Einsatz von KI im operativen Geschäft: Nutzen, Applications, Kosten und die nächsten Schritte

Künstliche Intelligenz dominiert die Diskussionen über die Zukunft der Industrie, doch der Übergang von der Testphase zum tatsächlichen Einsatz in der Praxis braucht Zeit. Angesichts der Tatsache, dass laut Daten bis zu 95 % der KI-Pilotprojekte nie in die Produktion gelangen, wird deutlich, dass sich die meisten Unternehmen noch in den Anfängen ihrer KI-Entwicklung befinden.

Im Rahmen Operations Calling führten Natan Linder, Mitbegründer und CEO von Tulip, Tom Bianculi, Chief Technology Officer bei Zebra , und Alexandra Francois-Saint-Cyr, BD Executive im Bereich Industrials bei AWS, ein Gespräch darüber, wie der Einsatz von KI in betrieblichen Umgebungen konkret aussieht. Während die Experimentierphase an Fahrt gewinnt, konzentrieren sich die Unternehmen, die bereits Ergebnisse erzielen, auf praktische Anwendungen, indem sie KI in Arbeitsabläufe integrieren, betriebliches Wissen erfassen und die Entscheidungsfindung in der Produktion verbessern.

In diesem Artikel untersuchen wir, in welchen Bereichen KI bereits einen Mehrwert im operativen Geschäft schafft, wie Teams KI in der Fertigung vor Ort einsetzen und wie die nächste Phase der operativen KI aussehen könnte.

Wenn Unternehmen damit beginnen, den Einsatz von KI in operativen Umgebungen zu prüfen, tauchen häufig zwei Konzepte gemeinsam auf: Edge-Computing und intelligente Betriebsabläufe.

Unter Edge-Computing versteht man die Verarbeitung von Daten in unmittelbarer Nähe zu ihrem Entstehungsort, beispielsweise auf Maschinen, Kameras, Sensoren oder Industriegeräten in der Fertigung. Anstatt alle Betriebsdaten an zentralisierte Systeme zu senden, ermöglicht die Edge-Infrastruktur, dass bestimmte Analysen und Reaktionen lokal erfolgen, wodurch die Latenzzeit verringert wird und schnellere Reaktionen während der Produktion möglich sind.

Gleichzeitig bieten Cloud-Plattformen die erforderliche Skalierbarkeit für fortschrittliche Analysen, machine learning und die langfristige Datenspeicherung. Wenn Edge- und Cloud-Systeme zusammenarbeiten, können Unternehmen operative Echtzeitdaten mit groß angelegten Analysen kombinieren.

Diese Kombination ermöglicht das, was viele Unternehmen als „intelligente Betriebsabläufe“ bezeichnen – ein Betriebsmodell, bei dem Daten von Maschinen, Systemen und Mitarbeitern an vorderster Front kontinuierlich erfasst, in einen Kontext gesetzt und zur Verbesserung betrieblicher Entscheidungen genutzt werden.

Viele Unternehmen experimentieren mit KI, doch es ist nach wie vor schwierig, diese Experimente in Systeme umzusetzen, die im täglichen Betrieb eingesetzt werden können. Die betrieblichen Umgebungen sind komplex, und verschiedene Faktoren können die Einführung verlangsamen.

Unverknüpfte Betriebsdaten
Betriebsdaten sind oft über Maschinen, Altsysteme, Tabellenkalkulationen und Dokumentationen verstreut. Wenn diese Informationen nicht miteinander verknüpft sind, fällt es KI-Tools schwer, sich ein vollständiges Bild davon zu machen, was in der Fertigung vor sich geht.

Verlust von betrieblichem Wissen
Wenn erfahrene Mitarbeiter in den Ruhestand gehen, laufen Unternehmen Gefahr, wertvolles Wissen zu verlieren, das ausschließlich in der Erfahrung der Mitarbeiter und nicht in strukturierten Systemen oder Dokumentationen gespeichert ist.

Bedenken hinsichtlich Sicherheit, Compliance und Zuverlässigkeit
In industriellen Umgebungen müssen neue Technologien strenge Anforderungen an Sicherheit, Governance und die Einhaltung gesetzlicher Vorschriften erfüllen. Dies kann dazu führen, dass Unternehmen bei der Einführung von KI in Produktionssysteme zurückhaltend sind.

Zögern auf Unternehmensebene
Führungskräfte und Mitarbeiter sind möglicherweise ebenfalls unsicher, wie sich KI auf Arbeitsplätze und Arbeitsabläufe auswirken wird. Ohne klare Leitlinien und Vertrauen in die Technologie kann sich die Einführung verzögern.

