Künstliche Intelligenz hat viele Hypes ausgelöst – die industrielle KI gehört definitiv nicht dazu. Sie produziert keine Luftschlösser, sondern liefert einen handfesten Nutzen und sie wirkt sich unmittelbar positiv auf wichtige Kennzahlen wie Gesamtanlageneffizienz, Ausschussquote, mittlere Zeit zwischen Ausfällen oder Energieverbrauch aus. Damit entscheidet sie zunehmend darüber, wie wettbewerbsfähig Unternehmen in einer volatilen, energie- und kostensensiblen Welt bleiben.

Dafür muss industrielle KI auch nicht erst auf der grünen Wiese starten. Durch offene, IP-basierte IT-Architekturen können KI-Systeme in die vorhandene, über Jahrzehnte gewachsene und meist sehr heterogene Betriebstechnologie (Operational Technology, OT) integriert werden. Standardisierte Kommunikationsprotokolle und flexible Architekturen ermöglichen eine zuverlässige und interoperable Anbindung an bestehende SPS-, Feldbus- und Scada-Landschaften.

Moderne industrielle IT-Systeme können dabei OT-typische Anforderungen wie hohe Verfügbarkeit, lange Lebenszyklen und stabile Betriebsbedingungen unterstützen. Die Erfahrung von Fertigungsunternehmen aus der DACH-Region zeigt: Entscheidend ist dabei ein konsistentes, skalierbares Architekturkonzept – sonst bleibt industrielle KI im Pilotstatus stecken.

Daten in Entscheidungen übersetzen

Industrielle KI kann Daten entlang der Produktionslinien erfassen, für Maschinen, Aufträge und Chargen zu kontextualisieren und in Echtzeit in Entscheidungen zu übersetzen. Aus der Datenerfassung mit Sensoren entsteht ein geschlossener Regelkreis, der aktiv in den Produktionsprozess eingreift. KI-basierte Mustererkennung beispielsweise kann Anomalien erkennen, lange bevor sie den Maschinenbedienern auffallen, und ermöglicht es, Maschinen nach tatsächlichem Bedarf zu warten und nicht nach starren Intervallen. KI-basierte Planung und Simulationen helfen dabei, Produktwechsel, kleinere Losgrößen und schwankende Nachfrage zu bewältigen, ohne die Robustheit der OT zu gefährden. Den Mitarbeitenden in Instandhaltung, Qualität und Produktion stehen pragmatische Assistenzsysteme zur Verfügung, statt einer Black Box, die ihnen intransparente Entscheidungen vorgibt.

Zeit der isolierten KI-Projekte ist vorbei

Wegen dieser zahlreichen Vorteile möchten immer mehr Unternehmen industrielle KI in der Breite einsetzen. Das bringt einige Herausforderungen mit sich. Die Zeit der isolierten KI-Projekte ist vorüber, stattdessen benötigen Industrieunternehmen wiederverwendbare IT-Architekturen, mit denen sie einzelne Anwendungen wie beispielsweise eine visuelle Qualitätsprüfung nach der Pilotlinie über komplette Werke, Regionen und OEM-Netzwerke hinweg ausrollen können.

Dabei gewinnt das Industrial Edge zunehmend an Bedeutung. Im Zuge des breiten Roll-outs muss immer mehr KI dorthin gebracht werden, wo die Daten entstehen: direkt an die Maschine oder die Fertigungszelle. Die Cloud wird zwar auch weiterhin eine wichtige Rolle spielen, vor allem für das Training und Weitertraining der KI-Modelle. Der produktive Einsatz dieser Modelle muss jedoch häufig direkt vor Ort erfolgen, weil Latenz, Bandbreite, Verfügbarkeit und Datensouveränität das erfordern.

Beim Aufbau einer entsprechenden IT-Architektur sind neben der Skalierbarkeit auch IT-Sicherheit und IT-Governance eine wichtige Anforderung. Mit jedem weiteren vernetzten System vergrößert sich die Angriffsfläche für Cyberattacken. Um die Skalierung der industriellen KI abzusichern, müssen Sicherheitskonzepte wie Zero Trust, Netzwerksegmentierung und zentral durchgesetzte Sicherheitsrichtlinien schon bei der Konzeptionierung der IT-Architekturen berücksichtigt und integriert werden. Nachträgliche Sicherheits-Add-ons reichen nicht aus, weil sie bestehende Datenflüsse und Schnittstellen meist nur unvollständig schützen können und deshalb oft zu Sicherheitslücken führen.

Aber auch organisatorisch entstehen neue Anforderungen. Die Integration von KI in die Betriebstechnologie erfordert eine enge Zusammenarbeit mit Data Scientists. Diese haben meist einen völlig anderen fachlichen Hintergrund und sprechen in der Regel auch keine gemeinsame Sprache: Data Scientists verstehen selten Zykluszeiten und Wartungsfenster, während sich in den OT-Teams in aller Regel keine KI-Experten finden. Industrieunternehmen benötigen deshalb Plattformen, die die Zusammenarbeit der beiden Parteien technisch unterstützen, anstatt sie zu erschweren.

Anwendungen entwickeln, testen, ausrollen

Für den breiten Einsatz von industrieller KI bauen Unternehmen am besten eine KI-Fabrik auf: eine IT-Infrastruktur, mit der sich neue Anwendungsfälle effizient entwickeln, testen und ausrollen lassen. Dazu führt diese Infrastruktur KI, Daten und Edge-Workloads auf einer konsistenten Plattform zusammen, und das abgestimmt auf die Anforderungen industrieller OT-Umgebungen.