digitale Transformation
Analytik und KPIs

Daten und Wissen: Die beiden Grundpfeiler der intelligenten Fertigung

Nishika Makwana
Daten und Wissen: Die beiden Grundpfeiler der intelligenten Fertigung – Illustration

AI Summary

Operations Calling 2025 showcased how modern manufacturing depends on open ecosystems, with dozens of partners demonstrating integrated AI, hardware, and software solutions. The event emphasized that collaboration and interoperability—not single all-in-one systems—are key to scalable, future-ready operations.

Bei einer Schulung in der Fertigungshalle sagt ein erfahrener Maschinenbediener zu einem neuen Mitarbeiter: „Du wirst ein Vibrationsgeräusch von der Maschine hören.“
„Ich höre gar nichts“, antwortet der Auszubildende.
„Nein, du wirst es spüren“, erklärt der Experte. „Das ist eine Intuition, die ich mir in 30 Jahren Arbeit hier angeeignet habe.“

Dieser Austausch, den Siva Lakshmanan, CEO von DeepHow, geschildert hat, spiegelt wider, was derzeit weltweit in den Fertigungshallen geschieht. Einerseits geht jahrzehntelanges betriebliches Fachwissen verloren, da erfahrene Mitarbeiter in den Ruhestand gehen. Andererseits liegen Berge von „ Produktionsdaten “ in isolierten Systemen fest und können nicht für die Entscheidungen genutzt werden, auf die es am meisten ankommt.

Auf der „ Operations Calling “ 2025 trafen sich Branchenführer von DeepHow, Hexagon und NVIDIA, um zu erörtern, wie KI intelligente Fabriken verändert. Im Mittelpunkt der Diskussion stand eine entscheidende Lücke: Die meisten Hersteller konzentrieren sich entweder auf die Dateninfrastruktur oder auf die Erfassung von Wissen, selten jedoch auf beides. In diesem Artikel wird erläutert, warum KI nur dann funktioniert, wenn diese Grundlagen gemeinsam geschaffen werden, und wie man damit beginnen kann.

Foundation One: Die Wissenskrise

Warum operatives Wissen verloren geht

Bei der Qualifikationslücke im verarbeitenden Gewerbe geht es nicht nur um unbesetzte Stellen, sondern auch um den „Brain Drain“, der durch den Weggang erfahrener Arbeitskräfte entsteht. Branchenprognosen gehen davon aus, dass bis 2030 bis zu 30 Millionen Arbeitsplätze im verarbeitenden Gewerbe unbesetzt bleiben könnten, doch die tiefgreifendere Krise ist der Verlust von implizitem Wissen: jahrzehntelang gewonnene praktische Intuition, die nie dokumentiert wurde und oft nicht in Worte zu fassen ist.

Der Zusammenbruch des natürlichen Transfers

Jahrzehntelang wurde Fachwissen im Rahmen langjähriger Lehrlingsausbildungen weitergegeben. Dieses Modell ist aufgrund zweier Faktoren zusammengebrochen:

  • Betriebszugehörigkeit: Die durchschnittliche Betriebszugehörigkeit in der Fertigung ist auf unter fünf Jahre gesunken, was bedeutet, dass erfahrene Mitarbeiter das Unternehmen verlassen, bevor sie ihre Nachfolger effektiv einarbeiten können.
  • Komplexität: Moderne Arbeitsabläufe erfordern engere Toleranzen und immer ausgefeiltere Ausrüstung, wodurch sich die Kluft zwischen der „Einhaltung der Standardarbeitsanweisung“ und der tatsächlichen „korrekten Ausführung“ vergrößert.

Die „Know-how“-Lücke definieren

„Dieses Wissen ist impliziter Natur … man kann es nicht einfach niederschreiben oder gar leicht erklären.“ – Siva Lakshmanan, CEO von DeepHow

Wissen findet man nicht in einem Handbuch; es ist die operative Intuition, die erforderlich ist, um den Produktionsfluss aufrechtzuerhalten:

  • Sensorische Hinweise: Eine Vibration erkennen, die auf ein Problem hinweist, noch bevor ein Sensor anspricht.
  • Maschinennuancen: Die spezifischen Einrichtungsabläufe beherrschen, die dafür sorgen, dass eine launische Maschine reibungslos läuft.
  • Tribal-Tipps: Wissen, welche Fehlercodes wirklich wichtig sind und welche Workarounds wiederkehrende Probleme lösen.

Man kann es zum Beispiel mit dem Fahrradfahrenlernen vergleichen: Man kann einem Kind zwar die physikalischen Zusammenhänge erklären, aber das Kind muss es sehen und spüren, um es zu verstehen.

