Vernetzte Intelligenz optimiert die Fertigung

Seit Jahren treibt Produktionsverantwortliche dieselbe Frage um: Wie lassen sich komplexe 'Was-wäre-wenn'-Szenarien schnell, belastbar und reproduzierbar bewerten? Was passiert beispielsweise, wenn ein Lieferant ausfällt? Welche Folgen hätte eine Materialänderung für Qualität, Kosten und die CO₂-Bilanz? Und lässt sich eine Designanpassung ohne zusätzliche Risiken umsetzen?

In vielen Unternehmen liegen die Antworten nur fragmentiert vor. Sie sind in isolierten Systemen, Abteilungen und Dokumenten versteckt. Entscheidungen werden deshalb nur langsam, reaktiv und oft unter unsicheren Annahmen gefällt. Künstliche Intelligenz (KI) kann diesen Zustand grundlegend verändern. Voraussetzung ist, dass sie in eine konsistente Daten- und Prozessarchitektur eingebettet wird. Der 'AI Productivity Cycle' beschreibt genau diesen Ansatz: einen geschlossenen Regelkreis, in dem strukturierte Daten, KI-Modelle und menschliche Fachlogik kontinuierlich zusammenwirken. Mit jedem Durchlauf dieses Kreislaufs verbessert sich die Entscheidungsqualität: Daten werden präziser, Zusammenhänge klarer und Empfehlungen belastbarer.

Zentral für den AI Productivity Cycle ist ein durchgängiger Digital Thread. Dieser gewährleistet einen konsistenten Daten- und Kontextfluss über den gesamten Produktlebenszyklus hinweg – von der Konzeption über die Entwicklung und Fertigung bis hin zum Service und der Entsorgung. Ohne diesen Zusammenhang bleibt KI blind. Zwar kann sie Muster erkennen, jedoch keine verlässlichen Empfehlungen ableiten. Erst wenn Produkt-, Prozess- und Betriebsdaten sauber verknüpft sind, entsteht eine belastbare Grundlage für nachvollziehbare und reproduzierbare Entscheidungen, die wechselseitige Abhängigkeiten berücksichtigen.

Genau hier setzt Connected Intelligence an. Entwicklungsdaten, Fertigungsinformationen sowie Betriebs- und Servicedaten werden nicht nur gesammelt, sondern auch systematisch in Beziehung zueinander gesetzt. Dabei fungiert KI nicht als Black Box, sondern als analysierendes und vorschlagendes System, das in klare Datenmodelle und nachvollziehbare Entscheidungslogiken eingebettet ist.

„Kryptoagilität entscheidet künftig über die Sicherheit von Betrieb und Versorgung“

Das BSI warnt: Quantencomputer werden die heute üblichen Verfahren der Public-Key-Kryptografie perspektivisch angreifbar machen. Thomas Klir von PwC Deutschland erklärt im Interview, wie Anlagenbetreiber ihre Kryptografie in OT/IT erfassen, Risiken priorisieren und daraus eine Post-Quanten-Roadmap ableiten sollten.

Kathrin Veigel

Drei Phasen, ein Kreislauf

Der AI Productivity Cycle gliedert sich in die drei aufeinander aufbauenden und sich gegenseitig verstärkenden Phasen:

1. Discover (Erkennen): verborgene Potenziale sichtbar machen 

In der ersten Phase geht es darum, den Wert der bereits vorhandenen Daten zu erschließen. In PLM-Systemen, Protokollen zur Qualitätssicherung, Lieferkettendatenbanken oder Excel-Tabellen sind wichtige Informationen verborgen, die bislang weitgehend ungenutzt bleiben. KI-gestützte Analyseverfahren können jetzt unterstützen, indem sie mithilfe dialogbasierter Suche, Mustererkennung und Content-Synthese Zusammenhänge innerhalb weniger Sekunden sichtbar machen. Anstatt mühsam Berichte zu vergleichen, kann das System beispielsweise erkennen, ob aktuelle Qualitätsprobleme auf eine bestimmte Komponente oder einen einzelnen Lieferanten zurückzuführen sind. Darüber hinaus ermöglicht die Discover-Phase eine proaktive Risikobewertung. Das heißt, dass sich die potenziellen Auswirkungen einer Design- oder Prozessänderung auf Fertigung, Lieferkette, Compliance und Nachhaltigkeit abschätzen lassen, bevor sie umgesetzt wird. So werden Risiken sichtbar, bevor Änderungen umgesetzt werden.

