KI für den Betrieb
Vernetzter Mitarbeiter

Die Kontextlücke: Warum KI in der Fertigung ohne menschliche Einsichten scheitert

Mike McKay

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.

Wenn mehr Daten eine intelligentere Fertigung garantieren würden, wäre jede Fertigungshalle eine Goldgrube für KI. Fragt man jedoch einen beliebigen Produktionsleiter, warum die Zahl der Dashboards ständig zunimmt, während echte Durchbrüche weiterhin ausbleiben, ist die Antwort klar: Es geht nicht um die Menge – es geht um den Kontext. Die erfolgreichen Hersteller haben erkannt, dass die Lösung nicht in mehr Daten liegt, sondern in intelligenteren Daten – Informationen, die so versiert sind wie Ihr bester Fertigungsingenieur und in der Lage sind, das Wesentliche vom Unwesentlichen zu unterscheiden.

Die Hersteller investieren weiterhin massiv in künstliche Intelligenz, in der Hoffnung, intelligentere Fabriken zu schaffen, vorausschauende Instandhaltung zu ermöglichen und sich auf hart umkämpften Märkten einen Wettbewerbsvorteil zu verschaffen. Dennoch bleiben die meisten KI-Projekte hinter den Erwartungen zurück. Die jüngste Studie von BCG ergab, dass nur 25 % der Führungskräfte in der Fertigungsindustrie von einem erheblichen Mehrwert durch ihre KI-Investitionen berichten. Die Schuld liegt nicht allein bei der Technologie: Was fehlt, ist ein umfassender betrieblicher Kontext und – ebenso wichtig – das Fachwissen der Mitarbeiter an vorderster Front.

Die Krise bei der KI-Implementierung: Ambitionen treffen auf die Realität

Die Vision für KI in der Fertigungsindustrie ist ehrgeizig, doch die Fortschritte verlaufen weiterhin schleppend. Die „2025 Smart Manufacturing Survey“ von Deloitte ergab, dass 92 % der Fertigungsunternehmen davon überzeugt sind, dass intelligente Fertigung die zukünftige Wettbewerbsfähigkeit vorantreiben wird, doch 84 % sind nicht in der Lage, Datenanalysen automatisch umzusetzen. Trotz des Optimismus kommen ehrgeizige Initiativen häufig ins Stocken: Eine aktuelle Umfrage von S&P Global unter Führungskräften zeigt, dass 42 % der Unternehmen im Jahr 2025 die meisten KI-Initiativen aufgegeben haben – ein Anstieg gegenüber nur 17 % im Jahr 2024. Ein RAND-Bericht aus dem Jahr 2024 bestätigt, dass über 80 % der industriellen KI-Projekte scheitern – eine Zahl, die auf die Komplexität der Prozesse, schlechte Datenqualität und den Mangel an praxisnahem Kontext zurückgeführt wird.

Hinter diesen Zahlen verbirgt sich eine entscheidende Erkenntnis: Fertigungsumgebungen zeichnen sich durch Feinheiten aus – variable Produktmischungen, sich weiterentwickelnde Spezifikationen, schwankende Nachfrage und komplexe Maschinenökosysteme. Wenn KI-Modelle diese Gegebenheiten außer Acht lassen, kommt es zu einer Flut von Fehlalarmen, und das Vertrauen der Mitarbeiter schwindet.

Operativer Kontext: Warum Daten allein nicht ausreichen

Kontext ist mehr als nur Metadaten. Er umfasst alles von der Maschinenverfügbarkeit über Materialflüsse und Rezeptureinstellungen bis hin zu Bediener, Schicht und Wetterbedingungen. Eine Studie von IDC betont, dass sich der Kontext über die gesamte Fertigungsumgebung erstreckt, in der eine geringfügige Parameteränderung an einer Produktionslinie eine Krise an einer anderen auslösen kann.

Dennoch schätzt der Manufacturing Leadership Council, dass der Großteil der realen Fertigungsdaten nach wie vor ungenutzt bleibt. Wenn der Kontext außer Acht gelassen wird, neigt KI dazu, kostspielige Fehler zu begehen – beispielsweise Prozessrauschen als Fehler einzustufen oder echte Signale für Verbesserungen zu übersehen.

„Humans-in-the-Loop“: Der Katalysator für kontextbezogene KI

KI in der Fertigung entfaltet ihre größte Wirkung, wenn menschliches Fachwissen aktiv in den Feedback- und Lernprozess eingebunden wird. Bediener, Ingenieure und Fachexperten liefern den fehlenden Kontext, den kein Sensor und kein „ MES “ erfassen kann, und stellen so sicher, dass die Daten vor dem Hintergrund praktischer Erfahrungen interpretiert werden.

