KI hält Einzug in den industriellen Workflow
Künstliche Intelligenz wird zunehmend als operative Technologie und nicht als eigenständige digitale Initiative positioniert. In industriellen Umgebungen wird ihr Nutzen deutlicher, wenn sie bestehende Software, Steuerungssysteme, Produktionsdaten und menschliche Entscheidungen miteinander verbindet.
Die Herausforderung besteht nicht unbedingt in einem Mangel an Technologie. Viele Hersteller und Logistikunternehmen betreiben bereits zahlreiche Anwendungen, Maschinen und Datenplattformen. Das größere Problem ist der manuelle Aufwand, der erforderlich ist, um Informationen und Entscheidungen zwischen diesen Systemen zu übertragen.
Aktuelle, von Ace Workflow zitierte Ergebnisse zeigen, dass 26 % der dokumentierten Arbeitszeit in Unternehmen und bis zu 44 % im Finanzwesen durch gezielte Automatisierung potenziell zurückgewonnen werden könnten. Diese Zahlen beziehen sich zwar nicht speziell auf die Fertigung, verdeutlichen jedoch ein grundlegendes Problem, mit dem Industrieingenieure regelmäßig konfrontiert sind: Prozessineffizienz besteht häufig an den Schnittstellen zwischen Systemen.
Der eigentliche Engpass liegt oft zwischen den Systemen
Die industrielle Automatisierung konzentrierte sich traditionell auf die Automatisierung einzelner Maschinen, Fertigungszellen und Steuerungsprozesse. Moderne KI führt eine weitere Optimierungsebene ein, indem sie die Entscheidungen und den Informationsaustausch rund um diese Systeme adressiert.
Eine Produktionslinie verfügt möglicherweise bereits über SPS, DCS-Plattformen, MES-Software, Historian-Systeme, Lagerverwaltungssysteme und Unternehmensanwendungen. Jedes System kann seine vorgesehene Funktion effektiv erfüllen, während der gesamte Workflow weiterhin von Tabellenkalkulationen, manuellen Freigaben, wiederholter Dateneingabe oder Eingriffen durch Bediener abhängt.
Aus ingenieurtechnischer Sicht ist dies ein wichtiger Unterschied. Die Automatisierung einer weiteren isolierten Aufgabe verbessert nicht zwangsläufig den gesamten Prozess. Ein größerer Nutzen kann entstehen, wenn die bestehende Automatisierungsinfrastruktur so vernetzt wird, dass Informationen mit weniger manuellen Eingriffen zwischen den Systemen fließen.
KI als Intelligenzschicht für die Automatisierung
Hier kann KI die konventionelle industrielle Automatisierung ergänzen.
Traditionelle Automatisierung basiert im Allgemeinen auf definierten Bedingungen, Abläufen und Steuerungslogiken. KI kann eine Entscheidungsunterstützungsebene hinzufügen, die in der Lage ist, sich verändernde Betriebsbedingungen zu interpretieren, Muster zu erkennen und Ausnahmen zu priorisieren.
Adie Taylor von Arvato beschreibt diesen Ansatz als den Einsatz von KI auf einer Intelligenzschicht, die es der Automatisierung ermöglicht, auf die Variabilität der realen Welt zu reagieren, während sich Menschen auf Ausnahmen konzentrieren können.
Dieses Konzept ist besonders für Logistik und Fertigung relevant. Automatisierte Systeme sind äußerst effektiv, wenn die Betriebsbedingungen innerhalb ihrer programmierten Grenzen bleiben. KI kann potenziell dabei helfen, Situationen zu interpretieren, die sich allein durch feste Regeln nur schwer abbilden lassen.
Das ingenieurtechnische Ziel sollte daher nicht darin bestehen, die deterministische Steuerung durch KI zu ersetzen. Eine praktischere Architektur besteht darin, die deterministische Steuerung für sicherheitskritische und zeitabhängige Funktionen beizubehalten und KI für Analyse, Prognose, Optimierung und Entscheidungsunterstützung auf höherer Ebene einzusetzen.
