Warum KI ohne Kontext versagt: Ein Leitfaden zur Datenaufbereitung in der Fertigung

Hersteller investieren massiv in KI, doch viele Initiativen kommen nach ersten Pilotprojekten zum Stillstand. Modelle liefern Erkenntnisse, Dashboards leuchten auf, doch die Teams zögern, Maßnahmen zu ergreifen. In der Fertigung und in den Leitstellen wirken die Ergebnisse oft losgelöst von der tatsächlichen Betriebsablauf.

Bei Operations Calling kamen Führungskräfte von ZS und AWS zusammen, um zu erörtern, wie Hersteller Daten für den groß angelegten Einsatz von KI aufbereiten. Aus den verschiedenen Perspektiven – von der Fertigungsstrategie über die Cloud-Architektur bis hin zum operativen Tagesgeschäft – kristallisierte sich ein einheitliches Muster heraus: KI versagt nicht, weil die Modelle unzureichend sind, sondern weil den zugrunde liegenden Daten ein gemeinsamer operativer Kontext zwischen IT- und OT-Systemen fehlt.

In diesem Blogbeitrag wird erläutert, warum der Kontext die bisher fehlende Voraussetzung für die KI in der Fertigung ist. Wir stellen einen praktischen Leitfaden zur Datenbereitschaft vor, der aufzeigt, wie Unternehmen den Übergang von Rohdaten und isolierten Systemen zu KI-fähigen Architekturen schaffen können, die eine skalierbare Entscheidungsunterstützung unter Einbeziehung des Menschen ermöglichen.

In der Fertigung liegen bereits Daten über Maschinen, Systeme und Anwendungen hinweg vor. Die Herausforderung besteht darin, daraus Erkenntnisse zu gewinnen. Der Kontext verdeutlicht, was die Daten aussagen und warum sie für eine bestimmte Entscheidung von Bedeutung sind.

„KI ist nur so gut wie ihre Daten, nicht wahr? Und es geht nicht nur um die Daten. Es geht über die Daten hinaus. Es geht um den Kontext der Daten, nicht wahr? Der Kontext ist entscheidend.“ – Suraj Pai, Principal, ZS

Zu wissen, dass eine Maschine läuft, ist nicht dasselbe wie zu wissen, welcher Prozess auf ihr laufen sollte, für welches Produkt und unter welchen Bedingungen. Ohne diese Verknüpfung zu Anlagen, Prozessen und Produkten können KI-Systeme zwar Signale erkennen, haben jedoch Schwierigkeiten, konkrete Maßnahmen zu unterstützen.

Der Kontext hängt zudem von der jeweiligen Rolle und Fragestellung ab. Was für einen Bediener, einen Qualitätsbeauftragten oder einen Supply-Chain-Planer von Bedeutung ist, unterscheidet sich voneinander, selbst wenn sie dieselben zugrunde liegenden Daten betrachten. Deshalb kann der Kontext nicht vorausgesetzt oder fest programmiert werden, sondern muss gestaltet werden.

Schließlich wird der Kontext nicht ausschließlich maschinell generiert. Experten betonten, dass menschliche Eingaben nach wie vor entscheidende Lücken füllen, wo Systeme an ihre Grenzen stoßen. Damit KI im realen Betrieb funktioniert, muss sie sowohl Systemdaten als auch menschliches Urteilsvermögen berücksichtigen.

Datenbereitschaft in der Fertigung bedeutet, dass Betriebsdaten so definiert, strukturiert und vernetzt sind, dass sie zuverlässig in IT- und OT-Systemen genutzt werden können.

Praktisch gesehen sind die Daten dann bereit, wenn:

• Ressourcen, Prozesse und Produkte sind klar definiert.

• Die Beziehungen zwischen ihnen werden modelliert.

• Die Namenskonventionen sind standardisiert.

• Der Kontext bleibt den Daten erhalten, während diese zwischen den Systemen übertragen werden.

Dadurch wird sichergestellt, dass dieselben Daten überall dort, wo sie vorkommen – sei es im operativen Bereich, in der Qualitätssicherung, in der Technik oder in Unternehmenssystemen –, dasselbe bedeuten.

