee ist sinnvoll und die Daten sind vorhanden, aber niemand hat geprüft, was ein externes Tool mit den übermittelten Informationen macht. In beiden Fällen gilt: Vor der Auswahl eines Modells müssen zunächst die Grundlagen geklärt werden.

Eine SPS kann Betriebsparameter einer Maschine erfassen, SCADA speichert Trends und Alarme, ein MES verknüpft Produktionsdaten mit Auftrag, Arbeitsgang, Produkt oder Stillstandsgrund, und ein ERP-System ergänzt weiteren geschäftlichen Kontext. Ein Teil der Informationen kann weiterhin manuell durch Bediener erfasst werden.

Erst die Verknüpfung dieser Datenquellen ermöglicht es, zu verstehen, was im Produktionsprozess tatsächlich passiert ist.

Wenn ein Modell Zusammenhänge zwischen Prozessparametern und Produktqualität erkennen soll, muss beispielsweise der Temperaturverlauf mit dem Qualitätsresultat und dem entsprechenden Prozessdurchlauf verknüpft werden können.

Ähnlich verhält es sich bei der Analyse von Stillständen. Ein Maschinenstatus zeigt, dass eine Anlage nicht läuft, erklärt aber noch nicht, warum. In vielen industriellen KI-Anwendungen hängt der Wert der Daten davon ab, ob sie mit dem Prozesskontext und dem zu analysierenden Ergebnis verknüpft werden können.

Das bedeutet nicht, dass Sie vor dem ersten Projekt das gesamte Unternehmen integrieren müssen. Wenn sich das erste Projekt auf eine Produktionslinie konzentriert, beginnen Sie mit genau den Datenquellen, die dort benötigt werden.

Das Team von explitia arbeitet genau in dieser Ebene. Wir erfassen Daten von Maschinen und Sensoren, integrieren sie in Produktionssysteme und implementieren MES-Umgebungen. Zusätzlich bieten wir Pre-Implementation-Audits an, in deren Rahmen wir Datenquellen, Systeme und den tatsächlichen Prozessablauf analysieren, bevor die eigentliche Implementierung beginnt.

Für ein KI-Projekt kann eine solche Analyse zeigen, ob die benötigten Daten überhaupt vorhanden sind und ob sie zuverlässig miteinander verknüpft werden können.

Produktionsdaten können offenlegen, wie ein Produkt hergestellt wird, welche Prozesseinstellungen verwendet werden, welche Rezepturen gelten, welche Maschinenparameter zum Einsatz kommen, wo Qualitätsprobleme auftreten oder welche Ausfallhistorie besteht. Ein Teil dieser Informationen kann für ein Unternehmen technologisch oder geschäftlich besonders sensibel sein.

Bevor Sie Daten an ein KI-System übermitteln, sollten Sie klären:

Es gibt keine einzige Architektur, die für jedes Projekt geeignet ist. Manche Lösungen können in der Cloud betrieben werden, andere in einer vom Unternehmen kontrollierten Infrastruktur oder lokal, ohne öffentlichen Internetzugang. Die Wahl sollte sich nach Art der Daten, Nutzung des Systems und Risikobewertung richten.

Das NIST AI Risk Management Framework strukturiert das KI-Risikomanagement rund um vier Funktionen: Govern, Map, Measure und Manage. Das Framework umfasst auch Monitoring nach der Einführung, da Veränderungen der Daten oder Betriebsbedingungen das Verhalten eines Systems beeinflussen können.

In einer Produktionsumgebung können Änderungen an Materialien, Rezepturen, Linienparametern oder an der Art der Ereigniserfassung dazu führen, dass aktuelle Daten nicht mehr den Daten entsprechen, anhand derer das Modell ursprünglich bewertet wurde.

Wenn Mitarbeitende generative KI-Tools eigenständig einsetzen, reicht ein reines Prompt-Training nicht aus.

Mindestens sollte Ihr Werk definieren:

Die Bedeutung entsprechender Kompetenzen ist auch im EU AI Act verankert. Artikel 4, der seit dem 2. Februar 2025 gilt, verpflichtet Anbieter und Betreiber von KI-Systemen dazu, Maßnahmen zur Förderung einer angemessenen KI-Kompetenz der Personen zu ergreifen, die diese Systeme in ihrem Auftrag nutzen. Dabei sollen Wissen, Erfahrung und Nutzungskontext berücksichtigt werden. Die Überwachung und Durchsetzung von Artikel 4 durch die nationalen Marktüberwachungsbehörden begann am 2. August 2026.

Für Verantwortliche in der Produktion bedeutet das: Mitarbeitende sollten wissen, wie ein Tool eingesetzt wird, wann ein Ergebnis überprüft werden muss und welche Daten übermittelt werden dürfen.

Das erste KI-Projekt kann bewusst klein gehalten werden. Geeignet ist beispielsweise ein Bereich, in dem ein Problem regelmäßig auftritt, seine Auswirkungen messbar sind, die benötigten Daten vorhanden oder beschaffbar sind und der Umfang auf eine Maschine, eine Linie oder einen Teilprozess begrenzt werden kann.

Nehmen wir ein hypothetisches Beispiel: Eine Gruppe von Maschinen verursacht wiederkehrende ungeplante Stillstände. Das Unternehmen verfügt über historische Betriebsparameter und hat die Ursachen zumindest eines Teils der Ausfälle zuverlässig dokumentiert.

Das erste Ziel muss nicht sofort Predictive Maintenance für das gesamte Werk sein. Stattdessen können Sie prüfen, ob in den Daten Signale für eine bestimmte Gruppe von Ausfällen erkennbar sind und ob diese früh genug identifiziert werden können, um eine Reaktion zu ermöglichen.

