Zum Hauptinhalt springen
Wissensdatenbank

Was KI in der Fertigung heute wirklich leisten kann

DBR77 Team7 Min. Lesezeit

Auf dieser Seite

KI funktioniert in der Fertigung heute am besten als Assistent für die Menschen in der Produktion. Sie erkennt ungewöhnliche Muster in Maschinen- und Prozessdaten, schlägt wahrscheinliche Ursachen für Stillstände und Fehler vor, priorisiert offene Arbeit, schlägt Reihenfolgen für den Plan vor, fasst Schichtnotizen zusammen und beantwortet Fragen aus den eigenen Dokumenten des Werks. Über alles, was die Linie, das Produkt oder die Sicherheit verändert, entscheiden weiterhin Menschen. Eine Fabrik, die sich selbst steuert, ist nicht der Stand der meisten Werke, und sie ist nicht das richtige erste Ziel.

Das ist wichtig, weil KI-Budgets oft nach dem Versprechen festgelegt werden, nicht danach, was das Werk im nächsten Quartal nutzen kann.

Was die Daten über KI im Betrieb sagen

KI ist inzwischen verbreitet. Die Umfrage State of AI 2026 von McKinsey unter 1.719 Teilnehmern ergab, dass fast neun von zehn eine regelmäßige Nutzung von KI in mindestens einer Unternehmensfunktion angeben. Befragte aus der fortgeschrittenen Fertigung, etwa aus Automobil- und Halbleiterunternehmen, berichten von KI-Agenten in Lieferkette, Bestandsführung und Fertigungsprozess.

Die Ergebnisse hinken der Nutzung hinterher. In derselben Umfrage führen 37 % der Befragten zumindest einen gewissen EBIT-Effekt auf KI zurück, ein Wert, der sich gegenüber dem Vorjahr kaum verändert hat. Die Unternehmen, die am meisten aus KI herausholen, gestalten den Arbeitsablauf meist um die KI herum neu, statt KI an den alten Ablauf anzuhängen.

Werke kennen dieses Muster. 2018 stellte McKinsey fest, dass weniger als ein Drittel der Hersteller kritische digitale Anwendungsfälle in den breiten Einsatz gebracht hatte, und nannte diese Lücke „Pilot Purgatory“, also das Steckenbleiben in Pilotphasen. Der Lighthouse-Bericht des Weltwirtschaftsforums sagt, die führenden Werke leiden nicht mehr unter dem „Pilot Purgatory“, sondern arbeiten an einem „Scaling Slump“, einem Einbruch beim Skalieren über Netzwerke und Wertschöpfungsketten hinweg. Selbst die Vorreiter skalieren noch bewährte Anwendungsfälle.

Die Anomalieerkennung markiert Werte, die vom Normalzustand abweichen, und ein Techniker oder Schichtleiter handelt.

Tabelle mit sechs KI-Anwendungen, die heute in Werken funktionieren: was die KI tut, was sie braucht und wer entscheidet

Sechs Anwendungen, die heute in Werken funktionieren

Jede Anwendung funktioniert, wenn die Voraussetzungen aus der dritten Spalte erfüllt sind.

AnwendungWas die KI tutWas sie brauchtWer entscheidet
AnomalieerkennungMarkiert Maschinen- oder Prozesswerte, die vom Normalzustand abweichenSaubere Maschinendaten, mit Anlagen verknüpftTechniker oder Schichtleiter prüft und handelt
UrsachenvorschlägeOrdnet wahrscheinliche Ursachen, wenn ein Stillstand oder Fehler erfasst wirdStillstandsgründe und Qualitätsdatensätze mit KontextIngenieur oder Qualitätsleiter bestätigt die Ursache
Priorisierung der ArbeitOrdnet offene Arbeitsaufträge und Aufgaben nach AuswirkungKritikalität der Anlagen, offene Arbeit, der PlanInstandhaltungsplaner oder Schichtleiter
Vorschläge für den PlanSchlägt Auftragsreihenfolgen vor, die Umrüstzeit verkürzenArbeitspläne, Rüstzeiten, Live-MaschinenstatusPlaner gibt den Plan frei
SchichtzusammenfassungenMacht aus Schichtbuch, Notizen und Beobachtungen ein kurzes BriefingEinträge in einem einzigen SystemSchichtleiter der folgenden Schicht liest und bestätigt
Antworten aus DokumentenBeantwortet Fragen aus SOPs, Handbüchern und früheren ReparaturenDokumente geladen und aktuell gehaltenDie fragende Person, die die Quelle prüft

Jede davon lässt einen Menschen im Ablauf und verkürzt die Zeit, die mit der Suche nach dem abweichenden Wert, der wahrscheinlichen Ursache, dem richtigen Dokument oder dem offenen Problem von letzter Nacht vergeht.

Wo KI noch schwach ist

  • Sie erfindet Dinge. NIST beschreibt „Konfabulation“ als den Fall, dass generative KI-Systeme fehlerhafte oder falsche Inhalte erzeugen und selbstsicher darstellen, auch Halluzination genannt. Ein falscher Drehmomentwert aus einem Chatbot ist ein Qualitätsrisiko.
  • Sie hat seltene Ereignisse nicht gesehen. Ein Modell, das mit zwei Jahren Normalbetrieb trainiert wurde, kann zu einer Störung, die alle fünf Jahre einmal auftritt, wenig sagen.
  • Sie sieht die physische Welt nicht. Sie weiß, was die Daten sagen, nicht, dass eine Schutzabdeckung locker ist oder eine Palette einen Gang blockiert.
  • Sie veraltet. Ein neues Produkt, Werkzeug oder ein neuer Lieferant verändert die Muster. Modelle brauchen frische, abgeschlossene Datensätze, um nützlich zu bleiben.
  • Sie kann keine Verantwortung tragen. Wenn eine Entscheidung zählt, muss eine benannte Person dafür verantwortlich sein.

