KI erreicht die Werkshallen

 
Taugt der Einsatz von KI auch für die Industrie? Sind die Betriebe bereit, auf die verlässlichen deterministischen Produktionsumgebungen zu verzichten und jetzt auf probabilistische Modelle zu setzen? Sprich: Die Würfel zu rollen? Maschinen müssen zuverlässig funktionieren, Qualitätsprüfungen reproduzierbar sein und Entscheidungen auf Daten beruhen, deren Kontext eindeutig bekannt ist. Gleichzeitig wächst der wirtschaftliche Druck auf europäische Produktionsstandorte. Energie, Personal und Finanzierung sind teuer, Lieferketten bleiben störanfällig und Kunden erwarten zunehmend individuellere Produkte bei kürzeren Lieferzeiten. Gerade unter diesen Bedingungen wird KI interessant, weil sie an einer Ressource ansetzt, die in Industriebetrieben reichlich vorhanden ist: Daten.

Eine typische Fabrik erzeugt laut Siemens rund 2.200 Terabyte Daten pro Monat. Sie stammen aus Maschinen, Anlagen, Produkten, Gebäuden und Lieferketten. Ein großer Teil blieb bislang ungenutzt, weil diese nicht miteinander verbunden wurden. Der Weg zur industriellen Intelligenz führt deshalb über vier Schritte: Daten erfassen, über Systeme hinweg verknüpfen, mit Bedeutung und Kontext versehen und daraus schließlich Entscheidungen oder Aktionen ableiten.

Wie konkret KI bereits in Produktionsprozesse eingreifen kann, zeigt der Bereich Qualitätssicherung. Siemens bietet mit Inspekto eine KI-basierte optische Prüfung, die mit lediglich 20 Gutteilen eingelernt werden kann. Die Software führt Anwender durch die Einrichtung, spezielle Kenntnisse in Bildverarbeitung oder KI sollen dafür nicht notwendig sein. Anschließend erkennt das System Abweichungen bei mehr als 100 Prüfungen pro Minute. »Unsere Kunden schätzen die einfache Bedienung, die schnelle Einrichtung und die hohe Flexibilität bei der Qualitätskontrolle in unterschiedlichsten Branchen«, sagt Matthias Jäger, Sales Specialist bei Siemens Österreich. Das System sei innerhalb weniger Stunden betriebsbereit. Entscheidend sei, dass für den Betrieb keine tiefgehenden Kenntnisse in Belichtungs-, Kamera- oder Softwaretechnik erforderlich seien.

In einem anderen Fall in einem Automobilwerk erkennt in KI-gestütztes Condition-Monitoring die ungewöhnliche Erwärmung eines Motors – zum Beispiel aufgrund eines gequetschten Schlauchs für die Kettenschmierung. Das Problem kann schnell behoben werden, bevor daraus ein größerer Schaden entsteht. So viel zum Thema »Business Case«: Wenn ein Modell einen teuren Stillstand verhindert, lässt sich sein Wert unmittelbar berechnen.

Wenn der Roboter sehen lernt
Noch einen Schritt weiter geht KI in der Intralogistik, weil sie dort nicht nur Daten analysiert, sondern physische Systeme befähigt, variabler auf ihre Umgebung zu reagieren. TGW Logistics verbindet beim PickCenter RovoFlex einen Kommissionierroboter mit 3D-Bildverarbeitung und KI-basierter Artikelerkennung. Das System erkennt und vermisst Gegenstände, bestimmt geeignete Greifpunkte und unterstützt die Bewegungsplanung. Gleichzeitig lernt es mit jedem Pick dazu und kann zwischen automatischer und manueller Kommissionierung wechseln, um unterschiedliche Betriebssituationen oder Auftragsspitzen abzudecken.

»In der Robotik hilft KI Maschinen, ihre Umgebung zu verstehen. In digitalen Produkten hilft sie Menschen, komplexe Anlagen schneller zu verstehen«, beschreibt Stefan Stricker, Head of Artificial Intelligence bei TGW Logistics, die beiden Stoßrichtungen. Er sieht bereits die nächste Entwicklungsstufe vor der Tür: Physical AI verbindet künstliche Intelligenz mit Robotik, Sensorik und physischen Systemen. Maschinen können ihre Umgebung wahrnehmen, Situationen interpretieren und innerhalb definierter Grenzen flexibler reagieren. »Generative KI verändert, wie Menschen mit Informationen arbeiten. Physical AI verändert, wie Maschinen in der realen Welt handeln«, so Stricker.

