KI-Reifegrad-Check: Wie KI-ready ist Ihre Produktion wirklich?

Wo Sie stehen: Wenig bis keine digitale Datenerfassung. Falls vorhanden, dann nur an einzelnen Anlagen mit Basisdaten wie Betriebsstunden oder Stückzahlen. Kaum Datenhistorie, niedrige oder unbekannte Datenqualität. Datenzugriff schwierig oder nur manuell möglich.

Was Sie konkret tun sollten:

• Engpass-Anlage identifizieren, dort starten, nicht überall gleichzeitig. Der wichtigste erste Schritt ist nicht, den gesamten Maschinenpark zu dokumentieren, sondern die eine Anlage zu finden, bei der fehlende Datentransparenz am meisten wehtut. Wo haben Sie die meisten ungeplanten Stillstände? Wo den höchsten Ausschuss? Wo die größten Qualitätsprobleme oder Engpässe? Diese eine Anlage wird Ihr Pilotbereich. Was Sie dort lernen über Schnittstellen, Datenformate und sinnvolle Messpunkte ist wertvoller als jede theoretische Bestandsaufnahme auf Papier.
• Erste Datenerfassung an der Pilotanlage starten. Das muss am Anfang nicht automatisiert sein. Auch eine strukturierte manuelle Erfassung (z.B. in einem standardisierten Template statt auf Papier oder in freien Excel-Dateien) ist ein valider erster Schritt. Bei Maschinen ohne digitale Schnittstellen prüfen Sie Retrofit-Sensorik (Vibration, Temperatur, Stromaufnahme, Stückzähler). Auch ältere Anlagen lassen sich oft mit überschaubarem Aufwand anbinden. Wichtig: Erfassen Sie von Anfang an mit Zeitstempel, Maschinenkennung und einheitlichem Format.
• Vom Piloten lernen, dann ausweiten. Sobald Sie an Ihrer ersten Anlage Erfahrung gesammelt haben (welche Daten tatsächlich nützlich sind, welche Schnittstellen funktionieren, wo die Fallstricke liegen), übertragen Sie das Gelernte auf die nächsten 2 bis 3 kritischsten Maschinen. Erst dann ergibt eine breitere Bestandsaufnahme des Maschinenparks Sinn, weil Sie jetzt wissen, worauf Sie achten müssen.
• Datenhistorie aufbauen. Beginnen Sie sofort mit der systematischen Archivierung aller erfassten Daten. Selbst einfache Daten gewinnen durch Zeitreihen an Wert. Für spätere Trendanalysen brauchen Sie mindestens 3 bis 6 Monate Historie. Legen Sie fest, wo Daten gespeichert werden, und definieren Sie ein Backup-Konzept.

Wo Sie stehen: Einzelne Anlagen erfassen Prozessdaten, aber nicht flächendeckend. Erste Datenhistorie (Wochen bis 6 Monate), mittlere Qualität. Datenzugriff aufwendig (CSV-Export). Auch Qualitätsdaten vorhanden.

Was Sie konkret tun sollten:

• Datenqualitätsprogramm starten. Definieren Sie für Ihre wichtigsten Datenquellen klare Qualitätsstandards: Welche Felder müssen befüllt sein? Welche Wertebereiche sind plausibel? Wie gehen Sie mit fehlenden Werten um? Unternehmen auf Ihrer Stufe verlieren typischerweise einen erheblichen Teil der Datennutzbarkeit durch Inkonsistenzen, die mit einfachen Regeln vermeidbar wären.
• Datenerfassung auf weitere Anlagen ausweiten. Sie erfassen Daten, aber nicht flächendeckend. Priorisieren Sie die nächsten 3 bis 5 Anlagen nach Kritikalität (höchste Ausfallkosten, höchster Ausschuss, größte Intransparenz) und rüsten Sie diese nach. Nutzen Sie dabei standardisierte Schnittstellen (OPC-UA), um spätere Integrationsprobleme zu vermeiden.
• Datenhistorie systematisch aufbauen. Ihre Datenhistorie reicht aktuell nur wenige Wochen bis Monate zurück. Für spätere KI-Anwendungen (z.B. Predictive Maintenance) brauchen Sie idealerweise 6 bis 12 Monate Historie. Stellen Sie sicher, dass ab jetzt alle erfassten Daten systematisch archiviert werden, mit konsistentem Zeitstempel, Maschinenkennung und ohne manuelle Lösch- oder Überschreibvorgänge.
• Datenzugang vereinfachen. Wenn der Zugriff auf Produktionsdaten heute nur per manuellem CSV-Export möglich ist, wird das zum Bottleneck. Prüfen Sie, ob Ihre Systeme APIs oder Datenbankzugriffe erlauben. Falls nicht: Planen Sie das als Anforderung in die nächste Systemerweiterung ein. Ziel: Daten sollen über Schnittstellen abrufbar sein, nicht über manuelle Exporte.
• Datenkontextualisierung von Anfang an mitdenken. Rohdaten allein sind wenig wert. Ein Temperaturwert ohne Zuordnung zu Maschine, Auftrag und Betriebszustand ist für spätere Analysen nutzlos. Legen Sie jetzt fest, welche Kontextinformationen an jeden Datenpunkt gehören: Maschinenkennung, Auftragsnummer, Produktvariante, Werkzeug, Schicht, Betriebszustand (Anfahren, Normalbetrieb, Rüsten, Wartung). Ein bewährter Ansatz ist der Aufbau eines Unified Namespace (UNS): eine zentrale, MQTT-basierte Datenstruktur, in der alle Datenquellen ihre Daten in einer einheitlichen Topic-Hierarchie ablegen (z.B. Werk/Linie/Maschine/Sensortyp). Der UNS gibt Ihren Daten von Anfang an Struktur und Kontext und entkoppelt Datenquellen von Datennutzern. Unternehmen, die Kontextualisierung erst nachträglich einführen, stehen vor dem Problem, dass Monate an Datenhistorie ohne Kontext vorliegen und kaum noch sinnvoll angereichert werden können.
• Datenvielfalt erweitern. Sie erfassen vereinzelt Prozess- und Qualitätsdaten. Prüfen Sie, ob Sie auch Energiedaten, Wartungsdaten und Störmeldungen systematisch erfassen können. Diese Daten sind für spätere Use Cases wie Predictive Maintenance, Energieoptimierung oder Qualitätsvorhersage essenziell. Oft liegen sie bereits vor (z.B. im Wartungslogbuch oder Energiemanagementsystem), werden aber noch nicht digital und strukturiert erfasst.

Wo Sie stehen: Die meisten Anlagen erfassen kontinuierlich Daten. 6 bis 12 Monate Datenhistorie, gute Qualität, einfacher Zugriff. Umfangreiche Daten inkl. Energieverbrauch, Wartung, Störmeldungen.

