Industrielle Digitalisierung KI in der Praxis: Warum viele Digitalisierungsprojekte scheitern – und wie es besser geht

Anbieter zum Thema

VALEO GmbH

STIWA Automation GmbH

Festo Maschinenvertrieb GmbH

MicroConsult Academy GmbH

MES Electronic Connect GmbH & Co. KG

mehr weniger

IBR Leiterplatten GmbH & Co. KG

weniger

Fast 80 Prozent der Digitalisierungsprojekte verfehlen ihre Ziele, so eine Studie. Philip Privalov von Stiwa zeigt in seinem Vortrag, worauf es ankommt, damit KI in der industriellen Praxis tatsächlich Mehrwert schafft.

Die Digitalisierung ist längst kein neues Thema mehr, doch viele Unternehmen ringen nach wie vor um greifbare Ergebnisse. Erst recht, wenn KI als I-Tüpfehlchen oben drauf kommt. Philip Privalov von Stiwa Software zeigte auf der Messe all about automation in Friedrichshafen anhand konkreter Beispiele, dass sich gezielt geplante Projekte durchaus lohnen. Voraussetzung dafür sei allerdings eine sorgfältige Planung und realistische Zielsetzung. Häufig würden Unternehmen aus Enthusiasmus für neue Technologien starten, ohne genau zu wissen, welche konkreten Probleme eigentlich gelöst werden sollen.

So steigerte etwa der Automatisierungsspezialist Festo mit Hilfe einer Softwarelösung von Stiwa seine Ausbringungsmenge bei der Produktion von Ventilen und Elektronikbauteilen um 40 Prozent. Diese Verbesserung brachte erhebliche wirtschaftliche Vorteile, da die Produktion effizienter und zugleich qualitativ hochwertiger wurde.

Ähnliche Erfolge erzielte auch der Zulieferer Valeo: Hier reduzierte sich die Hochlaufphase neuer Anlagen um ebenfalls 40 Prozent. Gerade die Anlaufphase einer neuen Maschine ist kritisch, da hier meist Kosten entstehen, ohne dass bereits Erlöse erwirtschaftet werden. Die Verkürzung dieser Phase spart Zeit und Geld und ermöglicht eine schnellere Amortisation der Investition.

Bildergalerie

„Schmerzpunkte“: Energiekosten, Fachkräftemangel, Datenflut, Werkzeugmangel

Privalov verwies zunächst auf typische Herausforderungen der Industrie: Neben steigenden Energiepreisen und Fachkräftemangel kämpfen Unternehmen zunehmend mit einer Überforderung durch zu viele Daten. „Viele wissen vor lauter Daten nicht mehr, wo sie überhaupt ansetzen sollen“, erklärte er.

Zudem fehle es häufig an geeigneten Werkzeugen, um unterschiedliche Systeme und Anlagen miteinander kommunizieren zu lassen. Gerade der Fachkräftemangel verschärfe diese Problematik zusätzlich, da weniger erfahrene Mitarbeiter mit der Komplexität der Datenflut oft überfordert seien.

„79 Prozent der Digitalisierungsprojekte verfehlen ihre Ziele“

Erfolgreiche Digitalisierungsprojekte setzen daher zunächst auf eine klare Definition der Ziele, passende Datengrundlagen sowie eine realistische Einschätzung des wirtschaftlichen Nutzens. Ohne eine sorgfältige Planung bleibe der Erfolg meist aus, so Privalov unter Verweis auf eine Studie von Fujitsu, wonach fast 80 Prozent der Projekte ihre Ziele nicht erreichten.

Damit Sie zu den erfolgreichen 20 Prozent mit zielgerechten Ditigalisierungsprojekten gehören, empfiehlt Privalov die folgenden drei Handlungen:

• Definieren Sie einen konkreten Anwendungsfall. Statt vager Zielsetzungen braucht es eine präzise Aufgabenstellung: Was genau soll verbessert, automatisiert oder beschleunigt werden? Ein klar formulierter Use Case erleichtert nicht nur die Auswahl technischer Mittel, sondern dient auch als Maßstab für den späteren Erfolg.

