Produzierendes Gewerbe

Die Fabrik ist digitaler, als ihre Entscheidungen vermuten lassen

In vielen Produktionsunternehmen existieren bereits zahlreiche digitale Systeme.

Dazu gehören beispielsweise:

• ERP und Warenwirtschaft,
• Produktionsplanung,
• Maschinendatenerfassung,
• Qualitätsmanagement,
• Instandhaltungssoftware,
• Lagerverwaltung,
• Betriebsdatenerfassung,
• Dokumentenmanagement,
• Schichtbücher,
• Tabellen,
• und individuelle Fachanwendungen.

Maschinen erzeugen Zustands- und Prozesswerte. Aufträge besitzen Termine, Mengen und Prioritäten. Qualitätsprüfungen dokumentieren Abweichungen. Instandhaltungsteams erfassen Störungen und Maßnahmen. Lager und Einkauf kennen Bestände und Liefertermine.

Trotzdem entstehen zentrale Entscheidungen häufig erst dann, wenn ein Problem bereits sichtbar geworden ist:

• Ein Auftrag liegt hinter dem Plan.
• Eine Maschine steht.
• Ausschuss nimmt zu.
• Material fehlt.
• Ein Prüfergebnis überschreitet die Toleranz.
• Ein erfahrener Mitarbeiter wird dringend benötigt.
• Der zugesagte Liefertermin ist kaum noch zu halten.

Das Unternehmen besitzt die Daten häufig schon vorher.

Sie liegen jedoch getrennt, werden unterschiedlich bezeichnet oder erreichen die verantwortlichen Personen nicht rechtzeitig.

Die entscheidende Lücke befindet sich nicht zwischen analog und digital. Sie befindet sich zwischen vorhandenen Daten und einer rechtzeitigen betrieblichen Entscheidung.

Industrie 4.0 beginnt nicht mit dem größten Zukunftsbild

Begriffe wie Smart Factory, digitaler Zwilling und autonome Produktion beschreiben mögliche langfristige Zielbilder.

Für einen mittelständischen Produktionsbetrieb sind sie jedoch selten der sinnvollste Ausgangspunkt.

Der produktive Einstieg beginnt näher am tatsächlichen Alltag:

• Ein Engpass wird zu spät erkannt.
• Qualitätsabweichungen werden erst am Ende einer Serie sichtbar.
• Schichtinformationen gehen bei der Übergabe verloren.
• Wartungswissen hängt an einzelnen Personen.
• Auftragsstatus müssen aus mehreren Systemen zusammengesucht werden.
• Maschinenmeldungen besitzen zu wenig betrieblichen Kontext.
• Wiederkehrende Störungen werden immer wieder neu untersucht.

Die erste Frage sollte deshalb nicht lauten:

Wie bauen wir eine vollständig vernetzte Fabrik?

Sondern:

Welche Entscheidung könnten wir heute besser treffen, wenn vorhandene Informationen rechtzeitig zusammengeführt würden?

Diese Perspektive macht aus einem abstrakten Digitalisierungsprogramm einen klaren betrieblichen Use Case.

Produktionsdaten erhalten ihren Wert erst im Zusammenhang

Ein einzelner Messwert sagt häufig wenig aus.

Eine erhöhte Temperatur kann beispielsweise bedeuten:

• normalen Betrieb unter hoher Last,
• eine veränderte Umgebungstemperatur,
• unzureichende Kühlung,
• beginnenden Verschleiß,
• ein fehlerhaftes Sensormodul,
• oder eine vorübergehende Prozessabweichung.

Erst der Kontext macht den Wert interpretierbar.

Dazu können gehören:

• betroffene Maschine,
• Auftrag,
• Produktvariante,
• Materialcharge,
• Werkzeug,
• Schicht,
• Bedienerrolle,
• Produktionsgeschwindigkeit,
• vorangegangene Störungen,
• Wartungshistorie,
• und aktuelle Qualitätswerte.

Dasselbe gilt für einen Produktionsauftrag.

Die Information „60 Prozent fertiggestellt“ beantwortet noch nicht:

• Liegt der Auftrag im Plan?
• Reicht das Material für die Restmenge?
• Ist die nächste Anlage verfügbar?
• Steigt die Ausschussquote?
• Gibt es einen kritischen Liefertermin?
• Sind Nacharbeit oder zusätzliche Prüfung zu erwarten?
• Wird der folgende Auftrag dadurch blockiert?

Eine intelligente Produktionssteuerung betrachtet Daten deshalb nicht isoliert.

Sie verbindet sie zu einem betrieblichen Lagebild.

Vier Datenwelten müssen zusammenkommen

Besonders wertvoll wird die Verbindung von vier Perspektiven:

1. Auftragsdaten
2. Maschinendaten
3. Qualitätsdaten
4. Erfahrungs- und Prozesswissen

1. Auftragsdaten

Auftragsdaten beschreiben, was produziert werden soll.

Dazu gehören:

• Produkt,
• Variante,
• Menge,
• Termin,
• Priorität,
• Arbeitsfolge,
• Materialbedarf,
• Kunde,
• und aktueller Bearbeitungsstand.

Sie liefern den wirtschaftlichen Kontext.

Eine Maschinenabweichung bei einem unkritischen Lagerauftrag kann anders bewertet werden als dieselbe Abweichung bei einem eiligen Kundenauftrag.

2. Maschinendaten

Maschinendaten zeigen, wie die Produktion technisch verläuft.

Beispiele:

• Betriebszustand,
• Geschwindigkeit,
• Temperatur,
• Druck,
• Vibration,
• Energieverbrauch,
• Störmeldungen,
• Taktzeit,
• Stillstand,
• und Werkzeugzustand.

Diese Daten zeigen Veränderungen und technische Auffälligkeiten.

Ohne Auftrags- und Produktkontext bleibt jedoch häufig offen, welche betriebliche Bedeutung sie besitzen.