Was Sie konkret tun sollten:

• Daten-Readiness pro Use Case prüfen. Ihre Datenbasis ist gut, aber 'gut' heißt nicht 'ausreichend für jeden KI-Use-Case'. Für einen potenziellen KI-Piloten sollten Sie vorab prüfen: Sind die relevanten Datenquellen vorhanden? Wie sieht die Datenqualität spezifisch für diesen Use Case aus? Gibt es systematische Lücken oder Bias? Ist die Granularität (zeitliche Auflösung) ausreichend? Ein schneller Weg: Bringen Sie Ihre eigenen Daten mit und lassen Sie sie gemeinsam mit einem erfahrenen Partner bewerten, um in kurzer Zeit zu erfahren, welchen Wert Ihre Daten heute schon haben und wo nachgeschärft werden muss. Genau das finden wir bei unserem 'Bring Your Own Data'-Ansatz für Sie heraus.
• Von 'guter' zu 'sehr guter' Datenqualität. Sie haben strukturierte, dokumentierte Daten. Um KI-Modelle zuverlässig trainieren zu können, brauchen Sie den nächsten Schritt: regelmäßige automatische Datenqualitätsprüfungen (Plausibilitätschecks, Vollständigkeitsprüfungen, Ausreißer-Erkennung), definierte Bereinigungsprozesse und klare Verantwortlichkeiten ('Data Owner' pro Datenquelle). Datenqualität ist kein einmaliges Projekt, sondern ein kontinuierlicher Prozess.
• Datenhistorie gezielt ausbauen, aber nicht blind speichern. Ob Sie mehr als 12 Monate brauchen, hängt von Ihren Use Cases ab: Gibt es saisonale Effekte, Produktwechsel oder jährliche Wartungszyklen, die ein Modell kennen muss? Bei stabilen, gleichförmigen Prozessen reichen 6 bis 12 Monate oft völlig aus. Speichern Sie bewusst: Definieren Sie pro Datenquelle, welche Granularität archiviert wird und wie lange. Aggregierte Werte (Minuten- oder Stundenmittel) reichen für viele Analysen und sparen erheblich Speicherkosten.
• Daten kontextualisieren, von Rohdaten zu verstandenen Daten. Erst die Verknüpfung mit Auftrag, Produkt, Werkzeug, Schicht und Betriebszustand (Anfahren, Normalbetrieb, Rüsten, Wartung) macht Daten interpretierbar. Definieren Sie ein gemeinsames Datenmodell, das festlegt, welche Kontextinformationen an Sensordaten angehängt werden. Falls Sie bereits einen Unified Namespace (UNS) aufgebaut haben, ist das Ihre Basis. Starten Sie mit den Daten für Ihren ersten KI-Piloten und erweitern Sie von dort.
• Datenflüsse für den KI-Piloten zusammenbringen. Ein durchgängiger Datenfluss über alle Systeme ist auf Ihrer Stufe noch kein realistisches Ziel, aber für Ihren ersten KI-Piloten müssen die relevanten Datenquellen zusammenfließen. Identifizieren Sie konkret: Welche Daten braucht der Pilot (z.B. Prozessdaten + Qualitätsdaten + Auftragsdaten)? Wo liegen diese heute? Wie kommen sie zusammen? Das kann im ersten Schritt ein gezielter ETL-Prozess oder ein Daten-Export in eine gemeinsame Analyseplattform sein.

Wo Sie stehen: Alle Anlagen vernetzt, Echtzeit. Mehr als 12 Monate Historie. Gute bis sehr gute Datenqualität. Einfacher Zugriff über APIs. Umfangreiche Daten mit entstehendem durchgängigem Fluss.

Was Sie konkret tun sollten:

• Datenqualität als operativen Prozess etablieren. Ihre Datenqualität ist gut, aber für produktive KI-Modelle brauchen Sie Garantien, nicht nur Einschätzungen. Implementieren Sie automatisierte Datenqualitäts-Pipelines: Plausibilitätschecks beim Eingang, automatische Anomalieerkennung, Vollständigkeits-Monitoring. Wenn die Datenqualität unter einen definierten Schwellenwert fällt, muss das Modell automatisch warnen oder pausieren. 'Data Observability' sollte genauso selbstverständlich sein wie Application Monitoring.
• Kontextualisierung standardisieren und skalieren. Sie haben teilweise bereits begonnen, Daten mit Kontext anzureichern, vermutlich zunächst für einzelne Use Cases. Jetzt geht es darum, das strukturiert zu machen. Definieren Sie ein Kontextdatenmodell: Welche Metadaten werden benötigt (Auftrag, Produkt, Werkzeug, Schicht, Materialcharge)? Wie werden Betriebszustände (Anfahren, Normalbetrieb, Rüsten, Wartung) erfasst oder automatisch harmonisiert? Je systematischer die Kontextualisierung, desto schneller können neue Use Cases entwickelt werden. Denken Sie dabei auch über reine Sensordaten hinaus: Vieles was in der Produktion funktioniert, steckt nicht in Systemen – es steckt in den Köpfen erfahrener Mitarbeiter. Warum wird bei diesem Produkt anders gerüstet? Warum kennt die Frühschicht diesen Fehler und reagiert anders? Dieses Erfahrungswissen ist für KI unsichtbar, solange es nicht explizit gemacht und systematisch abgelegt wird. Kontextualisierung bedeutet deshalb langfristig auch: Domänenwissen aus Köpfen in Systeme überführen.
• Daten für autonome Steuerung vorbereiten. Wenn Sie in Richtung Software-Defined Factory denken, brauchen Sie nicht nur lesende, sondern auch schreibende Datenflüsse. Die Datenplattform muss nicht nur Daten von Maschinen empfangen, sondern auch Steuerungsbefehle zurücksenden können. Prüfen Sie, welche Maschinen bereits bidirektionale Schnittstellen haben und wo die Datenarchitektur für Closed-Loop-Szenarien erweitert werden muss.

Wo Sie stehen: Alle Anlagen vollständig vernetzt, Echtzeit. Mehr als 12 Monate Datenhistorie. Sehr gute Datenqualität. Zentrale Datenhaltung mit APIs. Durchgängiger Datenfluss.

