Noch drei Monate bis Jahresende. So lassen sich die KI-Ziele in der Produktion noch erreichen.

Die meisten Produktionsunternehmen haben KI zu Jahresbeginn in ihre Ziele aufgenommen. Das Spektrum reicht von der Bewertung erster Use Cases bis zum Nachweis messbarer Effekte im operativen Betrieb. Jetzt ist September, und nach drei Quartalen fällt die Bilanz in vielen Werken ernüchternd aus.

Dass die Produktion hier häufig hinter anderen Unternehmensbereichen zurückliegt, hat einen Grund. In Marketing, HR oder Kundenservice lassen sich bereits mit einem Chatbot oder simplem KI-Agenten viele nützliche Anwendungen realisieren, häufig bereits innerhalb weniger Tage. In der Produktion hingegen steckt das für die KI relevante Wissen in Transaktionsdaten aus unterschiedlichen Systemen und verteilt sich über Tausende Aufträge, Arbeitsgänge und Maschinen. Die dahinterliegenden Prozesse sind physisch miteinander verknüpft und die jeweiligen Abhängigkeiten stehen in keinem Dokument, das ein Chatbot einfach auslesen könnte. Damit KI belastbare Aussagen über ein Werk treffen kann, braucht es deshalb erhebliche Vorarbeit. Genau hier verlieren klassischen KI-Projekte wertvolle Zeit.

Außer Reichweite ist das Ziel deshalb nicht. Das verbleibende Quartal reicht aus, um erste KI-Anwendungen in der Produktion an den Start zu bringen und das Jahr mit konkreten Ergebnissen abzuschließen statt mit einem weiteren Statusbericht.

Individuelle Datenmodelle und Use Cases machen KI-Projekte zur Zwei-Jahres-Aufgabe

Das typische Vorgehen bei einem KI-Projekt beginnt mit Use-Case-Workshops, geht in ein Datenplattform-Projekt über und endet nach 12 bis 24 Monaten mit einem eingeschränkt nutzbaren Piloten. Der Grund für diese lange Zeitachse sind zwei anspruchsvolle Arbeitspakete, die fast die gesamte Projektzeit beanspruchen.

Die erste Herausforderung ist die Datengrundlage. Unabhängig davon, ob die Daten direkt aus ERP, MES und Maschinensystemen kommen oder bereits in einer unternehmenseigenen Datenplattform oder Cloud für die Produktion vorliegen, bilden sie die Produktion zunächst nur in Fragmenten ab. Jedes System erfasst Daten nach seiner eigenen Logik und für einen bestimmten Zweck. Diese Quellen zusammenzuführen ist der erste Schritt der Arbeit, und einige Unternehmen haben diesen bereits umgesetzt. Damit ist aber nur ein Teil der Aufgabe gelöst.

Was in der Regel weiterhin fehlt, ist der operative Kontext. Es muss klar sein, wie Produkte, Aufträge, Materialien, Maschinen, Prozessschritte und Materialflüsse zusammenhängen. Ohne diesen Kontext kann KI die vorhandenen Daten zwar verarbeiten, aber nicht erkennen, was in der Produktion tatsächlich passiert. Der Aufbau eines konsistenten und kontextualisierten Produktionsmodells bindet deshalb in klassischen Projekten einen erheblichen Teil des Budgets, bevor überhaupt KI zum Einsatz kommt. Häufig scheitern KI-Projekte aufgrund der Datenkomplexität auch bereits an dieser Stelle ganz.

Die zweite Herausforderung beginnt bereits bei der Auswahl geeigneter Use Cases. In der Produktion sind relevante Problemstellungen meist eng mit konkreten Prozessen, Anlagen, Produkten und Betriebsbedingungen verknüpft. Einen Anwendungsfall so zu definieren, dass er einen echten operativen Nutzen liefert und gleichzeitig technisch umsetzbar ist, ist deshalb deutlich anspruchsvoller als in vielen anderen Unternehmensbereichen.

