Sie koennen das beste Modell der Welt kaufen und trotzdem zusehen, wie es in der Fertigung scheitert. Nicht weil die Mathematik falsch war, sondern weil niemand ihm vertraute, es nutzte oder besass. In der BCG-Forschung 2024 kamen rund 70% der KI-Huerden von Menschen und Prozessen - und nur 10% vom Algorithmus selbst. Ueber Einfuehrung, nicht Genauigkeit, entscheidet sich industrielle KI.
Dieser Beitrag beantwortet eine klar abgegrenzte Frage: Warum ist KI-Einfuehrung in der Fertigung vor allem ein Menschen-Problem, und was laesst sie wirklich haften?
Die Technik ist der einfache Teil
Modelle, Sensoren und Dashboards sind loesbare Engineering-Probleme. Einen skeptischen Bediener dazu zu bringen, um 2 Uhr nachts auf einen Alarm zu reagieren, einen Vorgesetzten von der Aenderung einer 15 Jahre bewaehrten Routine zu ueberzeugen und einem Instandhaltungsteam einen Grund zu geben, einer Blackbox zu vertrauen - das sind die schweren Probleme, und kein Algorithmus loest sie.
Die menschlichen Barrieren, die KI ausbremsen
- Angst. "Ersetzt mich das oder legt es meine Fehler offen?"
- Misstrauen gegen die Blackbox. Menschen handeln nicht nach einer Zahl, die sie nicht verstehen.
- Kein Verantwortlicher. Besitzt niemand in der Fertigung das Tool, wird es zum IT-Problem und stirbt leise.
- Qualifikationsluecke. Ein Tool, das niemand bedienen kann, ist Regalware.
- Not-invented-here. Von oben verordnete Loesungen stossen auf stillen Widerstand.
Was Einfuehrung wirklich vorantreibt
Auch die Loesungen sind menschlich.
Beziehen Sie die Bediener, die es nutzen werden, vom ersten Tag ein. Machen Sie das Modell erklaerbar, damit eine Warnung mit einem Grund kommt. Gewinnen Sie ein schnelles, sichtbares Ergebnis, um Ueberzeugung aufzubauen. Schulen Sie die Menschen, damit das Tool ihnen gehoert und kein Raetsel ist. Und benennen Sie einen Verantwortlichen, der nach dem Weggang des Pilotteams dafuer geradesteht.
Warum das in der Fertigung besonders zaehlt
Die Menschen an der Maschine besitzen das Fachwissen, das die KI braucht - und das Vetorecht darueber, ob sie genutzt wird. Behandeln Sie sie nur als Datenquelle und Endnutzer, verlieren Sie beides: Wissen und Einfuehrung. Behandeln Sie sie als Mitbesitzer, geben sie Ihnen beides.
Use Case in der Praxis: ein Anomalie-Tool an einer Pharma-Verpackungslinie
Ein Pharma-Standort fuehrt Anomalieerkennung an einer Blister-Verpackungslinie ein. Das Modell ist genau - und wird ignoriert. Die Bediener vertrauen den Alarmen nicht und arbeiten weiter nach der alten Checkliste.
- Was es aenderte: das Team setzte sich mit zwei erfahrenen Bedienern zusammen, liess sie labeln, wie ein echter Defekt aussieht, und zeigte den Grund des Modells neben jedem Alarm.
- Der schnelle Gewinn: das Tool erkannte eine Siegel-Drift eine Stunde bevor sie eine Charge verschrottet haette - vor den Augen der Bediener.
- Das Ergebnis: die Bediener wurden zu Fuersprechern des Tools. Die Einfuehrung folgte, weil die Menschen, denen die Linie gehoert, nun das Modell besassen.
Praktische Regel
Budgetieren Sie KI so, wie BCG es beschreibt: zwei Drittel des Aufwands in die Menschen - Einbindung, Vertrauen, Schulung, Verantwortung - und den Rest in die Technik. Ein mittelmaessiges Modell, das genutzt wird, schlaegt ein brillantes, das ignoriert wird.
Die besten Daten - und die beste Einfuehrung - entstehen, wenn Sie Ihre Experten einbinden. Lassen Sie sie zuerst labeln, was sie wissen, in Predsense Labeling: https://www.predsense.ai/products/labeling