Was Sie konkret tun sollten:

• Datenstrategie für KI-Agenten weiterentwickeln. Autonome KI-Agenten stellen neue Anforderungen an Daten: Sie brauchen nicht nur historische Daten zum Lernen, sondern auch Echtzeit-Datenströme für Entscheidungen, Feedback-Loops (was war das Ergebnis einer Entscheidung?) und kontrafaktische Daten (was wäre passiert, wenn der Agent anders entschieden hätte?). Erweitern Sie Ihre Datenstrategie um diese Aspekte.
• Kontextualisierung vollständig automatisieren und semantisch anreichern. Auf Ihrer Stufe sollte die Kontextualisierung von Daten vollständig automatisiert sein. Jeder Datenpunkt trägt automatisch seinen vollständigen Kontext: Auftrag, Produkt, Materialcharge, Werkzeug, Rezept, Betriebszustand, Schicht. Der nächste Schritt ist die semantische Anreicherung: Ein semantisches Datenmodell (z.B. auf Basis von Ontologien oder Knowledge Graphs) ermöglicht es KI-Agenten, Zusammenhänge zu 'verstehen'. Neben den Prozessdaten muss auch das Domänenwissen Ihrer Organisation (Erfahrungswissen, Entscheidungslogiken, bekannte Störungsmuster, Best Practices) systematisch abgelegt und in dieses semantische Modell integriert werden. Erst wenn KI-Agenten nicht nur Daten lesen, sondern auch auf das gesammelte Wissen zugreifen können, entsteht die Grundlage für tatsächlich autonome Entscheidungen.
• Feature Store aufbauen. Wenn mehrere Teams parallel KI-Use-Cases entwickeln, entsteht zwangsläufig Redundanz: dieselben Features werden mehrfach berechnet, mit leicht unterschiedlichen Definitionen, in unterschiedlichen Pipelines. Ein Feature Store löst das: eine zentrale, versionierte Bibliothek vorberechneter Datenbausteine – zum Beispiel der gleitende Durchschnitt der Maschinentemperatur oder die Ausschussrate pro Schicht und Produkttyp. Ohne Feature Store berechnet jedes Team das für sich. Der Mehrwert ist dreifach: schnellere Entwicklung durch Wiederverwendung, Konsistenz über Modelle hinweg, und Governance – wer darf welche Features nutzen, wie werden Änderungen versioniert, wie wird Feature Drift erkannt. Auf Ihrer Stufe haben Sie das Portfolio und die Teamstruktur, die einen Feature Store rechtfertigen.
• Digital Twins als Datenprodukt. Nutzen Sie Ihren durchgängigen Datenfluss, um digitale Zwillinge Ihrer kritischsten Anlagen oder Linien aufzubauen. Ein Digital Twin ist nicht nur ein Visualisierungstool, er ist die Simulationsumgebung, in der KI-Agenten trainiert und getestet werden können, bevor sie echte Maschinen steuern. Das reduziert Risiken massiv und beschleunigt die Entwicklung.
• Datenmonetarisierung und -sharing prüfen. Sie haben eine Datenbasis, die in der Industrie außergewöhnlich ist. Prüfen Sie, ob es Möglichkeiten gibt, anonymisierte oder aggregierte Daten mit Partnern, Zulieferern oder Maschinenherstellern zu teilen, für gemeinsame Optimierung, Benchmarking oder sogar als eigenes Geschäftsmodell. Industrielle Datenräume und Datenökosysteme werden zunehmend relevanter.

Wo Sie stehen: Überwiegend ältere Maschinen ohne oder mit nur proprietären Schnittstellen. IT beschränkt auf Excel oder einfache isolierte Systeme (BDE). Datensilos, allenfalls punktuelle Verbindungen. Cloud wird bestenfalls diskutiert. Grundlegende IT-Sicherheit, teilweise IT/OT-Trennung.

Was Sie konkret tun sollten:

• Schnittstellen-Landkarte erstellen. Dokumentieren Sie für jede relevante Maschine: Welche Schnittstelle ist vorhanden (Profibus, seriell, OPC-UA, gar keine)? Welche Daten sind darüber abrufbar? Das ist die Grundlage für alle weiteren Vernetzungsschritte. Prüfen Sie bei Maschinen ohne Schnittstelle, ob der Hersteller ein Retrofit-Kit oder ein Software-Update anbietet.
• BDE/MDE als Einstieg prüfen. Wenn Sie noch kein System zur Betriebsdatenerfassung (BDE) oder Maschinendatenerfassung (MDE) haben, ist das ein sinnvoller erster Schritt. Moderne BDE/MDE-Lösungen sind cloud-fähig und modular skalierbar. Sie liefern sofort Transparenz über Maschinenlaufzeiten, Stillstände und OEE (Overall Equipment Effectiveness).
• ERP-Anbindung vorbereiten. Falls Ihr ERP isoliert läuft, prüfen Sie, welche Produktionsdaten dort bereits eingepflegt werden und welche Schnittstellen es für den Datenaustausch bietet. Das Ziel ist, dass Auftrags-, Material- und Produktionsdaten durchgängig fließen. Das ist mittelfristig, kein sofortiger Schritt.
• IT/OT-Sicherheit von Anfang an mitdenken. Wenn Sie jetzt anfangen, Maschinen zu vernetzen, denken Sie die Sicherheit von Tag eins mit. Das bedeutet mindestens: Trennung von Office-IT und Produktionsnetzwerk (IT/OT-Segmentierung). Nachträglich Sicherheit einzubauen ist deutlich teurer als sie von Anfang an mitzuplanen.
• Cloud-Strategie bewusst positionieren. Sie müssen jetzt noch nicht in die Cloud. Aber wenn Sie neue Systeme evaluieren (BDE, MDE, erste Datenplattformen), achten Sie darauf, dass sie cloud-fähig sind. Das hält Optionen offen und vermeidet Lock-in in rein lokale Lösungen, die später teuer migriert werden müssen.

Wo Sie stehen: Moderner Maschinenpark mit OPC-UA/MQTT, primär lesend. ERP und MES/SCADA weitgehend verbunden. Hybrid-Cloud mit Cloud-Fokus. Umfassendes OT-Security-Konzept.

Was Sie konkret tun sollten:

