1
00:00:00,000 --> 00:00:09,000
Willkommen bei IT-Verbistnis. Ich bin Mirko Peters. Wir arbeiten als IT-Dienstleister für den Mittelstand und hier geht es nicht um Marketing-Hype, sondern um echte Entscheidungen in der IT.

2
00:00:09,000 --> 00:00:14,000
Wir sprechen über Infrastruktur, Cloud Migration und Security aus der Praxis.

3
00:00:14,000 --> 00:00:19,000
Wenn Sie Verantwortung für die IT-Tragen oder Dienstleister bewerten müssen, sind Sie hier genau richtig.

4
00:00:19,000 --> 00:00:25,000
Vernetzen Sie sich auch gerne mit mir auf linken, denn ich schätze den direkten Austausch über reale Projekte sehr.

5
00:00:25,000 --> 00:00:32,000
Lassen Sie uns kurz das Rauschen ausblenden. Wenn wir über KI in der Fertigung sprechen, reden fast alle über Modelle oder Kupiloten.

6
00:00:32,000 --> 00:00:43,000
Erstaunlich wenige, sprechen dagegen über Ausschuss, Stillstand und den massiven Aufwand im Betrieb, der nach dem Pilotprojekt erst richtig anfängt, genau dort versteckt sich aber das eigentliche Risiko für ihr Budget.

7
00:00:43,000 --> 00:00:50,000
In dieser Folge schauen wir uns an, wo KI in der Fabrik wirklich Geld verdient und wo sie nur Kapital bindet.

8
00:00:50,000 --> 00:00:58,000
Wir blicken dabei bewusst auf die Realität im Mittelstand, also auf Brownfield-Anlagen, knappe Personalresourcen und eine laufende Produktion ohne Spielraum für Experimente.

9
00:00:58,000 --> 00:01:04,000
Bleiben Sie kurz dran, denn der teuerste Fehler passiert oft schon, bevor Sie überhaupt ein Tool auswählen.

10
00:01:04,000 --> 00:01:08,000
Warum KI-Projekte in der Fertigung oft am Budget scheitern?

11
00:01:08,000 --> 00:01:13,000
Sein wir ehrlich, in den meisten Fällen sprengt nicht die KI-Technik an sich das Budget.

12
00:01:13,000 --> 00:01:21,000
Die Rechnung beginnt viel früher bei einer schlechten Ausgangslage, die man beim Projektstart gerne ignoriert, weil die Däme auf den Folien so sauber wirkt.

13
00:01:21,000 --> 00:01:24,000
Was dann in der Realität fehlt, ist selten nur ein schlaues Modell.

14
00:01:24,000 --> 00:01:28,000
Es fehlt am sauberen Datenzugriff und an einer klaren Architekturverantwortung.

15
00:01:28,000 --> 00:01:37,000
Wenn Maschinendaten lokal liegen und Prozessdaten in einem anderen System stecken, während wichtige Infos in Exel gepflegt werden, bauen sie kein tragfähiges Vorhaben.

16
00:01:37,000 --> 00:01:43,000
Sie bauen stattdessen teure Umwege, die später jeden kleinen Schritt im Betrieb massiv erschweren.

17
00:01:43,000 --> 00:01:45,000
Das sehen wir in Fertigungsumgebungen ständig.

18
00:01:45,000 --> 00:01:54,000
Eine Anlage liefert Werte in einem speziellen Format, das MES nutzt eine eigene Logik und das ERP kennt zwar den Auftrag, aber nicht den technischen Zustand der Maschine.

19
00:01:54,000 --> 00:01:58,000
Dazwischen sitzen dann manuelle Schnittstellen und Skripte, die auf Einzelwissen basieren.

20
00:01:58,000 --> 00:02:03,000
Auf dem Papier wirkt das alles verbunden, aber im täglichen Betrieb ist diese Konstruktion extrem brüchig.

21
00:02:03,000 --> 00:02:08,000
Jetzt wird es interessant, denn hier liegt der Unterschied über den Anbieter ungeansprechen.

22
00:02:08,000 --> 00:02:13,000
Im Labor funktioniert fast alles reibungslos, weil die Bedingungen dort künstlich sauber gehalten werden.

23
00:02:13,000 --> 00:02:18,000
Es gibt definierte Datensätze, keine Schichtwechsel und keine Störung aus dem echten Werkalltag.

24
00:02:18,000 --> 00:02:25,000
In der Fabrik sieht die Welt anders aus. Da Kameras verschmutzten, Teile variieren und Anlagen, nicht exakt so stehen wie im Testaufbau.

25
00:02:25,000 --> 00:02:30,000
Entscheidungen müssen hier in einen laufenden Prozess passen und nicht in eine schicke Präsentation.

26
00:02:30,000 --> 00:02:34,000
Damit wird aus einer technischen Idee sehr schnell ein Handfest des Betriebsproblemen.

27
00:02:34,000 --> 00:02:42,000
Es geht plötzlich nicht mehr darum, ob ein Modell grundsätzlich etwas erkennt, sondern ob das Ergebnis in der Früschicht genau so brauchbar ist wie nachts um 2 Uhr.

