KI-Projekte in der Produktion: In der Fertigung scheitern ambitionierte Initiativen rund um Künstliche Intelligenz (KI) allzu oft an den Tücken der betrieblichen Praxis. Dafür gibt es eine Reihe von Gründen, die den produktiven KI-Einsatz unterminieren. IFS, Anbieter von Industrial-AI-Software, zeigt die typischen Barrieren – und wie man produktiv damit umgeht.
Hürde 1: Mangelhafte Datenqualität
Die größte Schwachstelle bei KI-Projekten ist meist die Qualität der Daten. Typisch sind fragmentierte Datenlandschaften mit einer Mischung aus historisch gewachsenen Daten unterschiedlichster Provenienz. Sie sind unvollständig, nicht synchronisiert oder unterschiedlich interpretiert. Daher sollten sich KI-Projekte anfangs auf einen Kern selektierter operativer Daten stützen (etwa aus Instandhaltung oder Qualitätssicherung), die dann sukzessive optimiert werden.
Hürde 2: Ängste und latente Ablehnung
KI-Projekte treffen oft auf Vorbehalte aufgrund intransparenter Entscheidungslogik, Angst vor Kontrollverlust oder unklaren Auswirkungen auf die eigene Rolle. In vielen Unternehmen unterschätzt die Führungsebene diese Faktoren und vernachlässigt das Change-Management. Zur Überzeugungsarbeit gehört es auch, Projekterfolge transparent zu machen. KI wird dann akzeptiert, wenn Mitarbeiter den Nutzen dieser Technologie erkennen, weil sie hilfreiche Ergebnisse liefert.
Hürde 3: Fehlende Zielvorgaben und Use Cases
Viele Business-Cases für KI werden lediglich für die Investitionsentscheidung erstellt, nach Projektstart aber weder aktiv nachgehalten noch mit realen Betriebsdaten überprüft. In der Praxis fehlen klar definierte Zielkennzahlen, aber auch der kontinuierliche Abgleich zwischen geplantem und tatsächlichem Nutzen. Der erwartete Erfolg bleibt damit eine Annahme, aber keine messbare Größe.
Hürde 4: Mangelnde Praxistauglichkeit
Labor und Praxis sind zwei Paar Stiefel. Viele Pilotprojekte scheitern an der Übertragbarkeit in den Alltag. Sie sind als „Leuchtturm“ angelegt, ohne Integration in bestehende Systeme und Entscheidungsprozesse. Daher funktionieren sie im Labor, aber nicht im Betrieb. Das kann unter anderem an der Abhängigkeit von Spezialisten, der schlechten Usability oder der eingeschränkten Nutzung durch Early Adopter liegen.
Hürde 5: Fehlende Governance
Governance ist einer der häufigsten Skalierungsblocker. Viele Unternehmen starten KI-Initiativen projektgetrieben, ohne klare Zuständigkeiten für die Datenqualität, den Modellbetrieb, die fachlichen Entscheidungen oder Haftung und Compliance. Es fehlen eindeutige Verantwortlichkeiten – sowohl in der IT als auch in den Fachbereichen –, eine funktionsübergreifende Zusammenarbeit sowie eine klar definierte Arbeitsteilung zwischen Mensch und KI.
„Erfolgreiche KI-Projekte zeichnen sich durch drei charakteristische Eigenschaften aus“, erklärt Sören Michl, VP AI Adoption bei IFS. „Sie sind erstens von Anfang an nicht als Experiment, sondern als produktivitätssteigerndes System angelegt. Zweitens denken sie Prozesse neu, um KI bestmöglich zu nutzen. Drittens integrieren sie KI direkt in bestehende Workflows.“
