KI erreicht die Werkshallen

Maschinenzustände beurteilen, Qualität prüfen, Anlagen warten, Engineering beschleunigen, Energie sparen oder administrative Prozesse automatisieren: KI krempelt derzeit die Prozesse in Gewerbe und Industrie zum Vorteil aller um.

Taugt der Einsatz von KI auch für die Industrie? Sind die Betriebe bereit, auf die verlässlichen deterministischen Produktionsumgebungen zu verzichten und jetzt auf probabilistische Modelle zu setzen? Sprich: Die Würfel zu rollen? Maschinen müssen zuverlässig funktionieren, Qualitätsprüfungen reproduzierbar sein und Entscheidungen auf Daten beruhen, deren Kontext eindeutig bekannt ist. Gleichzeitig wächst der wirtschaftliche Druck auf europäische Produktionsstandorte. Energie, Personal und Finanzierung sind teuer, Lieferketten bleiben störanfällig und Kunden erwarten zunehmend individuellere Produkte bei kürzeren Lieferzeiten. Gerade unter diesen Bedingungen wird KI interessant, weil sie an einer Ressource ansetzt, die in Industriebetrieben reichlich vorhanden ist: Daten.

Eine typische Fabrik erzeugt laut Siemens rund 2.200 Terabyte Daten pro Monat. Sie stammen aus Maschinen, Anlagen, Produkten, Gebäuden und Lieferketten. Ein großer Teil blieb bislang ungenutzt, weil diese nicht miteinander verbunden wurden. Der Weg zur industriellen Intelligenz führt deshalb über vier Schritte: Daten erfassen, über Systeme hinweg verknüpfen, mit Bedeutung und Kontext versehen und daraus schließlich Entscheidungen oder Aktionen ableiten.

Wie konkret KI bereits in Produktionsprozesse eingreifen kann, zeigt der Bereich Qualitätssicherung. Siemens bietet mit Inspekto eine KI-basierte optische Prüfung, die mit lediglich 20 Gutteilen eingelernt werden kann. Die Software führt Anwender durch die Einrichtung, spezielle Kenntnisse in Bildverarbeitung oder KI sollen dafür nicht notwendig sein. Anschließend erkennt das System Abweichungen bei mehr als 100 Prüfungen pro Minute. »Unsere Kunden schätzen die einfache Bedienung, die schnelle Einrichtung und die hohe Flexibilität bei der Qualitätskontrolle in unterschiedlichsten Branchen«, sagt Matthias Jäger, Sales Specialist bei Siemens Österreich. Das System sei innerhalb weniger Stunden betriebsbereit. Entscheidend sei, dass für den Betrieb keine tiefgehenden Kenntnisse in Belichtungs-, Kamera- oder Softwaretechnik erforderlich seien.

In einem anderen Fall in einem Automobilwerk erkennt in KI-gestütztes Condition-Monitoring die ungewöhnliche Erwärmung eines Motors – zum Beispiel aufgrund eines gequetschten Schlauchs für die Kettenschmierung. Das Problem kann schnell behoben werden, bevor daraus ein größerer Schaden entsteht. So viel zum Thema »Business Case«: Wenn ein Modell einen teuren Stillstand verhindert, lässt sich sein Wert unmittelbar berechnen.

Wenn der Roboter sehen lernt

Noch einen Schritt weiter geht KI in der Intralogistik, weil sie dort nicht nur Daten analysiert, sondern physische Systeme befähigt, variabler auf ihre Umgebung zu reagieren. TGW Logistics verbindet beim PickCenter RovoFlex einen Kommissionierroboter mit 3D-Bildverarbeitung und KI-basierter Artikelerkennung. Das System erkennt und vermisst Gegenstände, bestimmt geeignete Greifpunkte und unterstützt die Bewegungsplanung. Gleichzeitig lernt es mit jedem Pick dazu und kann zwischen automatischer und manueller Kommissionierung wechseln, um unterschiedliche Betriebssituationen oder Auftragsspitzen abzudecken.