• Bestimmen Sie die geeigneten Daten. Nicht jede verfügbare Information ist auch relevant. Entscheidend ist, welche Daten den gewählten Anwendungsfall sinnvoll abbilden können. Dazu gehören Messwerte von Maschinen, Prozessdaten, Qualitätskennzahlen oder Wartungsprotokolle. Fehlen relevante Daten, muss das Vorhaben entsprechend angepasst oder die Datenbeschaffung im Vorfeld eingeplant werden.

• Bewerten Sie den potenziellen Nutzen. Jeder Aufwand muss sich rechnen. Berechnen Sie, welche Einsparungen oder Verbesserungen durch das Projekt möglich sind – etwa geringere Ausfallzeiten, weniger Ausschuss oder eine kürzere Inbetriebnahmezeit. Setzen Sie diese Potenziale in Relation zu den Investitionen und Betriebskosten. Nur so entsteht eine belastbare Entscheidungsgrundlage für die Umsetzung.

Ein weiteres Problem, das Privalov ansprach, sei die Integration verschiedener technischer Systeme. Viele Unternehmen nutzten mehrere Softwarelösungen gleichzeitig, die oft nicht kompatibel seien. Dadurch entstehen Informationsinseln, die einen umfassenden Überblick verhindern. Hier sieht Privalov großes Potenzial in der Standardisierung und Vernetzung digitaler Tools, um Reibungsverluste zu reduzieren und Prozesse transparenter zu gestalten.

Warum GenAI hier nicht taugt und die KI den richtigen Rahmen braucht

Eine KI-Lösung müsse speziell auf den Anwendungsfall zugeschnitten sein. Allgemein gehaltene Modelle lieferten oft nur banale Erkenntnisse. Zudem benötige KI die richtigen Daten, die exakt auf das konkrete Problem zugeschnitten sind. Ein häufiger Fehler sei es, zu glauben, dass KI automatisch aus beliebigen Daten wertvolle Erkenntnisse ziehen könne. Vielmehr müsse der Input gezielt ausgewählt und qualitativ hochwertig sein.

Ebenso entscheidend sei die Fähigkeit der KI, andere Werkzeuge wie Dashboards, Handbücher oder auch Analyse-Software aktiv nutzen zu können. Nur so lasse sich das volle Potenzial tatsächlich ausschöpfen. „Ein Werkzeug allein macht noch keinen Meister“, betonte Privalov und griff das englische Sprichwort auf: „A fool with a tool is still a fool“. Mitarbeiter müssten geschult werden, um die KI-Systeme sinnvoll einsetzen und deren Ergebnisse richtig interpretieren zu können.

ChatGPT etwa sei recht breit aufgestellt, es gebe aber auch spezialisierte Modelle. Je breiter es sei, umso schwieriger sei es, die richtigen Antworten zu bekommen. Privalov schilderte hierzu ein Beispiel aus einem frühen Projekt, bei dem Produktionsdaten in ein generisches KI-Modell eingespeist wurden, um die Ursache für hohe Ausschussraten zu ermitteln. Die Antwort lautete sinngemäß: „Die Ausschussrate ist hoch, weil viele Teile fehlerhaft sind“ – eine banale Feststellung ohne Mehrwert. Erst mit einem branchenspezifischen, trainierten Modell konnten schließlich konkrete Ursachen identifiziert werden, etwa bestimmte Maschinenparameter oder fehleranfällige Prozessschritte. Dieses Beispiel zeigt: Nur mit dem passenden Kontext liefert der spezialisierten KI tatsächlich nützliche Einsichten. Auch hierfür seien die richtigen Daten für die richtigen Antworten wieder entscheidend.

