Künstliche Intelligenz in der Industrie: Warum schreitet die Einführung schneller voran als die Erzielung von Ergebnissen?

Die meisten Hersteller brauchten keine Machbarkeitsstudie, um die Kosten reaktiver Instandhaltung zu verstehen. Sie trugen sie schon seit Jahren: ungeplante Ausfallzeiten, zusätzliche Wiederherstellungszeiten, überstürzte Teilelieferungen und der schleichende Verlust von Planungssicherheit und Kundenvertrauen. Was sich änderte, war die Verfügbarkeit der Lösung. KI in der Instandhaltung entwickelte sich so schnell von einem theoretischen Konzept zu einer praktikablen Lösung, dass die Investitionsgründe offensichtlich wurden.

Das Engagement der Industrie ist groß, doch die Ergebnisse stellen sich nicht in dem erwarteten Tempo ein. Unsere jüngste Studie zeigt, dass rund 78 % aller gemeldeten Fortschrittshindernisse mit den Arbeitskräften zusammenhängen. Der Zugang zu künstlicher Intelligenz hat sich schneller entwickelt als deren regelmäßige Anwendung. Diese Diskrepanz stellt nun das Haupthindernis dar und erfordert einen ebenso wichtigen Mentalitätswandel wie die technologische Entwicklung selbst.

Die erste Welle bewies die Effektivität der Werkzeuge, nicht des Modells.

Die Hersteller investieren in künstliche Intelligenz, um die Produktivität zu steigern, doch viele verfallen immer noch Verhaltensweisen, die durch vorausschauende Wartung eigentlich reduziert werden sollten.

Untersuchungen zeigen, dass sich die Nutzung vorausschauender Instandhaltung Jahr für Jahr mehr als verdoppelt hat, während die reaktive Instandhaltung stagniert. Die proaktive Instandhaltung hingegen ist Jahr für Jahr zurückgegangen. Genau diese Kombination ist der Kern des Problems: Neue Methoden werden zwar in den Fabriken eingeführt, ersetzen aber die älteren nicht vollständig.

Dies sollte nicht als Misserfolg gewertet werden. Die Fabriken wurden aus praktischen Gründen verlegt, und erste Versuche lieferten den Teams wertvolle Erkenntnisse. Das Modell funktioniert gut mit einer bekannten Anlage und einem dedizierten Team. Die wahre Bewährungsprobe kommt jedoch, wenn dieses Modell Entscheidungen über Schichten, Standorte und unterschiedliche Erfahrungsniveaus hinweg unterstützen muss.

Hier offenbarte die erste Welle das nächste Problem. Technologie kann schnell ins Budget einfließen. Doch Arbeitsgewohnheiten, Vertrauen, Entscheidungsbefugnisse und das Selbstvertrauen der Mitarbeiter an vorderster Front verändern sich viel langsamer.

KI-Investitionen reifen

Budgetdaten bestätigen, dass Führungskräfte künstliche Intelligenz nicht aufgeben; vielmehr werden sie selektiver hinsichtlich der Bereiche, in denen sie ihren Wert beweisen soll. Investitionen verlagern sich von explorativer KI hin zu operativen Prioritäten, darunter Cybersicherheit, Datenmanagement, generative KI und industrielle KI.

Dieser Wandel spiegelt eine realistischere Sicht auf die digitale Reife wider. Führungskräfte versuchen, KI in Bereichen einzusetzen, in denen die Kosten von Verzögerungen, Ausfallzeiten und mangelhaften Daten schnell deutlich werden.

Dieser Wandel verändert auch die Erwartungen an Industrie 5.0. Da sich die Industrietechnologie von einem automatisierungsbasierten Industrie-4.0-Modell hin zu einem stärker auf den Menschen ausgerichteten Ansatz entwickelt, scheinen die führenden Unternehmen ihren Zeitplan neu zu justieren: 40 % rechnen nun mit einem Zeitraum von ein bis vier Jahren.

