Cookie-Einstellungen

Erforderliche Speicherung hält Ihre Auswahl fest. Mit Ihrer Einwilligung nutzen wir außerdem Reichweitenmessung und Marketing-Dienste. Sie können Ihre Auswahl jederzeit ändern.

Schmidt Embedded Systems Logo
Schmidt

Artificial Intelligence

KI in der Industrie

KI-Readiness in der Industrie: Ist Ihr Prozess bereit?

Sechs Kriterien für einen belastbaren KI-Piloten

Tim-Niclas Steuernagel

Full-Stack-Entwickler für KI-Agenten-Anwendungen

· Aktualisiert · 8 Minuten Lesezeit

Ein Ingenieur prüft an einer Industrieanlage eine Checkliste auf einem Tablet

Inhaltsverzeichnis

Wann ist ein Prozess bereit für KI?

Ein Prozess ist bereit für einen KI-Piloten, wenn sein Ziel messbar ist, geeignete Daten zugänglich sind und ein fachlich korrektes Ergebnis geprüft werden kann. Die Schnittstellen müssen kontrollierbar sein. Für Fehler braucht es einen sicheren Rückweg und eine verantwortliche Person.

KI-Readiness gilt immer für einen konkreten Anwendungsfall. Die Menge vorhandener Daten allein sagt wenig aus. Tausende ungeordnete PDFs können schlechter geeignet sein als einige hundert sauber zugeordnete Vorgänge. Entscheidend ist, ob die Daten den echten Prozess abbilden und ob Fachleute Fehler in den Ergebnissen erkennen können.

Auch der Prozess muss nicht vollständig automatisiert werden. Häufig ist ein enger Assistenzschritt der bessere Einstieg. Die KI liest zum Beispiel Dokumente und erstellt einen Vorschlag. Ein Mensch prüft ihn und bleibt für die Entscheidung verantwortlich.

Der KI-Readiness-Check

Bewerten Sie jedes der folgenden sechs Kriterien mit null, einem oder zwei Punkten:

  • 0 Punkte: Die Voraussetzung fehlt oder ist unbekannt.
  • 1 Punkt: Die Voraussetzung ist teilweise erfüllt. Es gibt noch eine konkrete Lücke.
  • 2 Punkte: Die Voraussetzung ist erfüllt und durch Daten, Zuständigkeiten oder einen Test belegt.

1. Prozess und Ziel

Der Prozess hat einen klaren Anfang und ein klares Ende. Volumen, Bearbeitungszeit, Fehlerquote oder eine andere Ausgangsgröße sind bekannt. Der Pilot soll eine benannte Kennzahl verbessern.

Eine Aussage wie “Wir möchten KI einsetzen” erhält null Punkte. “Wir möchten die manuelle Prüfung eingehender Prüfberichte verkürzen, ohne mehr fehlerhafte Zuordnungen zu erzeugen” ist ein prüfbares Ziel.

2. Daten und Nutzungsrechte

Die benötigten Eingaben sind auffindbar und zugänglich. Formate, Herkunft und Qualität sind bekannt. Das Unternehmen darf die Daten für den vorgesehenen Zweck verarbeiten und an die ausgewählten Systeme übermitteln.

Prüfen Sie nicht nur typische Fälle. Seltene Formate, unvollständige Dokumente und historisch gewachsene Bezeichnungen gehören in die Stichprobe. Bei personenbezogenen oder vertraulichen Daten müssen Speicherort, Löschfrist und mögliche Nutzung durch externe Modellanbieter geklärt sein.

3. Fachliche Prüfung

Für jeden wichtigen Ausgabeteil ist definiert, was korrekt bedeutet. Fachleute können Ergebnisse bewerten. Für den Abnahmetest steht eine repräsentative Auswahl echter Fälle bereit, die nicht zur laufenden Anpassung des Systems benutzt wird.

Eine allgemeine Bewertung wie “sieht gut aus” reicht nicht. Bei einer Dokumentenextraktion braucht jedes Pflichtfeld eine erwartete Antwort. Bei einem Antwortentwurf braucht es Kriterien für Fakten, Vollständigkeit und erlaubte Aussagen.

4. Integration und Berechtigungen

Die beteiligten Systeme haben stabile Schnittstellen oder kontrollierbare Import- und Exportwege. Zugriffsrechte lassen sich auf den Anwendungsfall begrenzen. Test- und Produktivdaten sind getrennt.