3. Qualitätsdaten

Qualitätsdaten zeigen, ob das Ergebnis die Anforderungen erfüllt.

Dazu gehören:

• Messwerte,
• Toleranzen,
• Ausschuss,
• Nacharbeit,
• Prüfergebnisse,
• Fehlerbilder,
• Reklamationen,
• und Freigaben.

Sie können darauf hinweisen, dass ein Prozess zwar technisch läuft, aber wirtschaftlich oder qualitativ bereits aus dem Zielbereich geraten ist.

4. Erfahrungs- und Prozesswissen

Nicht jede relevante Information liegt als Messwert vor.

Fachkräfte wissen beispielsweise:

• welche Störung bei einer bestimmten Produktvariante häufiger auftritt,
• welche Geräusche auf beginnenden Verschleiß hindeuten,
• welcher Lieferant besonders schwankende Materialeigenschaften besitzt,
• welche Prüfschritte bei einer Abweichung notwendig sind,
• oder welche Maßnahme bei einer früheren Störung erfolgreich war.

Dieses Wissen befindet sich oft in:

• Schichtbüchern,
• Serviceberichten,
• Arbeitsanweisungen,
• E-Mails,
• persönlichen Notizen,
• oder den Köpfen erfahrener Mitarbeitender.

Erst die Verbindung dieser vier Datenwelten ermöglicht belastbare nächste Schritte.

Ein Dashboard allein verbessert noch keinen Prozess

Dashboards können wichtige Informationen sichtbar machen.

Sie beantworten beispielsweise:

• Wie hoch ist die aktuelle Ausbringung?
• Welche Maschinen stehen?
• Wie entwickelt sich die Ausschussquote?
• Welche Aufträge sind verspätet?
• Wie hoch ist die Gesamtanlageneffektivität?

Das ist hilfreich.

Es führt jedoch nicht automatisch zu einer besseren Entscheidung.

Ein Mitarbeiter muss weiterhin klären:

• Warum verändert sich die Kennzahl?
• Welcher Auftrag ist betroffen?
• Welche Ursache ist wahrscheinlich?
• Welche Maßnahme besitzt Priorität?
• Wer muss eingebunden werden?
• Welche Folgen entstehen für nachgelagerte Prozesse?

Ein betriebliches Assistenzsystem geht deshalb einen Schritt weiter.

Es zeigt nicht nur:

Die Ausschussquote an Linie 2 ist erhöht.

Sondern möglicherweise:

Seit dem Werkzeugwechsel um 10:35 Uhr steigt die Maßabweichung bei Produktvariante B. Drei der letzten fünf Prüfungen liegen nahe an der oberen Toleranzgrenze. Der laufende Auftrag umfasst noch 420 Teile. Empfohlen wird eine zusätzliche Zwischenprüfung vor Fortsetzung der Serie.

Die Entscheidung bleibt beim zuständigen Team.

Die relevanten Zusammenhänge sind jedoch bereits vorbereitet.

Von Daten zu einer betrieblichen Entscheidungskette

Ein sinnvoller Datenprozess lässt sich als Entscheidungskette verstehen:

Ereignis
→ Kontext ermitteln
→ Relevanz bewerten
→ mögliche Ursache eingrenzen
→ betroffene Vorgänge bestimmen
→ Handlungsoptionen vorbereiten
→ Fachentscheidung treffen
→ Maßnahme dokumentieren
→ Ergebnis zurückführen

### Ereignis

Ein Messwert verändert sich, eine Prüfung schlägt fehl oder ein Auftrag gerät hinter den Plan.

### Kontext

Das System ordnet das Ereignis einer Maschine, einem Auftrag, einer Charge, einem Produkt und einer Schicht zu.

### Relevanz

Regeln und Analysen prüfen, ob die Veränderung normal, auffällig oder kritisch ist.

### Ursache

Historische Daten, ähnliche Fälle und vorhandenes Wissen helfen, mögliche Ursachen einzugrenzen.

### Auswirkung

Das System zeigt, welche Aufträge, Termine, Qualitätsziele oder Folgeprozesse betroffen sein könnten.

### Handlungsoptionen

Mögliche nächste Schritte werden vorbereitet:

- zusätzliche Prüfung,
- Parameterkontrolle,
- Wartungsauftrag,
- Materialwechsel,
- Umplanung,
- oder Eskalation.

### Entscheidung

Eine verantwortliche Fachkraft bewertet die Situation und gibt die Maßnahme frei.

### Rückführung

Die Entscheidung und ihr Ergebnis werden dokumentiert.

Dadurch verbessert jeder bearbeitete Fall die Grundlage für spätere Entscheidungen.

---

## Engpässe entstehen selten an nur einer Stelle

Ein Produktionsengpass kann unterschiedliche Ursachen besitzen:

- geringe Maschinenverfügbarkeit,
- fehlendes Material,
- zu lange Rüstzeit,
- Qualitätsprobleme,
- Personalmangel,
- verspätete Vorprozesse,
- ungeplante Nacharbeit,
- oder eine ungünstige Reihenfolge der Aufträge.

Wenn nur die Maschinenleistung betrachtet wird, bleibt ein Teil des Problems unsichtbar.

Ein Beispiel:

Eine Anlage erreicht ihre geplante Taktzeit.

Trotzdem gerät der Auftrag in Verzug.

Die Ursache kann darin liegen, dass:

- Material zu spät bereitgestellt wurde,
- mehrere Teile nachgearbeitet werden müssen,
- Prüfungen länger dauern,
- ein Folgeprozess nicht verfügbar ist,
- oder die Auftragsmenge kurzfristig geändert wurde.

Ein intelligentes Engpassmanagement verbindet deshalb:

- Produktionsfortschritt,
- Maschinenstatus,
- Materialverfügbarkeit,
- Qualitätslage,
- Personalbesetzung,
- und nachgelagerte Kapazitäten.

So wird sichtbar, wo der tatsächliche Flaschenhals liegt.

