KI-gestützte Prozessoptimierung So setzen Sie auf die richtige KI-Strategie 

Anbieter zum Thema

NTT DATA Deutschland SE

Schneider Electric GmbH

PSI Software SE | Business Unit Discrete Manufacturing

Künstliche Intelligenz (KI) gilt weiterhin als Hype-Technologie: Die Potenziale erscheinen grenzenlos, konkrete Anwendungsfälle jedoch häufig abstrakt und fern der praktischen Umsetzung. Dieser Beitrag zeigt praxisnahe Beispiele sowie Empfehlungen zur Potenzialanalyse und zum Roadmapping.

Um die Vorteile und konkreten Anwendungsfälle von künstlicher Intelligenz zu verstehen, sollte man zwischen zwei Typen von KI unterscheiden.

Analytische KI/Machine Learning (ML) kommt zum Einsatz, um strukturierte Daten zu analysieren, Muster und Anomalien zu erkennen und Einblicke in Abläufe sowie zukünftige Trends zu erkennen. ML-Modelle sind meist individuell programmiert und haben einen entsprechend höheren Implementierungsaufwand.

Generative KI (GenAI) wird genutzt, um natürlichsprachlichen Input oder kleine Mengen strukturierter Daten zu verarbeiten und daraus Inhalte wie Texte, Bilder oder Code zu erzeugen. GenAI ist sowohl Off-the-Shelf, zum Beispiel ChatGPT oder Microsoft Copilot, als Low-Code- (axio KogniLink) oder als Individualprogrammierung verfügbar.KI-Agenten lassen sich einsetzen, um operative Prozesse zu automatisieren und dabei GenAI und ML zu kombinieren. Sie analysieren Situationen in Echtzeit, automatisieren Prozesse oder leiten konkrete Handlungsmaßnahmen ab.

Reportings und Datenanalysen

Auch die Erstellung von Reportings und Datenanalysen wird durch KI deutlich vereinfacht. GenAI unterstützt Teams bei der Erstellung von Datenanalysen und Dashboards mit Tools wie PowerBI, Tableau oder auch Excel, in dem sie SQL-Abfragen, Python-Code, DAX-, PowerQuery-, Excel-Formeln und -Makros formuliert. Dies senkt die Schwelle, Analysen und Reportings aufzubauen und unterstützt Unternehmen bei der Gewinnung von Transparenz in ihren Prozessen.

Qualitätsmanagement-Assistent

KI-gestützte Qualitätsmanagement-Assistenten machen Critical-to-Quality- sowie Critical-to-Process-Informationen per semantischer Suche und Chat verfügbar. Diese Tools verknüpfen historische 8D-Reports mit vorhandenen Failure-Mode-and-Effects-Analysis-Einträgen und ermöglichen so die schnelle Korrektur von Abweichungen durch Mitarbeiter, die nicht mehr nach Reports und den damals gewählten Lösungsansätzen suchen – oder sogar wieder eigene Lösungen finden müssen.

KI-Anwendungen auf dem Shopfloor

Aber auch auf dem Shopfloor gibt es konkrete Potenziale für KI. Machine Learning verbessert zum Beispiel automatisierte visuelle Qualitätsprüfungen, indem Sensoren Echtzeitdaten wie Temperatur, Vibration, Druck oder Stromaufnahme erfassen. Künstliche Intelligenz analysiert diese Daten fortlaufend, erkennt Abweichungen vom Normalverhalten und prognostiziert mögliche Ausfälle. KI-Agenten können zudem präventive Maßnahmen vorschlagen und anfallende Wartungsarbeiten priorisieren. Dadurch lassen sich Maschinenausfallzeiten reduzieren und Qualitätsabweichungen minimieren.

Schritt für Schritt zur KI-Roadmap

Um konkrete Optimierungspotenziale zu identifizieren und zu priorisieren, empfiehlt sich eine strukturierte Vorgehensweise aus vier Schritten.

• Schritt 1 - Ist-Analyse und Scoping: Im ersten Schritt wird ein klares Bild der Ausgangssituation geschaffen und das Team zum Thema abgeholt. Dazu wird der Prozessreifegrad sowie die Verfügbarkeit von Systemschnittstellen und die Datenquantität und -qualität bewertet. Auf dieser Basis lässt sich definieren, welche Prozesse und welche KI-Technologien man in Betracht ziehen sollte.
• Schritt 2 - Potenzialanalyse: Im zweiten Schritt werden die Prozesse in den festgelegten Bereichen entlang des Auftragsabwicklungsprozesses analysiert, Ineffizienzen identifiziert und mögliche Einsatzfelder für KI definiert.
• Schritt 3 - Bewertung der Ergebnisse: Im nächsten Schritt priorisiert man die identifizierten KI Use Cases anhand eines groben Kosten-Nutzen-Verhältnisses. Die Kriterien dafür sind unter anderem die eingesetzte KI-Technologie, der Implementierungsaufwand, die im Zweifel notwendigen Maßnahmen zur Herstellung der Datenverfügbarkeit sowie weitere organisatorische Voraussetzungen.
• Schritt 4 - Definition der Roadmap: Zuletzt wird auf Basis der Bewertung eine Roadmap mit konkreten Maßnahmen, Prioritäten und Zeitplänen definiert. Diese Roadmap ist auf die individuellen Anforderungen und Ressourcen des Unternehmens abgestimmt und dient als Fahrplan für die KI-Einführung.

Datenqualität als Schlüssel zum Erfolg

Damit KI echten Mehrwert schafft, müssen – abhängig vom Anwendungsfall – zentrale Voraussetzungen erfüllt sein. Je spezifischer die Anwendungsfälle für KI sind, desto wichtiger sind Datenqualität und verfügbare Schnittstellen. Besonders ML und individuell programmierte GenAI-Anwendungen sind nur so gut wie die Daten und Schnittstellen, mit denen sie arbeiten. Unvollständige oder fehlerhafte Stammdaten führen zu falschen Analysen und unzuverlässigen Ergebnissen. Vor der Implementierung müssen Unternehmen daher ihre Datenbasis systematisch aufräumen und pflegen.

Digitalisierung

Digitale Transformation in der Industrie: Diese 10 Anforderungen müssen Sie kennen

KI-Anwendungen iterativ weiterentwickeln

Wenn Unternehmen strukturiert vorgehen, qualitativ hochwertige Daten generieren und Technologie gezielt einsetzen, können sie ihre Prozesse messbar verbessern. Ob durch generative KI in der Auftragsverarbeitung oder Machine Learning im Condition Monitoring – der Nutzen ist konkret und greifbar. Dabei ist entscheidend, dass Unternehmen nicht auf die eine große Lösung warten, sondern mit klar umrissenen Pilotprojekten starten und ihre KI-Anwendungen iterativ weiterentwickeln. Nur die Unternehmen, die KI strategisch nutzen, können nicht nur Leistung, Effizienz und Qualität steigern, sondern auch ihre Wettbewerbsfähigkeit nachhaltig steigern

Dr. Jochen Schlick ist Senior Partner & Co-Founder von Neonex.