• Die letzten Integrationslücken identifizieren und schließen. 'Weitgehend integriert' bedeutet, dass es noch Lücken gibt. Führen Sie ein Integration-Audit durch: Welche Systeme sind noch nicht angebunden? Welche Daten werden noch manuell transferiert? Priorisieren Sie die Schließung dieser Lücken nach Relevanz für geplante KI-Use-Cases. Manchmal ist die fehlende Integration eines einzigen Systems der Blocker für einen ganzen Use Case.
• Cloud-Strategie für KI schärfen. KI-Workloads profitieren stark von Cloud-Infrastruktur (Skalierbarkeit, GPU-Zugang, Managed Services). Prüfen Sie, ob Ihr Cloud-Setup KI-Entwicklung unterstützt. Die großen Cloud-Anbieter (Azure, AWS, GCP) bieten spezialisierte Dienste für industrielle KI an. Definieren Sie, welche Daten in der Cloud verarbeitet werden dürfen und welche on-premises bleiben müssen (Stichwort: Datenhoheit, Latenz-Anforderungen).
• Datenplattform für KI-Workloads vorbereiten. Ihre Systeme (ERP, MES, SCADA) sind für operative Zwecke optimiert, nicht für analytische. Für KI brauchen Sie eine Analyseplattform, die große Datenmengen effizient verarbeiten kann, ohne den operativen Betrieb zu belasten. Das kann ein Data Warehouse, ein Data Lake oder eine spezialisierte IIoT-Plattform sein. Evaluieren Sie Optionen und starten Sie mit einem MVP, der die Daten für Ihren ersten KI-Piloten bereitstellt.
• ML-Infrastruktur initial aufbauen, mit Blick auf Skalierung. Mit der geklärten Cloud-Strategie und der Datenplattform im Aufbau können Sie die ML-Infrastruktur darauf aufsetzen. Wie das konkret aussieht, hängt stark von Ihrem Team ab. Grundsätzlich gibt es zwei Pfade: Verfügen Sie intern über die nötige Kompetenz – sowohl für die Modellentwicklung (Data Science) als auch für den Betrieb und die Integration in Ihre Systeme (ML/AI Engineering), lohnt sich der Aufbau einer strukturierten ML-Umgebung mit klaren Entscheidungen zu Plattform, Zugriffskonzepten und Modellversionierung. Fehlt diese Kompetenz noch, ist ein Einstieg über Low-Code- oder AutoML-Tools oft der pragmatischere Weg: niedrigere Einstiegshürde, schnellere erste Ergebnisse, und die Infrastrukturfrage kann wachsen, wenn das Know-how wächst.
• Dashboards für Produktion und Management aufbauen. Machen Sie Ihre Produktionsdaten sichtbar, auf zwei Ebenen: Operator-Terminals an der Linie (Echtzeit-Maschinenstatus, aktuelle Kennzahlen, Störmeldungen) und Management-Dashboards (aggregierte KPIs wie OEE, Ausschussquote, Durchlaufzeiten). Auf Ihrer Stufe geht es noch nicht um kontinuierliche Analyse, sondern um sporadische, anlassbezogene Auswertungen: Was ist letzte Schicht passiert? Wo liegt der Ausschuss über dem Zielwert? Diese Transparenz schafft sofortigen Mehrwert und liefert die Grundlage für spätere KI-Anwendungen.
• Monitoring und Alerting als KI-Vorbereitung. Implementieren Sie ein Echtzeit-Monitoring Ihrer wichtigsten Anlagen mit automatischem Alerting bei Anomalien. Das ist einerseits ein sofortiger Mehrwert (schnellere Reaktion auf Probleme) und andererseits die Vorstufe zu Predictive Maintenance. Ihr Monitoring liefert die gelabelten Daten, die ein Predictive-Modell zum Lernen braucht.

Wo Sie stehen: Standardisierte Schnittstellen, primär lesend, teils schreibend. Weitgehend bis vollständig integriert. Zentrale Plattform im Aufbau. Hybrid-Cloud bis Cloud First.

Was Sie konkret tun sollten:

• Von sporadischen Dashboards zu kontinuierlicher Datenanalyse. In Stufe 3 haben Sie erste Dashboards für anlassbezogene Auswertungen aufgebaut. Jetzt ist der Schritt zur kontinuierlichen, automatisierten Datenanalyse dran: Operator-Terminals zeigen nicht nur Ist-Werte, sondern erkennen Trends, warnen bei Abweichungen und liefern Schicht für Schicht automatisierte Reports. Management-Cockpits aggregieren KPIs über alle Linien und Standorte in Echtzeit, als Live-Dashboard mit Drill-Down-Funktionalität. Diese durchgängige Datentransparenz ist die Voraussetzung dafür, dass KI-Ergebnisse im Betrieb auch tatsächlich wahrgenommen und genutzt werden.
• AI-Architektur gezielt aufbauen, nicht organisch wachsen lassen. Das ist der strategisch wichtigste Punkt auf Ihrer Stufe. Ihre AI-Architektur umfasst: Wo liegen Trainingsdaten und Features (Datenplattform, Feature Store)? Wie werden Modelle entwickelt, getestet und versioniert (ML-Entwicklungsumgebung)? Wie kommen Modelle in die Produktion (Deployment-Pipelines, Edge vs. Cloud)? Wie werden sie im Betrieb überwacht (Monitoring, Drift-Erkennung, Alerting)? Und wie wird Retraining ausgelöst? Diese Architektur einmal richtig aufzusetzen kostet Zeit, aber sie ist der Unterschied zwischen 'jeder Use Case ist ein neues Projekt' und 'der nächste nutzt 80% der bestehenden Infrastruktur'.
• MLOps als operatives Rückgrat. MLOps ist der Kern Ihrer AI-Architektur im Betrieb. Konkret: Versionierung von Modellen und Trainingsdaten, automatisierte Trainings-Pipelines, standardisierte Deployment-Prozesse, Performance-Monitoring mit automatischem Alerting bei Drift und definierte Retraining-Zyklen. Starten Sie mit einer Basisversion für Ihren ersten produktiven Use Case und bauen Sie von dort aus, aber mit einem klaren Zielbild, wie die Plattform bei 5 oder 10 Use Cases aussehen soll.
• Edge-Computing-Strategie definieren. Nicht alle KI-Inferenzen können in der Cloud stattfinden, Latenz, Bandbreite und Ausfallsicherheit sprechen oft für lokale Verarbeitung. Definieren Sie, welche Modelle am Edge laufen müssen (Echtzeit-Qualitätskontrolle, Anomalieerkennung) und welche in der Cloud verarbeitet werden können (Batch-Optimierung, Langzeitanalysen). Planen Sie die entsprechende Edge-Hardware und Software-Architektur.
• Schreibende Maschinenanbindung ausbauen und pilotieren. Für Closed-Loop-KI brauchen Sie schreibende Zugriffe auf Maschinen. Prüfen Sie, welche Maschinen das bereits unterstützen, und starten Sie mit einem abgegrenzten Piloten: eine Maschine, ein Regelkreis, ein klar definierter Eingriff, immer mit menschlichem Override als Sicherheitsnetz. Die eigentliche Herausforderung ist weniger der Schreibzugriff selbst als die Garantie, dass der Eingriff sicher und reversibel ist.
• Security für autonome Systeme aufrüsten. Schreibende Maschinenanbindung und KI-gesteuerte Eingriffe erhöhen das Risiko dramatisch. Erweitern Sie Ihr OT-Security-Konzept um: Integritätsprüfung für Modelle (Sicherstellung, dass nur validierte Modelle deployed werden), Zugriffskontrollen für schreibende Schnittstellen, Anomalieerkennung auf den Steuerungsbefehlen, und Safety-Limits, die hardwareseitig nicht überschrieben werden können.