»In der Robotik hilft KI Maschinen, ihre Umgebung zu verstehen. In digitalen Produkten hilft sie Menschen, komplexe Anlagen schneller zu verstehen«, beschreibt Stefan Stricker, Head of Artificial Intelligence bei TGW Logistics, die beiden Stoßrichtungen. Er sieht bereits die nächste Entwicklungsstufe vor der Tür: Physical AI verbindet künstliche Intelligenz mit Robotik, Sensorik und physischen Systemen. Maschinen können ihre Umgebung wahrnehmen, Situationen interpretieren und innerhalb definierter Grenzen flexibler reagieren. »Generative KI verändert, wie Menschen mit Informationen arbeiten. Physical AI verändert, wie Maschinen in der realen Welt handeln«, so Stricker.

Für die Industrie ist diese Entwicklung besonders relevant, weil klassische Automatisierung auf möglichst exakt definierte Bedingungen angewiesen ist. Je variabler Produkte, Materialien und Abläufe werden, desto aufwendiger wird es, jede mögliche Situation vorab zu programmieren. KI erweitert hier den Handlungsspielraum von Automatisierungssystemen, ohne deren industrielle Grundanforderungen an Zuverlässigkeit und Sicherheit aufzugeben.

Kollege im Engineering

Ein zweites großes Einsatzgebiet entsteht dort, wo Industrieunternehmen mit Fachkräftemangel und wachsender technischer Komplexität kämpfen. KI unterstützt hier Menschen, die Maschinen und Anlagen entwickeln. Siemens hat dafür einen Engineering-Agent in das TIA Portal integriert. Anders als ein klassischer Chatbot soll dieser den Projektkontext verstehen, Automatisierungscode schreiben, Systeme konfigurieren und Ergebnisse iterativ verbessern.

Dass industrielle KI nicht zwingend direkt eine Maschine steuern muss, zeigt auch ein Projekt von T-Systems bei der Roland Spedition. Dort wurde die Verarbeitung von Eingangsrechnungen automatisiert. Die Schwierigkeit bestand weniger darin, Texte aus Rechnungen auszulesen, sondern unterschiedliche internationale Formate und komplizierte Beziehungen zwischen Rechnungspositionen und internen Aufträgen korrekt zuzuordnen. Eine Rechnungsposition kann mehreren Positionen im System entsprechen und umgekehrt. Bislang erforderte das eine aufwändige manuelle Prüfung.

»In einem Geschäft mit engen Margen müssen wir sehr bewusst auf die eingesetzten Mittel achten«, sagt Geschäftsführer Nikolaus Hirnschall. Entscheidend seien ein klarer Projektplan, Kostensicherheit und rasch messbare Mehrwerte gewesen. Durch die Automatisierung werde das Team von administrativen Aufgaben entlastet. Hirnschall erwartet deshalb bereits kurzfristig einen klaren Return on Investment und denkt über weitere KI-Anwendungen nach.

Auch intern nutzt T-Systems KI längst für Recherche, Analysen, Meetingvorbereitung, Softwareentwicklung und wiederkehrende Abläufe. Alexander Stoklas, Head of Digital Solutions bei T-Systems Austria, empfiehlt Unternehmen, jene Fälle priorisieren, bei denen Produktivität, Qualität, Geschwindigkeit oder Kundeninteraktion nachvollziehbar verbessert werden. Dabei müsse nicht automatisch das größte und leistungsfähigste Modell zum Einsatz kommen. Für Standardaufgaben könnten Open-Source¬-Modelle aufgrund niedrigerer Kosten, größerer Kontrolle und besserer Anpassbarkeit sogar geeigneter sein. Die Auswahl müsse sich an Qualität, Geschwindigkeit, Datenschutz, Integration und Kosten orientieren. »Nachhaltiger Nutzen entsteht dann, wenn Technologie, geeignete Modelle und messbare Geschäftsziele zusammengebracht werden«, lautet Stoklas Schlussfolgerung.

Industrielle KI macht Produktionsdaten nutzbar: Sie unterstützt Unternehmen dabei, Qualität zu sichern, Ausfälle zu vermeiden und Prozesse effizienter zu gestalten. Den größten Nutzen bringt sie, wenn passende Anwendungsfälle, verlässliche Daten und menschliche Kontrolle zusammenspielen.