Wo industrielle KI praktischen Nutzen schaffen kann
Mehrere Anwendungen zeichnen sich bereits als realistische Einsatzbereiche für industrielle KI ab.
Vorausschauende Wartung kann historische Anlagendaten, Vibrationsmessungen, Temperaturwerte, Alarme und Betriebsbedingungen kombinieren, um Muster zu erkennen, die auf sich entwickelnde Störungen hindeuten.
Bildverarbeitung kann die Inspektion, Fehlererkennung, Bestandsverwaltung und Prozessüberwachung unterstützen, wenn visuelle Informationen manuell nicht in großem Maßstab verarbeitet werden können.
Intelligente Robotik kann es automatisierten Anlagen ermöglichen, effektiver auf sich verändernde Materialflüsse, Lagerbedingungen und Produktionsanforderungen zu reagieren.
Echtzeitoptimierung kann Betriebsdaten nutzen, um Engpässe zu erkennen und Anpassungen an Produktion, Logistik oder Ressourcenverteilung zu empfehlen.
Der gemeinsame Faktor sind Daten. KI kann schlecht strukturierte Informationen, fehlende Signale oder unkontrollierte Datenquellen nicht ausgleichen. Industrieunternehmen müssen daher Instrumentierung, Konnektivität, Datenqualität und Systemintegration als Teil der KI-Implementierung und nicht als davon getrennte technische Aspekte betrachten.
Die bestehende Infrastruktur darf nicht ignoriert werden
Einer der praxisrelevanteren Punkte, die sich aus der Agenda des Londoner Gipfels ergeben, ist die Bedeutung der Integration von KI in die bestehende Infrastruktur.
Industrieanlagen haben nur selten die Möglichkeit, jede SPS, jeden Controller, Sensor, jedes SCADA-System oder jede DCS-Plattform zu ersetzen, nur um eine neue KI-Funktion einzuführen. Lange Lebenszyklen von Anlagen bedeuten, dass moderne digitale Ebenen mit Systemen koexistieren müssen, die möglicherweise schon vor vielen Jahren installiert wurden.
Dies schafft eine ingenieurtechnische Anforderung an eine kontrollierte Integration.
Protokoll-Gateways, Historian-Systeme, APIs, Edge Computing, industrielle Netzwerke und Datenplattformen können Schnittstellen zwischen etablierten Automatisierungssystemen und neueren Analyseanwendungen bereitstellen. Die Architektur muss außerdem Cybersicherheit, Latenz, Datenhoheit und Systemverfügbarkeit berücksichtigen.
Meiner Ansicht nach ist dies eine der wichtigsten praktischen Überlegungen bei industrieller KI. Die erfolgreichste Lösung wird häufig diejenige sein, die sich in die installierte Automatisierungsbasis integrieren lässt, ohne bewährte Steuerungsfunktionen unnötig zu beeinträchtigen.
Fachwissen bleibt Teil der Steuerungsarchitektur
Industrielle KI sollte nicht ausschließlich danach bewertet werden, wie viele Aufgaben sie automatisieren kann.
Bediener, Instandhaltungsingenieure und Prozessspezialisten verfügen über kontextbezogenes Wissen, das sich nur schwer vollständig in Software abbilden lässt. Sie verstehen abnormale Betriebsbedingungen, das Verhalten von Anlagen und Produktionsbeschränkungen, die in historischen Datensätzen möglicherweise nicht eindeutig erkennbar sind.
KI kann wiederholte Analysen reduzieren und Anomalien hervorheben, doch menschliches Eingreifen bleibt wichtig, wenn Entscheidungen ungewöhnliche Bedingungen, Sicherheitsaspekte oder miteinander konkurrierende betriebliche Ziele betreffen.
