Generative KI muss in den Arbeitsablauf passen

Eine überzeugende KI-Demo sagt wenig über ihren Nutzen im Werk aus. Erst reale Dokumente, wechselnde Varianten und die Einbindung in bestehende Systeme zeigen, ob Ergebnisse fachlich belastbar sind. Wo Datenlücken und Fehlerbilder zusätzliche Prüfung verlangen, wird aus Zeitgewinn schnell Mehraufwand.

Generative KI wird in der Industrie erst dann relevant, wenn sie eine konkrete Aufgabe im Arbeitsablauf verlässlich übernimmt. Ein überzeugender Demonstrator reicht dafür nicht. Entscheidend ist, ob Entwickler, Planer oder Servicetechniker mit dem Ergebnis tatsächlich schneller und sicherer arbeiten können.

Genau an dieser Stelle trennt sich die Präsentation von der betrieblichen Anwendung. Ein Sprachmodell kann technische Dokumente durchsuchen, Schaltpläne auswerten oder Informationen aus Zeichnungen zusammenführen. Damit ist die Aufgabe aber noch nicht gelöst. Die Anwendung braucht passende Daten, klare Zugriffsrechte und einen Platz in den Systemen, die im Unternehmen ohnehin genutzt werden. Sonst entsteht ein weiteres Fenster, das jemand manuell bedienen muss. Der erhoffte Zeitgewinn verschwindet dann im täglichen Ablauf.

Der konkrete Prozess entscheidet über den Nutzen

Am Anfang steht deshalb kein Modell, sondern eine Tätigkeit. Wo suchen Mitarbeitende heute lange nach Informationen? Welche Prüfung hängt an einzelnen Spezialisten? Welche Dokumente werden wiederholt gelesen, verglichen oder übertragen? Diese Fragen sind nüchterner als eine Technologiedemonstration, führen aber schneller zu einem belastbaren Anwendungsfall.

Bei der Fertigungsplanung kann das bedeuten, dass Informationen aus Zeichnungen, Arbeitsanweisungen und früheren Planungen zusammengeführt werden. Für die Person, die den Auftrag vorbereitet, zählt dabei nicht die Qualität einer allgemeinen Antwort. Sie braucht eine nachvollziehbare Information zur passenden Variante, mit Verweis auf die zugrunde liegende Dokumentation. Eine unklare oder veraltete Antwort erzeugt zusätzliche Prüfung und macht den Einsatz unattraktiv.

Ähnlich verhält es sich bei der Verarbeitung von Schaltplänen für die Kabelkonfektionierung. Die technische Herausforderung liegt nicht allein darin, Text oder Symbole zu erkennen. Das Ergebnis muss in die Logik der Fertigung passen. Bezeichnungen, Varianten und Abhängigkeiten müssen korrekt zusammengeführt werden. Schon kleine Fehler können Nacharbeit verursachen. Eine Anwendung, die nur im Testdatensatz gut funktioniert, hilft im Betrieb wenig.

Ein Proof of Concept muss unter echten Bedingungen bestehen

Ein schneller Proof of Concept ist sinnvoll, wenn er eine harte Entscheidung vorbereitet. Dafür braucht es reale Dokumente, typische Sonderfälle und die Menschen, die später mit dem Ergebnis arbeiten. Ein sauberer Test mit ausgewählten Beispieldaten ist zu wenig. Er zeigt, ob eine technische Idee funktioniert. Er zeigt nicht automatisch, ob sie unter Zeitdruck, mit unvollständigen Unterlagen und wechselnden Varianten brauchbare Ergebnisse liefert.

Gerade die Datenlage wird häufig unterschätzt. Industrieunternehmen besitzen viele Informationen, doch sie liegen in unterschiedlichen Formaten und Systemen. Zeichnungen sind versioniert, Arbeitsanweisungen werden angepasst, ERP und MES führen eigene Bezeichnungen. Dazu kommen Dateien, die nur intern verständlich sind oder deren Freigabestatus nicht eindeutig erkennbar ist. Eine KI kann solche Widersprüche nicht aus eigener Kraft aus der Welt schaffen. Sie kann sie sichtbar machen. Die Verantwortung für die fachliche Ordnung bleibt im Unternehmen.

