KI-Projekte: Worauf Maschinenbauer setzen müssen

Vorreiterunternehmen sind derzeit dabei, zuerst einen einheitlichen Rahmen zu schaffen, zu dem Datenstrategie und -ontologie, Datenmodell und -management gehören. Jedes einzelne KI-Projekt zahlt Daten in diese Struktur ein – solange, bis alle Daten in einheitlicher Struktur konsumierbar vorliegen. Weitere KI-Projekte erfordern dann nur einen Bruchteil des Aufwands und KI-Agenten greifen auf die notwendigen, kontextualisierten Daten zu. Soweit die Idee. Doch die Praxis sieht gerade bei den KMU derzeit ganz anders aus.

„Die meisten Unternehmen scheitern bereits an grundlegenden Digitalisierungs-Hausaufgaben. Leider lässt sich sozusagen kein Flugzeug-Cockpit auf einen Zweitaktmotor setzen“, stellt Doris Aschenbrenner fest, Professorin für Digitale Methoden in der Produktion an der Hochschule Aalen und Leiterin der Arbeitsgruppe „Human in Command“. „80 Prozent eines KI-Projekts sind Daten. Aber man braucht auch noch mehr Expertise. Orientierung bietet etwa die Plattform Industrie 4.0 mit einem vierstufigen Stack für Industrial AI ab, an dem sich Unternehmen ausrichten können“, so die Expertin.

„Vielen Unternehmen fehlen die Grundlagen: Sie haben häufig keine Strategie oder tun sich schwer bei der Strategieentwickelung. Daraus resultierend ist es für sie dann sehr schwierig, Use Cases zu finden, die ihnen einen Mehrwert bringen“, bestätigt auch Rosalind Salecker, Change-Beraterin für KI-Transformation. Die Auswahl der richtigen Use Cases sei jedoch essentiell, weil sonst schnell Frustration entstehe, wenn der in KI investierte Aufwand nicht das erhoffte finanzielle Potenzial bringt.

KI-Praxis auf dem Maschinenbau-Gipfel

Welche KI-Projekte liefern heute Produktivität, Qualität, Geschwindigkeit oder neue Geschäftsmodelle? Und woran scheitern sie?  Was ist Hype, was ist belastbarer Business Case? Wo lohnt sich der Einstieg sofort? Welche Daten, Prozesse und Kompetenzen braucht es?

Das sind die Leitfragen der Session " Digitalisierung & KI-Praxis: Was bringt es wirklich?" auf dem Maschinenbau-Gipfel am 10. und 11. November 2026 in Berlin. Eine der Sprecherinnen wird  Doris Aschenbrenner sein.

Seien Sie mit dabei! Weitere Informationen und Tickets gibt es hier!

Daten sind zentraler Dreh- und Angelpunkt

Themen wie Industrie 4.0 und IoT hätten zwar den Grundstein gerade im Produktions- und Logistikumfeld gelegt, um sehr viele Daten zu sammeln. „Einige Unternehmen haben diesen Schritt jedoch nicht konsistent mitgemacht. Jetzt fehlen entsprechend die qualitativ hochwertigen Daten für KI-Projekte“, so Salecker. „Häufig scheitern Projekte daran, dass Daten zwar lokal gesammelt und optimiert, aber nicht systemübergreifend orchestriert werden“, sagt Dr. Daniel Seiler-Thull, CTO Bosch Manufacturing Co-Intelligence. Manufacturing Co-Intelligence meint bei Bosch die koordinierte Zusammenarbeit von Mensch, Maschine und KI-Agenten auf einer einheitlichen, verstandenen Datenbasis.

