KI für den Betrieb
digitale Transformation
Führung

Warum KI ohne Kontext versagt: Ein Leitfaden zur Datenaufbereitung in der Fertigung

Nishika Makwana
Warum KI ohne Kontext versagt: Eine Illustration aus dem „Playbook zur Datenaufbereitung in der Fertigung“

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.

Die Hersteller investieren massiv in KI, doch viele Initiativen kommen nach ersten Pilotprojekten zum Stillstand. Modelle liefern Erkenntnisse, Dashboards leuchten auf, doch die Teams zögern, Maßnahmen zu ergreifen. In der Produktion und in den Leitstellen wirken die Ergebnisse oft losgelöst von der tatsächlichen Abläufe im Betrieb.

Auf der „ Operations Calling “ trafen sich Führungskräfte von ZS und AWS, um zu erörtern, wie Hersteller Daten für den groß angelegten Einsatz von KI aufbereiten. Aus den verschiedenen Perspektiven – von der Fertigungsstrategie über die Cloud-Architektur bis hin zum operativen Tagesgeschäft – kristallisierte sich ein einheitliches Muster heraus: KI scheitert nicht daran, dass die Modelle schwach sind, sondern daran, dass den zugrunde liegenden Daten ein gemeinsamer operativer Kontext über IT- und OT-Systeme hinweg fehlt.

In diesem Blogbeitrag wird erläutert, warum der Kontext die fehlende Voraussetzung für KI in der Fertigung ist. Wir stellen einen praktischen Leitfaden zur Datenbereitschaft vor, der aufzeigt, wie Unternehmen den Weg von Rohsignalen und isolierten Systemen hin zu KI-fähigen Architekturen beschreiten können, die eine skalierbare Entscheidungsunterstützung unter Einbeziehung des Menschen ermöglichen.

Was „Kontext“ für KI in der Fertigung wirklich bedeutet

In der Fertigung liegen bereits Daten über Maschinen, Systeme und Anwendungen hinweg vor. Die Herausforderung besteht darin, daraus Erkenntnisse zu gewinnen. Der Kontext erklärt, was die Daten bedeuten und warum sie für eine bestimmte Entscheidung von Bedeutung sind.

„KI ist nur so gut wie ihre Daten, oder? Und es geht nicht nur um die Daten. Es geht über die Daten hinaus. Es geht um den Kontext der Daten, oder? Der Kontext ist entscheidend.“ – Suraj Pai, Principal, ZS

Zu wissen, dass eine Maschine läuft, ist nicht dasselbe wie zu wissen, welchen Prozess sie ausführen soll, für welches Produkt und unter welchen Bedingungen. Ohne diese Verknüpfung zu Anlagen, Prozessen und Produkten können KI-Systeme zwar Signale erkennen, haben jedoch Schwierigkeiten, konkrete Maßnahmen zu unterstützen.

Der Kontext hängt zudem von der Rolle und der Fragestellung ab. Was für einen Operator, einen Qualitätsbeauftragten oder einen Planer für „ Lieferkette “ von Bedeutung ist, unterscheidet sich, selbst wenn sie dieselben zugrunde liegenden Daten betrachten. Deshalb kann der Kontext nicht einfach vorausgesetzt oder fest programmiert werden, sondern muss gestaltet werden.

Schließlich wird der Kontext nicht ausschließlich maschinell generiert. Experten betonten, dass menschliche Beiträge nach wie vor entscheidende Lücken füllen, wo Systeme an ihre Grenzen stoßen. Damit KI im realen Betrieb funktioniert, muss sie sowohl Systemdaten als auch menschliches Urteilsvermögen berücksichtigen.

Die Bereitschaft zur Nutzung von Fertigungsdaten verstehen

Datenbereitschaft in der Fertigung bedeutet, dass Betriebsdaten so definiert, strukturiert und vernetzt sind, dass sie über IT- und OT-Systeme hinweg zuverlässig genutzt werden können.

Praktisch gesehen sind die Daten dann bereit, wenn:

  • Ressourcen, Prozesse und Produkte sind klar definiert.
  • Die Beziehungen zwischen ihnen werden modelliert.
  • Die Namenskonventionen sind standardisiert.
  • Der Kontext bleibt den Daten erhalten, während diese zwischen den Systemen übertragen werden.

