Die Industrien auf der ganzen Welt treten in eine neue Phase des Wandels ein, die durch data und artificial intelligence angetrieben wird. Steigende Energiekosten, Unterbrechungen der Lieferkette, Nachhaltigkeitsanforderungen und eine wachsende Talentlücke zwingen die Hersteller dazu, ihre Arbeitsweise und Innovationen zu überdenken.

In diesem Gespräch für The Bridge, Artefact's Alexandre Thion de la Chaume, Managing Partner & Global Industry Lead, und Florence Bénézit, Partner und Global Manufacturing Lead, untersuchen die großen Herausforderungen der KI in der Industrie und der Fertigung sowie die Bedingungen, die erfüllt sein müssen, damit KI ein echter Motor für Leistung, Innovation und Widerstandsfähigkeit werden kann.

Globale Industrie an einem Wendepunkt

Die Industrielandschaft von heute ist stark fragmentiert. Sie umfasst große multinationale Hersteller mit globalen Produktionsnetzwerken, aber auch Tausende von spezialisierten kleinen und mittleren Unternehmen, die in Nischenmärkten tätig sind. Trotz ihrer Unterschiede stehen diese Organisationen vor vielen der gleichen strukturellen Herausforderungen.

“Die Akteure in der Industrie sind extrem heterogen in Bezug auf Größe, Reifegrad und Transformationsfortschritt”.” erklärt Alexandre. “Aber sie alle sind mit steigenden Kosten, einer komplexen Lieferkette und wachsenden Erwartungen in Bezug auf Nachhaltigkeit konfrontiert.”

Mehrere Trends üben Druck auf die industriellen Wertschöpfungsketten aus:

  • Höhere Energie- und Rohstoffkosten
  • Zunehmende Volatilität der Lieferkette
  • Ein Mangel an technischen und digitalen Talenten
  • Stärkere Nachhaltigkeit und regulatorische Anforderungen

Gleichzeitig müssen die Hersteller auf die steigende Nachfrage nach immer individuelleren Produkten reagieren. Dieser Trend zur Personalisierung erfordert flexiblere Produktionssysteme und eine bessere data-Infrastruktur. “Die Kunden erwarten zunehmend Produkte, die auf sehr spezifische Bedürfnisse zugeschnitten sind”.” Notizen Florenz. “Das erfordert industrielle Prozesse, die sich schnell anpassen können, und das data spielt eine zentrale Rolle dabei, diese Flexibilität zu ermöglichen.”

Die Modernisierung der Fabriken und die Integration der data-driven-Entscheidungsfindung sind daher nicht nur für die Wettbewerbsfähigkeit von entscheidender Bedeutung, sondern auch für die Gewinnung qualifizierter Arbeitskräfte, die moderne digitale Umgebungen erwarten.

KI in der industriellen Wertschöpfungskette

Künstliche Intelligenz bietet leistungsstarke Werkzeuge, um diese Herausforderungen in der gesamten industriellen Wertschöpfungskette anzugehen. KI ist nicht nur auf Produktionsumgebungen beschränkt, sondern kann die Entscheidungsfindung in vielen Bereichen des Unternehmens unterstützen. “KI kann genutzt werden, um die Nachfrage besser vorherzusagen und die Lieferkette auszurichten”.” sagt Alexandre. “Es kann die Sicherheit in Fabriken verbessern, Abläufe optimieren und Funktionen wie Marketing, Recht oder Personalwesen verbessern.”

In der Vergangenheit konzentrierten sich viele industrielle KI-Anwendungen auf Bereiche wie Prognosen, Qualitätskontrolle und Energieoptimierung. Diese Anwendungsfälle sind nach wie vor wichtig und werden heute in vielen Branchen eingesetzt. Mit dem Aufkommen der generativen KI haben sich die Möglichkeiten jedoch erheblich erweitert, so dass Unternehmen nun in der Lage sind:

  • Beschleunigen Sie Produktdesign und -konfiguration
  • Verbessern Sie die Sicherheitsschulung und den Austausch von betrieblichem Wissen
  • Automatisieren Sie komplexe Arbeitsabläufe und Dokumentationen
  • Verbessern Sie den B2B-Vertrieb und das Angebotsmanagement

Florence zeigt auf, wie generative KI die Interaktion zwischen Mitarbeitern und industriellen Systemen neu gestalten könnte: “In Zukunft könnte ein Bediener einfach einen Bot nach den Sicherheitsverfahren für einen Arbeitsplatz fragen. KI wird die Art und Weise, wie wir in Fabriken mit Wissen umgehen, verändern.” Diese Entwicklung hat das Potenzial, den Zugang zu komplexen technischen Informationen zu vereinfachen und gleichzeitig die Produktivität und Betriebssicherheit zu verbessern.

Bewährte Anwendungsfälle mit messbarer Wirkung

Während viele KI-Anwendungen noch im Entstehen begriffen sind, liefern einige Anwendungsfälle in industriellen Umgebungen bereits messbare Ergebnisse. Eine der ausgereiftesten Anwendungen ist vorausschauende Wartung. Durch die Analyse der Maschine data in Echtzeit können KI-Modelle Geräteausfälle vorhersehen und Wartungsempfehlungen geben, bevor es zu Ausfällen kommt. “Vorausschauende Wartung kann die Wartungskosten und Ausfallzeiten um etwa 30 Prozent reduzieren”.” Alexandre stellt fest.