28
00:02:42,000 --> 00:02:50,000
Sie müssen wissen, ob ein Anlagenstellstand korrekt erfasst wird und ob ihre Mitarbeiter verstehen, warum das System heute anders entscheidet als noch letzte Woche.

29
00:02:50,000 --> 00:02:54,000
Klar Text. Das ist keine Technikfrage, das ist eine Architekturfrage.

30
00:02:54,000 --> 00:03:01,000
Wenn zwischen Maschine, EAP und diversen Schattenlisten eine Frankenstein-Integration entsteht, zahlen sie nicht nur bei der Einführung drauf.

31
00:03:01,000 --> 00:03:07,000
Sie zahlen jeden Monat im Betrieb weiter, weil jede kleine Änderung sofort hohen Folge aufwandt nach sich zieht.

32
00:03:07,000 --> 00:03:12,000
Jede neue Linie braucht dann wieder eine eigene Sonderlogik und jeder Standort kocht sein eigenes Sübchen.

33
00:03:12,000 --> 00:03:17,000
Hier beginnt das, was viele in der Kalkulation schlicht unterschätzen. Die Day 2 Operations.

34
00:03:17,000 --> 00:03:26,000
Das ist alles, was nach dem Go-Life niemand mehr spannend findet, aber zuverlässig Geld kostet. Modelle müssen überwacht und die Datenqualität muss permanent geprüft werden.

35
00:03:26,000 --> 00:03:37,000
Wenn sich Produkte oder Prozesse ändern, kann das ein komplettes Retraining nötig machen. Dazu kommen Support, Security und die Dokumentation, die oft sträflich vernachlässigt wird. Überlegen Sie mal.

36
00:03:37,000 --> 00:03:42,000
Ein KI-System ist kein klassisches Stück Software, das man einmal installiert und dann einfach vergisst.

37
00:03:42,000 --> 00:03:54,000
Wenn sich die Datenbasis verändert, sinkt auch die Güte ihres Modells. Wenn niemand diesen Betrieb sauber organisiert, läuft das Projekt nur scheinbar stabil, bis die Fachbereiche anfangen, eigene Workerowns zu bauen.

38
00:03:54,000 --> 00:04:00,000
Dann bricht das Vertrauen in die Lösung langsam aber sicher weg. Besonders teuer wird es in der typischen POC-Falle.

39
00:04:00,000 --> 00:04:09,000
Ein kleiner Pilot an einer einzelnen Linie liefert einen guten Effekt und alle sind erst einmal zufrieden. Wenn sie dann aber skalieren wollen, zeigt sich das Problem.

40
00:04:09,000 --> 00:04:15,000
Die Schnittstellen wurden nur lokal gebaut und die Datenbegriffe sind zwischen den Werken überhaupt nicht einheitlich.

41
00:04:15,000 --> 00:04:24,000
Der Pilot war also kein Einstieg in eine echte Lösung, sondern nur ein teurer Sonderfall ohne Zukunft. Wenn sie ihr Budget schützen wollen, reicht technische Begeisterung allein nicht aus.

42
00:04:24,000 --> 00:04:32,000
Sie müssen Anwendungsfälle wählen, bei denen der wirtschaftliche Schmerzreal ist und die technische Grundlage nicht schon beim ersten Rollout auseinanderfällt.

43
00:04:32,000 --> 00:04:46,000
Architektur schlägt Tools. Stellen Sie deshalb zuerst die harten Fragen, bevor Sie den nächsten Vertrag unterschreiben. Wo die niedrigen Früchte wirklich hängen. Wenn Sie mit KI in der Fertigung starten wollen, dann bitte nicht dort, wo das Projekt intern am modernsten klingt.

44
00:04:46,000 --> 00:04:55,000
Gehen Sie dort hin, wo heute schon jeden Monat Geld verloren geht, weil Fehler zu spät erkannt werden, Abläufe unnötig manuell sind oder wissen im Betrieb zu lange gesucht werden muss.

45
00:04:55,000 --> 00:05:04,000
Sein wir ehrlich. Die meisten Unternehmen suchen zuerst die große Vision und übersehen dabei die sauberen kleinen Hebel direkt vor der eigenen Nase.

46
00:05:04,000 --> 00:05:14,000
Der erste Bereich liegt meist sehr nahe, die visuelle Qualitätsprüfung. Das ist nicht interessant, weil Kameras neu wären, sondern weil der wirtschaftliche Schmerz hier absolut klar ist.

47
00:05:14,000 --> 00:05:24,000
Die Schuss kostet Material, Maschinenzeit und am Ende oft auch das Vertrauen beim Kunden. Danach arbeite Personal bindet, dass ein anderer Stelle fehlt, entstehen schnell engpässe in der gesamten Linie.

48
00:05:24,000 --> 00:05:31,000
Reglamationen kommen zu dem gern erst dann zurück, wenn der eigentliche Verursacher im Prozess längst nicht mehr sauber nachvollziehbar ist.

49
00:05:31,000 --> 00:05:39,000
Eine KI gestützte Sichtprüfung kann hier stabil helfen, sofern Sie ein klar abgegrenztes Merkmalprüfen und das Ergebnis nahrtlos in den Ablauf passt.

50
00:05:39,000 --> 00:05:49,000
Der Vorteil ist banal aber wirksam. Das System prüft gleichförmig, es kennt keine müde Spätschicht und keinen hektischen Schichtwechsel. Genau das macht solche Fälle oft wirtschaftlich.

51
00:05:49,000 --> 00:05:53,000
Direkt daneben liegt ein zweites Feld, das gern so groß gedacht wird, predictive maintenance.

52
00:05:53,000 --> 00:06:03,000
Viele Staaten gedanklich sofort bei der komplett vorausschauenden Instandhaltung über das ganze Werk, was im Strategie-Papier zwar ordentlich klingt, für den Einstieg aber oft der falsche Weg ist.

53
00:06:03,000 --> 00:06:13,000
Sinfola ist hier eine "Predictive maintenance light". Nehmen Sie wenige kritische Anlagen, bei denen ein ungeplanter Ausfall wirklich wehtut und arbeiten Sie dort gezielt mit anomalia Kennung.

54
00:06:13,000 --> 00:06:19,000
Also nicht gleich die perfekte Ausfallvorhersage für das nächste Jahr anstreben, sondern erst einmal die saubere Frage klären.

55
00:06:19,000 --> 00:06:25,000
Verhalten sich, Schwingung, Temperatur, Stromaufnahme oder Laufzeit, gerade ungewöhnlich.

56
00:06:25,000 --> 00:06:37,000
Das ist deutlich pragmatischer, technisch einfacher umzusetzen und im harten Betriebsalltag meist belastbarer. Ein drittes Feld wird oft unterschätzt, weil es nicht nach klassischer Fabrika-E aussieht, Assistenz am Schopflor.

57
00:06:37,000 --> 00:06:44,000
Dabei liegt hier erstaunlich viel Potenzial, gerade in Werken mit hoher Variantenvielfalt, Schichtbetrieb und knappen Fachkräften.

58
00:06:44,000 --> 00:06:53,000
Überlegen Sie mal, wie viel Zeit verloren geht, wenn ein Mitarbeiter erst fünf Ordner, alte Tickets und PDF-Dateien durchsuchen muss, um ein wiederkehrendes Fehlerbild einzuordnen.

59
00:06:53,000 --> 00:07:03,000
Die digitale Arbeitsanweisung, die Kontext bezogen die richtige Information zeigen oder Schichtprotokolle, die nicht nur abgelegt, sondern auswertbar werden, lösen dieses Problem.

60
00:07:03,000 --> 00:07:10,000
Das Spart vielleicht nicht spektakulär in einer einzelnen Minute, aber im laufenden Betrieb somiert sich genau dieser Reibungsverlust massiv.

61
00:07:10,000 --> 00:07:15,000
Und noch wichtiger, sie machen sich ein Stück Unabhängiger von individuellem Einzelwissen.

62
00:07:15,000 --> 00:07:21,000
Auch in der Logistik und Materialfluss hängen einige der niedrigsten Früchte. Die Etikettenerkennung ist dafür ein gutes Beispiel.

63
00:07:21,000 --> 00:07:31,000
Das klingt unspektakulär hat aber oft eine sehr klare Wirkung, weil Prozesse im Waren-Eingang bei der Zuordnung oder bei internen Umläufen dadurch sauberer und schneller laufen.

64
00:07:31,000 --> 00:07:37,000
Dazu kommen Vollständigkeitsprüfungen und einfache Klassifikationen etwa bei Behältern, Teilen oder Dokumenten.

65
00:07:37,000 --> 00:07:42,000
Solche Anwendungen sind selten Pristiespräjekte, aber genau deshalb sind sie interessant.

66
00:07:42,000 --> 00:07:52,000
Sie berühren einen eng umrissenen Prozess, liefern schnell messbare Ergebnisse und greifen meist weniger tief in die Produktionssteuerung ein, als große Automatisierung vorhaben.

67
00:07:52,000 --> 00:08:01,000
Ein weiterer Bereich ist die Planung, aber bitte im kleinen Rahmen. Rechnen sie nicht sofort die komplette Fabrik neu und kaufen sie nicht direkt den größten Optimierer am Markt ein.

68
00:08:01,000 --> 00:08:10,000
Schauen sie lieber auf ihre Engpassanlagen und fragen sie sich, ob einfache Reihenfolgevorschläge helfen können, Rüstwechsel zu senken oder Störungen besser abzufedern.

69
00:08:10,000 --> 00:08:17,000
Wenn eine KI-Logik an einer Engpassstelle bessere Vorschläge liefert, dann sehen sie den Effekt relativ direkt in den Zahlen.

70
00:08:17,000 --> 00:08:27,000
Das ist etwas anderes als der Versuch, auf einen Schlag die gesamte Produktionsplanung intelligenter zu machen, da sich dort sonst schnell mehr Komplexität als echter nutzen versteckt.

71
00:08:27,000 --> 00:08:32,000
Die eigentliche Auswahl ist am Ende ziemlich nüchtern. Gute Einstiegsfälle haben fünf klare Eigenschaften.