Standards wie ISA-95 oder Unified Namespace bieten einen strukturellen Ausgangspunkt. Wenn diese Grundlage vorhanden ist, können neue Analyse- und KI-Anwendungsfälle auf gemeinsamen Modellen aufbauen, anstatt für jedes Projekt den Kontext neu zu erstellen. Das bedeutet auch, dass Daten nicht jedes Mal manuell erläutert werden müssen, wenn eine neue Person sie nutzt. Der Kontext ist bereits integriert.

Sobald die Daten bereitstehen, können neue Dashboards, Analysetools oder KI-Tools diese sofort nutzen. Ist dies nicht der Fall, verbringen die Teams den Großteil ihrer Zeit damit, herauszufinden, was die Daten tatsächlich bedeuten.

Der Kontext entsteht nicht auf einen Schlag. Er entwickelt sich schrittweise, und die meisten Hersteller sind gleichzeitig auf mehreren Ebenen tätig. Entscheidend ist, zu verstehen, wo der Kontext heute bereits vorhanden ist und was erforderlich ist, um voranzukommen, ohne dabei über das Ziel hinauszuschießen.

„Diese Agenten funktionieren nicht gut und können Ihnen ohne die richtigen Daten weder die richtigen Informationen liefern noch bessere Entscheidungen treffen …“ – Venkat Gumatam, Partner Solutions Architect, Amazon Web Services

Phase 1: Kontext auf Anlagenebene
In dieser Phase sind die Daten an einzelne Maschinen, Anlagen oder Sensoren gebunden.

Sie können den Status der Anlagen einsehen, der als „in Betrieb“, „gestoppt“ oder „gestört“ angezeigt wird, sowie grundlegende Kennzahlen wie Zykluszeit, Temperatur oder Stückzahl. Anhand dieser Daten können Sie erkennen, was die Anlage zu einem bestimmten Zeitpunkt gerade tut.

Was Ihnen diese Informationen jedoch nicht verraten, ist, ob die Maschine das richtige Produkt verarbeitet, die richtigen Prozessparameter einhält oder die Leistungserwartungen für diesen konkreten Auftrag erfüllt. Die Daten beziehen sich ausschließlich auf die Anlage selbst.

Hier beginnen die meisten IT/OT-Integrationen: mit der Vernetzung von Maschinen und der Erfassung von Signalen. Dies sorgt zwar für Transparenz, liefert jedoch keine vollständige betriebliche Aussagekraft.

Phase 2: Prozesskontext-
In dieser Phase werden die Daten mit dem Prozessschritt verknüpft, den die Maschine gerade ausführt.

Sie können sehen, welcher Vorgang gerade ausgeführt wird, in welcher Workflow-Phase er sich befindet und welche Sollwerte oder Grenzwerte für diesen Schritt festgelegt sind. Leistungsdaten sind nicht mehr nur ein Maschinensignal, sondern werden anhand des Sollverhaltens des Prozesses ausgewertet.

Sie wissen nun, ob der Vorgang innerhalb der erwarteten Parameter geblieben ist.

Was Sie noch nicht vollständig wissen, ist, wie sich diese Leistung auf ein bestimmtes Produkt, einen bestimmten Auftrag oder eine bestimmte Charge auswirkt. Die Daten spiegeln das Prozessverhalten wider, nicht jedoch die vollständigen Auswirkungen auf das Produkt.

An dieser Stelle wechseln die Fragen von „Was ist passiert?“ zu „Ist alles wie erwartet abgelaufen?“

Stufe 3: Produkt- und Chargenkontext
In dieser Stufe werden die Daten mit bestimmten Produkten, Rezepturen oder Chargen verknüpft. Leistungsdaten, Abweichungen und Qualitätsergebnisse lassen sich auf die zu diesem Zeitpunkt hergestellten Produkte zurückführen.

Dadurch lässt sich nachvollziehen, wie sich das Prozessverhalten auf einen bestimmten Auftrag oder eine bestimmte Charge auswirkt, und nicht nur auf die Maschine. Dies ist besonders wichtig in regulierten Umgebungen und bei hoher Produktvielfalt, wo auf derselben Anlage unterschiedliche Produkte mit unterschiedlichen Anforderungen hergestellt werden können.

