Mapals KI-Offensive: Von Pilotprojekten zur Plattform

Welche konkreten Anwendungsfelder für KI wurden bei Mapal priorisiert und was waren die größten Hürden auf dem Weg von der Pilotierung in den produktiven Einsatz?

Dr. Erwin Schuster: Mapal hat nach umfassenden technologischen Vorstudien den Aufbau einer gruppenweiten KI-Plattform beschlossen. Unter dem Namen ‚MAIA‘ (MAPAL AI Assistant) entsteht ein System, das schrittweise erweitert werden soll – etwa durch die Anbindung relevanter Unternehmensdaten.

Zu den ersten Pilotprojekten zählten KI-gestützte Qualitätsprüfungen und Verfahren zur automatischen Fehlererkennung in der Produktion. Zudem testete Mapal Prognosemodelle für Wartungsintervalle auf Basis historischer Maschinendaten sowie KI-Ansätze zur Wissensorganisation in der Fertigung und Entwicklung.

Aktuell arbeiten wir an weiteren Ausbaustufen: vom optimierten Stammdatenmanagement über automatische Übersetzungen bis hin zu geometrischen Ähnlichkeitsanalysen. Damit treibt Mapal die Industrialisierung von KI-Anwendungen in zentralen Kernprozessen konsequent voran.

Wo liegen die größten Grenzen aktueller KI-Lösungen im Produktionsumfeld – technologisch, organisatorisch oder kulturell?

Schuster: Eine der größten Herausforderungen bleibt der Aufbau einer durchgängig harmonisierten Datenbasis – gerade im heterogenen Produktionsumfeld. Mapal hat dafür einen zentralen ‚Data Lake‘ eingerichtet.

Viele Maschinen sind ‚historisch gewachsen‘, arbeiten mit unterschiedlichen Protokollen und verfügen über kaum standardisierte Schnittstellen. Diese Fragmentierung erschwert die Anbindung und bremst den Einsatz von KI-Lösungen – obwohl genau diese Vernetzung eine Grundvoraussetzung für datengetriebene Anwendungen ist.

Zusätzlich verlangt der Einsatz von KI einen kulturellen Wandel. Mitarbeiter in der Produktion müssen Kompetenzen in Bereichen wie Prompting, Datenverständnis und KI-Umgang aufbauen. Parallel dazu sind regulatorische Anforderungen – etwa durch den EU-AIAct und den Data Act – einzuhalten und eine klare KI-Governance zu etablieren, die Sicherheit, Transparenz und Verantwortlichkeiten definiert.

Wie kann der Mittelstand im Maschinenbau KI erfolgreich integrieren, ohne sich in überdimensionierten Datenprojekten zu verlieren – und welche Rolle spielt dabei die enge Verzahnung von IT und Fertigung?

Schuster: ‚Start small and smart – scale later‘ – dieses Prinzip beschreibt, wie mittelständische Maschinenbauer den Einstieg in Künstliche Intelligenz meistern können. Statt mit Plattformprojekten zu beginnen, empfiehlt sich der Blick auf umrissene Use Cases. Sie machen KI für Mitarbeiter erfahrbar und liefern schnell Ergebnisse. Entscheidend ist die Daten-Qualität.

Erfolgreiche KI-Initiativen entstehen in cross-funktionalen Teams. Die Abteilungen, die IT und das Stammdatenmanagement bringen jeweils ihr Know-how ein, um Use-Cases nicht nur konzeptionell sauber aufzusetzen, sondern später auch in die operative Praxis zu überführen. Dieses Zusammenspiel folgt den Prinzipien agiler Projektmethodik – kurze Zyklen, klare Verantwortlichkeiten, schnelle Validierungen.

Für den industriellen Mittelstand bedeutet dieser pragmatische Ansatz einen echten Vorteil. Er ermöglicht schnelle Erkenntnisse für Investitionsentscheidungen, reduziert Projektrisiken und bindet Mitarbeitende frühzeitig ein. So wächst das Vertrauen in neue Technologien – und gleichzeitig die Fähigkeit, KI strategisch und skalierbar in die Wertschöpfung zu integrieren.