Lesender Zugriff ist ein guter Start. Schreibrechte auf ERP, DMS oder Produktionssysteme erhöhen das Risiko. Sie sollten erst folgen, wenn der Pilot im Lesebetrieb zuverlässig arbeitet und jede Änderung protokolliert wird.

5. Fehlerfolgen und menschliche Kontrolle

Das Team kennt die Folgen eines falschen Ergebnisses. Kritische Ausgaben erreichen einen Menschen, bevor sie eine wirksame Aktion auslösen. Mitarbeitende können die Empfehlung verwerfen, korrigieren und an einen normalen Prozess übergeben.

Ein Human-in-the-Loop ist nur wirksam, wenn die prüfende Person genug Kontext, Zeit und Befugnis hat. Ein Bestätigungsbutton ohne sichtbare Quellen oder bei hunderten Fällen pro Stunde ist keine belastbare Kontrolle.

6. Verantwortung und Betrieb

Eine Person aus dem Fachbereich verantwortet die Ergebnisqualität. Eine technische Zuständigkeit deckt Schnittstellen, Modelländerungen und Störungen ab. Kosten, Qualität und Eingriffe werden im Betrieb gemessen.

Zur Betriebsplanung gehören eine Rückfalllösung und klare Stop-Kriterien. Das System wird abgeschaltet oder auf manuelle Bearbeitung zurückgesetzt, wenn eine Qualitätsgrenze unterschritten, eine Datenquelle verändert oder ein Sicherheitsvorfall erkannt wird.

Auswertung

Die Punktzahl ist eine Arbeitsheuristik und keine Norm oder Rechtsprüfung.

Prüfen Sie zuerst die Stop-Kriterien. Ein Pilot mit echten Vorgängen sollte unabhängig von der Gesamtpunktzahl nicht starten, wenn einer dieser Punkte zutrifft:

  • Das Ziel ist nicht messbar.
  • Daten- oder Nutzungsrechte sind ungeklärt.
  • Fachleute können ein korrektes Ergebnis nicht verlässlich erkennen.
  • Ein relevanter Fehler hat keinen sicheren Kontroll- oder Rückfallweg.
  • Niemand trägt die fachliche Verantwortung für die Ergebnisqualität.

Wenn kein Stop-Kriterium zutrifft, ordnet die Punktzahl die nächsten Arbeiten:

  • 10 bis 12 Punkte: Der Prozess ist ein guter Kandidat für einen begrenzten Pilotversuch.
  • 6 bis 9 Punkte: Beginnen Sie mit einer Vorstudie. Schließen Sie die benannten Lücken, bevor das System echte Vorgänge bearbeitet.
  • 0 bis 5 Punkte: Starten Sie noch keinen KI-Piloten. Prozessklärung, Datenzugang oder Verantwortlichkeiten haben Vorrang.

Geeignete Anwendungsfälle in der Industrie

Gute erste Anwendungsfälle haben viele wiederkehrende Vorgänge, aber genug sprachliche oder visuelle Variation, dass starre Regeln an Grenzen stoßen. Das Ergebnis bleibt prüfbar.

Häufig passen diese Aufgaben:

  • Daten aus Prüfberichten, Lieferscheinen oder technischen Spezifikationen extrahieren
  • Produktdaten aus verschiedenen Quellen zuordnen und vereinheitlichen
  • Wartungsberichte klassifizieren und fehlende Angaben markieren
  • technische Dokumentation durchsuchen und Antworten mit Fundstellen vorbereiten
  • Reklamationen vorsortieren und einen Bearbeitungsentwurf erstellen

Ungeeignet für den Einstieg sind autonome Sicherheitsentscheidungen, direkte Änderungen an laufenden Produktionsparametern und Prozesse ohne belastbare Beispieldaten. Eine seltene Aufgabe mit geringem Aufwand rechtfertigt ebenfalls oft keine eigene KI-Lösung.

Wenn der Lösungsweg von Fall zu Fall variiert und mehrere Systeme einbezogen werden, kann ein KI-Agent sinnvoll sein. Unser Beitrag “Was ist Agentic AI?” erklärt den Unterschied zu einem festen KI-Workflow.

Ein Pilot am Beispiel einer Reklamation

Angenommen, technische Reklamationen kommen als E-Mail mit PDFs und Fotos an. Heute sucht ein Mitarbeiter die Artikelnummer, prüft die Unterlagen, ordnet den Fall zu und formuliert eine erste Rückfrage.