Phase 4: Funktionsübergreifende Kontext
In dieser Phase werden die Daten aus der Fertigung mit den Systemen der Qualitätssicherung, der Technik und der Lieferkette verknüpft. Ein Problem an einer Maschine kann mit dessen Auswirkungen in Verbindung gebracht werden, wie z. B. Ausschuss, Verzögerungen, Nacharbeit oder versäumte Liefertermine.

Bei den Daten geht es nicht mehr nur darum, wie sich eine Produktionslinie entwickelt. Sie zeigen, wie sich betriebliche Probleme auf das Geschäft auswirken.

Hier geht es um mehr als nur die Reparatur einer Maschine. Die Teams können die weiterreichenden Auswirkungen erkennen und abteilungsübergreifend handeln, nicht nur innerhalb eines Bereichs.

Phase 5: Der menschliche Faktor
Selbst in hochentwickelten Umgebungen sind Menschen nach wie vor Teil des Prozesses. Die Bediener machen sich Notizen, erläutern Probleme bei Schichtwechseln, bearbeiten Ausnahmesituationen und treffen Entscheidungen, wenn etwas nicht wie geplant verläuft.

Systeme erfassen nicht alles. Oftmals erklären menschliche Beiträge, warum etwas geschehen ist, und nicht nur, was geschehen ist. Robuste Datenarchitekturen betrachten diese Beiträge als wertvolle Betriebsdaten und nicht als etwas, das ignoriert werden sollte.

„Nicht in jeder Fertigungshalle wird jeder einzelne Aspekt digitalisiert sein. Es sind nach wie vor Menschen im Spiel, die Daten erfassen und Elemente des Fertigungsprozesses dokumentieren.“ – Suraj Pai, Principal, ZS

Die KI-Bereitschaft hängt davon ab, wie gut Daten diese Ebenen durchlaufen können, ohne an Aussagekraft zu verlieren. Probleme treten auf, wenn Unternehmen versuchen, KI einzusetzen, bevor der erforderliche Kontext vorhanden ist.

Die Vermeidung von KI-Fehlern beginnt mit einer durchdachten Datengestaltung. Das Ziel besteht nicht darin, ein perfektes Modell zu erstellen, sondern ein brauchbares.

Beginnen Sie mit einheitlichen Definitionen. Definieren Sie Ressourcen, Prozessschritte, Produkte und wichtige Entitäten klar und eindeutig, damit sie systemübergreifend einheitlich sind. Führen Sie gemeinsame Namenskonventionen ein, damit derselbe Begriff in den Bereichen Betrieb, Qualität und Unternehmenssoftware dasselbe bedeutet.

Modellieren Sie als Nächstes die Beziehungen, auf die es ankommt. Verknüpfen Sie Maschinenereignisse mit Prozessschritten. Verbinden Sie Prozessschritte mit Produkten oder Chargen. Verknüpfen Sie betriebliche Ereignisse mit Qualitäts- und Lieferkettensystemen. Konzentrieren Sie sich dabei ausschließlich auf die Beziehungen, die für Ihre vorrangigen Anwendungsfälle erforderlich sind, und nicht auf jedes mögliche Szenario.

Nutzen Sie Standards wie ISA-95 und ISA-88 als Orientierungspunkte, nicht als Vorlage. Übernehmen Sie die strukturelle Klarheit, die sie bieten, und passen Sie sie dann an die tatsächlichen Abläufe in Ihrem Unternehmen an.

Und schließlich: Entwerfen Sie mit Blick auf die zukünftige Entwicklung. Ontologien ermöglichen es Ihnen, Entitäten und Beziehungen so zu definieren, dass sie erweitert werden können, wenn neue Produkte, Arbeitsabläufe oder Standorte hinzukommen. So bleiben die Daten strukturiert, ohne in starre Hierarchien eingeengt zu sein.

Wenn Hersteller diesen Ansatz verfolgen, müssen KI-Systeme Daten nicht jedes Mal neu interpretieren, wenn diese eine Grenze überschreiten. Neue Anwendungsfälle bauen auf gemeinsamen Grundlagen auf, anstatt parallele Modelle zu erstellen. Auf diese Weise lässt sich der Kontext skalieren, und die KI funktioniert auch bei zunehmender Komplexität weiterhin.

Ein Großteil der ersten KI-Welle in der Fertigungsindustrie konzentrierte sich auf die Gewinnung von Erkenntnissen mithilfe von Dashboards, Prognosen und Empfehlungen. Agente-basierte KI verändert diese Erwartungen. Diese Systeme analysieren nicht nur Daten, sondern können auch Maßnahmen ergreifen, Arbeitsabläufe auslösen und Entscheidungen systemübergreifend koordinieren.

„Wir bewegen uns in Zukunft auf eine Welt zu, die dem ‚Iron Man‘ ähnelt, in der wir mit den Systemen kommunizieren und die Systeme mit uns.“ – Venkat Gumatam, Partner Solutions Architect, Amazon Web Services

Dieser Wandel legt die Messlatte für die Datenbereitschaft höher. Wenn KI vom Vorschlagen zum Handeln übergeht, werden Lücken im Kontext zu Risiken. Ein System muss nicht nur verstehen, was geschehen ist, sondern auch, wo es geschehen ist, warum es von Bedeutung ist und welche Einschränkungen gelten. Ohne diese Grundlage wird die Automatisierung anfällig statt zuverlässig.

Aus diesem Grund ist ein „Human-in-the-Loop“-Ansatz unerlässlich. Agentenbasierte Systeme funktionieren am besten, wenn Menschen Entscheidungen validieren, Ausnahmen behandeln und bei unvollständigen Daten eine Beurteilung vornehmen. Diese Systeme sollen Bediener oder Ingenieure nicht ersetzen, sondern sie unterstützen, indem sie den Kontext verdeutlichen, Entscheidungen beschleunigen und die Verantwortung bei den Menschen belassen.

„Letztendlich muss es ein bewusstes, zielgerichtetes Design geben, bei dem der Mensch im Regelkreis eingebunden ist.“ – Suraj Pai, Principal, ZS

Für Führungskräfte im IT- und OT-Bereich geht es bei der Vorbereitung auf agentische KI nicht darum, zunächst Agenten einzusetzen. Vielmehr geht es darum, Betriebsmodelle und Datengrundlagen zu entwerfen, die von Anfang an auf die Zusammenarbeit zwischen Systemen und Menschen ausgelegt sind. Wenn der Kontext stimmt, wird agentische KI zu einer praktischen Erweiterung des Betriebs. Ohne diesen Kontext haben selbst die fortschrittlichsten Modelle Schwierigkeiten, Vertrauen zu gewinnen.

Tulip die Datenaufbereitung in der Fertigung, indem es den Kontext dort erfasst, wo die Arbeit tatsächlich stattfindet. Als Plattform für den operativen Einsatz vor Ort Tulip menschliche Eingaben, Maschinendaten und Prozessabläufe in einer einzigen Umgebung, sodass operative Zusammenhänge bereits bei der Datenerfassung berücksichtigt werden und nicht erst nachträglich rekonstruiert werden müssen.

Durch die Digitalisierung von Prozessen an der Produktionsfront Tulip die Darstellung von Anlagen, Betriebsabläufen und Produkten zu vereinheitlichen, bleibt dabei jedoch flexibel genug, um standortspezifische Gegebenheiten zu berücksichtigen. Ingenieure können Arbeitsabläufe, Datenerfassung und Namenskonventionen definieren, die sich in übergeordnete IT- und OT-Architekturen einfügen, ohne starre, von oben vorgegebene Modelle erzwingen zu müssen.

Diese kontextbezogenen Daten können anschließend in Unternehmenssysteme, Analyseplattformen und Cloud-Dienste eingespeist werden und unterstützen so KI-Anwendungsfälle, die eine einheitliche Struktur über Geschäftsbereiche und Standorte hinweg erfordern. Das Ergebnis ist eine skalierbare Grundlage für „Human-in-the-Loop“-KI, die auf realen Betriebsabläufen basiert, im Laufe der Zeit anpassbar ist und sowohl die lokale Ausführung als auch die unternehmensweite Entscheidungsfindung unterstützt.