---

## Vom verspäteten Bericht zum frühen Risikosignal

Viele Produktionsberichte beschreiben, was bereits passiert ist.

Zum Beispiel:

- Ausbringung der letzten Schicht,
- Zahl der Störungen,
- Ausschussmenge,
- Stillstandszeit,
- oder verspätete Aufträge.

Diese Informationen sind wichtig für Analyse und Verbesserung.

Für den laufenden Betrieb ist jedoch eine andere Frage entscheidend:

> Welche Entwicklung wird voraussichtlich zum Problem, wenn jetzt nichts geschieht?

Ein frühes Risikosignal kann beispielsweise entstehen, wenn:

- die Taktzeit langsam steigt,
- gleichzeitig mehrere Nachprüfungen notwendig werden,
- der Materialpuffer sinkt,
- und der Auftrag nur noch wenig zeitliche Reserve besitzt.

Kein einzelner Wert muss bereits kritisch sein.

In ihrer Kombination entsteht jedoch ein relevantes Risiko.

KI-gestützte Mustererkennung kann solche Kombinationen sichtbar machen.

Sie sollte dabei nicht als unfehlbare Vorhersage auftreten.

Sie liefert eine begründete Aufmerksamkeitsempfehlung:

> Dieser Auftrag besitzt aktuell ein erhöhtes Terminrisiko. Hauptfaktoren sind verlängerte Taktzeit, steigende Nacharbeit und geringe Restreserve.

Die Produktionsleitung kann dadurch früher reagieren.

---

## Qualitätsabweichungen früher erkennen

Qualitätsprobleme werden häufig erst sichtbar, wenn:

- eine Endprüfung fehlschlägt,
- Ausschuss deutlich zunimmt,
- ein Kunde reklamiert,
- oder eine größere Menge nachgearbeitet werden muss.

Dabei kündigen sich viele Abweichungen schrittweise an.

Messwerte können sich innerhalb der erlaubten Toleranz langsam in eine Richtung bewegen.

Ein Werkzeug kann sich verändern.

Ein Materiallos kann andere Eigenschaften besitzen.

Eine bestimmte Kombination aus Maschine, Produkt und Einstellung kann auffälliger sein als andere.

Eine datenbasierte Qualitätsanalyse kann deshalb nicht nur prüfen:

> Liegt der Wert außerhalb der Toleranz?

Sie kann zusätzlich untersuchen:

- Bewegt sich der Wert ungewöhnlich?
- Tritt das Muster nur bei einer Variante auf?
- Gibt es einen Zusammenhang mit einem Werkzeugwechsel?
- Häufen sich Abweichungen in einer bestimmten Schicht?
- Ist eine Materialcharge überdurchschnittlich betroffen?
- Welche früheren Fälle zeigen einen ähnlichen Verlauf?

So wird aus der reinen Fehlererkennung eine frühe Abweichungsanalyse.

---

## KI kann Zusammenhänge vorschlagen – nicht Ursachen verkünden

Eine statistische oder KI-gestützte Analyse kann Auffälligkeiten und mögliche Zusammenhänge erkennen.

Sie sollte jedoch nicht vorschnell behaupten:

> Ursache gefunden.

Eine Korrelation kann verschiedene Erklärungen besitzen.

Wenn Qualitätsabweichungen beispielsweise nach einem Schichtwechsel häufiger auftreten, bedeutet das nicht automatisch, dass die jeweilige Schicht die Ursache ist.

Mögliche Gründe könnten sein:

- ein vorheriger Werkzeugwechsel,
- veränderte Materialbedingungen,
- Temperaturverläufe,
- andere Auftragsarten,
- unterschiedliche Prüfintervalle,
- oder eine systematische Dokumentationsabweichung.

Ein verantwortungsvoller Prozess formuliert deshalb:

> Bei diesen Fällen besteht ein auffälliger Zusammenhang. Eine fachliche Prüfung wird empfohlen.

Die Ursachenanalyse bleibt eine Aufgabe aus Daten, Prozesswissen und technischer Erfahrung.

---

## Rückverfolgbarkeit wird zur Arbeitsgrundlage

Wenn eine Abweichung festgestellt wird, muss häufig schnell geklärt werden:

- Welche Produkte sind betroffen?
- Aus welcher Charge stammen sie?
- Auf welcher Maschine wurden sie gefertigt?
- Welches Werkzeug war eingesetzt?
- Welche Prozesswerte lagen vor?
- Wer hat geprüft?
- Welche Aufträge oder Kunden könnten betroffen sein?
- Welche Ware befindet sich noch im Lager?
- Welche Teile wurden bereits ausgeliefert?

Diese Informationen liegen oft in mehreren Systemen.

Eine integrierte Rückverfolgbarkeit verbindet:

- Material,
- Auftrag,
- Produktionsschritt,
- Maschine,
- Parameter,
- Prüfung,
- Lagerbewegung,
- und Auslieferung.

Dadurch kann das Unternehmen schneller und gezielter reagieren.

Statt vorsorglich große Mengen zu sperren, lässt sich der betroffene Umfang möglicherweise genauer eingrenzen.

---

## Instandhaltung nach betrieblichem Risiko priorisieren

Nicht jede Warnung besitzt dieselbe Dringlichkeit.

Eine Maschine kann technisch auffällig sein, ohne dass sofort eingegriffen werden muss.

Eine andere geringe Abweichung kann bei einem kritischen Auftrag ein hohes Risiko darstellen.

Eine sinnvolle Wartungspriorisierung berücksichtigt deshalb mehrere Faktoren:

- technischer Zustand,
- Veränderungsgeschwindigkeit,
- Ausfallwahrscheinlichkeit,
- möglicher Schaden,
- betroffener Auftrag,
- Produktionsreserve,
- Ersatzteilverfügbarkeit,
- geplantes Wartungsfenster,
- und vorhandene Alternativkapazität.

Dadurch entsteht keine einfache Liste nach Eingang der Meldungen.

Es entsteht eine betriebliche Priorität.

