KI-Beratung für die Produktion: von bewährten Lean-Prinzipien zu wirksamer KI-Anwendung.

Process Consulting & AI bezeichnet die Verbindung von Prozessberatung und Künstlicher Intelligenz für produzierende Unternehmen. Der Grundsatz: KI macht schlechte Prozesse nicht besser, sondern nur schneller schlecht. Deshalb steht am Anfang eine Digitalisierungsberatung für die Produktion, die Datenflüsse, Verantwortlichkeiten und Abläufe ordnet, bevor Technologie eingeführt wird. Darauf aufbauend werden KI-Use-Cases identifiziert, bewertet und umgesetzt, von der Potenzialanalyse über Pilotprojekte bis zum Produktivbetrieb.

Bewährte KI-Use-Cases in der Produktion liegen dort, wo viele Daten anfallen und Entscheidungen wiederkehren: Predictive Quality, Anomalieerkennung in Prozess- und Messdaten, Predictive Maintenance, visuelle Prüfung mit Bilderkennung, automatische Ursachenanalyse bei Abweichungen, Prognosen für Bedarfe und Bestände sowie die Optimierung von Rüstreihenfolgen. Machine Learning in der Fertigung lohnt sich vor allem bei hoher Variantenvielfalt oder teurem Ausschuss. Der beste Einstieg ist selten der spektakulärste Use Case, sondern der mit vorhandenen Daten.

KI-Use-Cases zu identifizieren beginnt nicht bei der Technologie, sondern bei den Prozessen: Wo entstehen Kosten durch Ausschuss, Stillstand, manuelle Arbeit oder späte Entscheidungen? Wo liegen bereits Daten vor, die heute nicht genutzt werden? Daraus entsteht eine Longlist, die nach Nutzen, Datenverfügbarkeit, Aufwand und Risiko bewertet wird. Übrig bleiben zwei bis drei Kandidaten für einen Piloten. Eine strukturierte KI-Potenzialanalyse oder ein KI-Workshop mit Fach- und IT-Seite liefert das Ergebnis in wenigen Tagen.

Eine KI-Potenzialanalyse ist eine strukturierte Bestandsaufnahme, welche Prozesse von Künstlicher Intelligenz profitieren können und welche Voraussetzungen erfüllt sind. Untersucht werden die Prozesslandschaft, die vorhandenen Datenquellen und deren Qualität, die IT-Systeme und Schnittstellen sowie die Fähigkeiten im Team. Ergebnis ist eine bewertete Liste von Use Cases mit Nutzenabschätzung, Aufwand und empfohlener Reihenfolge. Anders als eine reine Technologieberatung deckt sie auch auf, wo Prozesse oder Daten zuerst bereinigt werden müssen.

Ein KI-Workshop für Unternehmen bringt Fachbereiche, IT und Geschäftsführung zusammen, um in ein bis zwei Tagen ein gemeinsames Verständnis zu schaffen: Was kann KI in der eigenen Produktion realistisch leisten, wo liegen konkrete Anwendungsfälle, und was fehlt zur Umsetzung. Typischer Ablauf: Einordnung aktueller KI-Verfahren anhand von Praxisbeispielen, Sammlung und Bewertung eigener Use Cases, Prüfung der Datenbasis, Priorisierung nach Nutzen und Aufwand. Am Ende steht eine Roadmap mit ein bis drei Piloten.

Ein KI-Pilotprojekt in der Produktion sollte klein, messbar und zeitlich begrenzt sein: ein Prozess, eine Fragestellung, ein klar definierter Erfolgsmaßstab, etwa die Erkennungsrate von Abweichungen. Zu Beginn werden die benötigten Daten zusammengeführt und auf Qualität geprüft, danach wird ein erstes Modell trainiert und mit realen Daten validiert. Wichtig ist, die Anwender früh einzubinden. Nach acht bis zwölf Wochen liegt in der Regel eine belastbare Aussage vor, ob der Use Case produktiv gehen soll.

Predictive Quality bezeichnet den Einsatz von Datenanalyse und Machine Learning, um Qualitätsprobleme vorherzusagen, bevor fehlerhafte Teile entstehen. Statt Qualität erst nach der Fertigung zu prüfen, werden Prozessparameter, Maschinendaten, Messwerte und Umgebungsbedingungen laufend ausgewertet und mit historischen Qualitätsergebnissen in Beziehung gesetzt. Das Modell erkennt Muster, die auf drohende Abweichungen hindeuten. KI in der Qualitätssicherung ergänzt so die klassische SPC: Regelkarten zeigen, dass ein Prozess driftet, Predictive Quality zeigt, warum.

