Warum KI in der Produktion ein Fundament braucht

Daten gibt es in jedem Werk genug. ERP-Transaktionen, MES-Ereignisse, Meldungen vom Shopfloor, Qualitätsdaten, Instandhaltungsprotokolle. Gesammelt wird das alles seit Jahren. Trotzdem kommt die Antwort auf die eigentlich entscheidenden Fragen meist aus Erfahrung, Bauchgefühl oder einer Excel, die irgendjemand nebenher pflegt: Wo liegt unser Engpass? Warum ist der Durchsatz letzte Woche eingebrochen? Welcher Auftrag kippt gerade?

Genau das soll sich mit KI ändern. Algorithmen sichten die Daten, KI-Agenten analysieren sie, und Produktionsteams handeln, statt zu suchen. Das Versprechen ist real. Nur: Die Abkürzung, mit der viele Unternehmen es einlösen wollen, führt selten ans Ziel.

Der Trugschluss mit den Rohdaten

Der Reflex ist nachvollziehbar. Die Daten sind da, also lassen wir die KI darauf los und warten auf Erkenntnisse. In der Praxis geht das selten gut. Rohdaten aus der Produktion sind kein Fundament, sondern eine Sammlung von Fragmenten, jedes mit eigener Logik, eigenen Lücken, eigenen Inkonsistenzen. Ein MES erfasst, was an einem Arbeitsplatz passiert. Ein ERP hält fest, was geplant und gebucht wurde. Sensoren liefern Maschinenzustände. Und den Rest notiert jemand am Shopfloor auf Zetteln.

Keines dieser Systeme beschreibt den eigentlichen Wertstrom. Sie zeigen Ausschnitte davon, aus unterschiedlichen Perspektiven, mit unterschiedlichen Zeitstempeln, Aggregationsebenen und Definitionen.

Läuft KI direkt auf dieser Grundlage, entstehen zwei Probleme. Erstens Rauschen: Korrelationen, die in der Produktionsrealität keine Aussagekraft haben. Zweitens unsichtbare Fehler: Ergebnisse, die plausibel aussehen, aber auf Verknüpfungen beruhen, die sich die KI selbst zusammengereimt hat. Im Marketing ist das lästig. In der Produktion ist es ein Risiko.

Einordnung: Manufacturing Excellence

Manufacturing Excellence meint die Disziplin, Produktion systematisch besser darin zu machen, Wert zu schaffen. Dazu gehören Fluss, Qualität, Produktivität, Liefertreue und das Zusammenspiel von Menschen und Prozessen am Shopfloor. Das methodische Rückgrat ist Lean Manufacturing, ein über Jahrzehnte in realer Produktion gereifter Methodenbaukasten. Lean hat sich gehalten, weil es präzise beschreibt, wie Produktion tatsächlich funktioniert: wie Material fließt, wo Kapazität verloren geht, wie sich Schwankungen durch einen Wertstrom fortpflanzen. Jede KI, die in der Produktion Wirkung entfalten soll, muss sich in diese Logik einfügen, nicht versuchen, sie zu ersetzen.

Was KI in der Produktion wirklich braucht

Damit KI am Shopfloor einen Beitrag leistet, muss ein KI-Agent operative Fragen beantworten, keine akademischen. Wo liegt gerade der Engpass? Warum hat er sich verschoben? Welcher Auftrag läuft auf eine Terminverletzung zu, und woran liegt es? Wo staut sich Umlaufbestand, und was ist die Ursache? Was würde passieren, wenn sich die Nachfrage verschiebt, wenn wir die Kapazität auf einer Linie erhöhen oder eine zusätzliche Schicht fahren?

Solche Fragen lassen sich aus Rohtabellen nicht beantworten. Sie setzen eine strukturierte Abbildung des Wertstroms voraus: was produziert wird, über welche Schritte, auf welchen Ressourcen, mit welchen Abhängigkeiten, und wie der tatsächliche Fluss zum geplanten passt. Diese Abbildung ist der Digitale Wertstrom: ein lebendiges, strukturiertes Modell, das Anlagenleistung, Auftrags- und Materialfluss sowie die produktübergreifenden Abhängigkeiten über die Stückliste zu einem stimmigen Gesamtbild zusammenführt.

Erst dieses Modell gibt einem KI-Agenten etwas, worauf er argumentieren kann. Ohne es rät er.