Illustratives Beispiel: Ein Bediener fragt einen KI-Assistenten nach den Umrüstschritten an einer Abfüllmaschine. Die Antwort nennt sieben Schritte und verweist auf die SOP. Ein Schritt stammt aus einer älteren Version des Dokuments, die letzten Monat ersetzt wurde. Zeigt der Assistent seine Quelle, erkennt der Bediener das alte Revisionsdatum. Zeigt er sie nicht, erreicht der Fehler die Linie. Antworten auf aktuelle Dokumente zu stützen und die Quelle zu zeigen, ist die Absicherung.

Die meisten dieser Schwächen kommen aus den Daten, und Warum KI in der Fertigung ohne verbundene Betriebsdaten scheitert erklärt, warum Piloten ohne sie scheitern.

Wie Sie einen ersten Anwendungsfall wählen

Ein guter erster Anwendungsfall besteht vier Tests:

  1. Die Entscheidung fällt häufig. Sie fällt täglich oder in jeder Schicht, nicht einmal im Jahr.
  2. Die Daten existieren bereits in einem System, mit Kontext, nicht in einem Ordner.
  3. Ein falscher Vorschlag ist billig. Ein Mensch kann ihn in einer Minute prüfen, und ein Fehler kostet wenig.
  4. Jemand ist für das Ergebnis verantwortlich. Eine benannte Rolle erhält den Vorschlag und handelt danach, wie in Vom Signal über die Aufgabe zum Abschluss beschrieben.

Schichtzusammenfassungen und die Rangfolge von Arbeitsaufträgen bestehen meist alle vier. Die autonome Steuerung eines Prozesses fällt meist beim dritten durch. Wann KI empfehlen und wann Menschen entscheiden sollten erklärt, wie Sie festlegen, auf welcher Stufe KI nur beobachtet, berät oder selbst handelt.

Wie das in DBR77 IRIS funktioniert

DBR77 IRIS hat zwei Arten von KI, und beide arbeiten mit den Daten, die die Module ohnehin erfassen. Der IRIS-Assistent steht in jeder Ansicht als Seitenleiste zur Verfügung. Er beantwortet Fragen in verständlicher Sprache und stützt sich dabei auf Live-Daten des Werks und auf Wissensdatenbanken, die aus Maschinendokumentation, Instandhaltungshistorie sowie Prozess- und Produktinformationen aufgebaut sind. Daten & KI prüft Daten aus allen Modulen anhand von Regeln, schlägt Empfehlungen vor und trainiert mit Plattformdaten einfache, erklärbare Modelle: lineare und logistische Regression, k-Means und Schwellenwertregeln. Im IoT-Modul ergeben sich die Zustandswerte der Maschinen aus Trends und Abweichungen in den jüngsten Sensormesswerten, und IRIS QMS ergänzt regelbasierte Qualitätsbefunde.

Der Assistent liest nur. Er legt keine Datensätze an, schließt keine und ändert keine. Wenn Sie ihn um eine Aktion bitten, nennt er Ihnen die Ansicht, in der Sie sie ausführen. Jede Zahl in seiner Antwort stammt aus einem Tool-Ergebnis in diesem Gespräch, und er antwortet im Rahmen der Berechtigungen Ihrer Rolle. Jede Empfehlung zeigt, worauf ihre Bewertung beruht, und eine Person setzt sie um, gibt sie frei, lehnt sie ab oder stellt sie zurück. Mehr dazu unter KI in IRIS.

Häufige Fragen

Ist eine autonome Fabrik heute realistisch?

Für die meisten Werke nicht. Einige Schritte können ohne Klick laufen, aber Planung, Qualitätsfreigabe und Sicherheitsentscheidungen brauchen weiterhin einen Menschen. Beginnen Sie mit Unterstützung und verdienen Sie sich den nächsten Schritt mit Belegen.

Brauchen wir Data Scientists für den Start?

Nicht für die ersten Anwendungen. Schichtzusammenfassungen, Ursachen-Ranglisten und Antworten aus Dokumenten können auf vorhandenen Datensätzen laufen. Data Science wird wichtiger für eigene Vorhersagemodelle.

Ist generative KI in der Fertigung sicher?

Sie ist sicher, wenn die Antworten aus Ihren eigenen aktuellen Dokumenten kommen, ihre Quelle zeigen und ein Mensch alles prüft, was den Prozess verändert.

Fazit

Beginnen Sie mit einer Entscheidung, die Ihre Schichtleiter oder Planer in jeder Schicht treffen, prüfen Sie sie mit den vier Tests und geben Sie ihrem Ergebnis einen benannten Verantwortlichen. Schichtzusammenfassungen und die Rangfolge von Arbeitsaufträgen bestehen meist; die autonome Steuerung eines Prozesses scheitert meist an den Kosten eines falschen Vorschlags. Lassen Sie einen Menschen bei allem, was die Linie, das Produkt oder die Sicherheit verändert, und erweitern Sie die Aufgaben der KI erst, wenn die Belege es stützen.

Quellen