Dadurch wird sichergestellt, dass dieselben Daten überall, wo sie vorkommen – in den Bereichen Betrieb, Qualität, Technik oder in Unternehmenssystemen –, dasselbe darstellen.

Standards wie ISA-95 oder Unified Namespace bieten einen strukturellen Ausgangspunkt. Wenn diese Grundlage vorhanden ist, können neue Analyse- und KI-Anwendungsfälle auf gemeinsamen Modellen aufbauen, anstatt für jedes Projekt den Kontext neu zu erstellen. Das bedeutet auch, dass Daten nicht jedes Mal manuell erläutert werden müssen, wenn eine neue Person sie nutzt. Der Kontext ist bereits integriert.

Sobald die Daten bereitstehen, können neue Dashboards, Analysetools oder KI-Tools sie sofort nutzen. Ist dies nicht der Fall, verbringen die Teams den Großteil ihrer Zeit damit, herauszufinden, was die Daten tatsächlich bedeuten.

Stufen der Kontextreife in der Fertigung

Der Kontext entsteht nicht auf einen Schlag. Er entwickelt sich schrittweise, und die meisten Hersteller sind gleichzeitig in mehreren dieser Ebenen tätig. Entscheidend ist, zu verstehen, wo der Kontext heute bereits vorhanden ist und was erforderlich ist, um voranzukommen, ohne dabei über das Ziel hinauszuschießen.

„Diese Agenten funktionieren nicht gut und werden Ihnen auch nicht die richtigen Informationen liefern oder bessere Entscheidungen treffen … ohne die entsprechenden Daten.“ – Venkat Gumatam, Partner Solutions Architect, Amazon Web Services

Phase 1: Kontext auf Anlagenebene
In dieser Phase sind die Daten an einzelne Maschinen, Anlagen oder Sensoren gebunden.

Sie können den Status der Anlage einsehen – ob sie läuft, gestoppt ist oder eine Störung vorliegt – sowie grundlegende Kennzahlen wie Zykluszeit, Temperatur oder Stückzahl. Anhand dieser Daten können Sie erkennen, was die Anlage zu einem bestimmten Zeitpunkt gerade tut.

Was dabei jedoch nicht ersichtlich ist, ist, ob die Maschine das richtige Produkt verarbeitet, die richtigen Prozessparameter einhält oder die Leistungserwartungen für diesen konkreten Auftrag erfüllt. Die Daten beziehen sich ausschließlich auf die Anlage selbst.

Hier setzen die meisten IT/OT-Integrationen an: Maschinen werden vernetzt und Signale erfasst. Dies sorgt zwar für Transparenz, liefert jedoch keine vollständige betriebliche Aussagekraft.


Phase 2: Prozesskontext
In dieser Phase werden die Daten mit dem Prozessschritt verknüpft, den die Maschine gerade ausführt.

Sie können sehen, welcher Vorgang gerade ausgeführt wird, in welcher Workflow-Phase er sich befindet und welche Sollwerte oder Grenzwerte für diesen Schritt definiert sind. Leistungsdaten sind nicht mehr nur ein Maschinensignal, sondern werden anhand des vorgesehenen Prozessablaufs ausgewertet.

Sie wissen nun, ob der Vorgang innerhalb der erwarteten Parameter geblieben ist.

Was Sie noch nicht vollständig wissen, ist, wie sich diese Leistung auf ein bestimmtes Produkt, einen bestimmten Auftrag oder eine bestimmte Charge auswirkt. Die Daten spiegeln das Prozessverhalten wider, nicht jedoch die vollständigen Auswirkungen auf das Produkt.

An dieser Stelle verschieben sich die Fragen von „Was ist passiert?“ hin zu „Ist alles wie erwartet gelaufen?“

Phase 3: Produkt- und Chargenkontext
In dieser Phase werden die Daten mit bestimmten Produkten, Rezepturen oder Chargen verknüpft. Leistungsdaten, Abweichungen und Qualitätsergebnisse lassen sich auf das zurückführen, was zu diesem Zeitpunkt produziert wurde.

Dadurch lässt sich nachvollziehen, wie sich das Prozessverhalten auf einen bestimmten Auftrag oder eine bestimmte Charge auswirkt – und nicht nur auf die Maschine. Dies ist besonders wichtig in regulierten Umgebungen und bei hoher Produktvielfalt, in denen auf derselben Anlage unterschiedliche Produkte mit unterschiedlichen Anforderungen hergestellt werden können.