Wo KI einen Mehrwert schafft

Unternehmen, die KI erfolgreich einsetzen, beginnen in der Regel mit konkreten operativen Anwendungsfällen und nicht mit weitreichenden Transformationsinitiativen. Anstatt von Anfang an umfassende Veränderungen anzustreben, konzentrieren sie sich auf Probleme mit großer Wirkung und klar definierten Rahmenbedingungen, bei denen KI messbare Ergebnisse liefern kann. Dieser pragmatische Ansatz verringert Risiken, verkürzt die Zeit bis zur Wertschöpfung und legt den Grundstein für eine schrittweise, umfassendere Transformation.

Mitarbeiterwissen und Fehlerbehebung

Viele Branchen sehen sich mit Personalmangel konfrontiert, da erfahrene Fachkräfte in den Ruhestand gehen. KI-Tools können dabei helfen, das betriebliche Wissen erfahrener Mitarbeiter zu erfassen und es neuen Mitarbeitern zugänglich zu machen.

So nutzen Unternehmen beispielsweise KI-gestützte Assistenten, um Dokumentationen zur Fehlerbehebung und betriebliche Erkenntnisse durchsuchbar zu machen, sodass Bediener während der Produktion schnell auf relevante Informationen zugreifen können. Zunehmend setzen sie KI auch ein, um bestehende Standardarbeitsanweisungen (SOPs) und Arbeitsanleitungen in strukturierte, interaktive Arbeitsabläufe zu übersetzen und dieses Wissen direkt in den täglichen Betriebsablauf zu integrieren, damit neue Mitarbeiter im Kontext lernen können, anstatt sich allein auf statische Dokumentationen zu verlassen.

Unternehmensweite Suche und Wissensabruf

Viele Organisationen verfügen bereits über große Mengen an Betriebsdaten, die vor dem Aufkommen von KI-Systemen erhoben wurden.

KI-gestützte Abrufsysteme können diese Daten erschließen, indem sie eine unternehmensweite Suche in Dokumenten, historischen Daten und Betriebsaufzeichnungen ermöglichen. Anstatt Antworten von Grund auf neu zu generieren, rufen KI-Copiloten relevantes betriebliches Wissen ab und stellen es genau dann bereit, wenn es benötigt wird.

Bildverarbeitung und Betriebsautomatisierung

KI wird auch in folgenden Bereichen eingesetzt:

• Bildverarbeitung zur Qualitätsprüfung

• Automatisierung sich wiederholender Arbeitsabläufe

• Echtzeit-Validierung von Betriebsprozessen

• verbesserte Transparenz bei Beständen und Vermögenswerten

Bei diesen Anwendungsfällen wird KI direkt in operative Arbeitsabläufe eingebunden, anstatt sie als separate Analysefunktion zu betrachten.

Eine erfolgreiche Einführung von KI im operativen Geschäft folgt in der Regel mehreren praktischen Grundsätzen.

„Zunächst muss man das Problem, das man lösen möchte, wirklich verstehen, bevor man über die Technologie nachdenkt.“ – Alexandra Francois-Saint-Cyr, BD Executive, Industrials, AWS

Beginnen Sie mit einem Anwendungsfall

Erfolgreiche Unternehmen beginnen oft mit einem einzigen operativen Anwendungsfall bauen darauf auf. Der Nachweis des Nutzens in einem Arbeitsablauf trägt dazu bei, Vertrauen aufzubauen, und ermöglicht es den Teams, KI auf weitere Prozesse auszuweiten.

Lösungen gemeinsam mit Frontline Workers entwickeln

KI-Tools sind am effektivsten, wenn sie gemeinsam mit denjenigen entwickelt werden, die sie nutzen werden. Die Ausrichtung der Systeme an bestehenden Arbeitsabläufen verbessert die Benutzerfreundlichkeit, schafft Vertrauen und fördert die Akzeptanz.

Wählen Sie die richtigen Technologiepartner aus

Operative KI erfordert häufig Fachwissen in den Bereichen Infrastruktur, industrielle Systeme und Datenplattformen, weshalb die Auswahl der Partner ein entscheidender Erfolgsfaktor ist. Anstatt zu versuchen, Kompetenzen in all diesen Bereichen intern aufzubauen, erkennen viele Unternehmen, dass die Zusammenarbeit mit Partnern, die sowohl fundiertes technisches Wissen als auch branchenspezifische Erfahrung mitbringen, Risiken erheblich reduzieren und den Fortschritt beschleunigen kann. In der Praxis bedeutet dies oft, Partnern den Vorzug zu geben, die bereits ähnliche operative Herausforderungen gemeistert haben und diese Erfahrungen direkt auf neue Anwendungsfälle übertragen können.