Für die Industrie ist diese Entwicklung besonders relevant, weil klassische Automatisierung auf möglichst exakt definierte Bedingungen angewiesen ist. Je variabler Produkte, Materialien und Abläufe werden, desto aufwendiger wird es, jede mögliche Situation vorab zu programmieren. KI erweitert hier den Handlungsspielraum von Automatisierungssystemen, ohne deren industrielle Grund­anforderungen an Zuverlässigkeit und Sicherheit aufzugeben.

Kollege im Engineering
Ein zweites großes Einsatzgebiet entsteht dort, wo Industrieunternehmen mit Fachkräftemangel und wachsender technischer Komplexität kämpfen. KI unterstützt hier Menschen, die Maschinen und Anlagen entwickeln. Siemens hat dafür einen Engineering-Agent in das TIA Portal integriert. Anders als ein klassischer Chatbot soll dieser den Projektkontext verstehen, Automatisierungscode schreiben, Systeme konfigurieren und Ergebnisse iterativ verbessern.

Dass industrielle KI nicht zwingend direkt eine Maschine steuern muss, zeigt auch ein Projekt von T-Systems bei der Roland Spedition. Dort wurde die Verarbeitung von Eingangsrechnungen automatisiert. Die Schwierigkeit bestand weniger darin, Texte aus Rechnungen auszulesen, sondern unterschiedliche internationale Formate und komplizierte Beziehungen zwischen Rechnungspositionen und internen Aufträgen korrekt zuzuordnen. Eine Rechnungsposition kann mehreren Positionen im System entsprechen und umgekehrt. Bislang erforderte das eine aufwändige manuelle Prüfung.

»In einem Geschäft mit engen Margen müssen wir sehr bewusst auf die eingesetzten Mittel achten«, sagt Geschäftsführer Nikolaus Hirnschall. Entscheidend seien ein klarer Projektplan, Kostensicherheit und rasch messbare Mehrwerte gewesen. Durch die Automatisierung werde das Team von administrativen Aufgaben entlastet. Hirnschall erwartet deshalb bereits kurzfristig einen klaren Return on Investment und denkt über weitere KI-Anwendungen nach.

Markus Berger, Digital Engineer bei T-Systems, verweist dabei auf wiederverwendbare Lösungsansätze: »Wir greifen auf bewährte Blueprints aus zahlreichen Projekten in verschiedenen Branchen zurück. Dadurch müssen wir das Rad nicht neu erfinden und können bereits nach wenigen Tagen erste funktionale Lösungen präsentieren.«

Auch intern nutzt T-Systems KI längst für Recherche, Analysen, Meetingvorbereitung, Softwareentwicklung und wiederkehrende Abläufe. Alexander Stoklas, Head of Digital Solutions bei T-Systems Austria, empfiehlt Unternehmen, jene Fälle priorisieren, bei denen Produktivität, Qualität, Geschwindigkeit oder Kundeninteraktion nachvollziehbar verbessert werden. Dabei müsse nicht automatisch das größte und leistungsfähigste Modell zum Einsatz kommen. Für Standardaufgaben könnten Open-Source­-Modelle aufgrund niedrigerer Kosten, größerer Kontrolle und besserer Anpassbarkeit sogar geeigneter sein. Die Auswahl müsse sich an Qualität, Geschwindigkeit, Datenschutz, Integration und Kosten orientieren. »Nachhaltiger Nutzen entsteht dann, wenn Technologie, geeignete Modelle und messbare Geschäftsziele zusammengebracht werden«, lautet Stoklas Schlussfolgerung.

Bild: Für den Spritzgußmaschinen-Spezialisten Engel Austria sind durchgängig definierte Datenmodelle in komplexen Wertschöpfungsnetzen wichtig – als Basis für resiliente Produkt- und Lieferketten. Die KI prüft Dokumente auf Abweichungen gegenüber Standards und identifiziert mögliche Risiken, bevor sie Aufwand oder Qualität beeinflussen.