Ein begrenzter Pilot könnte vier Aufgaben übernehmen:

  1. Artikelnummer, Charge und Fehlerbeschreibung extrahieren.
  2. Fehlende Pflichtangaben markieren.
  3. Den Vorgang einer Produktgruppe und einem zuständigen Team vorschlagen.
  4. Einen Antwortentwurf mit offenen Punkten erstellen.

Der Pilot schreibt noch nicht in das führende System und versendet keine Nachricht. Er läuft zunächst mit abgeschlossenen Altfällen. Danach arbeitet er im Schattenbetrieb neben dem bestehenden Prozess. Mitarbeitende sehen die Vorschläge, der normale Ablauf bleibt aber maßgeblich.

Vorab festgelegte Kennzahlen entscheiden über den nächsten Schritt:

  • korrekte Extraktion je Pflichtfeld
  • falsche und richtige Zuordnungen je Produktgruppe
  • Anteil der Entwürfe mit sachlichen Fehlern
  • Bearbeitungszeit einschließlich menschlicher Korrektur
  • Kosten je vollständig bearbeitetem Vorgang

Nur die Messung des gesamten Ablaufs zeigt den Nutzen. Eine schnelle KI-Ausgabe spart nichts, wenn Mitarbeitende danach länger prüfen oder Fehler in Folgesystemen korrigieren müssen.

Vom Test in den Betrieb

Ein Pilot ist noch kein Produktionssystem. Der Übergang sollte in kleinen, überprüfbaren Schritten erfolgen:

  1. Altfälle: Das Team misst die Qualität an abgeschlossenen, repräsentativen Vorgängen.
  2. Schattenbetrieb: Die KI verarbeitet neue Fälle parallel. Ihre Ergebnisse lösen noch keine Aktion aus.
  3. Assistierter Betrieb: Mitarbeitende übernehmen oder korrigieren Vorschläge. Jede Änderung bleibt nachvollziehbar.
  4. Begrenzte Automatisierung: Nur nachweislich sichere Teilaktionen laufen automatisch. Unsichere Fälle gehen weiterhin an Menschen.

Das freiwillige NIST AI Risk Management Framework empfiehlt Tests vor dem Einsatz und eine laufende Messung unter realistischen Betriebsbedingungen. Deshalb gehören ein fester Testsatz, Versionsstände und Produktionskennzahlen schon in die Pilotplanung.

Recht, Sicherheit und Verantwortung

Prüfen Sie den rechtlichen Rahmen, bevor Sie Daten an ein Modell senden. Der EU AI Act verlangt von Anbietern und Betreibern Maßnahmen zur KI-Kompetenz ihrer Beschäftigten. Für Hochrisiko-KI sieht die Verordnung weitergehende Vorgaben zu Risikomanagement, Datenqualität, Protokollierung, menschlicher Aufsicht und Cybersicherheit vor. Nach dem aktuellen Zeitplan der Europäischen Kommission greifen diese Pflichten je nach Kategorie ab Dezember 2027 oder August 2028. Ob ein konkretes System darunter fällt, braucht eine Prüfung des vorgesehenen Einsatzzwecks.

Bei personenbezogenen Daten gilt zusätzlich die DSGVO. Eine Datenschutz-Folgenabschätzung ist nach Artikel 35 DSGVO nötig, wenn eine Verarbeitung voraussichtlich ein hohes Risiko für die Rechte und Freiheiten natürlicher Personen verursacht.

Für generative KI empfiehlt das Bundesamt für Sicherheit in der Informationstechnik, erlaubte Systeme, zulässige Eingaben und den Umgang mit Ausgaben verbindlich festzulegen. Vertrauliche Informationen gehören nur in freigegebene Dienste mit geklärten Speicher- und Nutzungsbedingungen.

Diese Hinweise ersetzen keine Rechtsberatung. Sie zeigen, welche Fragen vor einer technischen Umsetzung geklärt werden müssen.

Wenn Ihr Prozess im Readiness-Check gut abschneidet, ist der nächste Schritt eine kurze Machbarkeitsprüfung mit echten Beispieldaten. Schmidt Embedded Systems unterstützt dabei mit KI-Beratung und Data Engineering. Für Aufgaben mit wechselnden Lösungswegen gibt es einen eigenen Überblick zur Entwicklung von KI-Agenten.

Quellen