Der wahre Wert der KI kommt dann zum Tragen, wenn die Mitarbeiter in der Produktion das Wort ergreifen und die Algorithmen tatsächlich zuhören. Peer-Review-Studien und Analysen zu Branchentrends, wie beispielsweise eine Studie aus dem Jahr 2024 in „Frontiers in Manufacturing Technology“, zeigen, dass Plattformen für die vorausschauende Instandhaltung, die Anmerkungen der Bediener und Echtzeit-Feedback nutzen, im Vergleich zu Systemen, die ausschließlich auf Automatisierung setzen, durchweg eine höhere Genauigkeit, weniger Fehlalarme und schnellere Korrekturmaßnahmen erzielen.

Führende Analysten sagen voraus, dass „Human-in-the-Loop“-Strategien (HITL) – darunter Annotation, die Erfassung von Grundursachen und Korrekturen durch Bediener – bald zu einer grundlegenden Voraussetzung für vertrauenswürdige und leistungsstarke KI in der Fertigung werden. Wie die MIT Sloan Management Review betont, bleiben Fähigkeiten wie Empathie, Urteilsvermögen und Kreativität ausschließlich dem Menschen vorbehalten und sind entscheidend für die breite Akzeptanz und Wirksamkeit von KI in der Fertigung.

Barrieren überwinden: Häufige Hindernisse und wirksame Lösungsansätze

Die Einbindung des betrieblichen Kontexts und menschlichen Fachwissens in die KI für die Fertigung ist unerlässlich, doch dieser Weg wird oft durch eine Reihe hartnäckiger, gut dokumentierter Hindernisse erschwert. Hier sind die wichtigsten Herausforderungen und wie führende Hersteller sie angehen:

Unzusammenhängende Daten

Hindernis: Aufgrund jahrzehntealter Architekturen sind Operational-Technology-Systeme (OT), die Maschinendaten generieren, häufig von den Information-Technology-Systemen (IT) isoliert, die für Prozess- und Geschäftsdaten zuständig sind. Diese Fragmentierung verdeckt wichtige Signale und führt dazu, dass KI-Modelle mit einer unvollständigen, veralteten oder inkonsistenten Sicht auf die Realität in der Fertigung arbeiten.

Antwort: Investieren Sie in einheitliche Datenarchitekturen, die IT und OT miteinander verbinden und so einen anlagenweiten Datenaustausch in Echtzeit ermöglichen. Dadurch wird sichergestellt, dass KI-Systeme auf der Grundlage eines vollständigen Betriebsüberblicks arbeiten und nicht auf der Grundlage fragmentierter Silos.

Unvollständige Metadaten

Hindernis: Produktionsdaten werden häufig ohne oder mit inkonsistenten Kontextinformationen erfasst, wie beispielsweise Zeitstempel, Chargennummern, Bediener-IDs oder Umgebungsbedingungen, was es der KI erschwert, routinemäßige Schwankungen von aussagekräftigen Anomalien zu unterscheiden.

Antwort: Führen Sie strenge Protokolle ein, damit jeder Datenpunkt mit umfassenden Metadaten versehen wird: das Wer, Was, Wo, Wann und Warum jedes Ereignisses. Diese Anreicherung ermöglicht es der KI, über die reinen Zahlen hinauszuschauen und umsetzbare Erkenntnisse zu gewinnen.

Widerstand innerhalb der Organisation

Hindernis: Bediener und Ingenieure sind oft skeptisch, wenn KI-Empfehlungen nicht mit den Gegebenheiten in der Fertigung übereinstimmen oder aus „Black-Box“-Systemen stammen, die keine transparente Begründung liefern. Dies untergräbt das Vertrauen und verlangsamt die Einführung.

Antwort: Fördern Sie kooperative Feedback-Schleifen, indem Sie den Teams an vorderster Front leicht zugängliche digitale Tools zur Verfügung stellen, mit denen sie Auffälligkeiten kennzeichnen und ungewöhnliche Ereignisse klären können. Beziehen Sie deren Fachwissen in den KI-Lebenszyklus ein, um sicherzustellen, dass menschlicher Kontext und menschliches Urteilsvermögen in das Modelltraining und die Ergebnisse einfließen.

Ressourcen- und Qualifikationslücken

Hindernis: Vielen Herstellern fehlt es an ausreichend Personal, das sowohl über fundierte Kenntnisse in fortgeschrittener Datenwissenschaft als auch im komplexen Anlagenbetrieb verfügt. Diese Qualifikationslücke kann Projekte zum Scheitern bringen oder zu unvollständigen Lösungen führen, die nuancierte Prozessanforderungen außer Acht lassen.

Antwort: Führen Sie gezielte Weiterbildungsprogramme ein und setzen Sie intuitive Tools ein, mit denen Fachexperten ihr Wissen im Rahmen ihrer täglichen Arbeit problemlos einbringen können, sodass betriebliches Know-how zu einem zentralen Bestandteil der KI wird.

