Industrie-4.0-Müdigkeit: Warum die meisten KI-Projekte in der Fertigung ins Stocken geraten

Industrie-4.0-Müdigkeit: Warum die meisten KI-Projekte in der Fertigung ins Stocken geraten

Wenn Sie in letzter Zeit an einer Sitzung des Lenkungsausschusses für die digitale Transformation teilgenommen haben, ist Ihnen wahrscheinlich aufgefallen, dass die Stimmung etwas gedämpfter ist. Die Diskussionen, die vor zwei Jahren noch von Pilotprojekten zur vorausschauenden Instandhaltung und Proof-of-Concepts im Bereich Computer Vision geprägt waren, haben an Schwung verloren. Viele dieser Pilotprojekte wurden durchgeführt. Die meisten ließen sich jedoch nicht skalieren. Das Ergebnis ist das, was manche Werksleiter mittlerweile als „Industrie-4.0-Müdigkeit“ bezeichnen.

Das ist kein Versagen der Technologie. Es ist ein Versagen darin, wofür die Technologie eingesetzt wird.

Ins Stocken geratene KI-Projekte in der Fertigung laufen meist nach dem gleichen Muster ab: Das Team wählt einen spannenden Anwendungsfall aus. Das Pilotprojekt ist technisch erfolgreich. Der Geschäftsleitung wird eine Präsentation vorgelegt. Doch es kommt zu keiner Umsetzung.

Der Grund liegt selten in der Genauigkeit des Modells. Der Grund ist vielmehr, dass der Rest des Betriebssystems noch nicht darauf vorbereitet ist, auf die Ausgabe des Modells zu reagieren. Der Arbeitsablauf des Wartungsteams ändert sich nicht, da es keine integrierte Möglichkeit gibt, auf das Signal des Modells zu reagieren. Das Qualitätsteam ändert seinen Prozess nicht, da der Bediener keine Anweisungen hat, wie er vorgehen soll, wenn das System ein Teil markiert. Das Modell ist eine gute Antwort auf eine Frage, für die der Betrieb noch nicht gerüstet ist.

Drei ehrliche Gründe, warum Projekte ins Stocken geraten:

Fehlende Verknüpfung im Betriebsablauf. Das Modell hat zwar ein Signal generiert, aber im Arbeitsablauf gab es keine Stelle, an der dieses Signal empfangen werden konnte. Wenn im Rahmen der vorausschauenden Instandhaltung ein Lager als problematisch gekennzeichnet wird, wer erhält dann den Arbeitsauftrag? Über welches System? Mit welcher Priorität? Wenn diese Fragen nicht vor der Inbetriebnahme geklärt sind, wird das Signal zu einer weiteren E-Mail, die ignoriert wird.

Daten, die nicht strukturiert genug sind. Die meisten Fertigungsdaten sind ereignisreich, aber kontextarm. Wir wissen, dass die Maschine angehalten hat. Wir wissen jedoch nicht, welcher Bediener sie bedient hat, welche Vorrichtung geladen war und welches Rezept aktiv war. Ohne diesen Kontext lernt das Modell entweder das Falsche oder gar nichts Zuverlässiges.

Vertrauen der Bediener. Ein Modell, das der Bediener nicht versteht und nicht außer Kraft setzen kann, wird ausgenutzt oder ignoriert. Das Vertrauen wächst, wenn das Modell nachweislich den Arbeitsalltag des Bedieners verbessert. Es bricht zusammen, wenn dies nicht der Fall ist.

Die Projekte, die tatsächlich von der Pilotphase zur werksweiten Einführung übergingen, weisen vier Gemeinsamkeiten auf: Sie wurden in einen bereits digitalisierten Arbeitsablauf eingebunden; sie hatten ein klares und überschaubares erstes Ziel mit einem namentlich benannten Verantwortlichen; sie schlossen den Kreis mit dem Bediener; und sie legten keinen großen Wert auf den ROI.

Drei Fragen, die Sie sich vor dem nächsten Pilotprojekt stellen sollten: In welchen Arbeitsablauf soll diese KI integriert werden, und ist dieser derzeit digitalisiert? Wer genau wird die Ergebnisse des Modells erhalten und darauf reagieren? Wie sieht der Feedback-Kreislauf aus?

Industrie 4.0 ist nicht tot. Die Ermüdung weist auf das Wesentliche hin: Technologie ohne Einsatzreife ist nur Show.

Erfahren Sie, wie Sie Ihre Produktion leicht verbessern können

Buchen Sie eine kostenlose Demoversion unserer Anwendung und sehen Sie, wie sie Ihre Produktionsabläufe auf die nächste Stufe heben kann.

stryza in Aktion bei Kunde 7stryza in Aktion bei Kunde 8