Wo endet das Modell und wo beginnt die Rolle des Vorgesetzten?

Die 78%-Zahl in Bezug auf Personalengpässe lässt sich leicht als bloßer Hinweis auf Arbeitskräftemangel – also Personalbestand, Rekrutierung oder Lieferkettenprobleme – interpretieren. Tatsächlich sehen sich Unternehmen jedoch mit einem Mangel an Erfahrung, Wissensdefiziten, Fachkräftemangel und allgemeinen Kapazitätsengpässen ihrer Belegschaft konfrontiert. Zusammengenommen beschreiben diese vier Kategorien ein weitaus komplexeres Problem als nur eine Personalfrage. Sie verdeutlichen die Fähigkeit einer Organisation, sich an veränderte Arbeitsweisen anzupassen.

Dieses Muster höre ich immer wieder von Kunden: Die Werkzeuge sind vorhanden, aber die Teams haben nicht Schritt gehalten. Die Forscher Cohen und Leventhal haben dies als „Absorptionsfähigkeit“ bezeichnet.

Vereinfacht gesagt, geht es darum, wie schnell ein Unternehmen nützliches neues Wissen identifizieren, es in die Organisation integrieren und in konkrete Maßnahmen umsetzen kann. Im Bereich der Instandhaltung sind dies Entscheidungen, die unter realen Betriebsbedingungen getroffen werden – beispielsweise von einem Nachtschichtleiter, der beurteilt, ob eine aktuelle Störung sofortiges Eingreifen erfordert, bis zur nächsten geplanten Stillstandszeit warten kann oder bereits einen kritischen Punkt überschritten hat. Ein Modell kann zwar eine Störung erkennen, aber diese Entscheidung nicht treffen.

Vorausschauende Wartung und künstliche Intelligenz (KI) erfordern Fachkräfte, deren Ausbildung deutlich aufwendiger ist als die bloße Beherrschung der Werkzeuge. Der Bericht der britischen Regierung „KI-Fachkräftequalifikationen für Großbritannien“ verdeutlicht diese Lücke konkret im Bereich der fortgeschrittenen Fertigung.

Neben technischen Fähigkeiten wie dem Trainieren von KI-Modellen oder der Integration von Echtzeitanalysen hebt der Bericht die Fähigkeit hervor, KI-Ergebnisse zu interpretieren, Arbeitsabläufe auf Basis neuer Erkenntnisse anzupassen und Änderungen an die Teams im operativen Bereich zu kommunizieren. Dies sind die Kernkompetenzen, die darüber entscheiden, ob eine Warnung zu einer Verhaltensänderung führt oder ignoriert wird.

Aus diesem Grund kann die Personalentwicklung nicht als separate HR-Funktion neben dem Technologieprogramm betrachtet werden. Sie ist Teil des Systems, das darüber entscheidet, ob Investitionen zu einer besseren Umsetzung führen. Künstliche Intelligenz: Ihre Beherrschung erfordert einen Mentalitätswandel, nicht nur Technologie. Der Zeitplan für Industrie 5.0 wird durch die in der Produktion verfügbaren Fähigkeiten bestimmt.

In Vorhersage investieren, für Reaktion bezahlen

Die wirtschaftlichen Folgen zeigen sich deutlich in der Diskrepanz zwischen Aufwand und Ertrag. Obwohl prädiktive Lösungen zunehmend eingesetzt und Kapital dafür bereitgestellt wird, bleibt der grundlegende Ansatz reaktiver Problemlösung unverändert. Viele Organisationen agieren parallel: Sie investieren in datengestützte Implementierungen und verlieren gleichzeitig Zeit mit der Behebung vermeidbarer Probleme.