Was Sie konkret tun sollten:

• Autonome Regelkreise systematisch aufbauen. Sie haben schreibende Anbindungen, jetzt geht es darum, diese für Closed-Loop-KI zu nutzen. Starten Sie mit einfachen Regelkreisen (z.B. automatische Parameteranpassung bei Qualitätsdrift) und erweitern Sie schrittweise. Jeder Regelkreis braucht: klare Eingriffsgrenzen (Safety Limits), menschliche Override-Möglichkeit, vollständige Protokollierung aller Eingriffe und Rollback-Fähigkeit.
• KI-Architektur zur SDF-Plattform weiterentwickeln. Ihre bestehende KI-Architektur aus Stufe 4 wird zum Fundament der Software-Defined Factory, aber sie muss sich grundlegend weiterentwickeln. Statt einer Architektur für einzelne Modelle brauchen Sie eine Plattform für ein System von KI-Agenten, die miteinander kommunizieren und kooperieren. Entwerfen Sie eine Agenten-Architektur: Welcher Agent ist für welchen Bereich zuständig? Wie koordinieren sich Agenten bei Zielkonflikten (z.B. Maximierung der Ausbringung vs. Minimierung des Energieverbrauchs)? Welche Hierarchie gibt es (lokaler Maschinenagent, Linienagent, Werksagent)? Die Architektur muss modulare Erweiterung, Echtzeit-Kommunikation und durchgängige Governance unterstützen.
• Safety-Architektur für autonome Systeme. Je mehr Autonomie, desto kritischer die Sicherheit. Implementieren Sie eine mehrschichtige Safety-Architektur: (1) Physische Grenzen, die nicht per Software überschrieben werden können (Hardwarelimits), (2) Software-Safety-Layer, der KI-Entscheidungen auf Plausibilität prüft, bevor sie ausgeführt werden, (3) Monitoring-Layer, der autonome Eingriffe in Echtzeit überwacht und bei Anomalien stoppt. Denken Sie an Automotive und Luftfahrt, dort gibt es bewährte Safety-Frameworks, die sich adaptieren lassen.
• CI/CD for ML. Behandeln Sie Ihre KI-Modelle wie Software-Artefakte: automatisiertes Testing, automatisiertes Deployment, automatisiertes Rollback bei Performance-Degradation. Das Ziel: Ein neues Modell kann innerhalb von Stunden validiert und in Produktion gebracht werden, statt Wochen manueller Prozesse.

Wo Sie stehen: Ältere Maschinen ohne digitale Schnittstellen. IT beschränkt auf Excel oder isolierte Systeme (BDE). Datensilos, keine Cloud, grundlegende IT-Sicherheit.

Was Sie konkret tun sollten:

• Schnittstellen-Landkarte erstellen. Dokumentieren Sie für jede relevante Maschine: Welche Schnittstelle ist vorhanden (Profibus, seriell, OPC-UA, gar keine)? Welche Daten sind darüber abrufbar? Das ist die Grundlage für alle weiteren Vernetzungsschritte. Prüfen Sie bei Maschinen ohne Schnittstelle, ob der Hersteller ein Retrofit-Kit oder ein Software-Update anbietet.
• BDE/MDE als Einstieg prüfen. Wenn Sie noch kein System zur Betriebsdatenerfassung (BDE) oder Maschinendatenerfassung (MDE) haben, ist das ein sinnvoller erster Schritt. Moderne BDE/MDE-Lösungen sind cloud-fähig und modular skalierbar. Sie liefern sofort Transparenz über Maschinenlaufzeiten, Stillstände und OEE (Overall Equipment Effectiveness).
• ERP-Anbindung vorbereiten. Falls Ihr ERP isoliert läuft, prüfen Sie, welche Produktionsdaten dort bereits eingepflegt werden und welche Schnittstellen es für den Datenaustausch bietet. Das Ziel ist, dass Auftrags-, Material- und Produktionsdaten durchgängig fließen. Das ist mittelfristig, kein sofortiger Schritt.
• IT/OT-Sicherheit von Anfang an mitdenken. Wenn Sie jetzt anfangen, Maschinen zu vernetzen, denken Sie die Sicherheit von Tag eins mit. Das bedeutet mindestens: Trennung von Office-IT und Produktionsnetzwerk (IT/OT-Segmentierung). Nachträglich Sicherheit einzubauen ist deutlich teurer als sie von Anfang an mitzuplanen.
• Cloud-Strategie bewusst positionieren. Sie müssen jetzt noch nicht in die Cloud. Aber wenn Sie neue Systeme evaluieren (BDE, MDE, erste Datenplattformen), achten Sie darauf, dass sie cloud-fähig sind. Das hält Optionen offen und vermeidet Lock-in in rein lokale Lösungen, die später teuer migriert werden müssen.

Wo Sie stehen: Wenig Rückhalt für Digitalisierung — kein aktives Interesse oder allenfalls passives Interesse ohne aktive Unterstützung. Kein dediziertes Budget, allenfalls auf Antrag. IT unterstützt die Produktion bestenfalls bei Bedarf. Kaum Zusammenarbeit zwischen IT und Produktion.

Was Sie konkret tun sollten:

• Einen internen Champion identifizieren. Jede erfolgreiche Digitalisierungsinitiative braucht eine Person, die das Thema treibt. Das muss kein Vollzeit-Job sein, aber jemand (Produktionsleiter, Werksleiter, IT-Leiter), der die Verantwortung übernimmt, Budget beschafft und Ergebnisse sichtbar macht. Suchen Sie diese Person, oder werden Sie sie selbst.
• Quick Win für die Führungsebene liefern. Bevor Sie über große Budgets reden, demonstrieren Sie den Nutzen an einem kleinen Beispiel. Was wäre, wenn Sie die ungeplanten Stillstände Ihrer kritischsten Maschine um 10% reduzieren könnten? Rechnen Sie das in Euro pro Jahr um. Solche konkreten Zahlen öffnen Budgettöpfe.
• Pilotbudget beantragen. Sie brauchen kein Großprojekt, um zu starten. Definieren Sie einen ersten Digitalisierungs-Piloten mit klarem Scope (z.B. Sensorik an 1 bis 2 Maschinen, einfache Datenerfassung und Visualisierung) und formulieren Sie einen konkreten Budgetantrag mit erwartbarem Nutzen und Timeline.
• Brücke zwischen IT und Produktion bauen. Organisieren Sie einen regelmäßigen Austausch (z.B. monatliches Meeting) zwischen IT und Produktionsverantwortlichen. Thema: Welche digitalen Möglichkeiten gibt es, welche Painpoints hat die Produktion? Das klingt trivial, ist aber der Grundstein für jede spätere Zusammenarbeit.

Wo Sie stehen: Einzelne Führungskräfte unterstützen Digitalisierung. Teilweise IT-Ressourcen, kleines Pilotbudget. Regelmäßiger Austausch IT/Produktion, aber wenig gemeinsame Projekte.