Beispiel:

> Anlage A zeigt eine stärkere technische Abweichung, besitzt aber ausreichend Ersatzkapazität. Anlage B zeigt eine geringere Abweichung, ist jedoch für einen terminkritischen Auftrag ohne Ausweichmöglichkeit eingeplant.

Die Wartungsentscheidung kann dadurch wirtschaftliche und technische Faktoren gemeinsam berücksichtigen.

---

## Predictive Maintenance beginnt oft ohne komplexe Vorhersage

Vorausschauende Wartung wird häufig mit aufwendigen Modellen und umfangreicher Sensorik verbunden.

Ein sinnvoller Einstieg kann wesentlich pragmatischer sein.

Eine Vorstufe kann bereits entstehen, wenn ein Unternehmen:

- Störungen einheitlich erfasst,
- Maschinen und Komponenten eindeutig identifiziert,
- Maßnahmen dokumentiert,
- Laufzeiten und Belastungen berücksichtigt,
- wiederkehrende Muster erkennt,
- und Wartungsentscheidungen nachvollziehbar macht.

Beispiele für erste Funktionen:

- Warnung bei ungewöhnlich häufigen Störungen,
- Hinweis auf überfällige Prüfungen,
- Vergleich mit ähnlichen Komponenten,
- Priorisierung nach Nutzung und Kritikalität,
- oder Suche nach früheren erfolgreichen Maßnahmen.

Der Wert entsteht zunächst durch eine bessere Verbindung vorhandener Informationen.

Nicht zwingend durch ein hochkomplexes Prognosemodell.

---

## Erfahrungswissen muss am Shopfloor verfügbar sein

Eine Fehlermeldung enthält häufig nur einen Code.

Die eigentliche Lösung steckt in der Erfahrung:

- Welche Ursache ist bei dieser Anlage wahrscheinlich?
- Welche Prüfung sollte zuerst erfolgen?
- Welche Sicherheitsmaßnahme ist notwendig?
- Welches Ersatzteil wurde beim letzten Mal verwendet?
- Welche Einstellung hat sich bewährt?
- Wann muss ein Spezialist hinzugezogen werden?

Dieses Wissen kann aus verschiedenen Quellen stammen:

- Handbücher,
- Arbeitsanweisungen,
- Wartungsberichte,
- Schichtprotokolle,
- technische Mitteilungen,
- Servicefälle,
- und dokumentierte Erfahrungen.

Ein quellenbasierter Wissensassistent kann daraus konkrete Antworten vorbereiten.

Beispiel:

> Welche Schritte sind bei Störung 471 an Linie 3 vorgesehen?

Die Antwort kann enthalten:

- empfohlene Prüfreihenfolge,
- notwendige Sicherheitsmaßnahmen,
- passende Dokumentation,
- ähnliche frühere Fälle,
- und zuständige Ansprechpartner.

Dabei muss sichtbar bleiben, aus welchen Quellen die Antwort stammt.

---

## Wissenstransfer ist ein Produktionsrisiko

Wenn wichtiges Wissen nur bei einzelnen erfahrenen Personen liegt, entsteht eine betriebliche Abhängigkeit.

Diese wird sichtbar bei:

- Urlaub,
- Krankheit,
- Schichtwechsel,
- Personalwechsel,
- neuen Mitarbeitenden,
- oder seltenen Störungsbildern.

Ein Wissenssystem kann Erfahrungswissen nicht vollständig ersetzen.

Es kann jedoch dafür sorgen, dass wesentliche Erkenntnisse:

- dokumentiert,
- auffindbar,
- mit Anlagen und Fehlerbildern verbunden,
- versioniert,
- und fachlich freigegeben

zur Verfügung stehen.

Wichtig ist, die Dokumentation für Fachkräfte möglichst einfach zu machen.

Wenn jeder Erfahrungswert in einem langen Formular erfasst werden muss, wird das System kaum gepflegt.

Praktischer sind beispielsweise:

- kurze strukturierte Notizen,
- Spracheingabe,
- Übernahme aus Serviceberichten,
- Vorschläge aus vorhandenen Protokollen,
- und eine anschließende fachliche Bestätigung.

---

## Schichtübergaben dürfen keine Informationslücke sein

Bei Schichtwechseln müssen zahlreiche Informationen übergeben werden:

- laufende Aufträge,
- technische Auffälligkeiten,
- Qualitätsprobleme,
- gesperrtes Material,
- offene Prüfungen,
- provisorische Maßnahmen,
- geplante Wartungen,
- und besondere Kundenprioritäten.

Mündliche Übergaben sind wertvoll.

Sie können jedoch unvollständig sein oder unterschiedlich interpretiert werden.

Ein digital unterstützter Übergabeprozess kann automatisch vorbereiten:

- relevante Ereignisse der letzten Schicht,
- offene Störungen,
- veränderte Qualitätswerte,
- gefährdete Aufträge,
- noch nicht abgeschlossene Maßnahmen,
- und erforderliche Entscheidungen.

Die verantwortliche Person ergänzt den Kontext und bestätigt die Übergabe.

So wird das Gespräch nicht ersetzt.

Es erhält eine vollständigere Grundlage.

---

## Die Benutzeroberfläche muss zur Produktionsrealität passen

Ein System kann analytisch hervorragend sein und trotzdem im Alltag scheitern.

Typische Gründe:

- zu viele Kennzahlen,
- unverständliche Warnungen,
- komplizierte Navigation,
- schlechte mobile Nutzbarkeit,
- fehlende Priorisierung,
- oder lange Texte ohne konkrete Aussage.

Auf dem Shopfloor benötigen Menschen andere Informationen als im Management.

### Maschinenbediener benötigen

- aktuelle Abweichung,
- betroffenen Auftrag,
- konkrete Prüfschritte,
- und schnellen Zugriff auf Anweisungen.

### Instandhalter benötigen

- Fehlerhistorie,
- Zustandsverlauf,
- mögliche Ursachen,
- Ersatzteile,
- und frühere Maßnahmen.

