Vier Muster, die uns in den Produktionshallen immer wieder auffallen, und die zehnminütige Übung, mit der man sie alle hätte erkennen können.
Die meisten Hersteller, mit denen wir sprechen, haben bereits ein KI-Pilotprojekt durchgeführt. Nur sehr wenige setzen KI bereits in einer Produktionslinie ein.
Wenn wir uns die stillgelegten Werke in Indien, den USA und nun auch in Europa noch einmal genauer ansehen, lassen sich immer wieder dieselben vier Muster erkennen.
Vier Fehlermuster, die zum Scheitern von KI-Pilotprojekten führen
Das Modell wurde anhand eines Exportdatensatzes trainiert. Die Live-Daten trafen dann verspätet, unvollständig und in einer Form ein, mit der die Pipeline nicht gerechnet hatte. Die Demo lief reibungslos. Die Produktionsumgebung hingegen nicht.
Die Verantwortung lag letztendlich beim Pilotteam. Das System lief weiter und wurde nicht mehr überprüft – was so aussieht, als würde es funktionieren, bis jemand es überprüft.
Nichts war in das MES, das ERP oder das Qualitätsmanagementsystem integriert. Ausgabedaten, die nicht dort angezeigt werden, wo die Arbeit tatsächlich stattfindet, bleiben ungenutzt. Kein Bediener öffnet einen zweiten Bildschirm, während die Anlage läuft.
Die Mitarbeiter wurden nie dazu befragt. Also haben sie sich darum herumgeschlagen – genau das tun Menschen, die für Ergebnisse verantwortlich sind, wenn ein System nicht zur Arbeit passt und auch Schulungen daran nichts ändern.
Nur der erste Fall kommt einem Data-Science-Problem nahe, und er ist der uninteressanteste der vier. Alle vier lassen sich auf zwei Ursachen zurückführen: Entweder passte die Methode nicht zum Problem, oder die zugrunde liegenden Daten waren noch nicht bereit. Das Modell selbst taucht in der Nachbetrachtung so gut wie nie auf.
Was die Adoptionszahlen tatsächlich aussagen
Die KI-Nutzungsrate in Deutschland wird für alle Unternehmen zusammen mit 41 % angegeben. In der Fertigungsindustrie liegt sie eher bei 28 %. Eine aussagekräftigere Aufschlüsselung erfolgt nach Unternehmensgröße.
Die Streuung nach Unternehmensgröße ist größer als die Streuung zwischen den meisten Branchen. Dies deutet eher auf Probleme bei der Personalbeschaffung und der Beschaffung hin als auf technische Schwierigkeiten, da die zugrunde liegenden Arbeitsabläufe in einem Werk mit 200 Mitarbeitern und einem Werk mit 20.000 Mitarbeitern identisch sind.
Die Branchentabelle beleuchtet denselben Sachverhalt aus einer anderen Perspektive.
Der Automobilsektor liegt bei 70,4 % und damit weit über dem Rest des verarbeitenden Gewerbes. Er ist zudem der Sektor, der seit dreißig Jahren externe Ingenieursleistungen einkauft – von der Simulation bis hin zu Test und Validierung. Die Beauftragung externer Fachkräfte ist dort bereits gängige Praxis, und die Einführung neuer Technologien folgt eher dieser Gewohnheit als dem Stand der Technik.
Darüber sollte man sich vor der nächsten „Build-or-Buy“-Diskussion einmal Gedanken machen. 89 % der deutschen KMU beziehen KI-Fähigkeiten bereits von außen, anstatt sie selbst zu entwickeln. Der Zukauf ist also das vorherrschende Verhalten und keine Ausnahme, die es wegzuerklären gilt.
Die Bereitschaft ist eine Eigenschaft von Tabellen
Fragen Sie, ob die Daten Ihres Unternehmens bereit sind, und Sie erhalten ein Zweijahresprogramm. Fragen Sie, welche drei Tabellen bereit sind, und Sie erhalten noch heute Nachmittag eine Antwort.
Hier ist die Skala, die wir intern verwenden. Sie enthält keinerlei geschützte Informationen, und es lohnt sich, sich zehn Minuten Zeit dafür zu nehmen, bevor Sie mit einem Anbieter sprechen – auch mit uns.
Eine Konsequenz ist wichtiger als alle anderen. Eine Datenbank, die insgesamt auf Stufe 2 angesiedelt ist, enthält fast immer einzelne Tabellen, die bereits auf Stufe 4 liegen, und genau diese Tabellen sind der richtige Ort für einen ersten Anwendungsfall.
Dies erklärt auch eine Statistik, die normalerweise als Warnsignal interpretiert wird. 21 % der mittelständischen deutschen Unternehmen verfügen über eine formelle KI-Strategie, und 64 % der Unternehmen, die KI bereits einsetzen, arbeiten ohne eine solche. Betrachten Sie dies stattdessen als Frage der Reihenfolge. Bei den meisten Programmen wird zunächst der Anwendungsfall ausgewählt und erst in zweiter Linie der Zustand der Daten ermittelt. Diese Reihenfolge führt zuverlässig zu einer funktionierenden Demonstration und einer fehlgeschlagenen Implementierung.