„Wissen ist das, was man im Kopf hat“, erklärte er. „Know-how ist, wenn man es weitergibt, und das ist gar keine leichte Aufgabe.“ – Siva Lakshmanan, CEO von DeepHow

Ohne eine systematische Methode zur Erfassung dieses „Know-hows“ geht das Fachwissen, dessen Aufbau 30 Jahre gedauert hat, im Rahmen eines einzigen Austrittsgesprächs praktisch verloren.

Grundlage 2: Warum Daten allein in der Fertigung nicht ausreichen

In der Fertigung fällt eine überwältigende Vielfalt an Daten an, von SPS-Signalen und Zeitreihen bis hin zu Videoaufnahmen und Sensorwerten. Diese Datenmenge bleibt jedoch aufgrund mehrerer wesentlicher Hindernisse oft ungenutzt:

  • Das Silo-Problem: Daten sind häufig in bestimmten Abteilungen eingeschlossen, was zu einer eher ad-hoc-artigen Zusammenarbeit statt zu einer einheitlichen Strategie führt.
  • Die Wertlücke: Daten zu haben ist nicht dasselbe wie sie zu nutzen; Wert entsteht erst dann, wenn Daten in Erkenntnisse umgewandelt werden, die in andere Disziplinen einfließen.
  • Die Kontextkrise: Generischer KI fehlt das spezifische „Know-how“ über die Prozesse und Maschinen in Ihrem lokalen Werk.
  • Garbage In, Garbage Out: Hochgeschwindigkeits-GPUs und Rechenzentren sind nutzlos, wenn sie nicht mit hochwertigen, relevanten Daten gefüttert werden.

„Wir erfassen eine enorme Menge an Daten, sei es über unsere Software oder über die Geräte, die wir in der Produktion einsetzen … Es ist eine Sache, die Daten zu haben, und eine ganz andere, diese Daten auch nutzen zu können.“ — Hiren Kumbhojkar, Leiter Produktmanagement, Fertigungssoftware-Portfolio, Hexagon

Die Lösung: Das Ziel besteht darin, über die reine Datenerfassung hinauszugehen und eine Datenstrategie zu entwickeln, bei der Informationen so strukturiert, zugänglich und kontextbezogen sind, dass sie Entscheidungen in Echtzeit ermöglichen.

Wie Hersteller Daten und Wissen tatsächlich miteinander verknüpfen

Die Hersteller, die die größten Fortschritte erzielen, streben keine radikale Umgestaltung an, sondern setzen gezielte Ansätze ein, die das Wissen aus der Praxis auf praktische und skalierbare Weise mit Betriebsdaten verknüpfen.

So sieht das aus:

Modell 1: Das Wissen der Mitarbeiter während der Arbeit erfassen

Das Spielbuch:

  • Erfassen Sie die tatsächlichen Arbeitsvorgänge in Echtzeit, wie z. B. Rüstvorgänge, Umrüstungen, Fehlerbehebung und Inspektionen
  • Nutzen Sie KI, um unstrukturierte Inhalte (Video, Sprache, Gesten) in strukturierte Anweisungen umzuwandeln
  • Wandeln Sie implizites Know-how in durchsuchbare, wiederholbare, digitale Anleitungen um
  • Integrieren Sie Überprüfungen, Übersetzungen und Inline-Unterstützung, damit neue Mitarbeiter das Gelernte sofort anwenden können

Das Ergebnis:

  • Wissen wird sichtbar und nutzbar, ohne dass Experten aus dem laufenden Betrieb abgezogen werden müssen
  • Anstelle einer einmaligen Schulung erhalten die Teams eine fest integrierte Anleitung, auf die sie jederzeit zugreifen können
  • Das Fachwissen lässt sich über Schichten, Funktionen und Standorte hinweg nutzen, ohne dass es zu Engpässen bei der Dokumentation kommt

Modell 2: Datenströme in Echtzeit-Entscheidungshilfen umwandeln

Das Spielbuch:

  • Führen Sie multimodale Daten wie Maschineneinstellungen, Kamerabilder und Qualitätsprotokolle in einer einzigen Informationsschicht zusammen
  • Trainieren Sie die KI anhand Ihrer eigenen historischen Daten (Programme, Inspektionen, Ergebnisse), damit sie Muster erkennt
  • Bieten Sie Echtzeit-Unterstützung direkt am Ort der Entscheidung: „Hier ist die Lösung“, nicht nur „Hier ist das Problem“
  • Nutzen Sie diese Erkenntnisse, um die Bediener zu unterstützen, nicht um sie zu ersetzen, und fördern Sie so Arbeitsabläufe, bei denen der Mensch im Regelkreis eingebunden ist.