Governance für Skalierung
Sobald KI Produktbestandteil wird, wirken sich regulatorische Anforderungen unmittelbar auf Entwicklung, Einsatz und Gestaltung des Produkts aus. »Die rechtliche Einordnung beginnt für mich beim Produkt«, sagt Irene Waltersdorfer, Senior Legal Counsel und Group Privacy Officer bei TGW Logistics. »Ich muss verstehen, welche Funktion die KI übernimmt und wie das Produkt beim Kunden eingesetzt wird. Davon hängt ab, welche regulatorischen Anforderungen greifen, was wir in Entwicklung und Betrieb berücksichtigen und wie wir die Lösung vertraglich abbilden müssen.«

Denn bei komplexen Intralogistiklösungen greifen zahlreiche Regularien ineinander: EU AI Act, Data Act, Datenschutz und NIS 2. Für die Rechtsabteilung geht es deshalb weniger darum, einzelne Rechtsgebiete nacheinander abzuprüfen, als ihre Wechselwirkungen zu erkennen und gemeinsam mit den Fachbereichen in konkrete Anforderungen zu übersetzen. »Wer nicht versteht, was ein System technisch macht und unter welchen Bedingungen es eingesetzt wird, kann Leistungszusagen, Verantwortlichkeiten oder Veränderungen des Systems gegenüber Kunden nicht sauber regeln«, warnt ­Irene Waltersdorfer.

Tipp: Know your business

Worauf sollten Unternehmen achten, damit KI-Investitionen echten Nutzen schaffen? Das beantwortet Alexander Stoklas, Head of Digital Solutions bei T-Systems Austria.

Unternehmen sollten zunächst konkrete Anwendungsfälle identifizieren und klar priorisieren. Entscheidend ist nicht, möglichst viele KI-Anwendungen einzuführen, sondern jene mit einem nachvollziehbaren geschäftlichen Nutzen – etwa durch höhere Produktivität, bessere Qualität, schnellere Prozesse oder eine verbesserte Kundeninteraktion. Außerdem sollten Unternehmen nicht automatisch auf die leistungsfähigsten oder bekanntesten Modelle setzen. Ein High-Performance-Modell ist nicht automatisch die beste Lösung. Für viele Standardaufgaben können Open-Source-Modelle völlig ausreichen und aufgrund geringerer Kosten, höherer Kontrolle und größerer Anpassbarkeit sogar die bessere Wahl sein. Entscheidend ist daher, für jeden Anwendungsfall das passende Modell auszuwählen – abhängig von den Anforderungen an Qualität, Geschwindigkeit, Datenschutz, Integrationsfähigkeit und Kosten. Ebenso wichtig sind klare Verantwortlichkeiten, Informationssicherheit und Governance. Nachhaltiger Nutzen entsteht dann, wenn Technologie, geeignete Modelle und messbare Geschäftsziele zusammengebracht werden.

Vier Use-Cases: KI-Anwendungen für Industrie und Gewerbe

Anlagenoptimierung
Andritz implementiert KI-gestützte Digital Twins, um die Effizienz von Großkraftwerken und Industrieanlagen in Echtzeit zu optimieren. Durch die Echtzeit-Datenverarbeitung beispielsweise auf der »Metris«-Plattform des Herstellers können Betreiber Ausfälle vorhersagen – Schäden werden erkannt, bevor sie entstehen. Es wird der Verbrauch von Ressourcen, Energie und chemischen Hilfsstoffen im laufenden Betrieb minimiert und Betreiber können mit Simulationen Veränderungen gefahrlos ausprobieren, bevor sie in der echten Anlage umgesetzt werden.
https://www.andritz.com/group-de

Qualität
Fronius setzt KI gezielt in seinen beiden Kernbereichen Schweißtechnik und Photovoltaik ein. Sensoren erfassen während des Schweißens kontinuierlich Prozessdaten wie Strom, Spannung und Drahtvorschub. Ein angelerntes Modell gleicht diese Daten sofort mit Referenzwerten ab. Unregelmäßigkeiten werden erkannt, noch während der Roboter schweißt. Bei Wechselrichtern sorgt eine intelligente Software für die Steuerung von Verbrauchern im Haushalt, wie etwa Wärmepumpen oder Wallboxen für E-Autos. Der Heimspeicher wird dank Prognosen strategisch so geladen, dass auch die Mittagsspitze optimal genutzt und der Akku geschont wird. Das erhöht den Gesamtwirkungsgrad des Systems.
https://www.fronius.com/de-at/austria

