Die Top 5 Gründe, warum KI-Projekte in der Produktion scheitern

Tatsächlich gibt es eine Reihe essenzieller Aspekte, die es bei der Integration von KI zu beachten gilt. Die folgenden fünf Gründe zeigen, warum KI-Projekte in der Produktion misslingen können und was sich dagegen tun lässt.

Die Integration von KI in industrielle Anwendungen ermöglicht die Optimierung von Prozessen, Verbesserung der Produktqualität und Senkung der Betriebskosten. KI kann fundierte Entscheidungen unterstützen und proaktiv auf Veränderungen reagieren, zum Beispiel in der vorausschauenden Wartung, Qualitätskontrolle, Produktionsplanung und -steuerung sowie bei der Roboterautomation.

Der Aufwand für die Integration von KI hängt von der Komplexität der Produktionsprozesse, dem Digitalisierungsgrad, den spezifischen Anforderungen und der vorhandenen Infrastruktur ab. Es sind mehrere Schritte nötig, von der Planung über die Mitarbeiterschulung bis zur technischen Implementierung und Systemoptimierung. Damit das alles möglichst reibungslos klappt, sollten die folgenden fünf Aspekte vermieden und wie folgt korrigiert werden.

Grund 1: Unzureichende Datenqualität und -struktur

Eine der größten Hürden für viele Industrieunternehmen ist eine unzureichende Datenqualität. Denn mit dieser steht und fällt die Qualität der Ergebnisse, die mit KI erzeugt werden. Oft sind die Daten inkonsistent, unvollständig oder in unstrukturierten Formaten vorhanden.

Erfahrungsgemäß liegen aber bis zu 80 Prozent des Aufwands für ein tragfähiges KI-Datenprodukt in der Datenaufbereitung. Diese kann glücklicherweise professionalisiert und vor allem automatisiert werden. Wichtig sind robuste Datenpipelines, die mittels Data Engineering erstellt werden. Data Analytics und Data Science sind anschließend ausschlaggebend. Mit Hilfe von Data Analytics werden die Daten automatisiert bereitgestellt und analysiert. Das unterstützt maßgeblich bei der Entscheidungsfindung. Im nächsten Schritt erkennt Data Science wiederkehrende Muster, ermöglicht Vorhersagen und kann die Daten zur Lösung komplexer Probleme nutzen. Das funktioniert in der Regel nicht mit der alleinigen Anwendung eines intelligenten Tools, sondern benötigt eine durchgängige Datenstrategie.

Grund 2: Fehlendes Technologieverständnis und mangelnde Technologieexpertise

Ein weiteres Hindernis ist fehlendes Technologieverständnis und mangelnde Expertise im eigenen Haus. Wagen sich Unternehmen dennoch selbst an eine KI-Implementierung, stehen die Chancen gut, dass das Projekt scheitert. Denn der Markt für KI-Tools ist dynamisch und unübersichtlich, was selbst für Experten eine Herausforderung darstellt. Abhilfe schafft die Zusammenarbeit mit einem KI Service Provider. Vor allem große Unternehmen befürchten hier oft, dass externe Dienstleister ihre komplexen Produktionsprozesse nicht auf Anhieb erfassen oder haben generell Bedenken, eigenes Know-how offen zu legen. Hier empfiehlt es sich, zunächst einen KI-Use-Case zu definieren und in einem Workshop mit einem Experten zu kooperieren. Dabei können sich Firmen einen Eindruck über dessen Kompetenzen verschaffen und erste KI-Grundlagen und -Kenntnisse für sich etablieren.

Gleichzeitig sollten die IT-Verantwortlichen damit beginnen, sich auf Events, Messen und über Webinare KI-Wissen anzueignen. Auch die Teilnahme an öffentlich geförderten KI-Forschungsprojekten ist immer wieder möglich. Der erste KI-Use-Case ist dann ein kleiner, agiler Start. Dabei sollten Unternehmen von Anfang an alle Beteiligten aktiv involvieren und über alle Projektphasen hinweg schulen und KI-Expertise aufbauen lassen.