Ist der Use Case definiert, muss daraus eine funktionierende KI-Anwendung entwickelt werden. Dafür reicht es nicht, ein Sprachmodell mit einigen Daten zu verbinden. Die Anwendung muss die spezifische Prozesslogik verstehen, relevante Produktionsdaten und Analysen zusammenführen, das notwendige Fachwissen integrieren und unter den tatsächlichen Bedingungen im Betrieb verlässliche Ergebnisse liefern können.

Gleichzeitig entstehen auf diese Weise häufig stark spezialisierte Lösungen. Eine KI-Anwendung, die für einen bestimmten Prozess oder Produktionsbereich entwickelt wurde, lässt sich nicht ohne Weiteres auf einen anderen Use Case, einen anderen Produktionsbereich oder ein anderes Werk übertragen. Prozesslogik, Datenstrukturen und operative Rahmenbedingungen unterscheiden sich dafür oft zu stark. Für die nächste Anwendung beginnt ein großer Teil der Arbeit deshalb erneut. Statt einer skalierbaren Lösung entstehen so häufig einzelne KI-Anwendungen für spezifische Use Cases. Ein breiter Rollout wird dadurch langsam, teuer und ressourcenintensiv.

ONIQ schafft die Basis für KI in wenigen Wochen

Die Manufacturing Excellence Software von ONIQ verkürzt den Weg bis zur operativen KI-Anwendung erheblich. Die Software vereint das notwendige Produktions-Datenmodell und die sofort einsetzbaren KI-Anwendungen in einem Produkt. Unternehmen müssen beides damit nicht von Grund auf selbst entwickeln.

ONIQ bindet die bestehende Infrastruktur im Unternehmen innerhalb weniger Wochen an. Dazu gehören ERP-, MES- und Shopfloor-Systeme ebenso wie Data Lakes, Cloud für die Produktion und industrielle IoT-Plattformen. Die Daten können aus kommerzieller Software verschiedener Anbieter oder aus unternehmenseigenen Plattformen stammen.

Aus den relevanten Produktionsdaten baut ONIQ automatisch den Digitalen Wertstrom auf. Er bildet nicht nur einzelne Datenpunkte ab, sondern setzt sie in ihren operativen Produktionskontext. Aufträge, Materialien, Arbeitsgänge, Maschinen, Bestände, Arbeitspläne, Stücklisten, Mengen und Störungen werden so miteinander verknüpft, dass sichtbar wird, wie die Produktion tatsächlich abläuft und wie sich Ereignisse an einer Stelle auf den weiteren Wertstrom auswirken.

Dieses Modell wird kontinuierlich mit neuen Daten aktualisiert und bildet sowohl den aktuellen Zustand als auch die historische Entwicklung der Produktion ab. Damit entsteht genau die konsistente Produktionsdatenbasis, die in klassischen KI-Projekten zunächst aufwendig individuell aufgebaut werden müsste. In ONIQ ist sie bereits Bestandteil der Software.

Auf dem Digitalen Wertstrom arbeitet eine zweite, deterministische Analyseebene. Sie berechnet Produktionskennzahlen, stellt spezialisierte Analysen und Deep Dives bereit und macht Ursachen und Zusammenhänge entlang des Wertstroms nachvollziehbar. So lässt sich beispielsweise transparent erkennen, wo Leistung verloren geht, wie sich Bestände und Durchlaufzeiten entwickeln und wo die größten Verbesserungspotenziale liegen. Die Ergebnisse lassen sich bis auf einzelne Aufträge, Arbeitsgänge oder Maschinen zurückverfolgen.

Diese Analysen werden bewusst nicht von einem KI-basierten Sprachmodell erzeugt, sondern deterministisch von der Software berechnet. Kennzahlen und Berechnungen, die für Produktionssteuerung und Verbesserung genutzt werden, müssen reproduzierbar, nachvollziehbar und auditierbar sein. Ein Sprachmodell allein kann das nicht gewährleisten, vielmehr müssen die KI-Anwendungen auf einer bereits strukturierten, kontextualisierten und analytisch belastbaren Grundlage aufsetzen.