Für CTOs und Innovationsmanager hat das eine praktische Konsequenz. Die Bewertung eines Prototyps sollte sich an Fehlerbildern orientieren, nicht an einer beeindruckenden Demo. Wie oft wird eine Quelle falsch zugeordnet? Wie erkennt die Anwendung fehlende Angaben? Wie wird eine veraltete Version ausgeschlossen? Und wie kann ein Beschäftigter eine Antwort korrigieren, ohne einen undurchsichtigen Prozess auszulösen? Diese Fragen entscheiden über Akzeptanz und Betriebskosten.

Bei smartXautomation liegt der interessante Teil solcher Vorhaben deshalb oft zwischen Datenprüfung und Prozessintegration. Dort wird sichtbar, ob aus einer KI-Funktion ein Werkzeug für den Alltag werden kann. Das ist weniger spektakulär als eine Vorführung mit sofortiger Antwort, aber deutlich näher an dem, was im Werk zählt.

Integration verändert die Anforderungen

Eine verwendbare Lösung muss an die bestehende IT anschließen. Je nach Aufgabe betrifft das ERP, MES oder PLM. Diese Verbindung ist keine reine Schnittstellenarbeit. Sie legt fest, welche Informationen die Anwendung lesen darf, wie Versionen behandelt werden und an welcher Stelle ein Mensch die Ausgabe prüft. Auch Protokollierung und Berechtigungen gehören dazu. In vielen Unternehmen entscheidet sich hier, ob ein Vorhaben freigegeben wird.

Die Nutzeroberfläche ist ebenso wichtig. Ein Planer möchte keine allgemeine Unterhaltung mit einem Modell, sondern eine fokussierte Unterstützung innerhalb seines Vorgangs. Ein Entwickler braucht Quellen und technische Zusammenhänge. Eine Fachkraft in der Produktion benötigt klare Hinweise, die zu ihrer aktuellen Aufgabe passen. Der gleiche KI-Dienst kann diese Anforderungen nicht automatisch erfüllen. Die Anwendung muss sich an den jeweiligen Arbeitsschritt anschließen.

Damit verschiebt sich der Blick auf Erfolg. Ein Projekt ist nicht abgeschlossen, wenn das Modell gute Antworten erzeugt. Es ist abgeschlossen, wenn der Prozess mit der Anwendung besser funktioniert als ohne sie. Dazu gehören messbare Bearbeitungszeiten, eine definierte Fehlerquote und ein Umgang mit Fällen, die das System nicht sicher beurteilen kann. Gerade diese Grenzen müssen sichtbar sein. Eine Antwort mit hoher sprachlicher Sicherheit darf keine fachliche Sicherheit vortäuschen.

Die in der Quelle genannten möglichen Einsparungen bei Dokumentation, Servicesuche oder Variantenprüfung sind deshalb als Erfahrungswerte einzuordnen. Sie können eine Prüfung begründen, ersetzen aber keine Messung im eigenen Betrieb. Jedes Unternehmen hat andere Daten, Abläufe und Qualitätsanforderungen. Die belastbare Zahl entsteht erst aus dem Vergleich mit dem bisherigen Prozess.

Generative KI bringt in der Industrie dann einen echten Vorteil, wenn sie an einer klar abgegrenzten Aufgabe ansetzt und sich in vorhandene Arbeit einfügt. Der Weg dorthin führt über belastbare Daten, realistische Tests und eine Integration, die Verantwortlichkeiten offenlegt. Das ist weniger schnell vorzeigbar als ein Pilot. Für den späteren Betrieb ist es deutlich wichtiger.

Quelle: Fraunhofer IEM