### Qualitätsverantwortliche benötigen

- betroffene Merkmale,
- Chargen,
- Trends,
- Prüfstatus,
- und Rückverfolgbarkeit.

### Produktionsleitung benötigt

- Auftragsrisiken,
- Engpässe,
- Kapazitätskonflikte,
- Qualitätslage,
- und mögliche Handlungsoptionen.

Die Datenbasis kann gemeinsam sein.

Die Darstellung muss zur jeweiligen Entscheidungssituation passen.

---

## Warnungen brauchen eine klare Priorität

Ein System, das zu viele Warnungen erzeugt, wird schnell ignoriert.

Deshalb sollte nicht jede Abweichung dieselbe Aufmerksamkeit verlangen.

Eine sinnvolle Warnlogik berücksichtigt:

- Schweregrad,
- zeitliche Entwicklung,
- betroffenen Auftrag,
- Sicherheitsrelevanz,
- Qualitätsrisiko,
- verfügbare Alternative,
- und bereits laufende Maßnahmen.

Eine Warnung sollte beantworten:

1. Was ist passiert?
2. Warum ist es relevant?
3. Was ist betroffen?
4. Bis wann ist eine Reaktion notwendig?
5. Wer ist zuständig?
6. Welche nächsten Schritte sind möglich?

Beispiel:

> **Erhöhtes Terminrisiko:** Auftrag 28417 liegt aktuell 42 Minuten hinter Plan. Die Taktzeit an Linie 2 ist seit dem Werkzeugwechsel um durchschnittlich neun Prozent gestiegen. Der nächste Prozess besitzt nur noch 30 Minuten Puffer. Bitte Werkzeugzustand und mögliche Umplanung prüfen.

Das ist handlungsfähiger als ein rotes Symbol ohne Erklärung.

---

## Geschäftsregeln und KI erfüllen unterschiedliche Aufgaben

Nicht jede Produktionsentscheidung benötigt KI.

Viele Anforderungen sind eindeutig und sollten regelbasiert umgesetzt werden.

## Regeln eignen sich für

- Toleranzgrenzen,
- Pflichtprüfungen,
- Freigabestatus,
- Eskalationsstufen,
- Sicherheitsvorgaben,
- Wartungsintervalle,
- und definierte Prozessfolgen.

## KI eignet sich für

- Muster in Zeitreihen erkennen,
- freie Texte aus Schicht- oder Serviceberichten strukturieren,
- ähnliche Störungsfälle finden,
- mögliche Zusammenhänge hervorheben,
- Informationen aus mehreren Quellen verdichten,
- und verständliche Lagebilder vorbereiten.

## Menschen bleiben zuständig für

- technische Ursachenbewertung,
- Eingriffe in den Produktionsprozess,
- Sicherheitsentscheidungen,
- Qualitätsfreigaben,
- Priorisierung bei Zielkonflikten,
- und verbindliche Terminentscheidungen.

> Regeln sichern den Prozess. KI erweitert die Wahrnehmung. Fachkräfte übernehmen die Entscheidung.

---

## Eine mögliche technische Architektur

Eine belastbare Lösung muss keine vollständige Neuentwicklung der Produktions-IT bedeuten.

Sie kann vorhandene Systeme in mehreren Schichten verbinden.

## 1. Quellsysteme

Dazu können gehören:

- ERP,
- MES,
- Maschinensteuerungen,
- BDE,
- QMS,
- CMMS,
- Lagerverwaltung,
- Dokumentenmanagement,
- und manuelle Erfassungen.

## 2. Integrationsschicht

Sie übernimmt:

- Schnittstellen,
- Datenübertragung,
- Ereignisverarbeitung,
- Formatumwandlung,
- und Fehlerbehandlung.

## 3. Kontextmodell

Hier werden Zusammenhänge hergestellt zwischen:

- Auftrag,
- Maschine,
- Produkt,
- Charge,
- Werkzeug,
- Prüfung,
- Störung,
- Maßnahme,
- und Verantwortlichkeit.

## 4. Analyse- und Wissensschicht

Sie enthält:

- Geschäftsregeln,
- Kennzahlen,
- Anomalieerkennung,
- Prognosen,
- semantische Suche,
- und KI-gestützte Verdichtung.

## 5. Operative Anwendung

Informationen erscheinen dort, wo sie benötigt werden:

- Shopfloor-Terminal,
- Leitstand,
- Wartungsoberfläche,
- mobile Anwendung,
- Qualitätsarbeitsplatz,
- oder Managementübersicht.

## 6. Rückführung

Entscheidungen und Maßnahmen werden zurück in die führenden Systeme geschrieben.

So bleibt die Lösung Teil des realen Prozesses.

---

## Führende Systeme müssen eindeutig bleiben

Bei der Integration darf nicht unklar werden, welches System für welche Information verantwortlich ist.

Beispielsweise:

- Das ERP führt Auftrag und Liefertermin.
- Das MES führt den Produktionsfortschritt.
- Das QMS führt Prüfungen und Qualitätsfreigaben.
- Das Instandhaltungssystem führt Wartungsaufträge.
- Das Dokumentenmanagement führt gültige Originaldokumente.
- Die Analyseschicht verbindet und interpretiert diese Informationen.

Eine KI-Anwendung sollte nicht ungeprüft eigene Parallelbestände aufbauen.

Sie kann:

- lesen,
- Zusammenhänge herstellen,
- Ergebnisse vorbereiten,
- und kontrollierte Aktionen anstoßen.

Die Verantwortung der führenden Systeme bleibt erhalten.

---

## Datenqualität bedeutet nicht perfekte Daten

Ein verbreiteter Einwand lautet:

> Unsere Daten sind noch nicht gut genug für KI.

Datenqualität ist tatsächlich wichtig.

Sie muss jedoch nicht vollständig perfekt sein, bevor ein Projekt beginnen kann.