72
00:08:32,000 --> 00:08:34,000
Erstens hohe Wiederholung.

73
00:08:34,000 --> 00:08:47,000
Wenn ein Vorgang ständig vorkommt, lohnt sich die Verbesserung fast immer. Zweitens Messbare Kosten. Wenn sie Ausschussprüfzeit oder Störungsfolgen nicht bezufahren können, wird der Nutzen schnell zur reinen Glaubensfrage.

74
00:08:47,000 --> 00:08:53,000
Drittens. Vorhandene Daten oder zumindest Daten, die sich ohne Groß-Umbau erfassen lassen.

75
00:08:53,000 --> 00:09:01,000
Viertens. Ein begrenzter Prozess, der nicht sofort das halbe Werk berührt. Und fünftens. Ein möglichst geringer Eingriff in die OT.

76
00:09:01,000 --> 00:09:08,000
Sie wollen schließlich nicht schon im ersten Pilotprojekt an Freigaben, Netzgrenzen und der Maschinenlogik scheitern.

77
00:09:08,000 --> 00:09:15,000
Wenn ihnen das bekannt vorkommt, sie sind nicht allein. Und es ist löstbar. Genau dort, bei den greifbaren Problemen, würde ich beginnen.

78
00:09:15,000 --> 00:09:26,000
Aber ein brauchbarer Use-Case-Alein löst das Problem noch nicht. Sobald zwischen Shop-Flor und IT die Grundlage wackelt, wird selbst die sinnvollste Idee unnötig teuer.

79
00:09:26,000 --> 00:09:36,000
Die Architekturfrage, die vor jedem KI-Projekt geklärt sein muss. Bevor sie über Modelltypen, Anbieter oder Plattformen sprechen, gehört eine andere Frage auf den Tisch.

80
00:09:36,000 --> 00:09:43,000
Wo entstehen die Daten eigentlich? Wehm gehören sie im Betrieb und wer darf sie für welchen Zweck nutzen.

81
00:09:43,000 --> 00:09:51,000
Das klingt zunächst nach Governance und damit nach einem trockenen Nebenkriegschaubplatz. In der Praxis entscheidet aber genau, dass darüber, ob ein KI-Vorhaben sauber läuft,

82
00:09:51,000 --> 00:09:57,000
oder schon bei der ersten Abstimmung zwischen Produktion, IT und Dienstleister hängen bleibt.

83
00:09:57,000 --> 00:10:03,000
Klartext, Architektur schlägt Tools, denn Shop-Flor und klassische IT folgen nicht denselben Regeln.

84
00:10:03,000 --> 00:10:09,000
In der OT zählt zuerst die Verfügbarkeit, die Anlage soll stabil und ohne unnötige Eingriffe laufen.

85
00:10:09,000 --> 00:10:16,000
In der IT hingegen ist Veränderung völlig normal, sei es durch Updates, Neuschnitzstellen oder neue Auswertungen.

86
00:10:16,000 --> 00:10:20,000
Dazu kommt ein Zweiterkonflikt, Safety gegen Änderungsdruck.

87
00:10:20,000 --> 00:10:28,000
In der Produktion kann eine unbedachte Anpassung reale, physische Folgen haben, während dieselbe Anpassung in der IT oft als Routine gilt.

88
00:10:28,000 --> 00:10:34,000
Wenn diese beiden Welten ohne klare Betriebsmodell auffeinander treffen, entsteht Reibung statt Fortschritt.

89
00:10:34,000 --> 00:10:44,000
Im Mittelstand verschärft sich das durch das Thema Brownfield. Wir reden hier von Anlagen, die über Jahre gewachsen sind, mit alten Steuerungen, propräitären Protokollen und lokalen Sonderwegen.

90
00:10:44,000 --> 00:10:51,000
Diese sind oft aus einer pragmatischen Entscheidung heraus entstanden und dann einfach geblieben. Das ist kein Ausnahmefall, sondern vielerorts der normal betrieb.

91
00:10:51,000 --> 00:10:59,000
Nur wird daraus schnell ein Problem, wenn ein KI-Projekt plötzlich durchgängige Datenflüsse erwartet, die es real so nie gegeben hat.

92
00:10:59,000 --> 00:11:01,000
Da versteckt sich das Risiko für jedes Budget.

93
00:11:01,000 --> 00:11:07,000
Was sich in solchen Umgebungen bewährt, ist kein großes Zukunftsbild mit maximaler Zentralisierung.

94
00:11:07,000 --> 00:11:12,000
Tragefähig ist meist ein einfaches Muster, Maschine, Kopplungsschicht, Datenplattformen.

95
00:11:12,000 --> 00:11:18,000
Die Maschine bleibt dort, wo sie hingehört, während die Kopplungsschicht sammelt, puffert, übersetzt und sauber trennt.

96
00:11:18,000 --> 00:11:24,000
Erst danach landen die Daten auf einer Plattform, auf der sie sie auswerten, verknüpfen und für KI nutzen können.

97
00:11:24,000 --> 00:11:32,000
Das ist deutlich vernünftiger, als jede Quelle direkt an irgendeinen Clouddienst zu hängen und später überrascht festzustellen, dass man weder Übersicht noch Kontrolle hat.