„Ein wesentlicher Erfolgsfaktor ist es, keine neuen System-Silos zu schaffen, sondern bestehende Systeme über eine semantische Klammer flexibel zu verbinden“, ist sich Seiler-Thull sicher. Die aufwendigste, aber essentielle Vorarbeit sei dabei die Definition standardisierter Datenmodelle, um physische Datenobjekte einmalig eindeutig zu beschreiben, statt bei jedem neuen Softwareprojekt individuelle Schnittstellen und Mappings zu bauen. „Im Maschinenbau müssen hochgradig unterschiedliche Datenklassen – von CAD- und PLM-Strukturdaten aus der Entwicklung über ERP-Stücklisten bis hin zu zeitkritischen Maschinensignalen und unstrukturierten Serviceberichten – zusammengeführt werden“, erläutert der CTO.

Wie Industrial AI den Shopfloor verändert

Industrial AI soll Simulation, Shopfloor und Wartung stärker verbinden. AWS sieht vor allem Physical AI und agentenbasierte Systeme als Treiber für flexible Produktion. Ein Interview mit Jan Metzner, Principal Specialist Solutions Architect Manufacturing.

Klassisches Machine Learning sei zwar schon lange etabliert, stoße jedoch bei der Interpretation unstrukturierter Daten und der flexiblen, systemübergreifenden Prozesssteuerung an Grenzen, sagt Daniel Seiler-Thull: „ GenAI und Large Language Models bringen hier eine neue Qualität ein, da sie als Übersetzer zwischen menschlicher Sprache und komplexen Maschinendaten agieren können“, stellt Seiler-Thull klar. Nicht eine isolierte KI, sondern das koordinierte Zusammenspiel aus qualifizierten Mitarbeitenden, bestehenden physischen Maschinen und agentischen Systemen löse reale Probleme im gesamten Produktlebenszyklus.

Ohne Kontext läuft KI ins Leere

„Generative KI und KI-Agenten benötigen nicht nur ein hohes Volumen aus individuellen, aktuellen Unternehmensdaten, sondern auch Kontext“, sagt Gernot Schäfer, Partner bei Efeso Management Consultants. Kontextverständnis für die KI erfordere ein unternehmensweit geltendes semantisches Modell: Je mehr Kontext, desto besser die Ergebnisse. KI brauche auch bei Produktionsthemen viele teilweise unstrukturierte Daten aus Mails, Chat und Voice. „Es werden sämtliche am Produktionsprozess beteiligten Daten benötigt“, stellt Schäfer klar. Dazu gehören auch Stücklisten, Wartungsanleitungen, Serviceberichte, Qualitätsprotokolle, Angebotsdaten, Reklamationen und Kundenfeedback. Mangelndes Kontextverständnis sei entsprechend neben fehlenden Daten ein wesentlicher Aspekt, warum KI-Projekte häufig nicht die erhofften Erfolge erzielen.

„Viele Produktionsdaten können wertvoll sein – sofern sie sauber kontextualisiert und nutzbar gemacht werden. Sie sollten zunächst einmal in ein sogenanntes semantisches Framework eingebaut werden – erst dann lassen sie sich übergreifend nutzen“, erklärt Aschenbrenner. Dazu gehöre etwa OPC-UA Modellierung. Themen wie Connectivity und Zeitreihenharmonisierung seien ebenfalls wichtige Schritte, die sich vor allem für den Mittelstand noch herausfordernd gestalten. 

Ein Beispiel: Bei einer Spritzgussmaschine müssen nicht nur Sensordaten, sondern auch die jeweiligen Maschineneinstellungen nach jedem Rüstvorgang dokumentiert werden. Fehlt dieser Kontext, lassen sich Auffälligkeiten in den Daten kaum noch korrekt interpretieren. Der offene Standard MCP (Model Context Protocol) hilft mittlerweile dabei, KI-Anwendungen konsistent mit Maschinen, Software und Datenquellen zu verbinden, ohne jeweils einzelne Schnittstellen zu bauen.

Humanoide und kognitive Robotik: Wenn KI in die Maschine kommt

Humanoide und kognitive Robotik gelten als nächste große Entwicklungsstufe der Automatisierung. Für den Maschinenbau geht es dabei nicht nur um Roboter in Menschengestalt, sondern um lernfähige Systeme, die sehen, verstehen, entscheiden und sicher mit Menschen zusammenarbeiten können.