Noch vor dem Start des Modells muss festgelegt werden, wie der Projekterfolg gemessen wird. Relevant können beispielsweise die Anzahl korrekt erkannter Ereignisse, die Zahl der Fehlalarme und die verbleibende Reaktionszeit für das Team sein.

Ein gutes Pilotprojekt reduziert Unsicherheit vor einer größeren Investition.

Dieses Vorgehen entspricht auch bewährten Einführungsprozessen für Produktionssysteme: zuerst Bedarf und Ausgangssituation analysieren, dann einen Piloten durchführen und erst nach Bestätigung des Ansatzes umfassender implementieren.

Stoppen Sie das Projekt vor einer größeren Investition, wenn:

Eine solche Bewertung hilft häufig dabei zu erkennen, dass ein Projekt noch nicht bereit für einen Piloten ist.

Ein KI-Projekt in der Produktion sollte nicht ausschließlich beim IT-Team liegen. Die IT kann Infrastruktur, Integrationen und Sicherheit verantworten, aber die Produktion kann beurteilen, ob das Ergebnis des Modells tatsächlich ein relevantes operatives Problem löst.

Ein Produktionsleiter oder COO sollte deshalb sicherstellen, dass der Prozessverantwortliche eingebunden ist. Zusätzlich werden Personen benötigt, die Datenquellen, Automatisierung und Systemarchitektur verstehen. Je nach Anwendungsfall können außerdem Informationssicherheit, Rechtsabteilung oder Compliance einbezogen werden.

Die Verantwortlichkeiten sollten trotzdem einfach bleiben:

Wenn ein Gespräch mit einem Anbieter mit dem Namen eines KI-Modells beginnt und nicht mit Ihrem Prozess und Ihren Daten, ist das ein Zeichen dafür, dass die Diskussion am falschen Punkt startet.

Bevor Sie ein Pilotprojekt freigeben, sollten Sie Antworten auf folgende Fragen haben:

Nicht jede Antwort muss von Anfang an offensichtlich sein. Wenn jedoch die meisten Punkte noch untersucht werden müssen, sollte Ihr erstes Projekt eher ein Audit von Prozess und Daten als der Kauf einer KI-Lösung sein.

Dieser Schritt kann auf einer Analyse von Produktionsprozessen, Datenquellen, IT-/OT-Infrastruktur und Integrationen mit Maschinen und MES-Systemen basieren. Auch die Einführung selbst kann schrittweise erfolgen: zunächst Audit und Pilotprojekt, anschließend eine breitere Implementierung.

Das ist der richtige Zeitpunkt, um mit einem Technologiepartner zu klären, ob das jeweilige Problem ein geeigneter Kandidat für ein KI-Projekt ist und was vor dem Start noch fehlt.

Sie müssen nicht vollständig datenreif sein, bevor Sie Ihr erstes KI-Projekt starten. Sie sollten das Problem, die für seine Analyse benötigten Informationen und die Regeln für den Einsatz der Technologie im jeweiligen Bereich jedoch ausreichend gut verstehen.

Bevor Sie über Modelle sprechen, bringen Sie den Prozessverantwortlichen, IT oder Automatisierung sowie die für Daten verantwortlichen Personen zusammen. Wählen Sie ein Problem aus und bewerten Sie es anhand von VALUE × DATA × CONTROL.

Wenn das Projekt diese Bewertung nicht besteht, verbessern Sie zunächst die Grundlagen. Besteht es die Prüfung, haben Sie einen nachvollziehbaren Ausgangspunkt für ein Pilotprojekt.

Die Zukunft von KI in der Produktion wird nicht daran gemessen, wie viele Modelle ein Unternehmen einsetzt, sondern daran, ob künstliche Intelligenz in der Produktion messbare operative Verbesserungen erzielt. Dasselbe gilt für Smart Manufacturing: Technologie sollte einen konkreten Prozess verbessern, und das Unternehmen muss in der Lage sein, diese Veränderung zu messen.

Eine erfolgreiche Umsetzung von KI in der Industrie lässt sich letztlich anhand eines einfachen Kriteriums bewerten: Ein konkreter Prozess sollte besser funktionieren als zuvor, und das Unternehmen muss diese Verbesserung nachweisen können.

Es gibt keine universelle Anzahl erforderlicher Datensätze. Der Datenbedarf hängt von Art des Problems, Prozessvariabilität, Häufigkeit der analysierten Ereignisse, Datenqualität und eingesetzter Methode ab.

Eine große Menge schlecht beschriebener Daten kann weniger wertvoll sein als ein kleinerer Datensatz mit zuverlässigem Prozesskontext.

Nein. Daten können direkt aus Maschinen, SPS, SCADA, ERP-Systemen, Datenbanken oder anderen Quellenstammen. Ein MES kann jedoch zusätzlichen Kontext zu Produktionsauftrag, Produkt, Arbeitsgang, Qualität und Stillständen liefern, der für viele Produktionsanalysen entscheidend ist.

Die von explitia implementierten MES-Systeme verbinden Daten aus Shopfloor, Maschinen und anderen Systemenund ermöglichen deren Analyse im Kontext des Produktionsprozesses.

Ja, abhängig von der eingesetzten Technologie. Modelle können lokal oder innerhalb einer vom Unternehmen kontrollierten Infrastruktur betrieben werden.

Die Architektur sollte sich nach technischen Anforderungen und den Risiken der verarbeiteten Informationenrichten.

Beginnen Sie mit einem einzigen messbaren Problem. Prüfen Sie anschließend die Verfügbarkeit der Daten, ihre Bedeutung im Prozess, die Sicherheitsanforderungen und die KPI, die sich verbessern soll. Erst danach lässt sich sinnvoll entscheiden, welche Technologie und welcher Umfang für das Pilotprojekt geeignet sind.