In der Praxis schon heute häufig anzutreffen: Algorithmen zur smarten Datenerhebung und -auswertung etwa per Bilderkennung, Big Data Analytics und Machine Learning.

In der Praxis schon heute häufig anzutreffen: Algorithmen zur smarten Datenerhebung und -auswertung etwa per Bilderkennung, Big Data Analytics und Machine Learning. - Bild: Accenture

Bis zu 39 Prozent mehr Umsatzrendite bis 2035: derart hat Accenture kürzlich die Schubwirkung beziffert, die Künstliche Intelligenz im Maschinen- und Anlagenbau entfalten könnte. Dabei ist die Beratung davon ausgegangen, dass KIs nicht einfach nur erhebliche Effizienzsteigerungen bewirken, sondern auch neues Wachstum ermöglichen.

Denn ja: Algorithmen können Abläufe beschleunigen oder gänzlich übernehmen; sie können Mitarbeiter den Zugriff auf Wissen erleichtern und sie beim Treffen von Entscheidungen entlasten. Und all das erhöht die Flexibilität und Geschwindigkeit im Unternehmen. Aber KI kann eben auch noch mehr: Richtig eingesetzt, eröffnet sie neue Wege in der Datenauswertung und ermöglicht die Entwicklung gänzlich neuer, stark verbesserter Industrieprodukte mit erheblichem Mehrwert –zumindest theoretisch.

KI_Accenture
KI macht den Unterschied: Jährliches Wachstum der Bruttowertschöpfung bis 2035 im Szenarien-Vergleich (grün: ohne KI, blau: mit KI). - Bild: Accenture

Was aber ist mit der Praxis? Welche dieser Anwendungen und Vorteile können Unternehmen zeitnah erschließen – vor allem solche, die nicht zu den ganz großen gehören? Und welche Voraussetzungen brauchen die Firmen dafür?

Nachfolgend schildern wir die drei wichtigsten Szenarien, die auf unseren Erfahrungen gerade im Maschinen- und Anlagenbau beruhen:

Szenario 1: Smartere Daten-Verwertung

Schwierigkeitsgrad: 3/7 (niedrige Komplexität)

Aufwand zur Einführung: Vergleichsweise niedrig

Bekannte bzw. verbreitete Werkzeuge: Datenbanken und -Integrationen, IIoT-Lösungen, Analytics- und Business Intelligence Software

Voraussetzungen zur Einführung: IT-gestützte Datenhaltung, Bereitschaft entweder zur Nutzung von Cloud-Technik und Analytics-as-a-Service, oder zum Aufbau vergleichbarer On-Premise-Lösungen, KI-Algorithmen bzw. -Dienste (Machine Learning, Machine Vision)

In der Praxis schon heute häufig anzutreffen: Algorithmen zur smarten Datenerhebung und -auswertung etwa per Bilderkennung, Big Data Analytics und Machine Learning. Diese Art künstlicher Intelligenzen hält in immer mehr Industrieunternehmen Einzug, weil sie fester Bestandteil einfachster Internet-of-Things-Lösungen sind (keine „Predictive“-Anwendung für vernetzte Maschinen kommt ohne sie aus). Was vielen Maschinenbauern Schwierigkeiten bereitet, ist deshalb nicht die bloße Nutzung dieser Verfahren – sondern ihr gezielter, umfänglicher Einsatz über einzelne IoT-Vorhaben hinaus.

Nur eine solche könnte aber den vollen Wertbeitrag von smarterer, KI-gestützter Datenverwertung erschließen. Denn neben den Maschinen-Daten aus dem Internet of Things warten schließlich noch ganz andere Informationen auf die gezielte Verwertung. Nicht nur in der Fertigung, sondern auch hinter den Kulissen könnten KIs Muster entdecken, Abweichungen erkennen und Entscheidungen verbessern – und so Effektivität und Effizienz in Einkauf, Planung, Personalwesen, Finanzwesen oder Vertrieb erheblich erhöhen. Und die entsprechenden Gewinne summieren sich schnell.

Ein Beispiel hierfür: Accenture hat ein großes Fertigungsunternehmen dabei unterstützt, das eigene Beschaffungswesen mittels Big Data und Künstlicher Intelligenz erheblich zu stärken. Der Hersteller nutzt jetzt eine Web-Crawling-Script, um öffentlich zugängliche Sites und Datenbanken nach Preis- und anderen Informationen zu durchsuchen.

