Jedem Hersteller wird heute gesagt: "Fuehren Sie KI ein." Doch die schwierigste Frage ist nicht, welches Modell man kauft - sondern auf welches Problem man es richtet. Ein guter KI-Use-Case ist eine konkrete, wertvolle Frage, fuer die Sie die Daten haben (oder bekommen koennen) und jemanden, der auf die Antwort reagiert. Trifft man diese Wahl falsch, aendert selbst das beste Modell nichts.
Dieser Beitrag beantwortet eine klar abgegrenzte Frage: Wie findet und priorisiert man KI-Use-Cases auf einem echten Shopfloor - ohne sich zu verzetteln?
Was wirklich ein KI-Use-Case ist
Ein KI-Use-Case ist nicht "KI nutzen". Es ist eine konkrete Vorhersage oder Klassifikation, die mit einem Outcome verbunden ist. Ein echter Kandidat hat vier Dinge:
1) Eine Vorhersage oder ein Muster - "dieses Lager faellt wahrscheinlich in den naechsten 200 Stunden aus" oder "diese Charge zeigt fruehe Anzeichen des Defekts", kein statischer Report. 2) Wert - echtes Geld steht auf dem Spiel: Stillstand, Ausschuss, Energie oder verlorener Durchsatz. 3) Eine Handlung - jemand kann etwas tun, *bevor* es zu spaet ist. 4) Datenmachbarkeit - die Signale mit der Antwort existieren und lassen sich labeln.
Fehlt eines davon - Vorhersage, Wert, Handlung oder Daten -, ist es noch kein Use Case, sondern ein Wunsch.
Wo man nach Kandidaten sucht
Nicht bei der Technologie beginnen, sondern beim Schmerz. Die besten Jagdgruende:
- Ungeplanter Stillstand - welche Anlagen stehen am haeufigsten und kosten am meisten? (Predictive Maintenance)
- Qualitaet und Ausschuss - wo tauchen Defekte spaet und teuer auf? (fruehe Qualitaetsdrift-Erkennung)
- Energie - wo steigt der Verbrauch ohne passenden Output? (Energieoptimierung)
- Durchsatz und Engpaesse - welche Station begrenzt die Linie, und warum? (Engpass-Vorhersage)
- Planung und Bedarf - wo liegen manuelle Prognosen immer wieder daneben? (Bedarfs- / Wartungsplanung)
- Manuelle Pruefung - wo pruefen Menschen Teile einzeln? (visuelle Inspektion)
Fragen Sie einen Operator und einen Wartungsleiter dasselbe: "Was ueberrascht uns immer wieder?" Wiederkehrende Ueberraschungen sind meist die besten KI-Kandidaten, denn ein wiederkehrendes Muster ist genau das, was ein Modell lernen kann.
Priorisieren: Wert x Datenmachbarkeit
Sie finden immer mehr Kandidaten, als Sie bauen koennen. Bewerten Sie jeden auf zwei Achsen:
- Wert - Geld pro Jahr, wenn Sie es richtig machen (Stillstandsstunden x voll belastete Kosten, Ausschusskosten, Energiekosten, entgangener Durchsatz).
- Datenmachbarkeit - koennen Sie es wirklich bauen? Das ist vor allem eine Frage der Datenreife: Gibt es konsistente Signale, oft genug erfasst, mit Kontext (Produkt, Schicht, Sollwert), und lassen sich Outcomes labeln?
Tragen Sie die Kandidaten in eine einfache 2x2-Matrix ein:
- Hoher Wert + fertige Daten -> hier starten. Schnelle Erfolge, die Wert beweisen.
- Hoher Wert + Daten nicht bereit -> zuerst in Daten investieren. Lohnt sich, aber erst das Fundament richten.
- Geringer Wert + fertige Daten -> nice to have. Spaeter machen.
- Geringer Wert + schwer zu bauen -> auslassen.