Diese Diskrepanz hat ihren Preis. Laut der Siemens-Studie „True Cost of Downtime“ aus dem Jahr 2024 verlieren die 500 größten Unternehmen der Welt jährlich 1.4 Billionen US-Dollar durch ungeplante Ausfallzeiten – das entspricht 11 % ihres Gesamtumsatzes. Diese Zahl verdeutlicht die Folgen einer unvollständigen Umstellung von einem reaktiven auf einen vorausschauenden Ansatz: Die Investitionen sind vorhanden, doch die Umsetzung im Tagesgeschäft hinkt hinterher. Die Schließung dieser Verantwortlichkeitslücke ist entscheidend für die Sicherung der Rendite.

Solange diese Lücke besteht, verzögert sich der Return on Investment von Technologieausgaben und verläuft ungleichmäßig. Die Zeitpläne verlängern sich, und das Vertrauen in das Erreichen der gewünschten Ergebnisse schwindet.

Der Schlüssel zur Erzielung realer Renditen

Die Disziplin, die derzeit bei Werkzeugen und Plattformen angewendet wird, muss auch auf die Menschen und Prozesse im Umfeld dieser Plattformen ausgedehnt werden. In vielen Organisationen geht hier das eigentliche Potenzial verloren.

Führungskräfte sollten mit den Bereichen des Betriebs beginnen, in denen die Fähigkeiten am anfälligsten sind. Welche Anlagen sind noch immer auf ein oder zwei erfahrene Techniker angewiesen, um die Vorgänge zu interpretieren? Welche Arbeitsberichte sind nicht detailliert genug, um zukünftige Diagnosen zu unterstützen? Welche Warnmeldungen lösen ein entschlossenes Handeln aus, und welche bleiben unbeachtet, bis die zuständige Person im Dienst ist?

Diese Fragen zeigen, ob die vorausschauende Wartung zu einem integralen Bestandteil der Implementierung geworden ist oder ob sie immer noch nur eine zusätzliche Ebene über alten reaktiven Gewohnheiten darstellt.

Erfahrungen und Wissen, die im Gedächtnis der Mitarbeitenden schlummern, müssen vor deren Ausscheiden aus dem Unternehmen dokumentiert werden. Stellen Sie sicher, dass die Arbeitsdokumentation so umfassend ist, dass sie zukünftige Techniker optimal unterstützt. Schulen Sie Bediener und Wartungsteams darin, die Bedeutung von prädiktiven Warnmeldungen zu verstehen, Handlungsbedarf zu erkennen und zu wissen, wann Probleme eskaliert werden müssen. Gestalten Sie Arbeitsabläufe so, dass das Handeln auf Basis fundierter Erkenntnisse zur Norm wird und nicht die Ausnahme darstellt; der Umgang mit KI erfordert einen Mentalitätswandel. Das Verständnis, welche Aufgaben am ehesten durch KI ersetzt werden, hilft ebenfalls bei der Ausrichtung der Schulungsmaßnahmen.

Vernetzte Zuverlässigkeit unterstützt diese Implementierung, indem sie im Kern des Unternehmens verankert bleibt und Anlagendaten, Wartungshistorie und die unmittelbare Erfahrung der Mitarbeiter miteinander verknüpft, um Teams in die Lage zu versetzen, über verschiedene Schichten und Standorte hinweg konsistente und wiederholbare Entscheidungen zu treffen.

Unsere Forschung bestätigt diesen Trend: Fast die Hälfte der Befragten plant, in den nächsten zwölf Monaten Initiativen zur vernetzten Zuverlässigkeit zu entwickeln, da sie Zuverlässigkeit als praktische Brücke zwischen kurzfristigen betrieblichen Erfordernissen und langfristigen strategischen Ambitionen betrachten.

Die Botschaft an Führungskräfte in der Fertigungsindustrie ist klar und deutlich: Menschliche und operative Fähigkeiten müssen genauso sorgfältig geprüft werden wie Technologieinvestitionen. Fragen Sie nicht nur, welche Arten von KI eingesetzt wurden, sondern auch: Wer kann sie nutzen? Wo gibt es Schwächen in den Entscheidungsprozessen? Welches Wissen ist noch nicht dokumentiert? Und welche Arbeitsabläufe fördern weiterhin proaktive Problemlösungen in den Teams?