Phase 4: Funktionsübergreifende Kontext
In dieser Phase werden die Daten aus der Fertigung mit den Systemen der Qualitätssicherung, der Technik und der Unternehmens Lieferkette verbunden. Ein Problem an einer Maschine kann mit seinen Auswirkungen in Verbindung gebracht werden, wie z. B. Ausschuss, Verzögerungen, Nacharbeit oder versäumte Liefertermine.

Bei den Daten geht es nicht mehr nur darum, wie sich eine Produktionslinie entwickelt. Sie zeigen, wie sich betriebliche Probleme auf das Unternehmen auswirken.

Hier geht es um Entscheidungen, die über die Reparatur einer Maschine hinausgehen. Teams können die weiterreichenden Auswirkungen erkennen und abteilungsübergreifend handeln, nicht nur innerhalb eines Bereichs.

Phase 5: Der menschliche Kontext
Selbst in hochentwickelten Umgebungen sind Menschen nach wie vor Teil des Prozesses. Die Bediener machen sich Notizen, erläutern Probleme bei Schichtwechseln, bearbeiten Ausnahmesituationen und treffen Entscheidungen, wenn etwas nicht wie geplant verläuft.

Systeme erfassen nicht alles. Oft sind es menschliche Beiträge, die erklären, warum etwas passiert ist – und nicht nur, was passiert ist. Solide Datenarchitekturen behandeln diese Beiträge als wertvolle Betriebsdaten und nicht als etwas, das man ignorieren sollte.

„Nicht in jeder Fertigungsstätte wird jeder einzelne Aspekt digitalisiert sein. Es sind nach wie vor Menschen im Prozess involviert, die Daten erfassen und Elemente des Fertigungsprozesses dokumentieren.“ – Suraj Pai, Principal, ZS

Die KI-Reife hängt davon ab, wie gut Daten diese Ebenen durchlaufen können, ohne an Aussagekraft zu verlieren. Probleme entstehen, wenn Unternehmen versuchen, KI einzusetzen, bevor der erforderliche Kontext vorhanden ist.

Kontext gestalten, ohne zu übertreiben

Die Vermeidung von KI-Ausfällen beginnt mit einer durchdachten Datengestaltung. Das Ziel ist nicht, ein perfektes Modell zu erstellen, sondern ein brauchbares.

Beginnen Sie mit einheitlichen Definitionen. Definieren Sie Ressourcen, Prozessschritte, Produkte und wichtige Entitäten klar und eindeutig, damit sie systemübergreifend einheitlich sind. Führen Sie gemeinsame Namenskonventionen ein, damit derselbe Begriff in den Bereichen Betrieb, Qualität und Unternehmens-Tools immer dasselbe bedeutet.

Modellieren Sie als Nächstes die Beziehungen, auf die es ankommt. Verknüpfen Sie Maschinenereignisse mit Prozessschritten. Verbinden Sie Prozessschritte mit Produkten oder Chargen. Verknüpfen Sie betriebliche Ereignisse mit Qualitäts- und Lieferkette -Systemen. Konzentrieren Sie sich dabei ausschließlich auf die Beziehungen, die für Ihre vorrangigen Anwendungsfälle erforderlich sind, und nicht auf jedes mögliche Szenario.

Nutzen Sie Standards wie ISA-95 und ISA-88 als Anhaltspunkte, nicht als Blaupausen. Übernehmen Sie die strukturelle Klarheit, die sie bieten, und passen Sie sie dann an die tatsächlichen Abläufe in Ihrem Unternehmen an.

Und schließlich: Entwerfen Sie mit Blick auf die Weiterentwicklung. Ontologien ermöglichen es Ihnen, Entitäten und Beziehungen so zu definieren, dass sie erweitert werden können, wenn neue Produkte, Arbeitsabläufe oder Standorte hinzukommen. So bleiben die Daten strukturiert, ohne in starre Hierarchien eingeengt zu sein.

Wenn Hersteller diesen Ansatz verfolgen, müssen KI-Systeme Daten nicht jedes Mal neu interpretieren, wenn diese eine Grenze überschreiten. Neue Anwendungsfälle bauen auf gemeinsamen Grundlagen auf, anstatt parallele Modelle zu erstellen. Auf diese Weise lässt sich der Kontext skalieren, und die KI funktioniert auch bei zunehmender Komplexität weiterhin.

