Nach Angaben des Industrie-Softwareanbieters IFS scheitern viele KI-Initiativen in der Fertigung an typischen Herausforderungen der betrieblichen Praxis. Das Unternehmen nennt fünf typische Barrieren, die einen produktiven KI-Einsatz erschweren.

Mangelhafte Datenqualität

Die größte Schwachstelle bei KI-Projekten ist nach Einschätzung von IFS meist die Qualität der Daten. Typisch seien fragmentierte Datenlandschaften mit einer Mischung aus historisch gewachsenen Daten unterschiedlichster Herkunft. Diese Daten seien häufig unvollständig, nicht synchronisiert oder würden unterschiedlich interpretiert. Daher sollten sich KI-Projekte zunächst auf einen Kern ausgewählter operativer Daten stützen, etwa aus der Instandhaltung oder Qualitätssicherung, die anschließend schrittweise optimiert werden.

Ängste und latente Ablehnung

KI-Projekte werden häufig von Vorbehalten begleitet. Gründe dafür sind intransparente Entscheidungslogiken, die Angst vor Kontrollverlust oder unklare Auswirkungen auf die eigene Rolle. Nach Angaben von IFS werden diese Faktoren auf Führungsebene häufig unterschätzt und notwendige Change-Prozesse vernachlässigt. Zur Überzeugungsarbeit gehöre deshalb auch, Projekterfolge transparent zu machen. Akzeptanz entstehe dann, wenn Mitarbeitende den konkreten Nutzen der Technologie erkennen und diese hilfreiche Ergebnisse liefert.

Fehlende Zielvorgaben und Use Cases

Viele KI-Business-Cases werden laut IFS lediglich für die Investitionsentscheidung erstellt. Nach Projektstart würden sie jedoch häufig weder aktiv nachgehalten noch mit realen Betriebsdaten überprüft. In der Praxis fehlten oftmals klar definierte Zielkennzahlen sowie der kontinuierliche Abgleich zwischen geplantem und tatsächlichem Nutzen. Der erwartete Erfolg bleibe damit vielfach eine Annahme statt einer messbaren Größe.

Mangelnde Praxistauglichkeit

Ein weiteres Hindernis ist die Übertragbarkeit von Pilotprojekten in den Betriebsalltag. Viele Vorhaben seien als „Leuchtturm“ angelegt, ohne in bestehende Systeme und Entscheidungsprozesse integriert zu werden. Dadurch funktionierten sie zwar im Labor, nicht jedoch im laufenden Betrieb. Ursachen seien unter anderem die Abhängigkeit von Spezialisten, eine unzureichende Benutzerfreundlichkeit oder die eingeschränkte Nutzung durch Early Adopter.

Fehlende Governance

Als einen der häufigsten Skalierungsblocker bezeichnet IFS eine fehlende Governance. Viele Unternehmen starteten KI-Initiativen projektgetrieben, ohne klare Zuständigkeiten für Datenqualität, Modellbetrieb, fachliche Entscheidungen oder Fragen von Haftung und Compliance festzulegen. Es fehle an eindeutigen Verantwortlichkeiten sowohl in der IT als auch in den Fachbereichen, an der Zusammenarbeit in funktionsübergreifenden Teams sowie an einer definierten Arbeitsteilung zwischen Mensch und KI.

„Erfolgreiche KI-Projekte zeichnen sich durch drei charakteristische Eigenschaften aus“, erklärt Sören Michl, Vice President AI Adoption bei IFS. „Sie sind erstens von Anfang an nicht als Experiment, sondern als produktivitätssteigerndes System angelegt, sie denken zweitens Prozesse neu, um KI bestmöglich zu nutzen, und sie integrieren drittens KI direkt in bestehende Workflows.“