Selbstlernende Algorithmen werten diese mittels Natural Language Processing aus – und erkennen so beispielsweise Preisschwankungen, Lieferengpässe und andere beschaffungsrelevante Veränderungen innerhalb von Minuten. Das versetzt Einkäufer in die Lage, beinahe in Echtzeit auf Einkaufs-Chancen und -Risiken zu reagieren. Auf diese Weise unterstützt, sparen die Fachleute Millionen – und zwar unmittelbar ergebniswirksam.

KI_Accenture
Mehr Gewinn mit KI: In der industriellen Fertigung könnte der Einsatz von Künstlicher Intelligenz bis 2035 39 Prozent höhere Umsatzrenditen erschließen. - Bild: Accenture

Szenario 2: Smarteres Arbeiten

Schwierigkeitsgrad: 5/7 (mittlere Komplexität)

Aufwand zur Einführung: Mittel

Bekannte bzw. verbreitete Werkzeuge: Digitalisierte Datenhaltung und Arbeitsabläufe, KI-Algorithmen bzw. -Dienste (Machine Learning, Machine Vision, Sprachverarbeitung), Chatbots und „Voice Assistants“, Co-Bots, weitere KI-gestützte Anwendungen etwa zur „Robotics Process Automation“.

Voraussetzungen zur Einführung: IT-gestützte Datenhaltung, digitale Verwaltung von Wissen in strukturierter Form (Knowledge-Management), digitale Abbildung von Arbeitsabläufen, sowie – gegebenenfalls – techn. Voraussetzungen für Co-Bot-Einsatz

Vergleichsweise fortschrittlicher, aber ebenfalls mit am Markt erhältlicher Technik umsetzbar: Der Einsatz von KIs zur Vereinfachung oder sogar vollständigen Erledigung einfacher Routine-Aufgaben. Hierbei werden spezielle künstliche Intelligenzen „angelernt“, um Mitarbeitern teilselbständig zur Hand zu gehen. Dabei werden die KIs in der Regel immer besser, weil sie bei jedem Arbeitsgang dazulernen.

Ein gängiges Beispiel für entsprechende Anwendungen: KIs, die Mitarbeiter Aufgaben- und Kontextspezifisch beim Zugriff auf Wissen unterstützen. Accenture hat beispielsweise eine Anwendung für Microsoft HoloLens-Brillen geschrieben, die diese um eine sprachgesteuerte KI erweitert. Arbeiter können diese verwenden, um der KI etwa Fragen zu stellen oder sie Verfahrens-Anweisungen darstellen zu lassen. Und selbst kontext-spezifische Simulationen sind möglich: So erkennt die KI beispielsweise, an welcher Art Schalterkasten der Träger gerade eine Sicherung austauschen will – und zeigt per Computergrafik, was passieren würde, wenn er die gerade gewählte Sicherung wirklich einsetzen würde.

Ähnlich, aber deutlich „handgreiflicher“ wirken so genannte Co-Bots. Das sind Roboter, die einfache händische Arbeitsgänge erlernen und diese anschließend übernehmen können. Da hierfür keinerlei Programmier-Arbeit erforderlich ist, können Co-Bots äußerst flexibel eingesetzt werden. So kann ein- und derselbe Co-Bot seinen Mitarbeiter beispielsweise erst beim Entladen eines Flurförderzeugs helfen und anschließend das Beladen einer Maschine übernehmen. Größere Unternehmen wie etwa BMW setzen Co-Bots deshalb schon im größeren Maßstab ein.

Der Einsatz derartig „unterstützender“ KIs bleibt aber nicht nur auf die Fertigung und andere interne Abläufe beschränkt: Auch im Umgang mit Zulieferern, Partnern oder Kunden haben sie ihren Nutzen. So prüfen erste Industrieunternehmen etwa bereits neue Kundendienst-Strategien, in deren Rahmen „Chatbot-KIs“ die eigenständige Bearbeitung etwa einfacher Service- und Supportfragen übernehmen. Auch hier ein Beispiel aus dem Autobau: Daimler erprobt gerade einen „Digital Human“, der unter anderem bei Finanzierungsfragen hilft.