98
00:11:32,000 --> 00:11:38,000
Lassen Sie uns das kurz zerlegen. Die Kopplungsschicht ist nicht nur Technik zum Verbinden, sie ist auch ein Schutzmechanismus.

99
00:11:38,000 --> 00:11:44,000
Dort legen sie fest, welche Daten überhaupt herausdürfen, in welchem Takt, in welchem Format und mit welcher Absicherung.

100
00:11:44,000 --> 00:11:53,000
Gerade bei älteren Anlagen ist das Goldwert, weil sie die Produktionswelt nicht jedes Mal umbauen müssen, nur, weil auf der IT-Seite ein neuer Anwendungsfall auftaucht.

101
00:11:53,000 --> 00:11:56,000
Betrachten sie es wie ein Haus, das renoviert wird.

102
00:11:56,000 --> 00:12:00,000
Sie wollen nicht bei jedem neuen Lichtschalter die gesamte Startig angreifen müssen.

103
00:12:00,000 --> 00:12:02,000
Genau an dieser Stelle sitzt auch das Sicherheitsthema.

104
00:12:02,000 --> 00:12:12,000
KI darf keine Seiten-Tür ins Produktionsnetz werden. Wenn sie neue Sensorik, Gateways oder externe Dienst da einführen, öffnen sie potentiell neue Angriffsflächen für Schadsoftware.

105
00:12:12,000 --> 00:12:18,000
Das lässt sich beherrschen, aber nicht mit dem Reflex, einfach alles blind zu verbinden, was irgendwie Daten liefert.

106
00:12:18,000 --> 00:12:22,000
Sie brauchen segmentierung, klare Netzgrenzen und saubere Rechte.

107
00:12:22,000 --> 00:12:28,000
Anders gesagt, der Wunsch nach mehr Datenzugriff darf nie wichtiger werden als die Stabilität des Werks.

108
00:12:28,000 --> 00:12:33,000
Dazu kommt ein Punkt, der oft unterschätzt wird. Rohdaten allein haben wenig Wert.

109
00:12:33,000 --> 00:12:38,000
Ein Stromwert, ein Kamerabild oder eine Temperaturkurve ist ohne Kontext nur ein Signal im Rauschen.

110
00:12:38,000 --> 00:12:46,000
Erst wenn sie diese Daten mit dem Auftrag der Charge der Maschine oder einer konkreten Störung zusammenbringen, entsteht etwas nutzbares.

111
00:12:46,000 --> 00:12:52,000
Sonst trainieren sie bestenfalls auf Mustern, die technisch interessant wirken, fachlich aber keine belastbarer Aussage liefern.

112
00:12:52,000 --> 00:12:58,000
Genau deshalb scheitern viele Vorhaben nicht an zu wenig Daten, sondern an zu wenig Kontext.

113
00:12:58,000 --> 00:13:08,000
Darum würde ich die Architektur immer vor die Toolauswahl stellen, nicht weil Tools unwichtig wären, sondern weil einfache, wiederholbare Bausteine auf Dauer mehr tragen als fünf Spezialösungen.

114
00:13:08,000 --> 00:13:16,000
Wenn diese jeweils nur für einen Einzelfall optimiert wurden, ergeben sie zusammen kein Gesamtbild, sondern eine Frankenstein-Integration.

115
00:13:16,000 --> 00:13:25,000
Wenn sie heute schon wissen, dass ein erfolgreicher Pilot später auf weitere Linien oder Standorte ausgerollt werden soll, dann bauen sie von Anfang an mit derselben Logik.

116
00:13:25,000 --> 00:13:29,000
Gleiche Schnittstellen, gleiche Datenbegriffe, gleiche Verantwortung.

117
00:13:29,000 --> 00:13:38,000
Sobald diese Grundlage steht wird die Diskussion sachlicher. Dann reden sie nicht mehr über KI als Wageschlagwort, sondern über einen konkreten Nutzen auf einer belastbaren Basis.

118
00:13:38,000 --> 00:13:45,000
Und genau dann lohnt es sich, den nächsten Schritt sauber zu rechnen und klein zu starten, statt groß zu versprechen.

119
00:13:45,000 --> 00:13:51,000
Sprechen sie mit ihrem Team, bevor sie unterschreiben. Stellen sie zuerst die Harten-Fragen, nicht die bequem.

120
00:13:51,000 --> 00:13:54,000
So rechnen sie ROI ohne sich selbst etwas vorzumachen.

121
00:13:54,000 --> 00:14:00,000
Sobald die Architekturfrage halbwegs sauber beantwortet ist, kommen wir zu dem Punkt, an dem sich die Spräu vom Weizen trennt.

122
00:14:00,000 --> 00:14:06,000
Hier entscheidet sich, ob ihr Projekt auf einem Solidenfundament steht oder ob sie sich in die eigene Tasche lügen.

123
00:14:06,000 --> 00:14:15,000
Wir reden über die Wirtschaftlichkeit und die beginnt eben nicht mit den bunten Hochrechnungen aus einem Anbieter Deck, sondern mit einer knallharten Baseline aus ihrem eigenen Betrieb.

