Bei Berkvens Doorsystems sparen die Teamleiter heute jeden Morgen zwischen 30 und 60 Minuten. Noch vor Schichtbeginn erhalten sie ein KI-gestütztes Instandhaltungsbriefing mit einer vollständigen Übersicht aller aktuellen und laufenden Aktivitäten sowie aller Ereignisse, die über Nacht gemeldet wurden. Das Ergebnis stimmt zu mehr als 95 Prozent mit ihrer eigenen manuellen Analyse überein. Das zeigt eindrucksvoll, wozu produktionsreife industrielle KI in der Lage ist.
Solche Ergebnisse sind nach meiner Erfahrung jedoch deutlich seltener als die derzeitige Begeisterung für KI vermuten lässt.
Die meisten Industrieunternehmen, mit denen ich spreche, haben bereits ein KI-Pilotprojekt durchgeführt – viele sogar mehrere. Die Ergebnisse sind häufig vielversprechend. Doch anschließend zeigt sich immer wieder dasselbe Muster: Die Diskussion über die Skalierung gerät ins Stocken. Ein Werkzeug, das sich in einer kontrollierten Testumgebung bewährt hat, wirkt plötzlich deutlich weniger verlässlich, sobald man sich vorstellt, dass es unbeaufsichtigt über mehrere Schichten und Standorte hinweg von Mitarbeitern genutzt wird, die an seiner Entwicklung nicht beteiligt waren.
Das Pilotprojekt hat das Konzept bestätigt, nicht jedoch die Praxistauglichkeit des Systems.
Genau an dieser Stelle geraten heute die meisten KI-Initiativen in der Industrie ins Stocken. Unternehmen, die KI-Lösungen selbst entwickeln, müssen diese Lücke häufig unerwartet und zu deutlich höheren Kosten schließen als ursprünglich geplant. Fast jedes Pilotprojekt lässt sich zum Erfolg führen. Die entscheidende Frage lautet jedoch, ob sich Ihre Mitarbeiter auch unter realem Betriebsdruck in jeder Schicht auf das System verlassen können. Denn letztlich ist das der einzige Maßstab, der zählt.
Was die Daten darüber verraten, wo KI ihren Platz hat
Der State of AI Report 2024 von McKinsey zeigt, dass zwar 72 Prozent der Unternehmen weltweit KI bereits in mindestens einem Geschäftsbereich einsetzen. Der Übergang vom Pilotprojekt in den produktiven Betrieb bleibt jedoch die größte Hürde. Der eigentliche Engpass liegt nicht in der KI selbst, sondern in der organisatorischen und operativen Infrastruktur, die erforderlich ist, um KI zuverlässig im laufenden Betrieb einzusetzen.
Genau das höre ich immer wieder von Führungskräften in der Instandhaltung. Der begrenzende Faktor ist nur selten das KI-Modell selbst. Entscheidend ist alles, was das Modell umgibt, damit es in einer realen industriellen Umgebung sicher und zuverlässig funktioniert: Datenqualität, Systemintegration, menschliche Arbeitsabläufe, Governance und die Fähigkeit, jederzeit nachvollziehbar zu erklären, was das System getan hat und warum.
Dabei handelt es sich um operative Voraussetzungen, nicht um technische Funktionen. Sie erfordern Zeit, fundiertes Fachwissen und ein tiefes Verständnis der jeweiligen Domäne. Unternehmen, die KI-Lösungen selbst entwickeln, beginnen diesen Weg bei null. Unternehmen hingegen, die auf eine Plattform setzen, die seit Jahren in industriellen Betrieben eingesetzt wird, bauen auf einer Grundlage auf, die andere erst noch schaffen müssen.
Das Datenproblem, das kaum jemand einplant
Industrielle KI ist nur so gut wie die Betriebsdaten, auf denen sie basiert. Das klingt selbstverständlich. In der Praxis ist genau das jedoch der Punkt, der bei Eigenentwicklungen am häufigsten unterschätzt wird.