Szenario 3: Smarte Produkte noch besser machen

Schwierigkeitsgrad: 7/7 (hohe Komplexität)

Aufwand zur Einführung: Hoch

Bekannte bzw. verbreitete Werkzeuge: Amazon Alexa, Google Assistant, IBM Watson, IPSoft Amelia, Microsoft Cortana, weitere (Beispiele für Voice-Assistants und KI-Dienste)

Voraussetzungen zur Einführung: Digitalisierte Datenhaltung und Arbeitsabläufe, hoher Reifegrad bei Analytics, IIoT und „Digital Twin“ bzw. „Digital Thread“-Abbildungen von Anlagen und Produkten sowie KI-Algorithmen bzw. -Diensten (Machine Learning, Machine Vision, Sprachverarbeitung), KI-fähige IT (heißt z.B.: Nutzung geeigneter IaaS- und PaaS-Dienste).

Wie eingangs bereits erwähnt, kann KI aber noch mehr als nur die Effizienz von Abläufen erhöhen oder die Produktivität von Mitarbeitern steigern. In Industrieprodukte und -lösungen eingesetzt, erhöht Künstliche Intelligenz auch deren Nutzwert – und erschließt auf diese Weise den Zugang zu neuen Erlös- und Geschäftsmodellen und zusätzlichem Umsatz.

Zu den teils schon umsetzbaren Anwendungsfällen gehören etwa der von KI als einer neuen Benutzeroberfläche. Hierbei erkennen Industrielösungen ihren jeweiligen Nutzer und erlernen dessen Arbeitsweise, Präferenzen und Absichten. Auf diese Weise können sie beispielsweise Software-Oberflächen personalisieren, Eingaben vorwegnehmen, auf Bedienfehler hinweisen oder bestimmte Einstellungen einfach selbsttätig vornehmen. Der Einsatz von Spracherkennungs-Lösungen in Industrie-Produkten ist ein erster Schritt in diese Richtung; einzelne Anbieter testen ähnliche Verfahren zu Bedienung von Industrie-Software, etwa im Supply-Chain-Management-Bereich.

Weitere vorstellbare „use cases“ rund um Smart Products wären etwa Selbst-konfigurierende Maschinen, also etwa Bohrer oder Pumpen, die sich am Aufstellort selbständig bestmöglich auf Aufgabe, Untergrund, und ähnliche Rahmenbedingungen einstellen. Aber auch selbst-optimierende Maschinen dürften sehr bald machbar werden – und dann beispielsweise dafür sorgen, dass eine Fertigungsstrecke die eigene Effektivität und Effizienz selbständig verbessert. Und natürlich erreichen auch immer mehr selbst-steuernde Maschinen den Markt – von selbstfahrenden Flurföderzeugen bis hin zu gänzlich selbständigen Lagerrobotern. Aber: bis derartige Lösungen den Maschinenbau in der Breite erreichen, dürften noch ein paar Jahre vergehen.

Wie der Einstieg in KI gelingt

Die erwähnten Anwendungen zeigen: Firmen können heute bereits einen Großteil der hier beschriebenen Szenarien umsetzen. Und zwar mit am Markt erhältlichen Lösungen. Das bedeutet aber nicht, dass der Einstieg in die KI-Nutzung nicht vorbereitet werden müsste: Um wirklich sämtliche Vorteile der neuen Verfahren zu erschließen, brauchen Betriebe entsprechende Strategien und Pläne – etwa für Datenerhebung und -nutzung, das Zusammenspiel von Mitarbeitern und KI, den KI-Einsatz selbst sowie natürlich für die Bereitstellung der erforderlichen Technik – sowie Governance-Strukturen zur Sicherstellung einer ethischen KI-Nutzung

Bestehen diese Voraussetzungen, dann steht einem Einstieg in die KI-Nutzung aber nichts mehr Grundlegendes im Wege. Die erforderliche Technik ist weitgehend marktreif; erste Erfahrungswerte und Best-Practices bestehen. Und die verweisen eben darauf, dass auch Maschinenbau-Unternehmen sich erhebliche Vorteile durch die Nutzung von Daten, Machine Learning und anderen KI-Verfahren erschließen können. Und das wahrscheinlich umso mehr, je früher sie starten.