Ein sinnvoller Pilot macht sichtbar:

- welche Felder fehlen,
- welche Begriffe uneinheitlich sind,
- welche Maschinen nicht eindeutig zugeordnet werden können,
- wo Zeitstempel nicht zusammenpassen,
- welche Störungen zu allgemein dokumentiert werden,
- und welche Informationen nur manuell verfügbar sind.

Diese Lücken sind kein Grund, das Projekt grundsätzlich zu stoppen.

Sie werden Teil des Projektumfangs.

Wichtig ist, einen Use Case zu wählen, für den eine ausreichend belastbare Grundlage geschaffen werden kann.

---

## Ein Praxisbeispiel: Terminrisiken in der Auftragsfertigung

Ein mittelständischer Auftragsfertiger produziert unterschiedliche Varianten in kleinen und mittleren Serien.

Die Produktionsleitung betrachtet täglich:

- Auftragsplan,
- Maschinenbelegung,
- Materialstatus,
- Qualitätsmeldungen,
- und personelle Verfügbarkeit.

Viele Informationen liegen in unterschiedlichen Systemen und werden in einer zusätzlichen Tabelle zusammengeführt.

Ein Pilot könnte zunächst einen begrenzten Bereich betrachten.

Das System verbindet:

- geplante und tatsächliche Startzeiten,
- Stückzahlen,
- Taktzeiten,
- Störungen,
- Nacharbeit,
- Materialstatus,
- und verfügbare Restpuffer.

Daraus entsteht für jeden laufenden Auftrag eine Risikoeinschätzung.

Beispiel:

> Auftrag B-184 besitzt ein erhöhtes Verzögerungsrisiko. Die bisherige Taktzeit liegt zwölf Prozent über Plan. Zusätzlich wurden zwei Nachprüfungen ausgelöst. Ohne Anpassung wird der geplante Übergabetermin voraussichtlich unterschritten.

Die Produktionsleitung kann anschließend entscheiden:

- Reihenfolge ändern,
- Kapazität verschieben,
- zusätzliche Prüfung einplanen,
- Kunden frühzeitig informieren,
- oder den Auftrag unverändert fortführen.

Das System trifft keine Terminentscheidung.

Es macht das Risiko früher sichtbar.

---

## Ein Praxisbeispiel: Wiederkehrende Qualitätsabweichungen

Ein Komponentenhersteller stellt fest, dass ein bestimmtes Fehlerbild unregelmäßig auftritt.

Die relevanten Informationen liegen verteilt über:

- Messprotokolle,
- Materialchargen,
- Maschinenparameter,
- Werkzeugwechsel,
- Schichtberichte,
- und Nacharbeitsdaten.

Eine Analyse verbindet diese Informationen und erkennt:

- Die Abweichung tritt überwiegend bei einer bestimmten Produktvariante auf.
- Sie häuft sich nach einer bestimmten Zahl von Werkzeugzyklen.
- Eine Materialcharge ist überdurchschnittlich betroffen.
- Vor dem Fehlerbild steigt ein bestimmter Messwert langsam an.

Das System erstellt daraus keine endgültige Ursachenbehauptung.

Es bereitet eine fachliche Hypothese vor:

> Werkzeugzustand und Materialcharge sollten gemeinsam geprüft werden. Vergleichbare Fälle zeigen eine ähnliche Entwicklung des Messwertes.

Qualität, Produktion und Werkzeugmanagement können dadurch gezielter untersuchen.

---

## Ein Praxisbeispiel: Störungswissen im Schichtbetrieb

Ein Unternehmen betreibt mehrere ähnliche Anlagen.

Bei Störungen werden erfahrene Instandhalter häufig telefonisch kontaktiert.

Die vorhandenen Informationen liegen in:

- Herstellerhandbüchern,
- Wartungsberichten,
- Schichtbüchern,
- und individuellen Notizen.

Ein quellenbasierter Assistent kann für eine ausgewählte Anlagenfamilie aufbereitet werden.

Bei einer Störung zeigt er:

- Beschreibung des Fehlercodes,
- relevante Sicherheitsanweisung,
- empfohlene Prüfreihenfolge,
- ähnliche frühere Fälle,
- verwendete Ersatzteile,
- und zuständige Spezialisten.

Jede Antwort verweist auf die zugrunde liegenden Dokumente und Fälle.

Kann keine belastbare Grundlage gefunden werden, wird keine Lösung erfunden.

Der Assistent meldet:

> Für diese Kombination aus Fehlercode und Betriebszustand liegt kein freigegebener Lösungsweg vor. Bitte an die zuständige Instandhaltung eskalieren.

---

## Sicherheit darf nicht von einer Wahrscheinlichkeit abhängen

In Produktionsumgebungen können Entscheidungen Auswirkungen besitzen auf:

- Menschen,
- Anlagen,
- Produktqualität,
- Umwelt,
- und Lieferfähigkeit.

Deshalb benötigen sicherheitskritische Prozesse besonders enge Grenzen.

Ein KI-System darf nicht allein entscheiden:

- eine Schutzfunktion zu umgehen,
- eine Anlage trotz kritischer Warnung weiterzubetreiben,
- eine Qualitätsfreigabe zu erteilen,
- eine vorgeschriebene Prüfung auszulassen,
- oder einen sicherheitsrelevanten Parameter zu verändern.

KI kann:

- Informationen bereitstellen,
- Auffälligkeiten erkennen,
- Risiken priorisieren,
- und mögliche Prüfungen vorschlagen.

Die verbindliche Entscheidung verbleibt bei qualifizierten und autorisierten Personen.

---

## Produktionsdaten sind sensible Unternehmensdaten

Maschinen- und Produktionsdaten können Rückschlüsse zulassen auf:

- Auslastung,
- Kapazität,
- Auftragslage,
- technische Schwachstellen,
- Prozesswissen,
- Kostenstrukturen,
- und Produktqualität.

Sie benötigen deshalb ein klares Schutzkonzept.

