KI in der Produktionsplanung: Wie Sie bei Planänderungen schneller auf Wissen zugreifen

KI in der Produktionsplanung kann die Zeit verkürzen, die ein Produktionsplaner für eine Entscheidung benötigt – auch dann, wenn das System selbst keinen Produktionsplan erstellt. Wenn die Antwort in einer Arbeitsanweisung, Verfahrensbeschreibung oder technischen Dokumentation steht, entsteht die größte Verzögerung häufig allein durch die Suche nach der richtigen Information. Dieser Artikel zeigt, wie sich dieser Schritt strukturieren lässt, wo die Rolle von APS oder MES endet und wann explitia.Whisp die passende Lösung sein kann.

Wenn Sie Informationen zur automatischen Produktionsplanung oder Ressourcenoptimierung suchen, lesen Sie unseren Beitrag über künstliche Intelligenz in der Produktionsplanung. Hier konzentrieren wir uns auf einen etwas engeren Bereich: Der Produktionsplaner verfügt bereits über operative Daten, benötigt für seine Entscheidung aber zusätzlich Wissen, das in Dokumenten gespeichert ist.

Die Produktionsplanung basiert auf Terminen, Aufträgen, Materialien sowie der Verfügbarkeit von Mitarbeitenden und Maschinen. Wenn sich die Reihenfolge von Aufträgen ändert, muss jedoch manchmal zusätzlich geprüft werden, welche Technologie zulässig ist, welche Qualitätsanforderungen gelten, welche Umrüstanweisung zu beachten ist oder welche Einschränkungen für ein bestimmtes Produkt bestehen.

Genau hier kann KI in der Produktionsplanung eine andere Funktion übernehmen als ein APS-System. Ein Planungssystem berechnet den Produktionsplan anhand von Daten und Einschränkungen neu. Ein Wissensassistent hilft dagegen dabei, Informationen in der Unternehmensdokumentation zu finden, wenn ein Mitarbeitender sie für die Bewertung einer Situation benötigt.

Diese Unterscheidung grenzt das Thema vom klassischen Einsatz künstlicher Intelligenz zur Optimierung von Produktionsplänen ab. Hier geht es darum, was zu tun ist, wenn der Plan allein nicht ausreicht, weil die nächste Entscheidung vom unternehmensinternen Wissen abhängt.

Ein hypothetisches Beispiel verdeutlicht das Problem. Eine Maschine fällt aus dem Produktionsplan heraus und ein Auftrag muss auf einem anderen Arbeitsplatz geprüft werden. Informationen zur Verfügbarkeit der Ressource befinden sich bereits im Produktionssystem. Bevor der Auftrag verlagert wird, muss jedoch geprüft werden, ob das betreffende Produkt auf dieser Maschine gefertigt werden darf, welche Parameter gelten und ob zusätzliche Qualitätsanforderungen bestehen.

Wenn die Dokumentation über verschiedene Orte verteilt ist, muss der Produktionsplaner zunächst herausfinden, wo sich die aktuelle Anweisung befindet, die relevante Passage suchen und prüfen, ob sie für die jeweilige Produktvariante gilt. Manchmal ist zusätzlich eine Rücksprache mit einem Technologen erforderlich.

In einem solchen Szenario ersetzt KI in der Produktionsplanung nicht die Entscheidung des Produktionsplaners. Sie verkürzt vielmehr die Suche nach Informationen – vorausgesetzt, das Unternehmen hat zuvor eine verlässliche Wissensbasis aufgebaut.

explitia.Whisp ist ein KI-Assistent, der im Produktionsportal verfügbar ist. Der Benutzer stellt eine Frage in natürlicher Sprache. Das System sucht daraufhin nach semantisch zusammenhängenden Fragmenten in den vorhandenen Materialien und erstellt auf Grundlage der unternehmenseigenen Wissensbasis eine Antwort.

Die Wissensbasis kann Arbeitsanweisungen, Verfahren, technische Dokumentationen und Tabellen umfassen. Whisp unterstützt TXT-, Markdown-, PDF-, Word- und Excel-Dateien, speichert den Gesprächsverlauf und ermöglicht die Erstellung von Szenarien, mit denen die Rolle des Assistenten festgelegt werden kann.