124
00:14:15,000 --> 00:14:19,000
Sie müssen zuerst einmal wissen, was der ist, zustand sie heute wirklich kostet.

125
00:14:19,000 --> 00:14:26,000
Wie viel Zeit fließt in manuelle Prüfungen, wie hoch ist die Ausschussquote tatsächlich und wie oft müssen Teile in die Nacharbeit.

126
00:14:26,000 --> 00:14:33,000
Überlegen sie mal, welche Stillstandszeiten sie so richtig Geld kosten und was Reklamationen am Ende der Kette für ihren Ruf und ihr Budget bedeuten.

127
00:14:33,000 --> 00:14:43,000
Ohne diese nackten Ausgangswerte lässt sich jeder Pilotversuch wunderbar schön rechnen, weil am Ende niemand belegen kann, ob die Verbesserung real ist oder nur gut präsentiert wurde.

128
00:14:43,000 --> 00:14:47,000
Genau deshalb ist es ein Fehler, den Nutzen abstrakt für das ganze Werk zu kalkulieren.

129
00:14:47,000 --> 00:14:51,000
Rechnen sie lieber Prolinie, Pro Engpass oder Profehlerklasse.

130
00:14:51,000 --> 00:14:56,000
Wenn eine ganz bestimmte Fehlerart regelmäßig die Nacharbeit befeuert, dann ist das ihr Bezugspunkt.

131
00:14:56,000 --> 00:15:09,000
Wenn eine einzelne Anlage bei jeder kleinen Störung den gesamten Materialfluss ausbremst, dann setzen sie dort an. Alles andere klingt zwar auf dem Papier strategische Wertvoll, hilft ihnen bei einer harten Investitionsentscheidung aber kein Stück weiter.

132
00:15:09,000 --> 00:15:12,000
Dann gibt es noch einen zweiten Teil, den sie sauber trennen müssen.

133
00:15:12,000 --> 00:15:17,000
Carpex und Obags. Also die einmaligen Investitionen gegen die laufenden Kosten.

134
00:15:17,000 --> 00:15:27,000
Die ersten Gruppe gehören typischerweise die Hardware, Kameras, Edgegeräte und die Integration in ihre bestehenden Systeme. Auch Anpassungen an Schnittstellen oder externe Berater fallen hier runter.

135
00:15:27,000 --> 00:15:33,000
Zur zweiten Gruppe zählen die Zänsten der laufende Support, das Monitoring und die Wartung der Modelle.

136
00:15:33,000 --> 00:15:37,000
Vergessen sie dabei nicht den internen Aufwand, der im Alltag gerne mal unter den Tisch fällt.

137
00:15:37,000 --> 00:15:45,000
Wenn diese beiden Blöcke in einer einzigen Sammelzahl verschwinden, fehlt ihnen später jede Grundlage, um den Betrieb ehrlich zu bewerten. Klartext.

138
00:15:45,000 --> 00:15:50,000
Gerade bei KI-Projekten liegen die verdeckten Kosten selten dort, wo man zuerst hinschaut.

139
00:15:50,000 --> 00:15:57,000
Ein klassischer Kostentreiber ist das Labeling. Jemand muss die Daten sichten, markieren und für das Training überhaupt erst brauchbar machen.

140
00:15:57,000 --> 00:16:03,000
Dazu kommt die Datenaufbereitung, denn Rohdaten aus der Fertigung kommen selten fertig sortiert aus der Maschine.

141
00:16:03,000 --> 00:16:08,000
Sie müssen bereinigt, zugeordnet und fachlich eingeordnet werden, bevor sie einen Wert haben.

142
00:16:08,000 --> 00:16:12,000
Dann folgen noch Freigabeprozesse, Schulungen und Security-Brüfungen.

143
00:16:12,000 --> 00:16:16,000
Oft kommen noch Abstimmungen mit der Qualitätssicherung oder den Betriebsrad dazu.

144
00:16:16,000 --> 00:16:20,000
Das ist kein lästiges Beiverg, sondern das gehört fest in die Kalkulation.

145
00:16:20,000 --> 00:16:23,000
Ein weiterer Denkfehler sitzt oft bei den Personalkosten.

146
00:16:23,000 --> 00:16:29,000
Viele Business-Cases tun so, als würden eingesperrte Minuten automatisch zu einem echten Personal abbaufhören.

147
00:16:29,000 --> 00:16:36,000
In der Praxis passiert meistens etwas ganz anderes. Die Mitarbeiter werden verlagert, fangen Ausnahmen ab oder übernehmen die Kontrolle des neuen Systems.

148
00:16:36,000 --> 00:16:45,000
Oft arbeiten sie auch einfach Rückstände auf die vorherliegen geblieben sind. Das kann wirtschaftlich absolut sinnvoll sein, nur eben anders als es auf der bunten Marketingfolie stand.

149
00:16:45,000 --> 00:16:51,000
Wenn sie diese Verschiebung als volle Einsparung ansetzen, bauen sie sich die Enttäuschung für das nächste Jahr direkt mit ein.