„Erkenntnisse müssen in Echtzeit vorliegen, oder? Zwei Tage auf einen Bericht zu warten … das ist kein greifbarer geschäftlicher Nutzen.“ – Alvin Clark, Global Developer Relations Manager für Fertigung und Industrie, NVIDIA

Das Ergebnis:

  • Die Mitarbeiter erhalten relevante, kontextbezogene Unterstützung direkt im Moment und nicht erst Stunden später
  • Ingenieure erhalten schnellere Wege zur Ermittlung der Grundursache und zuverlässigere Referenzwerte für kontinuierlicher Verbesserungsprozess
  • Ihre Systeme beschränken sich nicht mehr darauf, lediglich über die Leistung zu berichten, sondern tragen dazu bei, diese zu verbessern

Der rote Faden

Diese Ansätze mögen an unterschiedlichen Punkten ansetzen, aber sie funktionieren aus demselben Grund:

  • Sie stützen sich auf den lokalen Kontext und nicht auf allgemeine Modelle.
  • Sie machen Wissen sichtbar und Daten nutzbar
  • Sie integrieren Intelligenz genau dort, wo die Arbeit stattfindet
  • Und sie halten die Leute auf dem Laufenden und schließen sie nicht aus

Auf diese Weise setzen Hersteller KI in die Praxis um, indem sie die Grundlagen, über die sie bereits verfügen, miteinander verknüpfen.

Erste Schritte: Ein praktischer Weg nach vorn

Sie brauchen weder perfekte Daten noch eine lückenlose Erfassung von Wissen, um loszulegen. Beginnen Sie mit einem konkreten, immer wieder auftretenden Problem und bauen Sie dann beide Grundlagen parallel auf. Die meisten Hersteller verfolgen dabei einen einfachen Ansatz:

  • Ermitteln Sie Ihre Lücken hinsichtlich der Datenzugänglichkeit und des undokumentierten Know-hows
  • Wählen Sie einen Bereich mit großer Wirkung Anwendungsfall , wie z. B. Umstellungen, Fehlerbehebung oder Schulungen
  • Wissen erfassen und Daten im Rahmen eines einheitlichen, zielgerichteten Arbeitsablaufs verknüpfen
  • Geben Sie den Teams klare Zuständigkeiten und die notwendigen Rahmenbedingungen, um schnell voranzukommen. Wenn die Mitarbeiter ihr Fachwissen in den von ihnen genutzten Systemen wiedererkennen, erfolgt die Akzeptanz ganz von selbst, und Verbesserungen folgen von selbst.

Wie „ Tulip “ dabei hilft, beide Grundlagen zu schaffen

Tulip vereint Daten und Wissen auf einer einzigen Plattform, die speziell auf die Gegebenheiten des operativen Alltags zugeschnitten ist.

Mit dem KI-Komposer von „ Tulip “ können Teams statische Standardarbeitsanweisungen (SOPs) und implizites Wissen innerhalb weniger Minuten in interaktive, digitale Arbeitsanweisungen umwandeln – ganz ohne Programmieraufwand. Laden Sie einfach ein Dokument hoch, und das System extrahiert die Schritte, Bilder und Logik, die zur Erstellung einer funktionsfähigen App erforderlich sind. Dies ist eine schnelle und wiederholbare Methode, um jedem Mitarbeiter den Zugriff auf die Arbeitsabläufe von Experten zu ermöglichen.

In Kombination mit „AI Agent“, dem integrierten KI-Assistenten von „ Tulip“, erhalten Bediener bei Bedarf direkt im Arbeitsablauf Antworten. Ganz gleich, ob sie nach Drehmomentangaben fragen, eine Störung an einer Maschine beheben oder historische Leistungsdaten überprüfen möchten – „Copilot“ liefert sofort die richtigen Informationen, die direkt aus Ihren tatsächlichen Arbeitsanweisungen, Handbüchern und „ Produktionsdaten “ stammen.

Zusammen bilden diese Tools einen geschlossenen Kreislauf: Wissen wird erfasst, in Anwendungen umgesetzt, mit Echtzeitdaten angereichert und dort zugänglich gemacht, wo es benötigt wird. Und da „ Tulip “ Teil eines umfassenderen Fertigungsökosystems ist, reicht diese Intelligenz über eine einzelne Plattform hinaus. Durch Partnerschaften mit Innovatoren wie DeepHow, Hexagon und NVIDIA können Hersteller die Erfassung von Expertenwissen, fortschrittliche Simulations- und Digital-Twin-Fähigkeiten sowie eine beschleunigte KI-Infrastruktur in ein und denselben betrieblichen Arbeitsablauf integrieren.

Tulip bildet die Grundlage für eine stärker vernetzte, intelligente Fabrik, in der KI sowohl Menschen als auch Prozesse unterstützt und ein offenes Ökosystem es ermöglicht, diese Intelligenz auf alle Betriebsabläufe auszuweiten.

Digitalisieren Sie Ihre Betriebsabläufe mit Tulip

Erfahren Sie, wie App-Systeme agile und vernetzte Abläufe ermöglichen

Eine Demo vereinbaren
CTA-Illustration „Ein Tag im Leben“