Bei einem Projekt rund um KI in der Produktionsplanung sind die Grenzen des Produkts wichtig. Whisp ruft derzeit nicht automatisch aktuelle Daten von Maschinen ab, überwacht die Produktion nicht selbstständig und führt keine Operationen an Anlagen aus. Das System arbeitet mit vorbereiteten Dokumenten. Wenn das Problem in der automatischen Neuberechnung der Auftragsreihenfolge liegt, wird eine Planungslösung benötigt. Geht es dagegen darum, das für eine Entscheidung erforderliche Wissen schnell zu finden, adressiert Whisp genau diese Art von Bedarf.

Im Beispiel mit der Verlagerung eines Auftrags kann der Produktionsplaner Whisp nach den Bedingungen für die Ausführung des Arbeitsgangs an einem alternativen Arbeitsplatz fragen. Der Assistent durchsucht die Wissensbasis und erstellt anhand der vorhandenen Dokumente eine Antwort. Die Situation wird weiterhin vom Mitarbeitenden bewertet, der auch für die Entscheidung verantwortlich bleibt.

Eine klassische Suchfunktion funktioniert gut, wenn der Benutzer den Namen des Dokuments, die Nummer eines Verfahrens oder ein charakteristisches Wort aus dem Inhalt kennt. Im Arbeitsalltag eines Produktionsplaners hängt die Frage jedoch häufiger von einer konkreten Situation ab, zum Beispiel: Unter welchen Bedingungen kann dieser Arbeitsgang an einem anderen Arbeitsplatz ausgeführt werden? Oder: Welche Anforderungen gelten für diese Produktvariante?

Whisp nutzt eine semantische Suche und kann deshalb Textstellen finden, die inhaltlich mit der Frage zusammenhängen. Im Kontext von KI in der Produktionsplanung verändert sich damit der Ausgangspunkt: Der Benutzer beginnt mit dem Problem, das er lösen möchte, und nicht mit dem Namen einer Datei.

Das ist insbesondere bei umfangreichen Anweisungen hilfreich. Selbst ein aktuelles Dokument kann im Alltag schwierig zu nutzen sein, wenn ein Mitarbeitender viele Seiten durchsuchen muss, um eine einzige Bedingung zu finden, die für die Entscheidung relevant ist.

Ein Assistent kann Widersprüche in den Quelldokumenten nicht automatisch beseitigen. Wenn zwei Anweisungen unterschiedliche Parameter nennen oder sich noch eine veraltete Verfahrensversion im Verzeichnis befindet, erhält das Modell uneindeutiges Material. Deshalb setzt KI in der Produktionsplanung voraus, dass festgelegt wird, welche Dokumente tatsächlich als verbindliche Wissensquelle gelten. Die Qualität der Antworten hängt unmittelbar von der Qualität und Aktualität des Wissens ab, das dem System zur Verfügung gestellt wird.

Ein Pilotprojekt muss nicht die gesamte Dokumentation des Werks umfassen. Sinnvoller ist es, zunächst einen Prozess auszuwählen, regelmäßig wiederkehrende Fragen von Produktionsplanern oder Technologen zu sammeln und ihnen die tatsächlich verwendeten Unterlagen zuzuordnen. Anschließend sollten veraltete Versionen entfernt und Verantwortliche für die Inhalte bestimmt werden.

Prüfen Sie vor dem Hinzufügen von Dokumenten zur Wissensbasis:

Wenn ein Teil des Wissens ausschließlich in der Erfahrung von Technologen vorhanden ist, muss dieses Wissen zunächst dokumentiert und freigegeben werden. KI-Modelle arbeiten mit Informationen, die ihnen über Dokumente bereitgestellt werden. Auf Expertenwissen, das zuvor nirgendwo festgehalten wurde, können sie nicht zugreifen.

KI in der Produktionsplanung umfasst unterschiedliche Anwendungsfälle. Deshalb sollte die Bezeichnung der Technologie nicht das erste Auswahlkriterium sein. Zunächst muss geklärt werden, was den Produktionsplaner tatsächlich ausbremst.