Fehlanpassungen bei der Zusammenarbeit zwischen Mensch und KI

Hindernis: Bei KI-Initiativen wird Technologie manchmal als Ersatz für menschliche Fähigkeiten dargestellt, was Skepsis schürt und eine Kluft zwischen den digitalen und den operativen Teams schafft. Ein effektiver Einsatz erfordert Abstimmung – KI sollte menschliches Fachwissen ergänzen, nicht ersetzen.

Antwort: Betrachten Sie KI als unterstützenden Partner. Gestalten Sie jede Initiative so, dass der Mensch in den Prozess eingebunden ist, und geben Sie den Mitarbeitern die Möglichkeit, KI-gesteuerte Empfehlungen zu korrigieren, zu überschreiben oder zu ergänzen.

Kontext im großen Maßstab: UNS und MCP setzen das Prinzip in die Praxis um

Wie können Hersteller diese Strategien in die Praxis umsetzen? Zwei sich rasch weiterentwickelnde Ansätze ermöglichen es, den Kontext – und den menschlichen Beitrag – in großem Maßstab einzubinden.

Die Unified Namespace (UNS)-Architektur definiert Industriedaten neu, indem sie alle Betriebsinformationen in einer einzigen Echtzeitumgebung zentralisiert. Mit UNS fließen Maschinenkennzahlen, Anmerkungen von Bedienern, Abweichungsmarkierungen und vieles mehr durch ein gemeinsames Datenökosystem, sodass KI in Echtzeit auf das gesamte Spektrum des Fertigungskontexts zugreifen kann. Dadurch wird sichergestellt, dass der Kontext nicht nur nachträglich berücksichtigt wird, sondern ein grundlegender Bestandteil jeder algorithmischen Entscheidung ist.

Das im Jahr 2024 eingeführte Model Context Protocol (MCP) ermöglicht es KI-Agenten unterdessen, bei jeder Entscheidung oder Vorhersage dynamisch den spezifischen Kontext anzufordern, den sie benötigen – beispielsweise den aktuellen Status der Anlagen, Rückmeldungen von Bedienern oder aktuelle Wartungsprotokolle. Das MCP kann vor der Durchführung kritischer Analysen die Angabe obligatorischer Datenfelder vorschreiben, darunter auch von Menschen bereitgestellte Eingaben. Auf diese Weise werden KI-Maßnahmen auf reale Bedingungen abgestimmt und Expertenmeinungen einbezogen.


Wissenschaftlich begutachtete Forschungsergebnisse belegen, dass Hersteller deutliche Verbesserungen bei der Erkennung von Anomalien, der Betriebssicherheit und dem Engagement der Mitarbeiter verzeichnen, wenn Kontextinformationen – insbesondere vom Menschen bereitgestellte – in die Kernarchitektur integriert werden, wie eine Studie aus dem Jahr 2024 in „Frontiers in Manufacturing Technology“ zeigt. Branchenanalysen bestätigen, dass sich diese Ansätze zunehmend als Standard für vorausschauende Instandhaltung und Qualitätsinitiativen in der gesamten Fertigungsindustrie etablieren, wie von Analytics Insight beschrieben.

Eine robuste, vertrauenswürdige KI benötigt Kontext – und menschliche Einsicht

Im Bereich der KI für die Fertigung ist der Kontext kein Luxus. Er macht den Unterschied zwischen blinkenden Dashboards und Systemen, die denken.

KI in der Fertigung erzielt nur dann nachhaltige und skalierbare Ergebnisse, wenn sie auf einem umfassenden betrieblichen Kontext aufbaut und durch das Fachwissen der Mitarbeiter an vorderster Front ergänzt wird. Durch die Zusammenführung von Datenströmen, die Anreicherung jedes Datenpunkts mit Kontext, die Einbindung von Feedback durch den Menschen sowie den Einsatz von Architekturen, die auf Echtzeit-Zusammenarbeit ausgelegt sind, verwandeln Hersteller KI von einem fragilen Experiment in eine bewährte, unternehmensweite Kompetenz.

Die Zukunft der Fertigung wird nicht auf größeren Zahlen beruhen, sondern auf intelligenteren Beziehungen – zwischen Daten, Maschinen und den Menschen, die wissen, worauf es wirklich ankommt.

Geben Sie Ihrem Team mit der KI von „ Tulip “ die Möglichkeiten der künstlichen Intelligenz an die Hand

Unterstützen Sie Ihre Mitarbeiter mit KI-Tools, um Fragen zu beantworten, Daten zu analysieren und Tools zur Optimierung von Arbeitsabläufen zu entwickeln.

Erfahren Sie mehr über die KI von „ Tulip “
Illustration: Ein Tag im Leben