Was Sie konkret tun sollten:

• Vom Pilotbudget zum Projektbudget kommen. Ein kleines Budget für Piloten ist gut, aber für den Weg zur Smart Factory brauchen Sie ein strukturiertes Projektbudget. Erstellen Sie einen Business Case, der die erwarteten Einsparungen durch Digitalisierung quantifiziert (reduzierte Stillstände, weniger Ausschuss, bessere OEE). Typischerweise refinanzieren sich Smart-Factory-Investitionen innerhalb von 1 bis 2 Jahren.
• Dedizierte Verantwortung schaffen. 'Teilweise dedizierte IT-Ressourcen' reicht für Ad-hoc-Unterstützung, aber nicht für ein Transformationsprogramm. Definieren Sie eine klare Rolle (z.B. 'Smart Factory Lead' oder 'Digitalisierungsverantwortlicher Produktion') mit mindestens 50% Kapazität und klarem Mandat. Diese Person muss sowohl IT als auch Produktion verstehen und Brücken bauen können.
• Gemeinsame Projekte initiieren. Der regelmäßige Austausch zwischen IT und Produktion ist eine gute Basis. Jetzt müssen daraus konkrete gemeinsame Projekte werden. Starten Sie mit einem klar abgegrenzten Projekt (z.B. 'ERP-Rückmeldung automatisieren' oder 'Dashboard für Linie X aufbauen') und besetzen Sie es mit Mitarbeitern aus beiden Bereichen. Erfolgreiche gemeinsame Projekte bauen Vertrauen auf und schaffen Präzedenzfälle für größere Initiativen.
• Breiteres Commitment aufbauen. Einzelne Führungskräfte als Unterstützer sind ein Start, aber für eine nachhaltige Transformation brauchen Sie das Commitment der Produktionsleitung oder der Geschäftsführung. Laden Sie Entscheider zu einer Werksbesichtigung bei einem Referenzunternehmen ein, das den Weg zur Smart Factory bereits gegangen ist. Nichts überzeugt mehr als ein konkretes Beispiel aus der eigenen Branche.

Wo Sie stehen: Klares Commitment der Produktionsleitung. Dediziertes Team, Jahresbudget, gute Zusammenarbeit IT/Produktion.

Was Sie konkret tun sollten:

• KI-Pilotteam zusammenstellen. Für Ihren ersten KI-Piloten brauchen Sie ein cross-funktionales Team: Domänenexpertise aus der Produktion (die wissen, was die Daten bedeuten), IT/Data Engineering (die die Daten bereitstellen), und Data Science (die die Modelle entwickeln). Letzteres können anfangs externe Partner liefern, aber stellen Sie sicher, dass internes Know-how aufgebaut wird.
• Budget für KI-Piloten reservieren. Ihr Digitalisierungsbudget deckt vermutlich Infrastrukturprojekte. KI-Piloten haben andere Kostenstrukturen (Data Science-Expertise, Cloud-Computing, Iterationszyklen). Reservieren Sie einen separaten Posten für 1 bis 2 KI-Piloten.
• Erfolgskriterien vor dem Start definieren. Bevor der erste KI-Pilot startet: Definieren Sie gemeinsam mit Produktion und Management, was 'Erfolg' bedeutet. Welche KPI muss sich um wie viel verbessern? Was ist der Mindestwert, ab dem sich eine Produktivsetzung lohnt? Das verhindert, dass nach dem Pilot niemand entscheiden kann, ob es sich gelohnt hat.
• Change Management vorbereiten. KI in der Produktion bedeutet Veränderung für die Mitarbeiter am Shopfloor. Ein Modell, das Wartungszeitpunkte vorschlägt oder Qualitätsprobleme vorhersagt, funktioniert nur, wenn die Mitarbeiter dem Modell vertrauen und die Empfehlungen umsetzen. Planen Sie von Anfang an Schulungen, transparente Kommunikation und die Einbeziehung der betroffenen Mitarbeiter in den Piloten.

Wo Sie stehen: Strategische Priorität auf GF-Ebene. Dediziertes Team. Festes bis signifikantes Budget. Gute bis enge Zusammenarbeit IT/Produktion.

Was Sie konkret tun sollten:

• KI-Operating-Model definieren. Wer ist verantwortlich für ein KI-Modell im Produktivbetrieb? Wer entscheidet über Retraining? Wer reagiert, wenn das Modell falsch liegt? Wer genehmigt den Einsatz in neuen Bereichen? Definieren Sie ein klares Operating Model mit Rollen (Model Owner, Data Engineer, ML Engineer, Domain Expert), Prozessen (Deployment, Monitoring, Incident Response) und Eskalationswegen.
• Governance und Compliance verankern. Der EU AI Act wird relevant, spätestens wenn Ihre KI-Modelle Produktionsentscheidungen beeinflussen. Klären Sie: Welche Risikoklasse haben Ihre KI-Anwendungen? Welche Dokumentationspflichten bestehen? Wie stellen Sie Transparenz und Erklärbarkeit sicher? Etablieren Sie ein Responsible-AI-Framework, das Ethik, Compliance und Risikomanagement verbindet. Das ist kein Overhead, sondern die Voraussetzung für die Skalierung.
• Change Management für produktive KI. Der Pilot hatte ein kleines, motiviertes Team. Die Produktivsetzung betrifft den gesamten Shopfloor. Planen Sie systematisches Change Management: Schulungen für Schichtleiter und Maschinenbediener, transparente Kommunikation über Ziel und Grenzen des KI-Systems, klare Feedback-Kanäle ('Wenn das Modell falsch liegt, wie melde ich das?') und sichtbare Quick Wins, die Vertrauen aufbauen.
• Mehrjährige KI-Roadmap aufstellen. Sie haben Budget und strategische Priorität, nutzen Sie das für eine Roadmap, die über einzelne Piloten hinausgeht. Welche Use Cases sollen in 6, 12, 24 Monaten produktiv sein? Welche Infrastruktur und Kompetenz brauchen Sie dafür? Was sind die Abhängigkeiten? Eine Roadmap gibt allen Beteiligten Orientierung und macht die KI-Transformation steuerbar.

Wo Sie stehen: Strategische Priorität mit signifikantem Budget und mehrjähriger Planung. Eigenes Team. Enge Verzahnung IT/Produktion.

Was Sie konkret tun sollten:

• Organisationsdesign für die Software-Defined Factory. Ihre aktuelle Organisation ist auf eine konventionelle Produktion mit IT-Unterstützung ausgerichtet. Eine Software-Defined Factory erfordert ein anderes Modell: Software-Entwicklung, Data Science, Produktion und Maintenance müssen nicht nur 'zusammenarbeiten', sondern in integrierten Teams operieren. Evaluieren Sie Organisationsmodelle wie 'DevOps for Manufacturing' oder 'Fusion Teams'.
• Talent-Strategie schärfen. Entwickeln Sie eine Strategie, die internes Upskilling (Data Analysts zu ML Engineers), gezielte externe Rekrutierung und strategische Partnerschaften (für Spezialwissen, das Sie nicht dauerhaft intern vorhalten müssen) kombiniert.
• KI-Ethik-Board oder Governance-Board etablieren. Bei zunehmend autonomen Systemen brauchen Sie eine Instanz, die übergreifend Risiken bewertet, ethische Fragen klärt und Richtlinien für den KI-Einsatz definiert. Das ist kein reines Compliance-Thema, sondern ein strategisches: Wo sind die Grenzen der Autonomie? Was darf eine KI entscheiden, was nicht? Wie gewährleisten Sie Transparenz gegenüber Mitarbeitern und Kunden?
• Innovationsökosystem aktiv gestalten. In Ihrer Position können Sie es sich nicht leisten, nur intern zu entwickeln. Bauen Sie ein Ökosystem aus Forschungspartnern, Technologiepartnern, Maschinenherstellern und ggf. anderen Produktionsunternehmen (für Benchmarking und Best-Practice-Austausch) auf. Beteiligen Sie sich an branchenspezifischen Initiativen und Konsortien, die industrielle KI-Standards vorantreiben.