Integrierte KI-Agenten beschleunigen die ersten KI-Anwendungen

Diese Grundlage macht den verlässlichen Einsatz von KI in der Produktion überhaupt erst möglich. Sprachmodelle können zwar komplexe Zusammenhänge analysieren, benötigen aber den notwendigen Kontext und das Prozessverständnis, um zuverlässig operieren zu können. Wo ein belastbares Modell der Realität fehlt, füllen sie Lücken mit plausibel klingenden Annahmen.

Der Digitale Wertstrom und die darauf aufbauenden Analysen schließen genau diese Lücke. Die KI erhält eine vollständige und kontinuierlich aktualisierte Abbildung der Produktionsprozesse sowie validierte Analyseergebnisse, mit denen sie arbeiten kann. Ihre Schlussfolgerungen basieren damit auf operativen Fakten statt auf plausibel klingenden Vermutungen.

Auf der Grundlage des Digitalen Wertstroms können Produktionsteams sofort mit den ersten KI-Applikationen starten. ONIQ bringt bereits fertig vorkonfigurierte KI-Agenten für typische Aufgaben und Problemstellungen in Performance Management, Wertstrommanagement, Shopfloor Management und Planung mit. Jeder dieser Agenten kennt seine Aufgabenstellung, greift auf die passenden Produktionsinformationen und Analysen in ONIQ zu und bringt solides Verständnis von Produktion und Lean Manufacturing mit. Erste KI-Agenten lassen sich so innerhalb weniger Stunden aufsetzen, mit den eigenen Daten testen und produktiv einsetzen.

Ein KI-Agent übernimmt eine definierte Aufgabe und bearbeitet sie selbstständig von Anfang bis Ende. Er zieht die benötigten Informationen heran, geht Ursachen und Zusammenhängen nach, bewertet, was er findet, und leitet daraus begründete Empfehlungen ab. Er lässt sich einmalig starten oder regelmäßig ausführen und nimmt dem Team so Untersuchungen ab, die es sonst Woche für Woche von Hand wiederholen müsste. Am Ende erhält das Team das Ergebnis einer fundierten Untersuchung und nicht lediglich den Hinweis, dass eine Kennzahl einen Schwellenwert überschritten hat.

Die Ergebnisse eines KI-Agenten sind zugleich der Einstieg in die eigene Analyse. Die Teams können jedem Ergebnis unmittelbar weiter nachgehen, sei es im KI-Chat, der Rückfragen in natürlicher Sprache beantwortet, sei es in den Deep-Dive-Analysen von ONIQ mit den passenden Auswertungen und Visualisierungen. Die Teams können dabei auf dieselben Informationen, Analysen und Kennzahlen des Digitalen Wertstroms zugreifen wie die KI-Agenten und haben deren gesamtes Wissen zur Hand. So lässt sich jede Empfehlung bis in die zugrunde liegenden Ursachen nachvollziehen und validieren und bis ins kleinste Detail vertiefen.

Mit den in ONIQ integrierten KI-Agenten reduziert sich damit auch das zweite große Arbeitspaket klassischer KI-Projekte, die individuelle Use-Case-Entwicklung, auf einen Bruchteil der üblichen Zeit. Die analytische Arbeit, die ein Team sonst über Monate durch das Spezifizieren, Entwickeln und Validieren einer KI-Anwendung erbringen müsste, ist in den ONIQ-KI-Agenten bereits enthalten.

Produktionsteams erstellen eigene KI-Agenten in natürlicher Sprache

Die integrierten KI-Agenten in ONIQ decken bereits viele typische Aufgaben in der Produktion ab. Noch mehr Möglichkeiten entstehen, wenn Teams eigene, individuelle KI-Agenten erstellen oder bereits vorhandene Agenten um ihre spezifischen Anforderungen erweitern. Expertenwissen, das bislang ausschließlich in den Köpfen erfahrener Ingenieure und Führungskräfte vorhanden war, wird so in kürzester Zeit Bestandteil einer funktionierenden KI-Anwendung.