150
00:16:51,000 --> 00:16:55,000
Viel belastbarer wird ihre Rechnung, wenn sie auf die vermiedenen Kosten schauen.

151
00:16:55,000 --> 00:16:59,000
Weniger Ausschuss, weniger Nacharbeit und stabile Prozesse sind harte Währungen.

152
00:16:59,000 --> 00:17:09,000
Wenn an einer kritischen Stelle weniger Störungen auftreten, lässt sich das im Fertigungsumfeld meist deutlich ehrlicher greifen als pauschale Aussagen über die allgemeine Produktivität.

153
00:17:09,000 --> 00:17:23,000
Das gilt besonders dann, wenn sie den Nutzen über einige Monate gegen den echten Ausgangswert halten und nicht gegen eine optimistische Erwartungshaltung, dazu gehört auch, dass sie einen Piloten nicht als Prestige-Projekt aufsetzen, sondern als echte Entscheidungsvorlage.

154
00:17:23,000 --> 00:17:29,000
Das bedeutet, ein kurzer Zeitraum, ein Klabegrenz das Gop und ein deutige KPIs.

155
00:17:29,000 --> 00:17:34,000
Legen sie vorab eine Abbruchregel fest. Wenn der Effekt unter einer bestimmten Schwelle bleibt, stoppen sie das Ganze.

156
00:17:34,000 --> 00:17:41,000
Wenn die Datenqualität nicht ausreicht oder der Eingriff in den Betrieb größer wird als geplant, ziehen sie die Reisleine oder verkleinern den Skop.

157
00:17:41,000 --> 00:17:46,000
Das klingt vielleicht unspektakulär, schützt aber ihr Budget und vor allem ihre Glaubwürdigkeit im Unternehmen.

158
00:17:46,000 --> 00:17:54,000
Am Ende des Tages brauchen sie keine große KI-Erzählung für den Geschäftsbericht. Sie brauchen eine nüchterne Rechnung, die dem harten Alltag im Werk stand hält.

159
00:17:54,000 --> 00:18:00,000
Und genau daraus ergibt sich dann fast von selbst die nächste Frage. Wie setzen sie so ein Vorhaben praktisch auf?

160
00:18:00,000 --> 00:18:05,000
Ohne das aus einem sauberen Pilotprojekt wieder ein loses Sammelsurium aus teuren Sonderwegen wird?

161
00:18:05,000 --> 00:18:08,000
Ein pragmatischer Fahrplan für den Mittelstand.

162
00:18:08,000 --> 00:18:21,000
Wenn sie das Thema jetzt angehen wollen, brauchen sie keinen Masterplan mit 20 Arbeitspaketen, sondern eine vernünftige Reihenfolge. Erstens wählen sie einen Prozess mit echtem Schmerzfaktor, einem klaren verantwortlichen und einem begrenzten Umfang.

163
00:18:21,000 --> 00:18:23,000
Schreiben sie nicht.

164
00:18:23,000 --> 00:18:31,000
Qualität verbessern über das Projekt, sondern suchen sie sich eine konkrete Prüfstelle oder eine Anlage aus, deren Ausfall regelmäßig hohe Folgekosten verursacht.

165
00:18:31,000 --> 00:18:41,000
So lange niemand fachlich wirklich den Hut aufhat, wird das Vorhaben in endlosen Abstimmungsrunden versanten. Der zweite Schritt ist deutlich nüchterner als viele IT-Begeisterte hoffen.

166
00:18:41,000 --> 00:18:50,000
Prüfen sie die Datenlage, bevor sie überhaupt über Lösungen sprechen. Welche Daten gibt es wirklich, wie steht es um die Qualität und wer hat technisch oder rechtlich Zugriff darauf?

167
00:18:50,000 --> 00:18:58,000
Zwischen der Aussage, die Daten liegen theoretisch vor und sie sind produktiv nutzbar, liegt in vielen Werken eine erstaunlich große Lücke.

168
00:18:58,000 --> 00:19:06,000
Wenn Zeitstempel nicht zusammenpassen oder Verantwortlichkeiten für die Datenquelle unklassend, wird aus einem kleinen Piloten ganz schnell ein riesiges Aufräumprojekt.

169
00:19:06,000 --> 00:19:11,000
Danach sollten sie das Zielbild festlegen und dieses bewusst eng stecken.

170
00:19:11,000 --> 00:19:17,000
Wollen sie ein Assistent-System, das den Menschen besser informiert? Geht es um die reine Erkennung von Fehler oder Abweichungen?

171
00:19:17,000 --> 00:19:22,000
Wollen sie eine Prognose für die Zukunft erstellen? Oder geht es tatsächlich um die volle Automatisierung?

172
00:19:22,000 --> 00:19:32,000
Alles gleichzeitig zu wollen ist meistens der Anfang vom Ende. Jede dieser Richtung bringt völlig andere Anforderungen an dem Betrieb, das Risiko und die Eingriffstiefe mit sich.

173
00:19:32,000 --> 00:19:44,000
Im vierten Schritt setzen sie den Piloten so auf, dass ihr Betrieb nicht zum Versuchslabor wird. Eine Linie, ein Merkmal, ein KPI und ganz wichtig, planen sie einen Fallback ein, falls das Ergebnis im Alltag nicht trägt.