Eine solche Aufteilung reduziert das Risiko, dass die KI-Integration in Fertigungsprozessen mit einem Werkzeug beginnt, das nicht zum eigentlichen Problem passt. KI in der Produktionsplanung ist dort sinnvoll, wo die Suche nach Wissen und seine Weitergabe Zeit kosten. Ein unzureichender Produktionsplan, fehlende Maschinendaten und fehlende Arbeitsanweisungen sind unterschiedliche Probleme – auch wenn alle drei unter dem Oberbegriff KI in der Produktion betrachtet werden können.

Wenn Sie vor allem aktuelle Daten zur laufenden Produktion benötigen, ist das Produktionsportal von explitia mit seinen MES-Funktionen ein eigener Lösungsweg. Es kann unter anderem Informationen aus Maschinen, SPS-Steuerungen, ERP-Systemen und Bedienerformularen zusammenführen.

Generative Modelle können Antworten erzeugen, die überzeugend klingen, obwohl sie Fehler enthalten. NIST bezeichnet dieses Phänomen im Generative AI Profile als „Confabulation“ und weist darauf hin, dass es insbesondere bei Anwendungen mit potenziell folgenreichen Entscheidungen berücksichtigt werden muss. Deshalb sollte bei KI in der Produktionsplanung klar definiert sein, welche Verantwortung beim Menschen verbleibt.

Ein Werkzeug wie explitia.Whisp erleichtert den Zugriff auf Wissen, ersetzt jedoch weder freigegebene Verfahren noch die Entscheidung eines Mitarbeitenden. Bei Informationen, die Sicherheit, Qualität oder technologische Parameter beeinflussen, sollte festgelegt werden, wann ein Benutzer die Originalquelle prüfen oder die Entscheidung mit dem Prozessverantwortlichen abstimmen muss. Auch die offizielle Produktbeschreibung von explitia.Whisp macht deutlich, dass das Werkzeug freigegebene Verfahren oder Benutzerentscheidungen nicht ersetzt.

Das Unternehmen sollte wissen, wo das Modell betrieben wird, wo die Wissensbasis gespeichert ist und wer darauf zugreifen kann. Das Werkzeug kann lokal betriebene KI-Modelle nutzen, sodass sich die Architektur an die Anforderungen der jeweiligen Organisation anpassen lässt. Sicherheitsregeln müssen dennoch für die konkrete Implementierung definiert werden.

Der EU AI Act verlangt außerdem Maßnahmen zur Förderung der KI-Kompetenz von Personen, die KI-Systeme im Namen einer Organisation nutzen. Artikel 4 gilt seit dem 2. Februar 2025. Benutzer sollten daher die Möglichkeiten und Grenzen der eingesetzten Lösung kennen. Weitere Informationen veröffentlicht die Europäische Kommission in ihren Materialien zur KI-Kompetenz.

Ein Pilotprojekt sollte bei den Tätigkeiten beginnen, die tatsächlich Aufwand verursachen, etwa beim Durchsuchen von Dokumentationen, bei der Suche nach der aktuellen Version einer Anweisung oder bei wiederkehrenden Rückfragen an Technologen. Vor dem Start des Tools lohnt es sich, den Ausgangszustand zu messen, um später vergleichen zu können, wie sich die Arbeitsweise verändert hat.

Bei einem Projekt für KI in der Produktionsplanung können beispielsweise die Zeit bis zum Auffinden einer Information, der Anteil der Fragen, bei denen die richtige Quelle gefunden wurde, die Anzahl der Expertenkonsultationen und die vom Prozessverantwortlichen bewertete Qualität der Antworten gemessen werden. Zuerst wird geprüft, ob das Problem tatsächlich vorhanden ist und ob der Assistent es reduziert.

Der erste Pilot kann eine einzelne Gruppe von Verfahren oder eine bestimmte Art von Planungsentscheidung umfassen. Wenn KI in der Produktionsplanung in diesem Bereich zuverlässig funktioniert, kann die Wissensbasis erweitert werden. Schwächere Ergebnisse zeigen dagegen, ob die Ursache in der Dokumentation, in der Formulierung der Fragen oder in der Auswahl des Anwendungsfalls liegt.