Grund 3: Komplexe Produktionsumgebungen, veraltete Strukturen

In komplexen Produktionsumgebungen mit veralteten Strukturen ist die Umsetzung von Digitalisierungs- und Innovationsprojekten eine besondere Herausforderung, die vieles von Beginn an blockieren. Ein guter Ansatzpunkt ist hier die Nutzung bewährter Analyse-, Bewertungs- und Evaluierungsprozesse. So identifizieren etwa der Komplexitätsindex oder das Wertstrommanagement verschiedene Optimierungspotenziale. Eine schrittweise Digitalisierung im agilen Prozess, die alle Mitarbeitenden einbindet, steht dann auf einer erfolgversprechenden Basis. Essenziell ist es, sich konkrete Gedanken dazu zu machen, was der KI-Use-Case leisten soll und wie diese Leistung messbar gemacht werden kann. Auch hier kann Unterstützung von außen sinnvoll sein – am besten nicht nur für die Umsetzung von Lösungen, sondern für eine ganzheitliche Begleitung im Transformationsprozess. Das Gute: Gehen Unternehmen so ein „Mammutprojekt“ durchdacht an, spüren sie die positiven Effekte sehr schnell.

Grund 4: Überbordende Kosten und Folgekosten

Hohe Kosten und Folgekosten sind bei KI-Projekten häufige Probleme. So kann es auf nahezu jedem Projektschritt Aspekte geben, die zusätzliche Kosten nach sich ziehen - angefangen bei unklaren Anforderungen, einer schlechten Datenmigration bis hin zu einem fehlenden Change-Management oder einer nicht ausreichend berücksichtigten Skalierbarkeit. Ein agiler Entwicklungsprozess, der Änderungen berücksichtigt und konkrete, messbare Use Cases festlegt, kann diese Kosten minimieren. Letztere bleiben dann in jedem Projektabschnitt transparent. Ändern sich entscheidende Rahmenbedingungen während der Entwicklung, wird der KI-Prozess unter Berücksichtigung vorgegebener Parameter wie der Kosten oder Ressourcen entsprechend angepasst. Ebenso können absehbare Folgekosten bereits bei der Planung bedacht werden, um auch nach Ende des Projekts eine zuverlässige Planbarkeit sicherzustellen.

Grund 5: Ethische Bedenken

Nicht zuletzt sind ethische Bedenken und die Angst vor Arbeitsplatzverlust durch KI ernst zu nehmen. KI-Projekte sind damit immer auch Change Management-Projekte. Eine transparente Kommunikation, die Bedenken frühzeitig adressiert und die Mitarbeitenden integriert, sind daher entscheidend. Erfahrungsgemäß transformieren innovative IT-Vorhaben nicht nur Prozesse, Produkte und Strukturen in Unternehmen, sondern auch die beteiligten Menschen. Bei allen KI-Projekten spielt deshalb der „menschliche Faktor“ eine zentrale Rolle.

Klein und agil in eine digitalisierte Zukunft starten

Künstliche Intelligenz hat das Potenzial, die Produktionsprozesse in Unternehmen grundlegend zu verändern. Die Herausforderungen sind vielfältig, können jedoch mit einer klaren Strategie, transparenter Kommunikation und kontinuierlicher Weiterbildung gemeistert werden. Der Einstieg in die Nutzung von KI sollte schrittweise und begleitet von erfahrenen Partnern erfolgen, um die Potenziale voll auszuschöpfen und eine zukunftssichere Produktion zu gewährleisten. Der Start mit einem ersten, konkreten KI-Use-Case im Unternehmen ist eine agile und sichere Lösung für den Einstieg in eine digitalisierte Zukunft mit KI.

Albrecht Lottermoser, Senior Smart Factory Expert bei MaibornWolff