174
00:19:44,000 --> 00:19:52,000
Dieser Plan B ist in der Fertigung lebensnotwendig. Wenn die KI-Unterstützung ausfällt oder unsauber arbeitet, muss der Prozess trotzdem sicher weiterlaufen können.

175
00:19:52,000 --> 00:19:57,000
Sonst erzeugen sie intern genau das Mistrauen, das ihnen spätere Rollouts komplett blockiert.

176
00:19:57,000 --> 00:20:01,000
Richtig interessant wird es beim fünften Punkt, den viele Teams viel zu spät klären.

177
00:20:01,000 --> 00:20:11,000
Wer betreibt das Ganze eigentlich nach dem Piloten? Jemand muss die Ergebnisse überwachen, Qualitätsverluste erkennen und Änderungen am Modell oder am Prozess dokumentieren.

178
00:20:11,000 --> 00:20:19,000
In diese Fragen erst nach dem Go-Life-Auftauchen landet das Thema irgendwo im Niemandsland zwischen Fachbereich, IT und dem externen Dienstleister.

179
00:20:19,000 --> 00:20:24,000
Dann fühlt sich jeder nur noch halbzuständig und genau an diesem Punkt wird es richtig teuer.

180
00:20:24,000 --> 00:20:32,000
Der sechste Schritt betrifft die Skalierung aber eben erst, wenn das Fundament steht. Rollen sie die Lösung nicht aus, nur weil der Pilot technisch irgendwie funktioniert hat.

181
00:20:32,000 --> 00:20:36,000
Skalieren sie nur dann, wenn die Architektur das auch sauber hergibt.

182
00:20:36,000 --> 00:20:41,000
Das bedeutet gleiche Schnittstellen, gleiche Datenlogik und eine einheitliche Governance.

183
00:20:41,000 --> 00:20:49,000
Sobald jede weitere Linie wieder zu einem Sonderfall wird, haben sie keine Lösung gebaut, sondern eine Sammlung lokale Ausnahmen mit einem gemeinsamen Etiquette.

184
00:20:49,000 --> 00:20:54,000
Lassen Sie mich zum Schluss dieses Fahrplans noch einen ganz nüchternden Punkt ansprechen.

185
00:20:54,000 --> 00:21:03,000
Manche Prozesse sind für KI-Schlichtweg noch nicht reif. Das liegt oft nicht an der fehlenden Technologie, sondern daran, dass der Prozess selbst zu unernheitlich oder schlecht dokumentiert ist.

186
00:21:03,000 --> 00:21:09,000
In solchen Fällen bringt eine saubere Standardisierung erst einmal deutlich mehr als jedes neuronale Netz.

187
00:21:09,000 --> 00:21:14,000
Das wirkt zwar weniger modern, ist aber oft der ehrlichere und wirtschaftlichere nächste Schritt.

188
00:21:14,000 --> 00:21:17,000
Genau daran entscheidet sich am Ende der Wert eines Vorhabens.

189
00:21:17,000 --> 00:21:25,000
Es geht nicht darum, ob das Kürzel KI im Projektplan steht, es geht darum, ob die Lösung im Werk unter realen Bedingungen zuverlässig ihren Nutzen bringt.

190
00:21:25,000 --> 00:21:30,000
Sprechen Sie mit Ihrem Team und stellen Sie diese harten Fragen, bevor Sie den nächsten Vertrag unterschreiben.

191
00:21:30,000 --> 00:21:38,000
Gute KI beginnt nicht bei Modell, das war IT für Business für heute. Wenn Sie aus diesem Gespräch einen Gedanken mitnehmen, dann hoffentlich diesen.

192
00:21:38,000 --> 00:21:42,000
Echte KI-Erfolge in der Fertigung hängen nicht am neuesten Modell.

193
00:21:42,000 --> 00:21:48,000
Es geht vielmehr um saubere Prozesse, belastbare Daten und eine Architektur, die auch morgen noch trägt.

194
00:21:48,000 --> 00:21:54,000
Suchen Sie sich mit Ihren Leuten einen konkreten Prozess aus, bei dem Ausschuss oder Stillstand heute schon echtes Geld verbrenden.

195
00:21:54,000 --> 00:22:03,000
Bevor Sie Staaten müssen Sie die harten Fragen stellen. Klären Sie genau, woher die Daten kommen, wer später den Betrieb verantwortet und wo Ihre Sicherheitsgrenzen verlaufen.

196
00:22:03,000 --> 00:22:09,000
Rechnen Sie den R&E nicht dann durch und legen Sie fest, wann Sie einen Piloten auch mal konsequent abbrechen.

197
00:22:09,000 --> 00:22:16,000
Falls Sie gerade eine Modernisierung oder die Kopplung von OT und IT-Planen sprechen Sie zuerst über die Architektur.

198
00:22:16,000 --> 00:22:23,000
Der teuerste Fehler versteckt sich fast nie im KI-Projekt selbst, sondern in der Infrastruktur, die darunterliegt. Wir hören uns in der nächsten Folge.