Ein Beispiel ist das Engpassmanagement und die optimierte Versorgung von Engpässen in einer variantenreichen Fertigung. Die Produktionsmenge eines gesamten Werkes hängt davon ab, dass einzelne Engpassanlagen ausreichend mit Material versorgt bleiben. Ein Agent für diese Aufgabe verknüpft die geplanten und aktuell laufenden Aufträge mit historischen Durchlauf- und Wartezeiten sowie der geplanten Leistung am Engpass. Der KI-Agent prognostiziert, welche Aufträge wann dort eintreffen und wie sich die Versorgung des Engpasses in den kommenden Tagen dadurch entwickelt. Eine drohende Unterversorgung wird Tage im Voraus sichtbar, früh genug, um Prioritäten und Produktionsplanung anzupassen, bevor der Engpass zum Stillstand kommt.

Um einen solchen KI-Agenten zu erstellen, wählt der Nutzer den bereits vorhandenen KI-Agenten für die Engpassidentifikation aus, beschreibt etwaige Anpassungen oder Erweiterungen in natürlicher Sprache, und ONIQ steuert das Produktionsmodell, Produktionskontext, Fertigungswissen und Analysewerkzeuge bei, um sie auszuführen. In kürzester Zeit ist der fertige KI-Agent erstellt und einsatzbereit.

Über die Software lassen sich darüber hinaus Ausführungszeiten und Benachrichtigungen einstellen, so dass sich der Agent proaktiv zurückmeldet, sobald er eine Veränderung in der Engpass-Situation registriert hat. Einmal konfiguriert, wiederholt ein Agent die Analyse zuverlässig und meldet seine Ergebnisse direkt in ONIQ oder per E-Mail.

Den ersten Ergebnissen aus den vorgefertigten KI-Agenten folgen nach und nach immer individuellere Anwendungen, in denen das Wissen und die Problemstellungen des ganzen Werks stecken. Was als schneller Einstieg beginnt, wächst so zu einem Bestand an KI-Anwendungen, der die analytische Arbeit der Teams optimal und individuell unterstützt.

Noch vor Jahresende die ersten KI-Anwendungen produktiv setzen

Um bis Jahresende erste KI-Anwendungen live zu haben, bietet sich ein ONIQ-Pilot in einem ausgewählten Produktionsbereich an. Die Software setzt dabei wahlweise auf Datenexporten aus den Quellsystemen auf, die sich typischerweise ohne großen Aufwand bereitstellen lassen, oder startet direkt mit einer Live-Anbindung, je nachdem, was in der eigenen Systemlandschaft der schnellere Weg ist. In beiden Fällen entstehen daraus der Digitale Wertstrom und die ersten Agenten, und das Team arbeitet von Beginn an mit den echten Daten seines Bereichs.

Der Pilot liefert damit zugleich den Nachweis, auf den es gegenüber Management und IT ankommt. Nach wenigen Wochen zeigt sich am eigenen Bereich, welche Aufgaben die Agenten übernehmen und was ihre Ergebnisse im Alltag wert sind. Wer mit Exporten gestartet ist, kann die Live-Anbindung dann auf dieser Grundlage angehen. Da der Digitale Wertstrom bereits auf Basis der Exportdaten bereit steht, ist die Live-Anbindung schnell aufgesetzt. Auch das Hosting der Software bremst den Start nicht. ONIQ läuft als SaaS in der ONIQ-Cloud und ist damit ohne eigene Infrastruktur sofort einsatzbereit, auf Wunsch auch in der eigenen Cloud-Infrastruktur, wenn die Daten die eigene Umgebung nicht verlassen sollen.

Zum Jahresende steht damit ein Ergebnis, das sich vorzeigen lässt: Agenten, die an echten Daten der eigenen Produktion arbeiten, Erkenntnisse, die bereits in Shopfloor Meetings und Performance Reviews einfließen, und ein belegter Business Case für die nächsten Schritte, von der Live-Anbindung bis zum Rollout auf weitere Bereiche.

Wenn Sie das an Ihrer eigenen Produktion prüfen wollen, bringen Sie uns eine Frage mit, die Ihr Team immer wieder Zeit kostet. In einem kurzen Gespräch klären wir, wie ein Pilot dafür aussieht, welche Daten er braucht und ob Ergebnisse vor Jahresende bei Ihnen realistisch sind.