„Wenn man Partner auswählt, die diesen spezifischen Anwendungsfall ihrem Fachgebiet beherrschen, ist die Erfolgswahrscheinlichkeit doppelt so hoch, als wenn man versucht, alles selbst auf die Beine zu stellen.“ – Tom Bianculi, Chief Technology Officer, Zebra

Führung fördert eine Kultur der Akzeptanz

Auch das Verhalten der Führungskräfte spielt bei der Einführung eine Rolle. Wenn Führungskräfte KI-Tools aktiv nutzen und zum Experimentieren ermutigen, signalisiert dies, dass diese Technologien Teil des zukünftigen Betriebsmodells des Unternehmens sind.

„Wenn Sie eine Führungskraft sind und hier in diesem Raum sitzen, möchten Sie, dass Ihr Unternehmen KI einsetzt. Wenn Sie es nicht selbst vorleben, wird Ihnen niemand folgen. Punkt.“ – Natan Linder, Mitbegründer und CEO von Tulip

Die Einführung von KI wirft zudem wichtige Fragen hinsichtlich der Kosten und der Infrastruktur auf.

Unternehmen müssen Faktoren wie Rechenauslastung, Token-Verbrauch und Modellauswahl überwachen. Ohne entsprechende Steuerungsmechanismen kann der Einsatz von KI rasch zunehmen und kostspielig werden.

Viele Unternehmen begegnen dieser Herausforderung mit hybriden Architekturen, bei denen Edge-Computing mit Cloud-Infrastruktur kombiniert wird. Die lokale Verarbeitung von Daten bei gleichzeitiger Nutzung von Cloud-Systemen für groß angelegte Analysen trägt dazu bei, ein Gleichgewicht zwischen Leistung und Kosten herzustellen.

Mit der zunehmenden Verbreitung von KI wächst auch die Infrastruktur, die diese Technologien unterstützt.

Groß angelegte KI-Modelle erfordern erhebliche Rechenressourcen, und moderne Rechenzentren verbrauchen für Kühlung und Betrieb beträchtliche Mengen an Strom und Wasser. Fortschritte bei der Hardware- und Infrastrukturplanung tragen zwar zur Effizienzsteigerung bei, doch diese Aspekte werden zunehmend Teil der breiteren Debatte über den Einsatz von KI.

Eine der vielversprechendsten Entwicklungen im Bereich der operativen KI ist das Aufkommen domänenspezifischer Modelle.

„Diese Idee der domänenspezifischen LLMs … das ist der nächste große Trend, denn die grundlegenden Weltmodelle werden in solchen operativen Umgebungen nicht wirklich wissen, wie ein gutes Ergebnis aussieht“ – Tom Bianculi, Chief Technology Officer, Zebra

Allgemeine KI-Systeme, die anhand von Daten im Internet-Maßstab trainiert wurden, verstehen komplexe industrielle Umgebungen möglicherweise nicht vollständig. Domänenspezifische Modelle, die anhand von Betriebsdaten und industriellen Arbeitsabläufen trainiert wurden, können ein tieferes Verständnis dafür entwickeln, wie diese Systeme funktionieren.

Unternehmen prüfen zudem Methoden wie die Generierung synthetischer Daten, um das Modelltraining zu verbessern, wenn die Datensätze aus der Praxis nur begrenzt verfügbar sind.

Im Laufe der Zeit könnten diese Entwicklungen KI-Systeme ermöglichen, die den betrieblichen Kontext verstehen und eine intelligentere Entscheidungsfindung in Produktionsumgebungen unterstützen.

Tulip Unternehmen Tulip der operativen Umsetzung von KI, indem es Daten aus der Fertigung, Arbeitsabläufe und Unternehmenssysteme in einer einheitlichen Betriebsumgebung miteinander verknüpft. Durch die Erfassung kontextbezogener Daten von Maschinen, Geräten und Mitarbeitern an vorderster Front Tulip die Grundlage für die Entwicklung KI-gestützter Anwendungen, die konkrete operative Entscheidungen unterstützen.

Mit dieser kontextbezogenen Ebene können Teams KI-Funktionen wie Copiloten, Analysen und Automatisierungen direkt in operative Arbeitsabläufe integrieren und dabei gleichzeitig die Governance und die menschliche Kontrolle gewährleisten. Anstatt isolierte Experimente durchzuführen, können Unternehmen Lösungen entwickeln, die sich in bestehende Prozesse integrieren lassen und sich über Produktionsumgebungen hinweg skalieren lassen.

Dieser Ansatz hilft Unternehmen dabei, über KI-Pilotprojekte hinauszugehen und KI dort einzusetzen, wo es am wichtigsten ist – im täglichen Betriebsablauf.