Auf Stufe 0 erfordert die Beantwortung einer Frage sechs Modellaufrufe und dauert vier bis fünf Minuten, wobei die Antwort nach wie vor keine Garantie bietet. Auf Stufe 4 oder 5 erfolgt die Beantwortung derselben Frage durch einen einzigen Aufruf an eine regulierte Ebene: innerhalb von Sekunden, wiederholbar, überprüfbar.
Jeder Schritt dazwischen ist ein kostenpflichtiger Aufruf. Der Preis einer Frage spiegelt die Qualität des jeweiligen Kontexts genauer wider als der Preis des Modells, das sie beantwortet. Darin liegt die gesamte Wirtschaftlichkeit, täglich hundert Anwendungsfälle statt nur fünf auszuführen, und dies wird bereits auf der Datenebene festgelegt – Monate bevor überhaupt ein Modell ausgewählt wird.
Die Frage, die deutsche Werke stellen und die Außenstehende übersehen
Ausländische Anbieter sind in der Regel auf die Anforderungen der Datenaufbewahrung vorbereitet. EU-Regionen, Bereitstellung in der eigenen Cloud-Umgebung des Kunden, keine Schulungen zu Kundendaten – die meisten Anbieter haben darauf eine Antwort parat.
Was sie dabei falsch machen, ist der Betriebsrat. Ein System, das einen Produktionszweig überwacht, verändert die Arbeitsbedingungen der Mitarbeiter, und in Deutschland ist das eine Angelegenheit für den Betriebsrat und kein nachträglicher Einfall im Rahmen des Change-Managements. Die Anhörung gehört bereits in der ersten Woche in den Projektplan. Projekte, bei denen dies erst zum Zeitpunkt der Inbetriebnahme entdeckt wird, verlieren Monate an Zeit, und meist wird die Technologie dafür verantwortlich gemacht.
Ähnliches gilt für das EU-KI-Gesetz. Die meisten Anwendungsfälle in den Bereichen Fertigungsqualität und Betriebsabläufe fallen nicht unter die Kategorie „hohes Risiko“, und die automatisierte visuelle Inspektion in einer Fertigungslinie ist in der Regel nicht mit einem hohen Risiko verbunden. Es geht darum, die Einstufung für jeden einzelnen Anwendungsfall zu bewerten und zu dokumentieren, anstatt von vornherein eine bestimmte Einstufung anzunehmen.
Warum wir kein eigenes KI-Team haben
Die meisten mittelständischen Unternehmen geben an, dass ihnen die entsprechenden internen Kapazitäten fehlen. In Deutschland sind derzeit 109.000 Stellen im IT-Bereich unbesetzt, und bis 2030 wird die Bevölkerung im erwerbsfähigen Alter um 3,9 Millionen Menschen zurückgehen – der Engpass ist also real und wird sich nicht auflösen.
Das ist auch die Regel. 89 % der deutschen KMU nutzen bereits externe KI-Lösungen, anstatt diese selbst zu entwickeln. Die Frage ist, welchen KI-Implementierungspartner man wählt, nicht, ob man einen einsetzen soll.
Wir verkaufen keine Mitarbeiterzahlen. Wir arbeiten in PODs: ein festes Kernteam, das Ihnen zur Seite steht, sowie zusätzliche Kapazitäten, die sich je nach Arbeitsphase skalieren lassen. Diejenigen, die den Projektumfang festlegen, sind auch diejenigen, die das Projekt umsetzen.
Wo soll ich anfangen?
Wir bieten keine kostenlosen Machbarkeitsstudien an. Ein kostenloses Pilotprojekt vermittelt den Eindruck, dass unsere Zeit keinen Wert hat, wird an denjenigen vergeben, der auf Ihrer Seite gerade Zeit hat, und eröffnet keinen Beschaffungsweg – was in deutschen Unternehmen den eigentlichen Engpass darstellt.
Stattdessen bieten wir eine kostenpflichtige Diagnose an. Diese erstreckt sich über sechs bis acht Wochen zu einem Festpreis und wird in Form einer schriftlichen Bewertung geliefert, die den aktuellen Stand, die Datenbereitschaft, drei nach Priorität geordnete Anwendungsfälle mit Business Cases sowie einen Umsetzungsplan mit Kostenangaben umfasst. Die Gebühr wird auf die erste Entwicklungsphase angerechnet, wenn Sie innerhalb von neunzig Tagen mit der Umsetzung beginnen.
Über Ascentt
Ascentt entwickelt und betreibt KI-Lösungen für Unternehmen aus der Automobil- und Fertigungsbranche. Über 20 Jahre Branchenerfahrung, mehr als 350 Projekte, über 30 Modelle im Einsatz, geschaffener Mehrwert von über 2 Mrd. US-Dollar