Qualifizierung: Menschen müssen KI kritisch bewerten können

Vor allem müsse auch die Organisation mitgenommen werden, nennt Transformationsexpertin Salecker einen der wichtigsten Erfolgsaspekte für KI. Wenn die Belegschaft nicht weiß, wohin die Reise mit KI hingeht, ob Arbeitsplätze in Gefahr sind oder sich Aufgaben verschieben, entsteht Angst. „Dann kann sich eine Abwehrhaltung entwickeln, die einer erfolgreichen Implementierung von neuen KI-Tools oder KI-Automatisierungen absolut im Weg steht“, sagt Salecker. 

Noch bieten der aktuellen KI-Studie von Bitkom zufolge 43 Prozent der Unternehmen keine Schulung für KI an – eine Zahl, die Salecker auch für den Maschinenbau für realistisch hält. Zudem hätten allgemeine Schulungen zum Beispiel zum Prompting nur begrenzte Wirkung. Stattdessen sollten Trainings möglichst individuell an Situation, Strategie und Use Cases im Unternehmen angepasst sein, um die Belegschaft wirklich mitzunehmen.

Das ist heute sogar obligatorisch: „Der EU AI Act verpflichtet seit Februar 2025 Unternehmen, die KI einsetzen, bei ihren Mitarbeitenden ausreichende KI-Kompetenzen aufZUbauen“, konstatiert Rosalind Salecker. „Häufig wird der Faktor Mensch unterschätzt: Es muss geklärt sein, wer verantwortlich ist für Ergebnisvalidierung, Ergebnisanpassung und Korrekturen, damit das LLM aus der Interaktion mit dem Mensch lernen kann“, ergänzt Schäfer. „Die große Herausforderung bleibt immer, die Ergebnisse und Interpretationen von KI-Modellen zu bewerten und kritisch zu überprüfen, denn sie sind nicht absolut zuverlässig“, erklärt die Transformationsexpertin.

Umso wichtiger seien interdisziplinäre Teams aus IT, Datenspezialisten und Fachleuten aus den Bereichen. Problematisch ist aus Aschenbrenners Sicht auch, dass sonst schnell Fehler gemacht werden, wie beispielsweise der Versuch ein LLM auf numerischen Daten aus der Produktion zu anzuwenden und hilfreiche Ergebnisse zu erwarten. Kompetenzaufbau sehen alle Expertinnen – wenig überraschend – als einen der entscheidenden Erfolgsfaktoren.

Die Tage statischer Systeme sind gezählt

„Maschinen- und Anlagenbauer müssen verstehen, dass die Zeiten von deterministischen, statischen Systemen wie ERP oder MES, bei denen klar ist, was sie können und wie man sie schult, endgültig vorbei sind“, ist sich Gernot Schäfer sicher. „KI-Agenten agieren dynamisch und haben kein vorhersehbares, technisch steuerbares Eigenverhalten. Das heißt, ich habe jetzt ein aktives, digitales Gebilde in der Produktion“, so der Experte. Ein Beispiel: Der Agent für eine Werkerassistenz lernt dazu und passt sein Verhalten entsprechend an, liefert also etwa andere Hinweise als am Anfang.

Für die Einführung von KI-Systemen brauche es daher einen iterativen „Learn-and-Adapt-Ansatz“, bei dem das Governance-Modell, Compliance, Verantwortlichkeiten, Security und die Einbindung des Menschen klar definiert sein müssen. Eine transparente Enterprise Architecture sieht er als Dreh- und Angelpunkt für alle KI-Projekte. „Wer all diese Fragen nicht sauber für sich beantwortet, kann KI nicht in der Produktion skalieren und geht nur von einem einzelnen Use Case zum nächsten weiter“, glaubt Schäfer.