In einem durchschnittlichen Industrieunternehmen verteilen sich jahrelange Instandhaltungshistorien auf strukturierte Datensätze, Freitextfelder, handschriftliche Notizen und das Erfahrungswissen langjähriger Techniker, die nie aufgefordert wurden, ihr Wissen systematisch zu dokumentieren. Gartner schätzt, dass schlechte Datenqualität Unternehmen durchschnittlich 12,9 Millionen US-Dollar pro Jahr kostet, und das noch bevor eine KI diese Informationen überhaupt auswerten soll.
Eine produktionsreife KI benötigt saubere, strukturierte und kontextreiche operative Daten. Nicht nur einen Datenexport aus einem Computerized Maintenance Management System (CMMS), sondern Informationen darüber, wie sich Anlagen im Laufe der Zeit verhalten, welche Störungen gehäuft auftreten, welche Reparaturansätze sich unter realen Bedingungen bewährt haben und wie die Instandhaltungshistorie auf Anlagenebene aussieht. Diese Grundlage aufzubauen, ist eine kontinuierliche operative Aufgabe. Genau dieser Aufwand wird bei Eigenentwicklungen häufig unterschätzt.
Genau deshalb verfügen Plattformen mit langjähriger Erfahrung im industriellen Umfeld über einen Vorteil, der von außen oft kaum sichtbar ist. Die notwendige Dateninfrastruktur ist bereits vorhanden. Der operative Kontext ist bereits integriert. Ein System, das auf dieser Grundlage aufbaut, muss nicht bei null beginnen, weil der Anbieter diesen Weg bereits gegangen ist.
Was Zuverlässigkeit in der industriellen Praxis wirklich bedeutet
In der Fertigung, der Versorgungswirtschaft oder der Hafenlogistik hat Zuverlässigkeit eine ganz besondere Bedeutung. Sie bedeutet nicht, dass ein System „meistens funktioniert“. Sie bedeutet, dass es genau in der Schicht nicht ausfällt, in der es am dringendsten gebraucht wird.
Laut einer Studie von Siemens aus dem Jahr 2024 verursachen ungeplante Stillstände bei den 500 größten Unternehmen der Welt jährlich Kosten in Höhe von 1,4 Billionen US-Dollar. Ausgerechnet in den Momenten, in denen ein Instandhaltungssystem am dringendsten benötigt wird, sind Zeitdruck, Komplexität und operative Belastung am größten. Eine KI, die unter normalen Bedingungen zuverlässig arbeitet, unter hoher Belastung jedoch an Zuverlässigkeit verliert, ist ein Schönwetter-Assistent. Dieses Risiko können sich Industrieunternehmen angesichts der sich abzeichnenden Kombination aus immer größeren Herausforderungen nicht leisten.
Produktionsreife bedeutet, dass sich ein System unter allen Bedingungen vorhersehbar verhält: über verschiedene Schichten hinweg, an unterschiedlichen Standorten, in verschiedenen Sprachen und bei unterschiedlich vollständigen Informationen in eingehenden Arbeitsaufträgen. Es bedeutet, dass die Ergebnisse unabhängig davon konsistent bleiben, wer das System nutzt oder unter welchem Zeitdruck gearbeitet wird. Und es bedeutet, dass jederzeit klar und auditierbar dokumentiert ist, welche Empfehlung das System gegeben hat und welche Entscheidung der Mensch getroffen hat.
Gerade in regulierten Branchen ist dieser letzte Punkt keine Option, sondern Voraussetzung. Er entscheidet darüber, ob ein System ein Audit besteht oder zum Compliance-Risiko wird. KI-generierter Code und intern entwickelte Systeme sind hier besonders exponiert. Eine Studie von Veracode aus dem Jahr 2025 zeigt, dass KI-generierter Code 2,74-mal mehr Sicherheitslücken enthält als von Menschen geschriebener Code. Zudem scheiterten 45 Prozent der Sicherheitsprüfungen nach den OWASP Top 10 bei KI-generierter Software. Für Unternehmen, die Anforderungen wie FDA 21 CFR Part 11, ISO 55001 oder Vorgaben der Occupational Safety and Health Administration (OSHA) erfüllen müssen, ist das kein theoretisches Risiko.
