Was ist "Künstliche Intelligenz"?

Künstliche Intelligenz (KI) bezeichnet die Fähigkeit von Computersystemen, Aufgaben auszuführen, die normalerweise menschliche Intelligenz erfordern, darunter Mustererkennung, Sprachverarbeitung, Entscheidungsfindung und Lernen aus Erfahrung. Im industriellen Kontext und insbesondere im Umfeld von Lean Management und TPM (im Sinne von Total Productive Maintenance) gewinnt KI zunehmend an Bedeutung als Werkzeug zur Prozessoptimierung, zur vorausschauenden Instandhaltung und zur datenbasierten Entscheidungsunterstützung. Die zentrale Frage für produzierende Unternehmen lautet dabei nicht, ob KI eingesetzt werden soll, sondern wie der Einsatz sinnvoll mit bestehenden Lean- und TPM-Strukturen verknüpft werden kann, um einen echten Wertschöpfungsbeitrag zu erzielen.

Grundlagen und Begriffsklärung

Künstliche Intelligenz ist ein Oberbegriff, der verschiedene Technologien und Ansätze umfasst. Im Kern geht es darum, dass Algorithmen aus Daten Muster erkennen und daraus Vorhersagen oder Handlungsempfehlungen ableiten. Die wichtigsten Teilbereiche der KI sind:

• Maschinelles Lernen (ML): Algorithmen erlernen aus historischen Daten statistische Zusammenhänge, ohne explizit programmiert zu werden. ML ist die Grundlage für viele industrielle KI-Anwendungen wie Predictive Maintenance, Qualitätsprognose und Prozessoptimierung.
• Deep Learning: Eine Unterform des maschinellen Lernens, die auf künstlichen neuronalen Netzen mit vielen Schichten basiert. Deep Learning eignet sich besonders für die Verarbeitung unstrukturierter Daten wie Bilder, Texte oder Audiosignale.
• Natural Language Processing (NLP): Die Verarbeitung und das Verständnis natürlicher Sprache durch Computer. NLP ermöglicht Anwendungen wie Chatbots, automatische Übersetzung und die Analyse von Freitexten in Fehlerberichten oder Kundenrückmeldungen.
• Computer Vision: Die maschinelle Interpretation visueller Informationen. In der Produktion wird Computer Vision für automatisierte Qualitätsprüfung, Objekterkennung und Prozessüberwachung eingesetzt.
• Generative KI: Systeme wie ChatGPT und andere Large Language Models (LLMs), die eigenständig Texte, Bilder oder Code erzeugen können. Diese Technologie hat seit Ende 2022 enorme Aufmerksamkeit erfahren und eröffnet neue Möglichkeiten für Wissensmanagement und Prozessdokumentation (vgl. May 2023a).

KI in der Fertigung, Hype oder Hilfreich?

Die Frage, ob KI in der Fertigung tatsächlich einen Mehrwert liefert oder lediglich ein weiterer Technologie-Hype ist, wird in der Fachwelt intensiv diskutiert. Eine differenzierte Betrachtung zeigt, dass KI dort am wirkungsvollsten ist, wo große Datenmengen anfallen und komplexe Zusammenhänge existieren, die der Mensch allein nicht mehr überblicken kann (vgl. Roser 2022). Typische Beispiele sind die Prozessparameteroptimierung in der Halbleiterfertigung, die Vorhersage von Maschinenausfällen auf Basis von Sensordaten oder die Echtzeitanpassung von Fertigungsparametern.

Gleichzeitig warnt die Praxis vor überzogenen Erwartungen. Viele KI-Projekte scheitern nicht an der Technologie, sondern an fehlender Datenqualität, unzureichender Prozessstandardisierung oder mangelnder Einbindung der Mitarbeiter. Hier zeigt sich eine direkte Verbindung zu den Grundlagen von Lean und TPM: Ohne saubere Prozesse, zuverlässige Daten und eine Kultur der kontinuierlichen Verbesserung kann KI ihr Potenzial nicht entfalten.

Grundsatz: KI ist kein Ersatz für Lean-Grundlagen. Wer einen chaotischen Prozess mit KI optimiert, erhält bestenfalls einen optimierten chaotischen Prozess. Erst wenn 5S, Standardisierung und Prozessstabilität gegeben sind, kann KI ihre Stärken ausspielen. Der Grundsatz „erst Lean, dann digital“ gilt auch und gerade für den KI-Einsatz.

Future Work Skills und KI-Kompetenz

Die zunehmende Verbreitung von KI verändert die Anforderungen an Mitarbeiter in der Produktion und in administrativen Bereichen grundlegend. Neue Kompetenzfelder entstehen, während sich bestehende Tätigkeitsprofile wandeln. Eine fundierte Analyse der Future Work Skills im Kontext von KI zeigt, dass drei Kompetenzbereiche besonders relevant werden (vgl. Fischer 2022):

• Datenkompetenz: Die Fähigkeit, Daten zu erheben, zu interpretieren und in Handlungen umzusetzen. Mitarbeiter müssen verstehen, wie Daten entstehen, welche Qualitätsanforderungen an sie gestellt werden und wie datenbasierte Empfehlungen kritisch bewertet werden.
• Mensch-Maschine-Interaktion: Die Zusammenarbeit mit KI-Systemen erfordert ein Verständnis für die Stärken und Grenzen dieser Technologie. Mitarbeiter müssen lernen, KI-Ergebnisse einzuordnen und situativ zu entscheiden, wann sie der Maschine vertrauen und wann menschliches Urteilsvermögen gefragt ist.
• Lern- und Veränderungsbereitschaft: Die Geschwindigkeit technologischer Veränderungen erfordert eine permanente Bereitschaft zur Weiterbildung. Eine Kultur des lebenslangen Lernens, wie sie in Lean-Organisationen angestrebt wird, bildet die beste Grundlage für die Bewältigung des KI-bedingten Wandels.

Die Kompetenzentwicklung im Bereich KI sollte stets mit den strategischen Zielen des Unternehmens verknüpft sein. Es geht nicht darum, jeden Mitarbeiter zum Data Scientist auszubilden, sondern darum, ein grundlegendes Verständnis für die Möglichkeiten und Grenzen von KI in der gesamten Organisation zu verankern. Die Qualifikationsmatrix, ein bewährtes Instrument aus dem TPM-Umfeld, kann dabei helfen, den Kompetenzstand systematisch zu erfassen und Entwicklungsbedarfe zu identifizieren (vgl. May 2023b).

KI und Operational Excellence

Im Rahmen eines ganzheitlichen Operational-Excellence-Ansatzes ist KI als ein Werkzeug unter vielen zu betrachten. Der Einsatz von KI sollte immer dem übergeordneten Ziel dienen, Wertschöpfung zu steigern und Verluste zu reduzieren. In der TPM-Systematik lassen sich die Einsatzmöglichkeiten von KI entlang der bekannten Säulen strukturieren:

• Kobetsu Kaizen (1. Säule des TPM-Hauses) (Fokussierte Verbesserung): KI-gestützte Analyse von Verlustdaten kann verborgene Muster aufdecken und die Priorisierung von Verbesserungsprojekten unterstützen.
• Autonome Instandhaltung (2. Säule von TPM) (Autonome Instandhaltung): Sensorgestützte Überwachung und KI-basierte Anomalieerkennung können frühzeitig auf Abweichungen hinweisen und den Mitarbeiter bei der Zustandsbeurteilung unterstützen.
• Geplante Instandhaltung (Geplante Instandhaltung): Predictive Maintenance nutzt maschinelles Lernen, um den optimalen Wartungszeitpunkt vorherzusagen und ungeplante Stillstände zu vermeiden.
• Qualitätserhaltung (Qualitätserhaltung): Computer Vision und Machine Learning ermöglichen eine automatisierte, lückenlose Qualitätsprüfung, die menschliche Prüfer bei repetitiven Aufgaben entlastet.

Generative KI und ihre Bedeutung für Unternehmen

Die Einführung von generativer KI, insbesondere Large Language Models wie ChatGPT, hat seit Ende 2022 die Diskussion um Künstliche Intelligenz grundlegend verändert. ChatGPT als Gamechanger: Erstmals steht eine KI-Technologie zur Verfügung, die von nahezu jedem Mitarbeiter ohne Programmierkenntnisse genutzt werden kann (vgl. May 2023a). Dies demokratisiert den Zugang zu KI und eröffnet neue Einsatzfelder in Bereichen, die bisher kaum von der Digitalisierung profitiert haben.

Für produzierende Unternehmen ergeben sich durch generative KI vielfältige Einsatzmöglichkeiten: die automatische Erstellung von Arbeitsanweisungen und One Point Lesson, die Übersetzung von Dokumenten, die Analyse von Fehlerberichten, die Unterstützung bei der Problemlösung und die Generierung von Schulungsmaterialien. Dabei ist stets zu beachten, dass generative KI nicht immer faktisch korrekte Antworten liefert, eine kritische Überprüfung durch den Fachexperten bleibt unverzichtbar.

Die Frage, ob KI ein Bewusstsein entwickeln kann oder lediglich statistisch plausible Antworten erzeugt, ist nicht nur philosophisch interessant, sondern hat praktische Relevanz für den Umgang mit KI-Systemen im Unternehmensalltag (vgl. Voigt 2023). Führungskräfte müssen verstehen, dass aktuelle KI-Systeme keine eigenständige Urteilskraft besitzen und dass die Verantwortung für Entscheidungen stets beim Menschen liegt.

Daten als Grundlage der KI-Nutzung

Jede KI-Anwendung steht und fällt mit der Qualität der zugrunde liegenden Daten. Im produzierenden Umfeld bedeutet dies: Ohne verlässliche Prozessdaten, standardisierte Erfassungsmethoden und eine durchgängige Datenarchitektur kann KI keinen Mehrwert erzeugen. Die Daten müssen im Fokus des digitalen Wandels stehen (vgl. Spreitzenbarth 2023). Unternehmen, die in KI investieren wollen, sollten zunächst ihre Datenlandschaft bewerten und Grundlagen schaffen.

Die Verbindung zu 5S und Standardisierung wird auch hier deutlich: Ein standardisierter Prozess erzeugt verlässliche Daten, aus denen ein KI-System sinnvolle Muster ableiten kann. Ein nicht standardisierter Prozess erzeugt Rauschen, das selbst die leistungsfähigste KI nicht in brauchbare Erkenntnisse verwandeln kann. Die Reihenfolge ist daher klar: Erst standardisieren, dann Daten sammeln, dann KI einsetzen.

Wichtig: Die Erfahrung zeigt, dass 80 Prozent des Aufwands in KI-Projekten auf die Datenvorbereitung entfallen. Unternehmen, die bereits über stabile Prozesse, saubere Daten und eine Kultur der datenbasierten Entscheidungsfindung verfügen, sind bei der KI-Einführung im Vorteil. Lean- und TPM-reife Unternehmen haben daher einen natürlichen Vorsprung bei der KI-Implementierung.

KI und der Mensch

Trotz aller technologischen Fortschritte bleibt der Mensch im Mittelpunkt von Operational Excellence. KI kann den Menschen unterstützen und ent­lasten, aber nicht ersetzen, insbesondere nicht in den Bereichen Kreativität, Urteilsvermögen, emotionale Intelligenz und komplexe Problemlösung. In einem Lean-Umfeld, das auf die Entwicklung der Mitarbeiter setzt, ist KI ein Werkzeug, das den Mitarbeitern hilft, ihre Aufgaben besser zu erfüllen.