„Das Spannende ist, dass Maschinenbauer eine KI-Systemarchitektur bauen müssen, die übersetzt zwischen einem hochdeterministischen und zuverlässigen System, nämlich der Produktion, und einem non-deterministischen Außensystem: der Umwelt einschließlich des Menschen“, beschreibt es Aschenbrenner. Bisher habe man versucht, die Arbeitenden an die deterministischen Maschinenprozesse anzupassen. Jetzt könnten beispielsweise im Bereich High-Mix-Low-Volume-Produktion mit vielen Tätigkeiten, in denen der Mensch „besser“ ist, solche „Übersetzungsschnittstellen“ für mehr Produktivität sorgen. 

Gerade dort, wo nicht immer klar ist, was kommt, wie bei Recycling, Re-Manufacturing oder in Bereichen von Prozessanomalien und Unsicherheit, können KI-Architekturen besonders gut helfen, meint die KI-Expertin. „Die richtige Stärke kommt sicherlich aus einer Hybriden Intelligenz heraus, wie sie auf der Plattform Industrie 4.0 in der Arbeitsgruppe Arbeit diskutiert wird“, glaubt Doris Aschenbrenner.

KI muss in übergreifende Governance eingebettet sein

Ein wichtiger Skalierungsfaktor liegt in der Demokratisierung von Software-Entwicklung. Mit modernen Tools, die LowCode/NoCode mit GenAI verknüpfen, können Fachleute sehr einfach eigene Lösungen entwickeln. In Qualitätsmanagement oder Produktionsplanung könnten damit kleine Automatisierungen etwa das händische Übertragen und Umformatieren von Daten ablösen, nennt Salecker ein Beispiel. „Das Zusammenspiel mit Enterprise Architecture Management und IT-Security ist zentral, sobald KI-Systeme nicht nur analysieren, sondern Prozesse aktiv unterstützen, koordinieren oder perspektivisch steuernd in die Fertigung eingreifen“, so Seiler-Thull. 

Einerseits sei die technische Einstiegshürde deutlich gesunken: Auch Fachbereiche könnten dezentral etwa KI-Agenten aufbauen. „Genau darin liegt jedoch eine der größten Governance-Herausforderungen. Was lokal an einer Linie gut funktioniert, muss nicht automatisch von Linie zu Linie, von Werk zu Werk oder weltweit skalierbar sein“, warnt der Experte. Werde Skalierbarkeit erst nachträglich in Einzellösungen hinein implementiert, entstünden häufig hohe Integrations-, Betriebs- und Sicherheitskosten, die den ursprünglichen Nutzen teilweise übersteigen könnten.

Regularien als Booster nutzen

„Im Sinne einer robusten KI-Governance geht es daher nicht nur darum, technische Sicherheitsstandards wie rollenbasierte Zugriffskontrollen, Tenant-Isolation, OAuth2, OpenID Connect oder standardisierte Schnittstellen wie OPC UA und REST-APIs einzuhalten“, konstatiert Seiler-Thull. Entscheidend sei auch, den Wildwuchs lokaler Eigenbaulösungen zu vermeiden und KI-Agenten in eine kontrollierte, wiederverwendbare und Enterprise-fähige Architektur einzubetten.

Zwar sei der Umgang mit regulatorischen Anforderungen wie dem EU AI Act administrativ und technisch anspruchsvoll, da er eine lückenlose Rückverfolgbarkeit und Validierung von Datenströmen verlange. Es lohne sich jedoch, die Regulatorik nicht als reine Hürde, sondern als Katalysator für eine saubere Datenarchitektur zu sehen. „Wer gezwungen ist, seine Materialströme und Treibhausgasbilanzen manipulationssicher und maschinenlesbar zu dokumentieren, schafft zwangsläufig die standardisierte Datenbasis, die auch für fortschrittliche KI-Anwendungen benötigt wird“, so Seiler-Thull. Die technische Komplexität lasse sich beherrschen, indem regulatorische Anforderungen direkt in standardisierte Datenmodelle wie etwa der Asset Administration Shell der IDTA übersetzt und als Out-of-the-box-Funktionen in der Software-Infrastruktur bereitgestellt würden.