2. Enrich (Vertiefen): den digitalen Faden vertiefen

In der zweiten Phase wird der Digital Thread gezielt angereichert, indem weitere Systeme, Datenquellen und Akteure eingebunden werden. Gleichzeitig wächst die Kontexttiefe. KI erkennt fehlende Verknüpfungen und stellt sicher, dass Anforderungen, Designspezifikationen, Fertigungsanweisungen, Qualitätsdaten und Serviceinformationen konsistent miteinander verbunden sind. Dadurch sinkt der manuelle Abstimmungsaufwand über Systemgrenzen hinweg deutlich. Durch diese Anreicherung wird auch die Widerstandsfähigkeit von Organisationen erhöht. Sensordaten aus der Produktion lassen sich automatisch mit qualitätsrelevanten Abweichungen verknüpfen. Neue regulatorische Vorgaben können in strukturierte Anforderungen übersetzt werden. Nachhaltigkeitskennzahlen, etwa der CO₂-Fußabdruck je Lieferant, werden frühzeitig in Entscheidungsprozesse integriert.

3. Amplify (Erweitern): Produktivität gezielt verstärken

In der dritten Phase entfaltet KI ihr volles Potenzial. Auf Basis eines angereicherten digitalen Fundaments können neue und weiterentwickelte Produktvarianten schnell und innerhalb klar definierter Rahmenbedingungen analysiert werden. Anstatt jedes Produkt neu zu konstruieren, lassen sich komplexe Engineer-to-Order-Prozesse systematisieren und Varianten entwickeln. Dadurch verkürzen sich die Designzyklen, die Markteinführung beschleunigt sich und Pilotprojekte werden kalkulierbarer. Auch die Szenarioplanung gewinnt an Tiefe. KI kann Zielkonflikte – beispielsweise zwischen Kosten, CO₂-Bilanz und Verfügbarkeit – transparent machen und ausgewogene Alternativen vorschlagen. So wird Resilienz nicht nachträglich abgesichert, sondern direkt in Produkte und Prozesse eingebaut.

Mehr Tempo und Klarheit im betrieblichen Alltag

Im operativen Alltag zeigt der AI Productivity Cycle seine Stärke: Risiken werden früher erkannt, Entscheidungen fundierter vorbereitet und Änderungen entlang des Produktlebenszyklus kontrolliert gesteuert. Gleichzeitig wird organisatorische Reibung reduziert. Informationen fließen nicht nur schneller, sondern auch kontextualisiert. Was hat sich geändert? Warum ist das relevant? Welche Bereiche sind betroffen? Die Koordination zwischen den Bereichen Engineering, Fertigung, Qualität und Supply Chain wird einfacher, ohne zusätzlichen Druck auf die Organisation auszuüben.

Ein weiterer Vorteil liegt in der Systemflexibilität. Anstelle starrer Datenmodelle entsteht eine kognitive Schicht, die sich dynamisch an neue Anforderungen anpassen lässt. Offene Schnittstellen und KI-gestützte Regelgenerierung ermöglichen eine deutlich schnellere Weiterentwicklung von Prozessen und Datenstrukturen.

Der AI Productivity Cycle bietet einen strukturierten Rahmen, um Menschen, Systemarchitektur und Prozesslogik eng miteinander zu verknüpfen. Er unterstützt Unternehmen dabei, sich von isolierten Experimenten zu lösen und eine konsistente, unternehmensweite Strategie zu entwickeln, die messbare Effekte auf Produktivität, Transparenz und Resilienz hat. Damit wird KI vom punktuellen Effizienzwerkzeug zum strategischen Faktor für Wettbewerbsfähigkeit und Zukunftssicherheit. 

Gerade in Branchen mit langen Produktlebenszyklen und hohen regulatorischen Anforderungen ist dieser Ansatz besonders relevant. In der Luft- und Raumfahrt, der Verteidigungsindustrie oder der Medizintechnik beispielsweise müssen Entscheidungen über Jahrzehnte hinweg nachvollziehbar bleiben. Systeme, die lediglich Daten speichern, stoßen hier an ihre Grenzen. Systeme, die Zusammenhänge erklären, schaffen hingegen Vertrauen. Sie zeigen, warum Entscheidungen getroffen wurden, welche Annahmen zugrunde lagen, und welche Auswirkungen entstanden sind. Genau diese Transparenz ist die Voraussetzung für Akzeptanz – bei Behörden, Kunden und im Unternehmen selbst.

Fazit: Das digitale Fundament entscheidet

Konsistente Datenmodelle, semantische Eindeutigkeit und gepflegte Metadaten sind die Grundlage für den AI Productivity Cycle. Unternehmen, die heute in durchgängige digitale Infrastrukturen und den systematischen Einsatz von KI investieren, legen den Grundstein für kontinuierliche Verbesserungen, eine schnellere Reaktionsfähigkeit und eine nachhaltige Wettbewerbsfähigkeit.