Solche Kriterien sind aussagekräftiger als die reine Prüfung, ob ein Chatbot eine korrekt klingende Antwort erzeugen kann. Für einen Produktionsleiter zählt die Veränderung eines konkreten Arbeitsprozesses sowie die Möglichkeit nachzuvollziehen, aus welcher Quelle das für eine Entscheidung verwendete Wissen stammt.

Weitere Informationen zu Datenqualität, Prozesskontext, Sicherheit und zur Auswahl des ersten Use Cases finden Sie in unserem Beitrag über die Einführung von KI in der Produktion.

Wenn Ihr Unternehmen Probleme mit Sensoren, fehlendem Kontext von Prozessdaten oder der Integration von ERP und Shopfloor hat, sollten diese Lücken zuerst geschlossen werden. Wenn Verzögerungen dagegen dadurch entstehen, dass Arbeitsanweisungen, Verfahren und technisches Wissen zwar bereits im Unternehmen dokumentiert sind, aber nur schwer gefunden werden können, kann direkt mit einem Pilotprojekt für KI in der Produktionsplanung mit explitia.Whisp begonnen werden.

Ein besonders geeigneter Kandidat für eine erste Implementierung ist ein Prozess, in dem Produktionsplaner regelmäßig ähnliche Fragen stellen, die Antworten bereits in Dokumenten vorhanden sind und ihre Suche Zeit kostet oder die Einbindung eines Experten erfordert. In diesem Fall erhält KI in der Produktionsplanung einen klar abgegrenzten Einsatzbereich, dessen Wirkung sich anhand der tatsächlichen Arbeit des Teams überprüfen lässt.

Beginnen Sie mit repräsentativen Fragen, ordnen Sie ihnen freigegebene Quellen zu und überprüfen Sie die Antworten gemeinsam mit dem Prozessverantwortlichen. Die Anzahl der Fragen sollte sich am Umfang des Prozesses und an der Vielfalt der Dokumentation orientieren, statt einen willkürlichen Grenzwert festzulegen. Bestätigt der Test den Nutzen, kann die Wissensbasis im nächsten Schritt auf weitere Verfahren oder Benutzergruppen ausgeweitet werden.

explitia.Whisp hat eine klar definierte Aufgabe: Es verkürzt den Weg von einer Frage zu Wissen, das bereits in der Unternehmensdokumentation gespeichert ist. So verstanden konkurriert KI in der Produktionsplanung weder mit APS noch mit MES. Sie ergänzt die Arbeit des Produktionsplaners dort, wo die nächste Entscheidung von Informationen abhängt, die das Unternehmen bereits besitzt, auf die der Mitarbeitende jedoch zunächst zugreifen muss. Wenn genau dieser Schritt die Arbeit in Ihrem Werk verlangsamt, lernen Sie die Möglichkeiten von explitia.Whisp kennen und testen Sie einen konkreten Prozess im Rahmen eines Pilotprojekts.

Nein. Whisp sucht in vorbereiteten Dokumentationen nach Wissen und erstellt auf dieser Grundlage Antworten. Für eine automatische Produktionsplanung werden APS-Funktionen oder ein anderes Planungssystem benötigt, das mit Informationen zu Aufträgen, Ressourcen und Einschränkungen arbeitet.

Ja, wenn die Aufgabe darin besteht, auf Wissen aus Dokumentationen zuzugreifen. Ein MES wird dann erforderlich, wenn der Anwendungsfall aktuelle Informationen zum Bearbeitungsstand von Aufträgen, zum Maschinenstatus oder zum Ablauf des Produktionsprozesses benötigt.

Am besten beginnen Sie mit aktuellen Arbeitsanweisungen, Verfahren, technischen Dokumentationen und Tabellen, die Fragen beantworten, die im Arbeitsalltag der Benutzer tatsächlich regelmäßig auftreten. Der Umfang des Pilotprojekts sollte durch den Prozessverantwortlichen überprüfbar sein.

Nein. Eine lokale Architektur kann dabei helfen, Anforderungen an die Kontrolle von Daten zu erfüllen, beseitigt jedoch nicht das Risiko fehlerhafter Antworten. NIST nennt Confabulation als eines der Risiken generativer KI. Deshalb sind aktuelle Quellen und klare Regeln zur Überprüfung von Antworten erforderlich.