Die Falle, in die die meisten Fabriken tappen: Sie starten im Feld "hoher Wert, Daten nicht bereit" - ein grosses, ehrgeiziges Projekt auf Daten, die niemand strukturiert hat - und bleiben stecken. Gewinnen Sie zuerst oben rechts, und finanzieren Sie damit die schwierigeren Faelle.
Haeufige Use-Cases mit hohem Wert (und die noetigen Daten)
In jedem steckt dasselbe Muster: Signale + Kontext + gelabelte Outcomes.
- Predictive Maintenance - Schwingungs- / Strom- / Temperatur-Zeitreihen + gelabelte Ausfallereignisse.
- Qualitaetsdrift - Prozesssignale + Pruefergebnisse / Ausschussgruende, gelabelt.
- Energieoptimierung - Verbrauchssignale + Produktionsoutput + Kontext.
- Durchsatz / Engpass - Taktzeiten und Maschinenzustaende je Station + Stopgruende.
"Machbarkeit" ist also in Wahrheit eine Labeling-Frage. Zwei Ideen koennen denselben Wert haben; bauen koennen Sie die, deren Outcomes Sie labeln koennen.
Ein durchgerechnetes Beispiel: drei Kandidaten bewerten
Angenommen, drei Ideen liegen auf dem Tisch:
1) Ausfaelle an Verpackungslinie 3 vorhersagen. Wert: ~120 Stillstandsstunden/Jahr x 4.000 EUR = ~480k EUR. Daten: PLC-Signale vorhanden, Stopgruende nur teils erfasst. -> Hoher Wert, mittlere Machbarkeit. 2) Kompressor-Energie optimieren. Wert: ~90k EUR/Jahr. Daten: Energiezaehler + Lastsignale bereits verfuegbar und sauber. -> Mittlerer Wert, hohe Machbarkeit. 3) Ausschuss auf einer brandneuen Produktlinie vorhersagen. Wert: potenziell hoch, aber nur 3 Wochen Historie. -> Hoher Wert, geringe Machbarkeit (noch nicht).
Sinnvolle Reihenfolge: mit #2 starten - schnell, machbar, beweist den Ansatz. #1 parallel vorbereiten, waehrend Sie die Stopgruende bereinigen und labeln. #3 spaeter, sobald ein paar Monate gelabelter Historie da sind. Sie sequenzieren nach Reife, nicht nur nach Ehrgeiz.
Aus einem Kandidaten einen baubaren Use Case machen
Wenn Sie einen gewaehlt haben, machen Sie ihn konkret:
- Die Frage in einem Satz schreiben - "Ausfall an Linie 3 mindestens 24h im Voraus vorhersagen."
- Erfolg definieren - z. B. 70% der Ausfaelle mit weniger als X Fehlalarmen fangen.
- Daten inventarisieren - welche Tags, welche Abtastrate, wie viel Historie.
- Kontext und Labels hinzufuegen - Ausfaelle, Ausschuss und Stopgruende auf der Zeitreihe markieren.
- Handlung und Owner benennen - wer tut was, wenn das Modell warnt.
Schritt 3 und 4 entscheiden ueber Erfolg oder Scheitern. Genau dafuer ist ein Labeling-Workflow da: Signale importieren, Kontext an Events haengen und Outcomes markieren - so wird aus einer vagen Idee ein trainierbarer, beweisbarer Use Case.
Praktische Regel
Fragen Sie nicht "wo koennen wir KI einsetzen?" Fragen Sie: "Welche wiederkehrende, teure Ueberraschung koennten wir vorhersagen - und haben wir die Daten, um sie zu lernen?" Ranken Sie nach Wert und Datenreife, gewinnen Sie einen Fall oben rechts, und lassen Sie dieses erste Ergebnis den naechsten bezahlen.
Machen Sie aus Ihrem wichtigsten Use Case einen KI-fertigen Datensatz: Signale importieren, Kontext an Events haengen und Outcomes labeln, um einen Kandidaten baubar zu machen - in Predsense Labeling: https://www.predsense.ai/products/labeling