Zu klären sind:

- Welche Daten dürfen zentral zusammengeführt werden?
- Wer darf einzelne Produktionsbereiche sehen?
- Welche externen Anbieter sind beteiligt?
- Dürfen Daten eine Werks- oder Unternehmensgrenze verlassen?
- Welche Informationen werden für KI-Modelle verwendet?
- Wie werden Zugriffe protokolliert?
- Wie lange werden Daten gespeichert?
- Welche Systeme dürfen Aktionen auslösen?

Nicht jeder Anwendungsfall benötigt sämtliche Rohdaten.

Oft genügen:

- verdichtete Kennzahlen,
- ausgewählte Zeitfenster,
- pseudonymisierte Auftragsinformationen,
- oder lokal verarbeitete Daten.

Die Architektur sollte sich am konkreten Schutzbedarf orientieren.

---

## Akzeptanz entsteht durch nachvollziehbare Unterstützung

Fachkräfte akzeptieren ein System nicht, weil es als künstliche Intelligenz bezeichnet wird.

Sie akzeptieren es, wenn es:

- relevante Informationen liefert,
- nachvollziehbar arbeitet,
- keine unnötigen Alarme erzeugt,
- ihre Erfahrung berücksichtigt,
- Fehler offen zeigt,
- und ihre Arbeit tatsächlich erleichtert.

Besonders wichtig ist die Möglichkeit, Empfehlungen zu bewerten.

Beispielsweise:

- hilfreich,
- nicht relevant,
- falscher Kontext,
- Ursache bestätigt,
- andere Ursache festgestellt,
- Maßnahme erfolgreich,
- oder weitere Prüfung notwendig.

Dieses Feedback verbessert Regeln, Wissensbasis und Analyse.

Gleichzeitig bleibt sichtbar, dass die Fachkräfte das System führen.

---

## Welche Kennzahlen den Nutzen zeigen

Der Erfolg eines Produktionsprojekts sollte nicht an der Menge gesammelter Daten gemessen werden.

Sinnvolle Kennzahlen hängen vom Use Case ab.

### Auftragssteuerung

- Termintreue,
- früh erkannte Terminrisiken,
- Durchlaufzeit,
- Wartezeit zwischen Prozessschritten,
- Zahl kurzfristiger Umplanungen,
- und Bearbeitungszeit für Statusberichte.

### Produktion

- Ausbringung,
- Taktzeitabweichung,
- ungeplante Stillstände,
- Rüstzeit,
- und Nutzungsgrad kritischer Anlagen.

### Qualität

- Ausschuss,
- Nacharbeit,
- früh erkannte Abweichungen,
- Zeit bis zur Ursachenklärung,
- Prüfaufwand,
- und betroffener Umfang bei Sperrungen.

### Instandhaltung

- ungeplante Ausfälle,
- mittlere Reparaturdauer,
- Anteil geplanter Maßnahmen,
- Zahl wiederkehrender Störungen,
- und Zeit für Informationssuche.

### Wissen

- Suchzeit,
- Nutzung gültiger Anweisungen,
- Zahl dokumentierter Lösungswege,
- Einarbeitungszeit,
- und Abhängigkeit von einzelnen Wissensträgern.

Entscheidend ist nicht, ob eine Kennzahl technisch verbessert wird.

Entscheidend ist, ob daraus ein betrieblicher Nutzen entsteht:

- höhere Verfügbarkeit,
- geringere Kosten,
- stabilere Qualität,
- bessere Lieferfähigkeit,
- oder weniger Belastung für die Teams.

---

## Der beste Pilot beginnt mit einer Entscheidung, nicht mit allen Daten

Ein Unternehmen sollte nicht versuchen, zunächst sämtliche Maschinen, Aufträge und Dokumente in einer zentralen Plattform zusammenzuführen.

Ein besserer Einstieg lautet:

> Welche konkrete Entscheidung soll verbessert werden?

Beispiele:

- Welcher Auftrag benötigt heute besondere Aufmerksamkeit?
- Wann sollte eine Zwischenprüfung ausgelöst werden?
- Welche Störung sollte zuerst bearbeitet werden?
- Welche Wartungsmaßnahme besitzt die höchste Priorität?
- Welche früheren Fälle helfen bei dieser Fehlermeldung?

Erst danach wird geklärt:

- Welche Daten sind dafür notwendig?
- Wo liegen sie?
- Welche Qualität besitzen sie?
- Welche Regeln gelten?
- Wer trifft die Entscheidung?
- Wie wird das Ergebnis dokumentiert?

Dieser Ansatz begrenzt den Umfang und schafft schneller einen sichtbaren Nutzen.

---

## Wie ein erstes Projekt abläuft

### 1. Betriebliche Entscheidung auswählen

Gemeinsam wird ein konkreter Entscheidungspunkt bestimmt.

Er sollte:

- regelmäßig auftreten,
- relevante Auswirkungen besitzen,
- ausreichend Daten bieten,
- und eine verantwortliche Fachrolle haben.

### 2. Reale Fälle untersuchen

Wir betrachten:

- normale Verläufe,
- problematische Fälle,
- Ausnahmen,
- Fehlentscheidungen,
- und besonders erfolgreiche Reaktionen.

### 3. Daten- und Wissensquellen aufnehmen

Erfasst werden beispielsweise:

- ERP-Daten,
- Maschinensignale,
- Qualitätswerte,
- Schichtberichte,
- Wartungshistorien,
- und Arbeitsanweisungen.

### 4. Kontextmodell entwickeln

Es wird definiert, wie:

- Auftrag,
- Maschine,
- Produkt,
- Material,
- Werkzeug,
- Prüfung,
- Störung,
- und Maßnahme

zusammengehören.

### 5. Regeln und Analyse aufbauen

Klare Grenzwerte und Prozessregeln werden mit:

- Mustererkennung,
- semantischer Suche,
- oder KI-gestützter Verdichtung

kombiniert.