Ausgestattet mit passenden Werkzeugen – das meint Privalov ganz wörtlich: Eine KI, die etwa eine Rechenaufgabe lösen soll, benötigt Zugriff auf ein Rechenmodul oder eine entsprechende Software, um tatsächlich das korrekte Ergebnis liefern zu können. Ähnlich wie ein Mensch, der für eine exakte Berechnung einen Taschenrechner benutzt, muss auch eine KI auf spezifische Tools zugreifen können, um über reine Wahrscheinlichkeitsaussagen hinauszugehen. In der Praxis heißt das: Wenn eine KI etwa Instandhaltungsmaßnahmen bewerten oder Produktionspläne analysieren soll, muss sie auch mit den dafür vorgesehenen Systemen, wie Dashboards, Logbüchern oder Datenbanken, interagieren können. Erst durch diese funktionale Integration wird aus einer KI ein tatsächlich brauchbares Werkzeug im betrieblichen Alltag.

Shopfloor AI: Chatten mit der Werkshalle

Ein konkretes Beispiel für eine benutzerfreundliche KI-Lösung ist „Shopfloor AI“ von Stiwa. Diese Software beinhaltet nicht nur ein Dashboard, sondern ermöglicht es Mitarbeitenden, über eine einfache Bedienoberfläche konkrete Fragen zu Produktionsproblemen zu stellen. Das System liefert daraufhin strukturierte Antworten und Hinweise auf Ursachen, etwa häufige Stillstände an einzelnen Stationen oder technische Störungen.

Im Vortrag nennt Privalov etwa die Frage: „Warum habe ich heute nicht genug produziert?“ Das KI-System analysiert daraufhin automatisch alle verfügbaren Produktionsdaten des Tages. Es berücksichtigt unter anderem Maschinenlaufzeiten, Stillstände, Schichtberichte sowie Störungen und vergleicht diese mit der geplanten Sollmenge.

Im konkreten Fall zeigte das System, dass die Zielstückzahl von 10.000 Teilen voraussichtlich nicht erreicht wird. Als Ursache identifizierte es gehäufte Stillstände an Station 4 sowie wiederkehrende Probleme bei den Zuführungen 1, 2 und 3. Hinzu kam, dass die Schutztür der Anlage mehrfach geöffnet war – ein häufiger Grund für Unterbrechungen, wenn Bedienpersonal manuell eingreifen muss. Die KI wertet solche Signale automatisch aus und liefert eine strukturierte Diagnose, die sowohl technische Ursachen als auch organisatorische Zusammenhänge sichtbar macht. So können Mitarbeitende gezielt gegensteuern und Stillstandszeiten künftig reduzieren.

Laut Privalov befindet sich die Lösung derzeit in einer intensiven Entwicklungs- und Testphase, bei der verschiedene KI-Modelle evaluiert werden. Unternehmen können kostenlos teilnehmen, um die Technologie frühzeitig in der Praxis zu erproben und direkt von den Ergebnissen zu profitieren.

Stimmungsbild: Die knappe Mehrheit nutzt KI bereits erfolgreich

Am Ende seines Vortrags bat Privalov das Publikum, eine kurze Umfrage via QR-Code zu beantworten. Ziel war es, ein Stimmungsbild zu erhalten, wie verbreitet schon KI in der industriellen Praxis ist. Vor einem halben Jahr sah das Ergebnis bei ihm folgendermaßen aus:

• 54% Ja, war erfolgreich.

• 8% Ja, aber hat nichts gebracht.

• 19% Nein, aber ich plane eine Anwendung.

• 19% Nein, noch nichts geplant.

Die gleiche Umfrage führte der Referent bei seinem aktuellen Vortrag auf der Messe durch. Deutlich mehr Teilnehmer konnten erfolgreiche Implementierungen vermelden, während negative Erfahrungen seltener wurden. Aber noch immer jedoch ist der Anteil der Unternehmen hoch, die bislang keine konkreten KI-Vorhaben umgesetzt haben.

Digitalisierung mit Augenmaß angehen

Abschließend betonte Philip Privalov, dass Digitalisierung und KI großes Potenzial hätten, aber eben nur, wenn sie gründlich geplant und konsequent umgesetzt werden. Nur dann könnten sie tatsächlich helfen, die wachsenden Herausforderungen der Industrie zu meistern. Für Unternehmen gelte es daher, keine vorschnellen Entscheidungen zu treffen, sondern auf gut durchdachte Strategien zu setzen. (mc)

(ID:50393435)