Ein weiterer wichtiger Anwendungsfall betrifft die Automatisierung der betrieblichen Abläufe durch KI-Agenten. Industrielle Geschäftsprozesse umfassen oft mehrere data Quellen, Schnittstellen und aufeinanderfolgende Aufgaben. KI-gesteuerte Automatisierung kann diese Arbeitsabläufe vereinfachen und die Bearbeitungszeit erheblich reduzieren. In einigen Fällen haben Unternehmen Einsparungen von 70 bis 75 Prozent der Prozessdauer durch die Kombination von Automatisierung, KI und verbesserten Benutzeroberflächen.

KI verändert auch den Kundensupport in Industriesektoren, in denen Produkte sehr technisch sind und Kataloge Tausende von Referenzen enthalten können. Bisher mussten die Kundendienstteams zahlreiche Dokumente und data-Datenbanken durchsuchen, um technische Fragen zu beantworten. Mit generativer KI können die Mitarbeiter jetzt Produktinformationen über eine einzige Schnittstelle abfragen und so schnellere Antworten an Kunden und geringere Rückrufquoten, um sowohl die Effizienz als auch die Kundenzufriedenheit zu verbessern.

Data: Die Grundlage der industriellen KI

Trotz dieser Möglichkeiten bleibt der Einsatz von KI in der Industrie eine Herausforderung. Das größte Hindernis ist nicht die Technologie selbst, sondern die Qualität und Verfügbarkeit von data. “In vielen Industrieunternehmen ist data fragmentiert, schwer zugänglich oder schlecht strukturiert”.” Florence bemerkt. Zwei Arten von data sind besonders kritisch:

  • Produkt data, das die Produktspezifikationen und -konfigurationen beschreibt
  • Betriebsbereit data, die von Maschinen, Sensoren und Fabriksystemen erzeugt werden

Das Produkt data wird häufig verwaltet über Produktlebenszyklus-Management (PLM) Systeme, aber diese Plattformen sind nicht immer vollständig implementiert oder unternehmensübergreifend standardisiert. data aus der Fabrik stellt zusätzliche Herausforderungen dar. Es wird in Echtzeit generiert, kann an verschiedenen Produktionsstandorten unterschiedlichen Standards folgen und erfordert oft groß angelegte data-Erfassungsprogramme, um nutzbar zu werden.

Sicherheitserwägungen fügen eine weitere Ebene der Komplexität hinzu. In industriellen Umgebungen herrscht eine ausgeprägte Sicherheitskultur, und jedes digitale System, das mit Maschinen verbunden ist, muss strenge Cybersicherheitsanforderungen erfüllen. “Hinter diesen Maschinen arbeiten Menschen”.” unterstreicht Florence. “Die Sicherheit muss immer die höchste Priorität haben.”

Governance und Vertrauen in KI-Systeme

Neben der data-Infrastruktur ist die Governance ein weiteres wesentliches Element für den erfolgreichen Einsatz von KI in der Industrie. Industrieunternehmen arbeiten in der Regel in Umgebungen, in denen Fehler erhebliche betriebliche oder sicherheitstechnische Folgen haben können. Aus diesem Grund neigen sie dazu, KI vorsichtig einzusetzen.

Generative KI-Systeme zum Beispiel können gelegentlich falsche Ergebnisse produzieren. Dies mag in einigen digitalen Kontexten akzeptabel sein, erfordert aber in der Industrie ein sorgfältiges Management. Governance-Rahmenwerke helfen Organisationen Gleichgewicht zwischen Innovation und Risikomanagement. Dies beinhaltet:

  • Festlegung klarer data-Qualitätsstandards
  • Überwachung der KI-Systemleistung
  • Einrichtung von Prozessen zur Erkennung und Korrektur von Fehlern

Florence weist auch auf die neue Herausforderung der Agentenqualität hin. Wenn Unternehmen KI-Agenten zur Automatisierung von Prozessen einsetzen, benötigen sie Mechanismen zur Bewertung der Zuverlässigkeit und Genauigkeit dieser Systeme. “So wie wir heute die Qualität von data überwachen, werden wir bald auch die Qualität von KI-Agenten überwachen müssen”.” erklärt sie.

Schlussfolgerung: Aufbau der industriellen KI-Grundlage

Künstliche Intelligenz entwickelt sich schnell zu einem wichtigen Motor für die Transformation der industriellen Wertschöpfungsketten. Von der vorausschauenden Wartung über die Automatisierung von Arbeitsabläufen bis hin zum verbesserten Kundensupport - KI sorgt bereits für messbare Verbesserungen der Produktivität und der betrieblichen Effizienz. Gleichzeitig erfordert eine erfolgreiche Einführung mehr als nur die Übernahme neuer Technologien.

Industrieunternehmen müssen starke data foundations aufbauen, robuste Governance-Rahmenwerke implementieren und sicherstellen, dass KI-Systeme in einer sicheren und kontrollierten Umgebung eingesetzt werden.

Durch die Investition in data Qualität, Verwaltung und moderne digitale Infrastruktur, können Industrieunternehmen das volle Potenzial der KI ausschöpfen und widerstandsfähigere, effizientere und innovativere Wertschöpfungsketten für die Zukunft aufbauen.

 

Sehen Sie sich das Originalinterview auf Französisch an: