KI in der Produktion: Datenstruktur vor Modell

In produzierenden Unternehmen scheitern KI-Projekte selten an der KI. Sie scheitern an dem, was davor liegt: Daten in fünf Systemen, drei Versionsständen und zwei Wahrheiten. ERP sagt A, MES sagt B, und die wirkliche Antwort kennt der Schichtleiter, der nächstes Jahr in Pension geht.

Deshalb beginnt jedes seriöse KI-Projekt in der Produktion mit einer unspektakulären Frage: Wie sind unsere Daten strukturiert, und wem gehört welche Wahrheit?

Der erste Schritt ist kein Code: Der Datenstruktur-Workshop

In unseren Industrieprojekten ist der Kickoff kein Sprint, sondern ein Workshop: Dateninventur über alle Systeme (ERP, MES, CAQ, Dateiablagen), Festlegung von Metadaten und Klassifizierungsschema, Klärung der führenden Systeme pro Datendomäne, und eine Datenklassifizierung, die festlegt, welche Informationen welches KI-Modell überhaupt sehen darf.

Das klingt nach Pflichtprogramm. Es ist der Unterschied zwischen einer KI, die halluziniert, und einer, die belastbare Antworten mit Quellenangabe liefert. Eine KI ist exakt so gut wie die Datenbasis, auf der sie arbeitet.

Use Case 1: RFQ- und Anfrageprozesse

Anfragen von Kunden (RFQs) sind im Zulieferer-Geschäft ein eigener Produktionsprozess: Zeichnungen prüfen, Machbarkeit bewerten, Vorkalkulationen aus ähnlichen Altprojekten ziehen. KI strukturiert eingehende Anfragen, findet vergleichbare historische Projekte samt Kalkulation und Nachkalkulation und bereitet die Bewertungsgrundlage auf. Das Angebotsteam entscheidet schneller und auf Basis der eigenen Projekthistorie statt aus dem Gedächtnis.

Use Case 2: Qualitätsdaten, die antworten

Prüfprotokolle, Reklamationen, 8D-Reports, Maschinendaten: alles vorhanden, nichts befragbar. Ein KI-Layer macht daraus ein System, das Fragen beantwortet: "Welche Reklamationen der letzten zwei Jahre betrafen Bauteilfamilie X, und welche Abstellmaßnahmen haben nachweislich gewirkt?" Für Audits, für die Serienbetreuung, für die Fehlervermeidung im nächsten Projekt.

Use Case 3: Das Produktionswissen sichern

Das wertvollste Wissen in der Produktion steht in keinem System: Einfahrparameter, Werkzeugkniffe, "bei dem Material musst du die Temperatur runternehmen". Ein internes Wissens-GPT, gefüttert mit Arbeitsanweisungen, Protokollen und strukturiert erfassten Erfahrungswerten, macht dieses Wissen abrufbar, bevor es das Werkstor Richtung Pension verlässt. Wie so ein System grundsätzlich funktioniert, beschreibt unser Beitrag Das Company GPT.

On-Premise: In der Industrie keine Option, sondern oft Bedingung

Konstruktionsdaten, Kundenzeichnungen, Kalkulationen: Vieles davon unterliegt Geheimhaltungsvereinbarungen, die eine Cloud-Verarbeitung ausschließen. Die Architektur-Antwort: On-Premise- oder dedizierter EU-Betrieb, Datenklassifizierung mit Modell-Routing (unkritische Daten dürfen an leistungsfähige Cloud-Modelle, kritische bleiben im Haus) und ein Audit-Trail, der jede Verarbeitung nachvollziehbar macht. Das ist nicht nur DSGVO-Hygiene, sondern Voraussetzung, um als Zulieferer überhaupt mit Kundendaten arbeiten zu dürfen.

Schrittfolge statt Leuchtturm

Der Fehler, den wir in der Industrie am häufigsten sehen: das eine große Leuchtturmprojekt (Predictive Maintenance auf Linie 3), das nach 18 Monaten im Pilotstatus stirbt. Der Weg, der funktioniert: Datenstruktur klären, dann der erste befragbare Use Case (meist Wissens- oder Qualitätsdaten), dann Prozessautomatisierung, dann Prognostik. Jeder Schritt in Wochen live, jeder Schritt messbar.

Die Einordnung in die Gesamtstrategie, von Kosten bis EU AI Act, liefert der Leitfaden KI für Unternehmen. Wie KI auf bestehende ERP-Landschaften aufsetzt, ohne sie zu ersetzen, steht im Beitrag KI im ERP-System.

Konkret werden? Unser Einstieg in Industrieprojekte ist genau der beschriebene Datenstruktur-Workshop: ein Tag, alle Systemverantwortlichen an einem Tisch, am Ende eine Datenlandkarte und eine priorisierte Use-Case-Liste.