Beide Ansätze nutzen dieselben Methoden, zielen aber auf unterschiedliche Fragen. Predictive Maintenance sagt voraus, wann eine Maschine oder Komponente ausfällt, um Wartung rechtzeitig zu planen; Datenbasis sind Schwingungen, Temperaturen, Ströme und Betriebsstunden. Predictive Quality sagt voraus, ob das gefertigte Teil den Anforderungen entspricht; Datenbasis sind Prozessparameter und Messdaten. Wer Predictive Maintenance einführen möchte, sollte prüfen, ob die Qualitätsdaten nicht der einfachere Einstieg sind, weil sie oft bereits vorliegen.

Anomalieerkennung in Produktionsdaten bedeutet, mit statistischen und Machine-Learning-Verfahren automatisch Messwerte, Muster oder Verläufe zu finden, die vom normalen Verhalten eines Prozesses abweichen, auch wenn kein fester Grenzwert verletzt wird. Klassische Toleranzen erkennen nur, ob ein Wert innerhalb oder außerhalb liegt. Ein Anomaliemodell lernt dagegen das typische Zusammenspiel vieler Merkmale und schlägt an, wenn eine Kombination ungewöhnlich ist, etwa eine schleichende Drift oder ein systematisch veränderter Lieferant.

Machine Learning in der Fertigung braucht keine perfekten Daten, aber ausreichend viele, konsistente und mit Kontext versehene Daten. Konkret: Prozess- und Maschinendaten, Qualitäts- und Messdaten je Teil oder Charge, Stammdaten zu Artikel, Werkzeug, Maschine und Lieferant sowie eine saubere Zuordnung über Zeitstempel oder Auftragsnummern. Entscheidend ist, dass Eingangsgrößen und Ergebnis verknüpft werden können. Häufig scheitern Projekte nicht am Algorithmus, sondern an Daten in getrennten Systemen ohne gemeinsamen Schlüssel.

Den ROI der Digitalisierung in der Produktion berechnet man, indem den Investitions- und Betriebskosten die messbaren Effekte gegenübergestellt werden: weniger Ausschuss und Nacharbeit, weniger Stillstände, eingesparte manuelle Erfassung, vermiedene Reklamations- und Sonderfahrtkosten sowie kürzere Durchlaufzeiten. Wichtig ist, vor dem Projekt eine Baseline zu messen, sonst lässt sich der Effekt später nicht belegen. Bewährt hat sich, mit einem abgegrenzten Use Case zu starten und dessen Nutzen nach Einführung mit realen Daten zu prüfen.

Eine Digitalisierungs-Roadmap ist der zeitlich geordnete Plan, mit welchen Schritten ein Unternehmen Produktion und IT-Landschaft weiterentwickelt: von der Bestandsaufnahme über priorisierte Projekte bis zum Zielbild. Um eine Digitalisierungs-Roadmap zu erstellen, werden zunächst Prozesse, Systeme und Datenflüsse erfasst und Schmerzpunkte benannt. Daraus wird eine IT-Strategie für die Fertigung abgeleitet. Die Projekte werden nach Nutzen, Abhängigkeiten und Kapazität in Wellen geordnet. Eine gute Roadmap ist kurz und wird halbjährlich angepasst.

Smart Factory und Industrie 4.0 beschreiben eine Fertigung, in der Maschinen, Systeme und Menschen über Daten vernetzt sind und Prozesse sich transparent steuern lassen. Für den Mittelstand heißt das nicht, die Fabrik neu zu bauen. Smart-Factory-Lösungen beginnen praktisch damit, vorhandene Maschinen anzubinden, Betriebs- und Qualitätsdaten zentral zu erfassen und daraus Kennzahlen und Alarme abzuleiten. Industrie-4.0-Software sollte offen sein und als SaaS ohne eigene Serverlandschaft betrieben werden können.

Ein Interim CIO (auch Acting CIO) übernimmt auf Zeit die Verantwortung für IT-Strategie und IT-Organisation eines Unternehmens, ohne dass eine dauerhafte Führungsposition besetzt werden muss. Im Mittelstand ist das sinnvoll, wenn das Unternehmen wächst, ein Systemwechsel ansteht oder die IT bisher nebenbei geführt wurde. Der Interim CIO ordnet Systemlandschaft und Verantwortlichkeiten, bewertet Anbieter, steuert Projekte und baut Strukturen auf, die nach seinem Ausscheiden weiterlaufen. metrologx bietet diese Rolle in Verbindung mit Prozessberatung an.

Produktionsprozesse zu skalieren bedeutet, Abläufe, Qualitätssicherung und IT-Systeme so aufzubauen, dass sie mit wachsenden Stückzahlen mitwachsen, ohne dass jeder Wachstumsschritt zum neuen IT-Projekt wird. Was im Prototypenbau mit Erfahrung und Excel funktioniert, scheitert in der Kleinserie an fehlenden Standards: Stücklisten, Prüfpläne, Rückmeldungen und Lieferantenprozesse müssen definiert und systemgestützt sein. Bewährt hat sich ein Discovery Workshop, der den Ist-Zustand aufnimmt, Zielprozesse beschreibt und eine Roadmap ableitet.