Die menschliche Frage, die Technologie nicht beantworten kann
Ein Aspekt produktionsreifer KI wird in fast jeder Diskussion unterschätzt, und genau darüber lohnt es sich aus meiner Sicht am meisten zu sprechen: Akzeptanz.
Ein System, dem Ihr Instandhaltungsteam nicht vertraut, ist kein produktionsreifes System, unabhängig davon, wie hoch seine Genauigkeit in einem kontrollierten Test ausfällt. Industrielle KI wird in Arbeitsabläufe eingebunden, die von Menschen über viele Jahre, oft sogar Jahrzehnte, entwickelt wurden. Sie gibt Technikern Empfehlungen, die direkt vor einer Maschine stehen, während die Produktion auf eine Entscheidung wartet. Sie schlägt Instandhaltungsplanern Prioritäten vor, für deren Entscheidungen später Menschen verantwortlich sind, nicht der Algorithmus. Damit das funktioniert, muss sich KI ihren Platz im Arbeitsablauf verdienen: nicht dadurch, dass sie beeindruckt, sondern dadurch, dass sie dauerhaft einen verlässlichen Mehrwert liefert.
Genau das ist in einer realen industriellen Umgebung schwieriger, als es zunächst erscheint. Das System muss in der Nachtschicht genauso zuverlässig arbeiten wie in der Tagschicht. Es muss für Techniker in den Niederlanden genauso funktionieren wie für Kollegen in Indien. Es muss Arbeitsaufträge in verschiedenen Sprachen verarbeiten, mit unterschiedlich vollständigen Anlagendaten umgehen und Fehlerbeschreibungen verstehen, die von präzisen technischen Angaben bis hin zu Formulierungen wie „macht ein Geräusch“ reichen. Sobald Zuverlässigkeit nur noch unter bestimmten Bedingungen gewährleistet ist – funktioniert hier gut, dort weniger gut, zuverlässig bei sauberen Daten, unzuverlässig bei unvollständigen oder fehlerhaften Daten –, schwindet das Vertrauen der Anwender. Und wenn Menschen das Vertrauen in das System verlieren, hören sie auf, es zu nutzen. Ab diesem Moment liegt das Problem nicht mehr in der Technologie. Der Betrieb ist von einem System abhängig geworden, dessen Schwachstelle niemand eingeplant hat.
Genau diese Erfahrung machen viele Unternehmen, die interne KI-Lösungen entwickeln, allerdings oft später, als sie erwarten. Ein Prototyp, der sich in einer kontrollierten Testumgebung mit sauberen Daten und einem engagierten Pilotteam bewährt hat, wirkt plötzlich ganz anders, sobald er in einem gesamten Werk eingesetzt wird. Unterschiedliche Schichten arbeiten unterschiedlich. Teams dokumentieren Informationen auf ihre eigene Weise. Mitarbeiter, die an der Entwicklung nicht beteiligt waren, haben zunächst keinen Grund, dem System zu vertrauen. Und solange niemand Verantwortung dafür übernimmt, dieses Vertrauen aufzubauen, wird sich daran auf absehbare Zeit kaum etwas ändern. In diesem Moment scheitert das System nicht daran, dass das Modell falsche Antworten liefert, sondern daran, dass niemand Verantwortung für den menschlichen Teil seines erfolgreichen Einsatzes übernimmt.