Wo Sie stehen: KI ist Neuland oder frühestes Orientierungsstadium. Allenfalls erste Informationssammlung (Recherche, Messen). Keine oder nur Grundkenntnisse im Bereich Datenanalyse. Unklar, wo KI helfen könnte. Keine gezielten KI-Partnerschaften.

Was Sie konkret tun sollten:

• KI entmystifizieren. KI in der Produktion bedeutet aus Ihren Maschinendaten Muster erkennen, die Menschen nicht sehen. Ungeplante Ausfälle vorhersagen, bevor sie passieren. Qualitätsprobleme erkennen, bevor Ausschuss entsteht. Organisieren Sie einen internen Impuls-Workshop (90 Minuten reichen), bei dem Sie 3 bis 4 konkrete Beispiele aus Ihrer Branche zeigen.
• Richtung festlegen, leichtgewichtig aber bewusst. Sie brauchen jetzt keinen 50-seitigen Masterplan. Aber komplett ohne Richtung drauflos zu digitalisieren ist riskant. Was Sie brauchen, ist eine einfache Richtungsentscheidung: Was sind unsere 2 bis 3 größten Schmerzpunkte in der Produktion (Stillstände, Ausschuss, Energiekosten, Durchlaufzeiten)? Bei welchem fangen wir an, Transparenz zu schaffen? Und wer kümmert sich darum? Das ist noch keine KI-Strategie, aber es stellt sicher, dass Ihre ersten Digitalisierungsschritte auf ein konkretes Ziel einzahlen.
• Orientierung holen, im eigenen Netzwerk und darüber hinaus. Was machen andere Produktionsunternehmen in Ihrer Größenordnung? Sprechen Sie mit IT-Partnern oder Systemintegratoren, die Digitalisierungsprojekte in der Produktion umgesetzt haben. Besuchen Sie branchenspezifische Veranstaltungen. Das Ziel ist nicht, sofort zu starten, sondern ein realistisches Bild zu bekommen, was möglich ist und was es braucht.
• Erste Use-Case-Ideen sammeln. Fragen Sie Ihre Produktionsmitarbeiter: Wo gibt es wiederkehrende Probleme? Wo werden Entscheidungen heute auf Bauchgefühl getroffen? Wo fallen häufig ungeplante Stillstände an? Sammeln Sie diese Punkte als Ideenliste.

Wo Sie stehen: Informationssammlung (Recherche, Messen, Webinare). Grundkenntnisse (Excel-Analyse). KI-Einsatzbereiche unklar. Keine externen KI-Partner.

Was Sie konkret tun sollten:

• Gezielt Orientierung aufbauen. Hören Sie sich in Ihrem Netzwerk um: Welche Unternehmen in Ihrer Branche beschäftigen sich schon mit KI in der Produktion? Was sind deren Erfahrungen? Besuchen Sie 2 bis 3 branchenspezifische Veranstaltungen und sprechen Sie mit IT-Partnern, die industrielle KI-Projekte umsetzen. Ziel ist nicht, sofort ein KI-Projekt zu starten, sondern ein realistisches Bild zu entwickeln, was mit KI möglich ist und was es dafür an Daten und Infrastruktur braucht.
• Erste Data-Literacy-Maßnahmen starten. Bevor KI ein Thema werden kann, brauchen Ihre Mitarbeiter ein Grundverständnis für datengetriebene Arbeiten. Sorgen Sie dafür, dass Produktionsmitarbeiter lernen, Dashboards zu lesen und zu interpretieren, Zusammenhänge in Daten zu erkennen und datenbasiert Entscheidungen zu hinterfragen. Das schafft die kulturelle Basis für spätere KI-Projekte.
• Verbesserungspotenziale identifizieren. Sammeln Sie systematisch, wo in Ihrer Produktion die größten Hebel liegen: Wo entstehen die höchsten Kosten durch ungeplante Stillstände? Wo ist der Ausschuss am höchsten? Wo wird am meisten Energie verbraucht? Wo fehlt Transparenz über Prozessparameter? Diese Liste wird später die Grundlage für konkrete KI-Use-Cases. Jetzt geht es darum, die Verbesserungspotenziale zu kennen und Daten gezielt dort zu erfassen, wo der Hebel am größten ist.

Wo Sie stehen: Erste Informationssammlung, möglicherweise erste PoCs. Vereinzelt Analysekenntnisse vorhanden. Erste konkrete KI-Bereiche identifiziert.

Was Sie konkret tun sollten:

• Use Cases systematisch priorisieren. Bewerten Sie jeden Use Case nach drei Kriterien: (1) Relevanz, wie groß ist der Leidensdruck und wie sichtbar wäre eine Verbesserung? (2) Datenverfügbarkeit, sind die nötigen Daten in ausreichender Qualität vorhanden? (3) Umsetzungskomplexität, wie aufwändig ist die Implementierung? Starten Sie mit dem Use Case, der den besten Mix aus hoher Relevanz und hoher Datenverfügbarkeit hat, nicht mit dem spannendsten oder komplexesten.
• Ersten KI-Piloten mit klaren Hypothesen aufsetzen. Ein guter KI-Pilot hat: Eine klare Hypothese ('Wir können ungeplante Stillstände von Maschine X um Y% reduzieren'), definierte Eingangsdaten, ein Erfolgskriterium, eine Timeline (8 bis 12 Wochen bis zum ersten Ergebnis) und einen verantwortlichen Product Owner. Behandeln Sie den Piloten wie ein Experiment, mit Dokumentation, Iteration und der expliziten Erlaubnis zu scheitern.
• Typische Einstiegs-Use-Cases für Ihre Stufe. Die vielversprechendsten KI-Einstiegs-Use-Cases für Smart Factory Explorer sind: (a) Predictive Maintenance, Vorhersage von Maschinenausfällen basierend auf Sensordaten und Wartungshistorie, (b) Qualitätsvorhersage, Vorhersage von Ausschuss basierend auf Prozessparametern, (c) Prozessparameteroptimierung, optimale Einstellung von Maschinenparametern für spezifische Produkte, (d) Energieoptimierung, Senkung des Energieverbrauchs durch intelligente Steuerung.
• Spezialisierte KI-Partner evaluieren. Ihre bestehenden IT-Dienstleister sind Experten für Digitalisierung, aber für KI in der Produktion brauchen Sie spezialisiertes Know-how. Evaluieren Sie Partner, die (a) industrielle KI-Erfahrung mitbringen, (b) Ihren Fertigungskontext verstehen und (c) nicht nur Modelle entwickeln, sondern auch den Weg in den Produktivbetrieb begleiten können. Achten Sie darauf, dass der Partner Wissen transferiert und Sie nicht in eine Abhängigkeit bringt.
• KI-Kompetenz gezielt aufbauen. Auf dieser Stufe ist meist noch keine dedizierte KI-Kompetenz im Unternehmen vorhanden, und das ist völlig normal. Bevorzugen Sie einen Dienstleister, der den Kompetenzaufbau aktiv mitgestaltet. Oft ist ein solides Verständnis dafür, wie man einen KI-Use-Case aufsetzt, betreibt und die Ergebnisse interpretiert, bereits das Wichtigste. Investieren Sie in 2 bis 3 Schlüsselpersonen, die die Brücke zwischen Produktionswissen und KI-Anwendung bilden können.