Dies spricht für ein Modell, bei dem KI die Verarbeitung großer Informationsmengen übernimmt, während Ingenieure die Entscheidungsbefugnis über definierte betriebliche Entscheidungen behalten. Ein solcher Ansatz kann die Einführung von KI außerdem erleichtern, da die Automatisierung schrittweise erfolgt, anstatt sofort einen Übergang zu einem autonomen Betrieb zu erfordern.
Die Governance muss sich parallel zur Einführung weiterentwickeln
Die Skalierung von KI im industriellen Betrieb schafft ebenfalls Anforderungen an die Governance.
Unternehmen müssen verstehen, welche Daten ein KI-System verwendet, wie Empfehlungen erstellt werden, wer für deren Umsetzung verantwortlich ist und was geschieht, wenn das System ein fehlerhaftes Ergebnis liefert.
In industriellen Umgebungen muss die Governance über herkömmliche IT-Aspekte hinausgehen. Funktionale Sicherheit, Cybersicherheit, Zugriffskontrolle, Änderungsmanagement, Nachverfolgbarkeit und betriebliche Verantwortlichkeit können je nach der Nähe der KI zu den Produktionssystemen relevant werden.
Die Beteiligung von Schneider Electric an der Diskussion über KI und industrielle Automatisierung spiegelt diese umfassendere Herausforderung wider. Die KI-Strategie kann nicht innerhalb einer Technologieabteilung isoliert bleiben, wenn sich ihre Einführung auf Energiemanagement, Automatisierungssysteme und betriebliche Prozesse auswirkt.
AI LIVE London legt den Schwerpunkt auf die praktische Einführung
AI LIVE: The London Summit 2026 findet am 20. und 21. Oktober in Olympia London statt. Erwartet werden mehr als 2.000 Führungskräfte sowie über 50 Experten, vier Workshops für Führungskräfte und Live-technische Demonstrationen.
Das Kaminfeuergespräch zu KI und industrieller Automatisierung am 20. Oktober ist besonders relevant für Hersteller, Logistikbetreiber und Ingenieurteams, die praktische KI-Anwendungen bewerten.
Das übergeordnete Veranstaltungsthema „Technologie + menschlicher Zweck“ weist ebenfalls auf eine nützliche Richtung für Diskussionen über industrielle KI hin. Die Frage lautet zunehmend weniger, ob KI eine bestimmte Aufgabe ausführen kann, sondern vielmehr, wo sie eingeführt werden sollte, wie sie mit bestehender Automatisierung interagieren sollte und welche Verantwortlichkeiten bei den Menschen verbleiben sollten.
Die Chance industrieller KI liegt in der Integration, nicht im Ersatz
Die nächste Entwicklungsstufe der industriellen Automatisierung wird wahrscheinlich nicht einfach dadurch definiert, dass Maschinen um KI erweitert werden.
Die größere Chance liegt darin, Informationen, Entscheidungen und bestehende Automatisierungssysteme zu einer reaktionsfähigeren Betriebsarchitektur zu verbinden. KI kann große Mengen industrieller Daten analysieren, Muster erkennen und Entscheidungen unterstützen, während SPS, DCS-Plattformen und Sicherheitssysteme weiterhin deterministische Steuerungsfunktionen ausführen.
Für Industrieingenieure bedeutet dies, dass die Einführung von KI mit klar definierten betrieblichen Problemen beginnen sollte und nicht mit Technologiedemonstrationen. Identifizieren Sie die manuellen Übergaben, bestimmen Sie die erforderlichen Daten, definieren Sie den Entscheidungsbereich und ermitteln Sie anschließend, wo KI einen messbaren Nutzen schaffen kann.
Dieser Ansatz macht industrielle KI weniger zu einem Ersatz für bestehende Automatisierung und vielmehr zu einer Erweiterung dessen, was eine etablierte Automatisierungsinfrastruktur leisten kann.