Vorbereitung auf agentische KI mit „Humans in the Loop“

Ein Großteil der ersten KI-Welle in der Fertigungsindustrie konzentrierte sich auf die Gewinnung von Erkenntnissen mithilfe von Dashboards, Prognosen und Empfehlungen. Agente-basierte KI verändert diese Erwartungen. Diese Systeme analysieren nicht nur Daten, sondern können auch Maßnahmen ergreifen, Arbeitsabläufe auslösen und Entscheidungen systemübergreifend koordinieren.

„Wir bewegen uns in Zukunft auf eine Welt à la ‚Iron Man‘ zu, in der wir mit den Systemen kommunizieren und die Systeme mit uns.“ – Venkat Gumatam, Partner Solutions Architect, Amazon Web Services

Dieser Wandel legt die Messlatte für die Datenbereitschaft höher. Wenn KI nicht mehr nur Vorschläge macht, sondern selbst handelt, werden Lücken im Kontext zu Risiken. Ein Agent muss nicht nur verstehen, was passiert ist, sondern auch, wo es passiert ist, warum es von Bedeutung ist und welche Einschränkungen gelten. Ohne diese Grundlage wird die Automatisierung anfällig statt zuverlässig.

Aus diesem Grund ist ein „Human-in-the-Loop“-Ansatz unverzichtbar. Agentebasierte Systeme funktionieren am besten, wenn Menschen Entscheidungen validieren, Ausnahmen behandeln und bei unvollständigen Daten ihr Urteilsvermögen einbringen. Diese Systeme sollen Bediener oder Ingenieure nicht ersetzen, sondern sie unterstützen, indem sie den Kontext verdeutlichen, Entscheidungen beschleunigen und die Verantwortung bei den Menschen belassen.

„Letztendlich muss es ein bewusstes, zielgerichtetes Design geben, bei dem der Mensch eine aktive Rolle spielt.“ – Suraj Pai, Principal bei ZS

Für Führungskräfte im IT- und OT-Bereich geht es bei der Vorbereitung auf agentische KI nicht darum, zunächst Agenten einzusetzen. Vielmehr geht es darum, Betriebsmodelle und Datengrundlagen zu entwerfen, die von Anfang an auf die Zusammenarbeit zwischen Systemen und Menschen ausgelegt sind. Wenn der Kontext stimmt, wird agentische KI zu einer praktischen Erweiterung des Betriebs. Ohne diesen Kontext haben selbst die fortschrittlichsten Modelle Schwierigkeiten, Vertrauen zu gewinnen.

Wie „ Tulip “ Datenkontext in großem Maßstab ermöglicht

Tulip unterstützt die Datenbereitschaft in der Fertigung, indem es den Kontext erfasst, in dem die Arbeit tatsächlich stattfindet. Als „ Frontline Operations “-Plattform vereint „ Tulip “ menschliche Eingaben, Maschinendaten und Prozessabläufe in einer einzigen Umgebung, sodass die betriebliche Bedeutung bereits bei der Datenerstellung eingebettet wird und nicht erst später rekonstruiert werden muss.

Durch die Digitalisierung von Prozessen an der Basis trägt „ Tulip “ dazu bei, die Darstellung von Anlagen, Betriebsabläufen und Produkten zu standardisieren, bleibt dabei jedoch flexibel genug, um standortspezifische Gegebenheiten zu berücksichtigen. Ingenieure können Arbeitsabläufe, Datenerfassung und Namenskonventionen definieren, die mit übergeordneten IT- und OT-Architekturen im Einklang stehen, ohne dabei starre, von oben vorgegebene Modelle aufzuzwingen.

Diese kontextbezogenen Daten können dann in Unternehmenssysteme, Analyseplattformen und Cloud-Dienste eingespeist werden und unterstützen so KI-Anwendungsfälle, die eine einheitliche Struktur über Geschäftsbereiche und Standorte hinweg erfordern. Das Ergebnis ist eine skalierbare Grundlage für „Human-in-the-Loop“-KI, die auf realen Betriebsabläufen basiert, im Laufe der Zeit anpassbar ist und sowohl die lokale Ausführung als auch die unternehmensweite Entscheidungsfindung unterstützt.

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“