Die Bewältigung des Wandels, den KI mit sich bringt, erfordert Strategien für dynamische Zeiten (vgl. Dürst 2023). Veränderungsmanagement und eine offene Unternehmenskultur sind entscheidend dafür, dass KI-Projekte von den Mitarbeitern akzeptiert und mitgetragen werden. Die Angst vor Arbeitsplatzverlust muss ernst genommen und durch transparente Kommunikation sowie konkrete Qualifizierungsangebote adressiert werden.

Agile Vorgehensweisen haben sich in Krisenzeiten als besonders wertvoll erwiesen, weil sie schnelle Anpassungen an veränderte Rahmenbedingungen ermöglichen (vgl. Kaiser 2020, S. 12–18). Auch bei der Einführung von KI-Projekten empfiehlt sich ein agiler Ansatz: kleine Pilotprojekte starten, Erfahrungen sammeln, iterativ verbessern und erst dann skalieren. Dieses Vorgehen entspricht dem PDCA-Zyklus und verknüpft die KI-Einführung mit den bewerten Prinzipien der kontinuierlichen Verbesserung.

Ausblick und strategische Bedeutung

Künstliche Intelligenz wird die industrielle Wertschöpfung in den kommenden Jahren grundlegend verändern. Für Unternehmen, die bereits über reife Lean- und TPM-Strukturen verfügen, bietet KI die Chance, ihre Wettbewerbsfähigkeit auf ein höheres Niveau zu bringen. Die Kombination aus menschlichem Erfahrungswissen und maschineller Intelligenz kann Verbesserungspotenziale aufdecken, die bisher verborgen geblieben sind.

Entscheidend ist dabei die richtige Einordnung: KI ist weder ein Allheilmittel noch eine Bedrohung, sondern ein leistungsfähiges Werkzeug, das, richtig eingesetzt, die Prinzipien von Lean Management und TPM verstärkt. Die erfolgreichsten Unternehmen werden jene sein, die KI nicht als Ersatz für menschliche Fähigkeiten betrachten, sondern als Verstärker des menschlichen Potenzials, ganz im Sinne der Toyota-Philosophie der Respekt vor Menschen und der kontinuierlichen Verbesserung.

Quellenangaben

Roser, C. (2022): Künstliche Intelligenz in der Fertigung, Hype oder hilfreich?, in: YOKOTEN 05/2022.

Fischer, D. (2022): Future Work Skills, KI & Co., in: YOKOTEN 03/2022.

May, C. (2023a): ChatGPT als Gamechanger, in: YOKOTEN 01/2023.

May, C. (2023b): Digitalisierung, KI, Qualifikationsmatrix, KATA, Lean, in: YOKOTEN 05/2023.

Spreitzenbarth, M. (2023): Daten im Fokus des digitalen Wandels, in: YOKOTEN 06/2023.

Voigt, S. (2023): Die Bewusstseinsfrage, in: YOKOTEN 04/2023.

Kaiser, F. (2020): Agil in Krisenzeiten, in: YOKOTEN 03/2020, S. 12–18.

Weiterführende Literatur

Schulze-Berktold, B. (2022): Einkauf digital, Teil 2: Was den Vertrieb digital erwartet, in: YOKOTEN 03/2022.

Schulze-Berktold, B. (2022): Einkauf digital, Teil 3: Digital vernetzt auf Orientierungssuche, in: YOKOTEN 04/2022.

Leikep, S. (2023): Wie innovativ ist KI?, in: YOKOTEN 05/2023.

Kollege KI (m/w/d) gibt Auskunft, in: YOKOTEN 01/2023 und 02/2023.

Dürst, F. (2023): Wandel bewältigen, Strategien für dynamische Zeiten, in: YOKOTEN 04/2023.

Verwandte Konzepte

· ChatGPT · Digitalisierung · Industrie 4.0 · Predictive Maintenance · TPM (im Sinne von Total Productive Maintenance) · Lean Management · OEE · Mitarbeiterentwicklung · Kompetenzentwicklung · Agilität ·