Generative KI verändert die Produktionswelt – von Designoptimierung über vorausschauende Wartung bis hin zu autonomen Steuerungssystemen. Doch die Einführung solcher Technologien scheitert in der Praxis häufig an Detailfragen. Eine aktuelle Untersuchung von NTT DATA zeigt, wo die größten Hürden liegen – und wie Unternehmen sie vermeiden können.

Foto: NTT DATA Jochen Gemeinhardt, Head of Production & Supply Chain, NTT DATA DACH Die Euphorie rund um Generative KI (GenAI), Agentic AI und Physical AI ist auch in der Fertigungsbranche angekommen. Systeme, die eigenständig Konstruktionsvorschläge entwickeln, physikalische Szenarien simulieren oder Produktionsparameter in Echtzeit anpassen, versprechen Effizienzsprünge und mehr Flexibilität. Doch zwischen technologischem Potenzial und erfolgreicher Umsetzung klafft eine deutliche Lücke.

Laut der Studie „Von der Fertigungshalle ins KI-Zeitalter“ von NTT DATA bleiben breit eingesetzte KI-Anwendungen in der Industrie bislang die Ausnahme. Die Gründe dafür liegen weniger in der Technologie selbst als in ihrer praktischen Implementierung. Acht typische Stolperfallen bremsen den Fortschritt – und zeigen, dass strategische, organisatorische und ethische Fragen über den Erfolg entscheiden.

Datenqualität und Modellwahl als kritische Basis

Eine zentrale Erkenntnis: GenAI ist nur so gut wie die Daten, auf denen sie basiert. In der Fertigung betrifft das weit mehr als Maschinendaten – auch Prozesskennzahlen, Wartungsprotokolle, Qualitätsberichte oder CAD-Dateien sind entscheidend. Fehlen Werte oder sind Formate uneinheitlich, entstehen unpräzise Ergebnisse.
Die Lösung sieht NTT DATA in einer durchdachten Datenarchitektur, die Produktions-, Qualitäts- und Sensordaten standardisiert, zentral zugänglich und möglichst in Echtzeit verfügbar macht. Erst so könne KI „Anomalien erkennen, Wartungsintervalle optimieren oder Designvorschläge mit hoher Trefferquote generieren“.

Auch die Wahl des passenden Modells ist ausschlaggebend. Standard-LLMs wie ChatGPT oder Claude stoßen an Grenzen, wenn sie industrielle Daten – etwa 3D-Modelle oder Sensordatenströme – interpretieren sollen. Deutlich besser geeignet sind spezialisierte Small Language Models (SLMs), die auf branchenspezifischen Datensätzen trainiert werden und auch auf Edge-Geräten laufen können. So fallen Entscheidungen direkt an der Fertigungslinie.

Infrastruktur, Governance und Strategie als Erfolgsfaktoren

Rechenleistung wird in vielen Projekten zum Engpass. Cloud-basierte Foundation-Modelle benötigen enorme Ressourcen und verursachen Latenzen – ein Problem, wenn Echtzeitreaktionen gefordert sind. NTT DATA empfiehlt hybride Architekturen, die Private Clouds, Public Clouds und Edge Computing kombinieren. Das gewährleiste sowohl Datensicherheit als auch die notwendige Geschwindigkeit.

Ebenso entscheidend sind klare Ethik- und Datenschutzrichtlinien. KI-Systeme können tief in sicherheitskritische Produktionsprozesse eingreifen, doch häufig fehlt eine Governance-Struktur. „Ohne klare Governance, Rollenverteilung und dokumentierte Entscheidungslogik entsteht nicht nur rechtliche Unsicherheit, auch das Vertrauen von Mitarbeitenden und Kunden kann schnell erodieren“, heißt es in der Analyse. Unternehmen sollten daher definieren, welche Handlungsräume autonome Systeme haben und wer im Fehlerfall die Verantwortung trägt.

Fehlt zudem eine übergeordnete Strategie, bleibt GenAI oft Stückwerk. Pilotprojekte ohne klaren Nutzen versanden. Erfolgreiche Ansätze starten mit einem konkreten Use Case – etwa der Reduktion von Ausschuss oder der Beschleunigung von Entwicklungsprozessen – und einer Roadmap, die von der Machbarkeitsstudie bis zur Skalierung reicht. Nur wenn GenAI in die gesamte Wertschöpfungskette integriert wird, entfaltet sie nachhaltigen Mehrwert.

Mensch, Know-how und Maß halten

Technologische Innovation funktioniert nicht ohne Akzeptanz. Widerstände entstehen, wenn Mitarbeitende zu spät eingebunden werden. NTT DATA plädiert für transparente Kommunikation, gezielte Schulungen und Low-Code-Ansätze, die Fachkräften ermöglichen, selbst Anwendungen zu gestalten. So entstehe ein Gefühl der Mitverantwortung, statt der Angst vor Ersatz.

Zudem verfügen viele Unternehmen nicht über das interne Know-how, um GenAI-Projekte eigenständig umzusetzen. Externe Partner bringen erprobte Methoden, Technologiekompetenz und eine neutrale Perspektive ein. Das kann Fehlentscheidungen und Fehlinvestitionen vermeiden.

Nicht zuletzt gilt es, den Einsatz von KI differenziert zu bewerten. Nicht jede Aufgabe in der Fertigung verlangt nach GenAI – oft sind klassische Automatisierungslösungen robuster und günstiger. Eine klare Abgrenzung spart Ressourcen und verhindert, dass ambitionierte Projekte in überdimensionierten Technologielandschaften scheitern.

Quelle: NTT DATA

Am Ende steht für NTT DATA die Einsicht, dass der Erfolg von GenAI in der Industrie nicht allein von der Technologie abhängt. „GenAI kann die Fertigung grundlegend transformieren – aber nur, wenn Technik, Prozesse und Menschen zusammenspielen“, betont Jochen Gemeinhardt, Head of Production & Supply Chain, NTT DATA DACH. „Wer die Stolperfallen kennt, kann Potenziale schneller heben und Projekte vom ersten Prototyp bis zum vollautomatisierten Produktionssystem erfolgreich gestalten. Wird zudem ein erfahrener Partner hinzugezogen, der die Projekte von Ende zu Ende – also von der Konzeption bis zum Betrieb der Lösung – begleitet, beschleunigt das die Umsetzung und reduziert auch das Risiko von Fehlschlägen.“