Mit der neuen Generation von Mitarbeitern an der Produktionslinie kommt noch eine weitere Dimension hinzu, die häufig unterschätzt wird. Sie sucht nicht nur nach einem Tool, das ihre tägliche Arbeit erleichtert. Erwartet wird ein System, das die persönliche Weiterentwicklung unterstützt – das zeigt, wie der nächste Qualifikationsschritt gelingt, und strukturiertes Lernen ermöglicht, anstatt lediglich einen Ordner und einen erfahrenen Kollegen bereitzustellen. Studien zeigen, dass rund 70 Prozent der Mitarbeiter, die ein hochwertiges Onboarding erhalten, ihrem Unternehmen mindestens drei Jahre treu bleiben. Wirklich produktionsreife industrielle KI muss deshalb nicht nur die Effizienzziele eines Projekts unterstützen, sondern auch diesen Erwartungen gerecht werden.
In der Praxis bedeutet das, dass Change Management weit mehr ist als eine Kommunikationsmaßnahme zum Abschluss einer Implementierung. Es ist ein wesentlicher Bestandteil dessen, was industrielle KI produktionsreif macht. Das bedeutet, dass Führungskräfte die Akzeptanz der KI genauso im Blick haben müssen wie ihre Genauigkeit. Schulungen müssen sich daran orientieren, wie Menschen in der Produktion tatsächlich lernen, und nicht daran, wie es die Onboarding-Unterlagen des Softwareanbieters voraussetzen. Außerdem braucht es jemanden, der Verantwortung für den gesamten Prozess übernimmt und nicht nur für die Software. Jemanden, der das Feedback der Anlagenbediener ernst nimmt, die Nutzung kontinuierlich weiterentwickelt und sicherstellt, dass das, was im Pilotprojekt versprochen wurde, auch nach drei Monaten im täglichen Einsatz tatsächlich erlebt wird. Untersuchungen von APQC zeigen, dass lediglich 8 Prozent der Unternehmen das Wissen ausscheidender Fachkräfte systematisch sichern. Wird die Akzeptanz der KI als Führungsverantwortung verstanden, kann KI Unternehmen dabei unterstützen, diese Lücke erfolgreich zu schließen.
Was eine Demo von einem verlässlichen System unterscheidet
Produktionsreife industrielle KI benötigt eine Datenbasis, die die tatsächliche Betriebshistorie widerspiegelt. Sie benötigt eine Integration, die die richtigen Informationen genau dann bereitstellt, wenn sie im bestehenden Arbeitsablauf benötigt werden, ohne dass Mitarbeiter ihre Arbeitsweise ändern müssen. Sie benötigt Governance, die auch einem Audit standhält. Und sie muss das Vertrauen der Menschen gewinnen, die sich unter realem Zeit- und Produktionsdruck auf sie verlassen müssen.
Nichts davon entsteht allein durch ein KI-Modell. Es entwickelt sich über Jahre: durch praktische Betriebserfahrung, Kundenfeedback und die kontinuierliche, domänenspezifische Weiterentwicklung, die nur durch Hunderte produktiver Implementierungen in realen Industrieumgebungen möglich ist. Genau deshalb erzielen Unternehmen wie Berkvens Ergebnisse, die weit über ein erfolgreiches Pilotprojekt hinausgehen. Und genau deshalb ist die Lücke zwischen einer vielversprechenden Demo und einem wirklich verlässlichen System deutlich größer, als die meisten Unternehmen bei einer Eigenentwicklung erwarten.
Der Weg vom erfolgreichen Pilotprojekt zum produktiven Einsatz hängt deshalb weniger vom Ehrgeiz ab als davon, von Anfang an die richtige Frage zu stellen: Nicht, was gebaut werden soll, sondern worauf sich der Betrieb dauerhaft verlassen können muss und woher dieses Vertrauen tatsächlich kommt.
Genau dieser Perspektivwechsel unterscheidet Unternehmen, die in zwei Jahren produktionsreife KI im Einsatz haben werden, von denen, die dann noch immer Pilotprojekte durchführen.