Was sich mit einem tragfähigen Fundament ändert

Steht dieses Fundament, verschiebt sich die eigentliche Frage. Es geht nicht mehr darum, ob KI genug Daten hat, sondern wie gut sie auf einem verlässlichen Modell arbeiten kann. Genau hier kommen KI-Agenten ins Spiel. KI-Agenten sind Systeme, die Aufgaben planen und in mehreren Schritten ausführen, in der Regel auf Basis von Large Language Models (LLMs). Damit erben sie nicht nur deren Stärken, sondern auch deren Schwächen. Vor allem die Neigung zu halluzinieren, also überzeugend klingende Ergebnisse zu erzeugen, die mit der Realität nichts zu tun haben. Ohne verlässliche Eingangsdaten und klare Struktur driften KI-Agenten ab. Für eine Produktionsumgebung ist das kein akzeptabler Zustand.

Zwei Dinge machen den Unterschied.

Erstens: Das Fundament muss von vornherein stimmen. Der Digitale Wertstrom wird nicht durch ein LLM aus unstrukturiertem Text erzeugt, sondern aus den tatsächlichen Transaktions- und Betriebsdaten des Werks aufgebaut, über deterministische Logik und bewährte Lean-Methodik. Kapazitäten, Zykluszeiten, Durchsatz, Engpässe und Flusszusammenhänge werden berechnet, nicht geschätzt. Genau das macht die Ergebnisse nachvollziehbar: Jede Zahl lässt sich bis zur Quelle zurückverfolgen.

Zweitens: Die KI-Agenten arbeiten auf diesem Fundament, nicht neben ihm. Meldet ein Production AI Agent einen Engpasswechsel, eine Planabweichung oder einen OEE-Einbruch, stützt sich die Schlussfolgerung auf dasselbe Wertstrommodell, mit dem das Produktionsteam ohnehin arbeitet. Das Ergebnis ist erklärbar. Nutzer können in die dazugehörigen Analysen und Ansichten einsteigen. Es gibt keine Blackbox, und das Risiko von Halluzinationen ist strukturell eingegrenzt, weil der Agent die Fakten nicht erzeugt, sondern auf ihnen aufsetzt.

In der Praxis: der IQA Lean Copilot

Genau nach diesem Prinzip ist der IQA Lean Copilot gebaut: zuerst das validierte Fundament, dann die KI-Agenten darauf. Vorhandene Produktionsdaten aus ERP, MES, BDE und angrenzenden Systemen werden angebunden und automatisch zu einem Digitalen Wertstrom-Zwilling konsolidiert, der den realen Wertstrom abbildet, typischerweise innerhalb weniger Tage. Darauf laufen vordefinierte Lean-Analysen kontinuierlich weiter, für Engpässe, Umlaufbestand, Verluste, Durchsatz, OEE und Liefertreue.

Die Production AI Agents setzen auf diesem validierten Fundament auf. Sie beobachten den Wertstrom, erkennen Abweichungen, priorisieren das, was tatsächlich zählt, und erklären das Warum. Für komplexere Entscheidungen lassen sich über die Szenarioanalyse Veränderungen am Wertstrom durchspielen, bevor sie umgesetzt werden. Die Logik bleibt in jedem Fall transparent und folgt der Lean-Systematik, die Produktionsteams ohnehin kennen.

Das Ergebnis ist kein weiteres Dashboard. Es verschiebt, wofür operative Teams ihre Zeit einsetzen: weniger Datenziehen und Definitionsdiskussionen, mehr Arbeit an den Hebeln, die echte KPIs bewegen. Bei Kunden zeigt sich das in spürbaren Fortschritten bei OEE, deutlichen Reduktionen der Durchlaufzeit und zweistelligen Effizienzgewinnen, und zwar in Monaten, nicht Jahren.

Fazit

KI wird verändern, wie Produktion gesteuert wird. Der Wert entsteht aber nicht dadurch, dass man eine KI-Schicht über das vorhandene Datenchaos legt. Er entsteht dadurch, dass man KI-Agenten etwas Verlässliches zum Arbeiten gibt: ein strukturiertes, validiertes Modell des Wertstroms, gegründet auf derselben Lean-Logik, die sich am Shopfloor seit Jahrzehnten bewährt.