Kraftwerke
Der Verbund setzt Knowledge-Graphs und Wissensmanagement-Plattformen, wie den Assistenten »Polly« auf Basis des Grazers KI-Spezialisten Leftshift One ein, um die enormen Datenmengen, technischen Dokumentationen und regulatorischen Vorgaben seines Erzeugungsportfolios zu vernetzen. Die Verknüpfung von Sensordaten, Wartungsprotokollen und geografischen Informationen geschieht über Ländergrenzen hinweg. Silos zwischen den Projektstandorten werden aufgebrochen, Ingenieur*innen und Analyst*innen können so Entscheidungen schneller treffen. Der Verbund stellt so die Steuerung seiner Anlagen von mehrheitlich manuell-lokal auf digital-zentralisiert um.
https://leftshiftone.com/

Ausschreibung
Der KI-gestützte Agent »Austin« automatisiert den gesamten Ausschreibungsprozess von Unternehmen lückenlos – vom ersten Crawling bis zur vollständig ausgefüllten Einreichung inklusive aller Formblätter. Austin identifiziert rund um die Uhr relevante Ausschreibungen, bewertet sie nach Erfolgspotenzial, koordiniert die interne Zusammenarbeit und Aufgabenverteilung, und füllt schließlich auch die vom Ausschreibenden bereitgestellten Formblätter automatisiert aus. Unternehmen sparen bis zu 60 Prozent der Zeit pro Ausschreibung.
https://www.nimble-innovation.com/ausschreibungsagent

Interview: Der Mensch wird zum Auftraggeber

Mensch und KI werden Hand in Hand arbeiten, ist Johannes Rauer-­Zechmeister überzeugt. Er verantwortet den technischen Vertrieb für KI-Lösungen bei Siemens.

Wie lassen sich Large Language Models konkret in die industrielle Fertigung integrieren?

Johannes Rauer-Zechmeister: Unser Ansatz ist es, bestehende Softwarelösungen wie TIA Portal durch KI-Unterstützung wie den »Eigen Engineering Agent« zu erweitern, um die Anwender bei stupiden Aufgaben zu entlasten. Ein klassisches Beispiel ist das Erstellen von Testfällen oder das Schreiben von Kommentaren, was kein Programmierer gerne macht. Auch beim Engineering komplexer Anlagen, wo oft Stücklisten mit tausenden Modulen händisch in die Software übertragen werden müssen, kann die KI enorme Zeitersparnis bringen. Wo die Elektro- und Automatisierungsplaner früher mitunter ein bis zwei Wochen gebraucht haben, um Hardware-Bestellnummern aus Excel-Listen manuell einzupflegen, übernimmt das heute die KI fehlerfrei im Engineering-System. Eine Person mit der entsprechenden Fachausbildung kontrolliert die Ergebnisse der KI, bevor sie umgesetzt werden. Wir sind gewohnt, dass Systeme bei gleichem Input immer den gleichen Output liefern, aber bei KI ist das nicht mehr zwingend so – da müssen wir in der Industrie erst ein gewisses Umdenken lernen.

Wo wird die Reise in der industriellen KI-Nutzung hingehen?

Rauer-Zechmeister: Ich glaube, wir bewegen uns auf sogenannte agentische Systeme zu. Verschiedene KI-Modelle werden über offene Schnittstellen künftig selbstständig miteinander kommunizieren und Aufgaben im Hintergrund automatisieren. Der Mensch wird zum strategischen Auftraggeber und Kontrollorgan für KI-basierte Mitarbeiter: Ich sage einem »Dokumentations-Agenten«, er soll eine Unterlage erstellen, und dieser holt sich die nötigen Informationen vollautomatisch beim »Programmier-Agenten« oder dem »E-Plan-Agenten« ab. Das geht bis hin zu humanoiden Robotern auf dem Shopfloor, die Material aus dem Lager holen, sobald ein Auftrag per E-Mail eingeht. Echte Digitalisierung in Unternehmen bedeutet nicht nur, Fax durch E-Mail zu ersetzen, sondern Prozesse grundlegend neu zu denken. Auch bei KI wird kein Weg daran vorbeiführen, unsere Arbeitsweisen zu hinterfragen, und neue Prozesse zu etablieren, bei denen Mensch und KI Hand-in-Hand arbeiten.

Hier geht es zum vollständigen Gespräch zur wachsenden Geschwindigkeit von KI in der Industrie und die Wahl der richtigen Partner.