### 6. Operative Darstellung entwickeln

Die Information wird so aufbereitet, dass die jeweilige Rolle schnell versteht:

- Was ist passiert?
- Was ist betroffen?
- Warum ist es relevant?
- Welche Optionen bestehen?
- Welche Entscheidung wird benötigt?

### 7. Pilot im Arbeitsalltag testen

Die Lösung läuft zunächst in einem begrenzten Bereich und mit enger menschlicher Kontrolle.

### 8. Wirkung und Fehlverhalten messen

Bewertet werden:

- Relevanz der Hinweise,
- Fehlalarme,
- übersehene Fälle,
- Zeitgewinn,
- Akzeptanz,
- und tatsächliche Prozesswirkung.

### 9. Betrieb festlegen

Vor einer Erweiterung wird geklärt:

- Wer pflegt Regeln?
- Wer bearbeitet Fehler?
- Wer verantwortet Datenqualität?
- Wie werden Änderungen getestet?
- Wie werden neue Maschinen oder Produkte angebunden?

### 10. Schrittweise erweitern

Erst nach einem belastbaren Pilot werden weitere:

- Anlagen,
- Produktgruppen,
- Schichten,
- Standorte,
- oder Entscheidungen

integriert.

---

## Typische Fehler bei KI-Projekten in der Produktion

### Mit Sensorik statt mit einer Entscheidung beginnen

Mehr Daten schaffen nicht automatisch mehr Klarheit.

### Alle Systeme gleichzeitig verbinden wollen

Ein klar begrenzter Datenfluss ist für den Einstieg wertvoller als eine riesige Integrationslandschaft.

### Dashboards mit Handlung verwechseln

Eine Kennzahl hilft nur, wenn klar ist, wer wann darauf reagieren soll.

### KI zur endgültigen Ursacheninstanz machen

Muster und Zusammenhänge müssen fachlich geprüft werden.

### Erfahrungswissen ignorieren

Produktionsdaten allein erklären nicht jede betriebliche Besonderheit.

### Zu viele Warnungen erzeugen

Ein System ohne sinnvolle Priorisierung wird im Alltag ausgeblendet.

### Menschen erst am Ende einbeziehen

Bediener, Qualität und Instandhaltung kennen die realen Ausnahmen und Arbeitsbedingungen.

### Sicherheitsgrenzen nicht eindeutig definieren

Kritische Entscheidungen benötigen verbindliche Regeln und autorisierte Fachkräfte.

### Einen Prototypen mit einem Produktionssystem verwechseln

Der laufende Betrieb benötigt Monitoring, Fehlerbehandlung, Dokumentation und Verantwortlichkeiten.

### Datenqualität als reines IT-Thema behandeln

Fachbereiche müssen festlegen, welche Bedeutung Daten besitzen und wann sie ausreichend belastbar sind.

---

## Eine gute Produktionslösung beantwortet fünf Fragen

Ein produktives System sollte nicht nur Daten anzeigen.

Es sollte die verantwortliche Person bei fünf Fragen unterstützen:

1. **Was verändert sich?**
2. **Warum ist das für den Betrieb relevant?**
3. **Welche Aufträge, Produkte oder Anlagen sind betroffen?**
4. **Welche nächsten Schritte sind möglich?**
5. **Wer muss entscheiden oder handeln?**

Wenn diese Fragen verständlich beantwortet werden, entsteht aus Daten ein nutzbarer Arbeitskontext.

---

## Aus Betriebsdaten werden bessere nächste Schritte

Die Stärke datenbasierter Produktion liegt nicht in einer vollständig autonomen Fabrik.

Sie liegt in vielen rechtzeitig besseren Entscheidungen:

- eine zusätzliche Prüfung, bevor größere Ausschussmengen entstehen,
- eine Umplanung, bevor ein Liefertermin gefährdet ist,
- eine Wartung, bevor eine kritische Anlage ungeplant ausfällt,
- eine gezielte Sperrung statt eines pauschalen Produktionsstopps,
- ein schnellerer Zugriff auf einen früheren Lösungsweg,
- oder eine vollständigere Schichtübergabe.

Jede dieser Entscheidungen kann für sich überschaubar wirken.

In ihrer Summe verbessern sie:

- Verfügbarkeit,
- Qualität,
- Termintreue,
- Ressourceneinsatz,
- und Belastbarkeit der Organisation.

Das ist der pragmatische Kern einer intelligenten Produktion.

---

## Welche Entscheidung wird in Ihrer Produktion heute zu spät getroffen?

Vielleicht wird ein Engpass erst sichtbar, wenn ein Auftrag bereits verspätet ist.

Vielleicht erkennt das Qualitätsmanagement eine Veränderung erst nach mehreren fehlerhaften Teilen.

Vielleicht hängt die Lösung einer Störung davon ab, ob der richtige erfahrene Mitarbeiter erreichbar ist.

Vielleicht existieren Maschinen-, Auftrags- und Qualitätsdaten, werden aber getrennt ausgewertet.

Dann lohnt sich ein gemeinsamer Blick auf einen konkreten betrieblichen Entscheidungspunkt:

- Welche Entscheidung soll verbessert werden?
- Welche Informationen werden heute dafür verwendet?
- Welche Daten fehlen oder erreichen die Verantwortlichen zu spät?
- Welche Regeln gelten?
- Welches Erfahrungswissen ist notwendig?
- Welche Empfehlung darf das System vorbereiten?
- Welche Verantwortung bleibt zwingend beim Menschen?
- Und wie lässt sich die Wirkung eines begrenzten Piloten messen?

**Bringen Sie einen gefährdeten Auftrag, ein wiederkehrendes Fehlerbild, eine kritische Anlage oder eine typische Schichtübergabe mit. Gemeinsam prüfen wir, wie aus den bereits vorhandenen Betriebsdaten ein klarer, nachvollziehbarer und produktiver nächster Schritt entstehen kann – ohne Technologie-Theater und ohne Ihre Produktionsrealität durch ein abstraktes Zukunftsbild zu ersetzen.**