Wo Sie stehen: KI-Pilotprojekte in der Produktion. Dedizierte Data Analysts/Engineers. Klare Use Cases. Partnerschaften mit spezialisierten Anbietern.

Was Sie konkret tun sollten:

• Pilot-to-Production-Playbook erstellen. Dokumentieren Sie den Weg Ihres ersten Piloten in die Produktion: Was hat funktioniert, was nicht? Wo waren die Überraschungen? Was hätten Sie anders gemacht? Dieses Playbook wird zum Template für alle folgenden Use Cases. Typische Learnings: Die Datenvorbereitung dauert 3x so lang wie erwartet, das Change Management war der kritischere Erfolgsfaktor als der Algorithmus, der MVP reichte für 80% des Nutzens.
• Von Einzelmodellen zu einer KI-Lösungsarchitektur. Das ist der Paradigmenwechsel auf Ihrer Stufe. Statt jeden Use Case als isoliertes Projekt zu behandeln: Wie hängen Ihre Use Cases zusammen? Welche teilen sich Datenquellen oder Features? Welche bauen aufeinander auf (z.B. erst Anomalieerkennung, dann Predictive Maintenance, dann automatische Wartungsplanung)? Entwerfen Sie eine Use-Case-Landkarte, die zeigt, wie sich Ihre KI-Anwendungen zu einem zusammenhängenden System fügen, und welche gemeinsame Infrastruktur sie brauchen.
• KI-Partnerschaft strategisch gestalten. Prüfen Sie, ob Ihre aktuelle Partnerschaft die Skalierung unterstützt. Ein guter strategischer KI-Partner auf Ihrer Stufe kann: (a) bei der MLOps-Architektur beraten, (b) Modelle in den Produktivbetrieb überführen (nicht nur entwickeln), (c) bei Governance und AI Act beraten und (d) bestenfalls aktiv zum Upskilling Ihres Teams beitragen. Vermeiden Sie Partner, die nur 'mehr Piloten' anbieten. Sie brauchen Skalierungskompetenz.
• Internes KI-Know-how auf das nächste Level bringen. Für den Produktivbetrieb brauchen Sie neben analytischer Kompetenz auch ML-Engineering-Know-how, also die Fähigkeit, Modelle robust, skalierbar und wartbar in den Betrieb zu bringen. Auf dieser Stufe ist es sinnvoll, gezielt Personen mit Data-Science- und ML-Engineering-Hintergrund einzustellen. Idealerweise begleitet Ihr KI-Partner diesen Aufbau mit gezieltem Enablement und Upskilling.
• Generative KI und LLMs für die Produktion evaluieren. LLMs eröffnen auch in der Produktion neue Möglichkeiten: KI-gestützte Fehlerdiagnose, intelligente Wissensdatenbanken für den Shopfloor, KI-Copilots für Prozessingenieure. Auf dem Weg zur Software-Defined Factory werden LLMs, die Code und Konfigurationen generieren können, eine zentrale Rolle spielen. Sie ermöglichen es, Produktionslogik softwarebasiert und flexibel zu erzeugen statt manuell zu programmieren.
• KI-Wirkungsmessung etablieren. Verknüpfen Sie Ihre KI-Use-Cases mit operativen KPIs: OEE-Steigerung, Ausschussreduktion, Energieeinsparung, Reduktion ungeplanter Stillstände, Verkürzung von Durchlaufzeiten. Messen Sie den Vorher-Nachher-Effekt rigoros. Diese Zahlen sind nicht nur intern wichtig (Budgetrechtfertigung), sondern auch die Grundlage für die Priorisierung weiterer Use Cases.

Wo Sie stehen: KI produktiv im Einsatz. Data Science-Team. Priorisierte Roadmap. Strategische KI-Partnerschaften.

Was Sie konkret tun sollten:

• Von Use-Case-Roadmap zu KI-Plattformstrategie. Einzelne Use Cases zu skalieren ist der richtige Ansatz auf Stufe 4. Auf Stufe 5 brauchen Sie eine Plattformstrategie: standardisierte Schnittstellen zwischen KI-Modellen und Produktionssystemen, und die Fähigkeit, neue Use Cases in Wochen statt Monaten zu entwickeln und zu deployen. Der Unterschied liegt nicht in der Technologie, sondern in der Architekturentscheidung: Bauen Sie für Wiederverwendung, nicht für den nächsten Piloten.
• KI-Portfolio-Management einführen. Behandeln Sie Ihre KI-Anwendungen wie ein Portfolio: regelmäßiger Review (welche Modelle performen gut, welche nicht?), aktives Lifecycle-Management (wann muss ein Modell retired werden?), und strategische Priorisierung (wo investieren wir als nächstes?). Verknüpfen Sie den KI-Portfolio-Review mit Ihren operativen KPIs: OEE, Ausschuss, Energie, Durchlaufzeit.
• Von LLMs zu KI-Agenten mit Tool-Zugriff. Der entscheidende Schritt auf Ihrer Stufe ist der Übergang von einzelnen KI-Modellen zu orchestrierten KI-Agenten, die eigenständig über standardisierte Schnittstellen auf Systeme und Daten zugreifen: Echtzeit-Maschinendaten, historische Produktionsdaten, MES und ERP. Agenten für Produktionsplanung, Qualität oder Logistik können so koordiniert zusammenarbeiten. Voraussetzung: kontextualisierte Daten (inkl. Knowledge Graphs und Vector DBs für Domänenwissen) sowie durchgängige Security und Governance als Leitplanken. Perspektivisch werden Agenten auch Software generieren: Steuerungslogik und Konfigurationen, die nicht mehr manuell programmiert, sondern von KI erzeugt, getestet und deployed werden.
• Vision Software-Defined Factory konkretisieren, mit KI-Agenten-Architektur als Fundament. Entwickeln Sie ein konkretes Zielbild: Wie sieht Ihre Produktion in 3 bis 5 Jahren aus? Welche Prozesse sind vollständig autonom? Wo greift der Mensch noch ein und warum? Welche neuen Geschäftsmodelle werden möglich (Losgröße 1 zu Kosten von Massenproduktion, Product-as-a-Service)? Im Kern der SDF-Vision steht eine KI-Agenten-Architektur: Spezialisierte Agenten orchestrieren Produktionsprozesse, greifen über standardisierte Schnittstellen auf Systeme und Daten zu, und generieren Software. Grundlage sind kontextualisierte Daten und systematisch abgelegtes Domänenwissen, flankiert von durchgängiger Security und Governance. Diese Vision brauchen Sie als Nordstern für alle Investitions- und Architekturentscheidungen.