Es gibt keinen Mangel an Diskussionen über künstliche Intelligenz in der Industrie.
Ständig erscheinen neue Modelle. KI-Agenten werden leistungsfähiger. Open-Source-Modelle lassen sich zunehmend auf privater Infrastruktur betreiben. Multimodale Systeme verarbeiten Text, Bild und andere Datenformate gleichermaßen.
Doch sobald ein KI-System den Schritt von der Demonstration in den produktiven Betriebsalltag macht, ist die Leistungsfähigkeit des Modells nur ein Teil der Gleichung.
Für viele Unternehmen liegt die eigentliche Herausforderung in den Informationen rund um das Modell.
Betriebswissen liegt selten an einem einzigen Ort
Betrachten wir ein produzierendes Unternehmen oder einen Maschinenbauer.
Wichtiges Wissen verteilt sich über technische Handbücher, Standardarbeitsanweisungen, Wartungsanleitungen, Produktspezifikationen, Serviceprotokolle, interne Datenbanken, ERP-Systeme, SharePoint-Bereiche, E-Mails und historische Projektdaten.
Ein Teil der wertvollsten Informationen ist oft nicht einmal formell dokumentiert. Er existiert vor allem in der Erfahrung langjähriger Ingenieure und Fachkräfte.
Ein KI-Assistent schafft nicht automatisch eine verlässliche Wissensebene, nur weil ein Unternehmen Zugriff auf ein leistungsfähiges Sprachmodell hat.
Die umgebende Architektur ist entscheidend.
Ein produktionsreifes System muss verstehen, woher Informationen stammen, welche Daten verbindlich sind, wer darauf zugreifen darf und wie sich eine generierte Antwort exakt auf ihre Quelle zurückführen lässt.
Retrieval ist erst der Anfang
Retrieval-Augmented Generation (RAG) ist ein bewährter Ansatz, um Sprachmodelle mit Unternehmenswissen zu verknüpfen.
Im Kern ist das Konzept eingängig: Relevante Informationen abrufen und dem Modell vor der Antwortgenerierung zur Verfügung stellen.
In einer echten Produktionsumgebung ist jedoch deutlich mehr gefordert.
Dokumente müssen präzise aufbereitet werden. Die Retrieval-Qualität muss fortlaufend evaluiert werden. Unterschiedliche Datenquellen verlangen differenzierte Indexierungsstrategien. Zugriffsrechte müssen strikt eingehalten werden. Quellenangaben müssen für den Anwender transparent sein. Veraltete oder widersprüchliche Dokumente müssen sauber abgefangen werden.
Und das System benötigt Mechanismen, um zu bewerten, ob die generierte Antwort im operativen Kontext tatsächlich hilfreich und belastbar ist.
Genau an dieser Stelle wird die Engineering-Aufgabe wesentlich spannender, als lediglich eine API an eine Chat-Oberfläche anzubinden.
Industrielle KI sollte sich mit bestehenden Systemen verbinden
Die meisten etablierten Unternehmen beginnen nicht auf der grünen Wiese.
Sie verfügen bereits über ERP-Systeme, Datenbanken, Dokumentenarchive, eigene Fachanwendungen, Schnittstellen und spezialisierte Branchensoftware.
Das Potenzial von KI liegt deshalb meist nicht darin, diese gewachsenen Systeme abzulösen.
Es liegt darin, eine intelligente Ebene darüberzulegen, die diese Welten miteinander verbindet.
Stellen Sie sich einen Serviceingenieur vor, der fragen kann:
„Welcher Fehlerbehebungsablauf gilt für diese spezifische Anlagenkonfiguration?“
Die Antwort kann gezielt Informationen aus dem passenden Handbuch, historischen Servicefällen und Anlagendaten zusammenführen, während präzise belegt wird, woher jede Information stammt.
Oder betrachten wir die Verarbeitung von Lieferantendokumenten.
Statt manuell PDFs zu öffnen, Werte abzulesen, sie mit Spezifikationen abzugleichen, Daten in ein anderes System einzutippen und bei Abweichungen E-Mails zu verfassen, können Teilbereiche dieses Ablaufs automatisiert extrahiert, validiert und orchestriert werden.
Der Mehrwert entsteht aus dem durchgängigen Workflow, nicht aus dem LLM für sich allein.
Dasselbe Prinzip gilt für die Automatisierung
Oft wird KI-Einführung mit vollständiger Automatisierung gleichgesetzt.
Das ist nicht immer das richtige Ziel.
Viele betriebliche Prozesse erfordern menschliches Urteilsvermögen. Andere unterliegen regulatorischen Vorgaben oder Sicherheitsanforderungen. In vielen Szenarien ist das bessere System jenes, das Routineaufwand reduziert, während die verantwortliche Fachkraft die Kontrolle behält.
Das bedeutet: Informationen automatisiert zusammentragen, Handlungsvorschläge vorbereiten, Anomalien kennzeichnen oder nächste Schritte entwerfen, anstatt den gesamten Prozess unkontrolliert autonom auszuführen.
Der Automatisierungsgrad sollte sich am Geschäftsprozess orientieren, nicht am theoretischen Maximum der Technologie.
Von KI-Experimenten zu produktiven Systemen
Bei Cognivox Labs konzentrieren wir uns auf die Schnittstelle zwischen KI, Unternehmenswissen, operativen Abläufen und bestehenden Unternehmenssystemen.
Die für uns hilfreichste Frage lautet nicht:
„Wo können wir KI einbauen?“
Sie lautet:
„Wo sind Informationen schwer zugänglich, wo entsteht unnötiger manueller Aufwand und wo blockiert das messbar den Betriebsablauf?“
Die passende Technologie folgt erst darauf.
Diese Perspektive ist für uns besonders aktuell im Hinblick auf die AMI Compounding & Recycling Expo Europe in Frankfurt.
Fertigung, Recycling und Prozessindustrie sind genau die Umfelder, in denen technisches Wissen, anspruchsvolle Arbeitsabläufe, spezialisierte Systeme und erfahrene Mitarbeiter aufeinandertreffen.
Wir möchten verstehen, wo KI und maßgeschneiderte Software in diesen Bereichen bereits heute spürbaren Nutzen stiften und ebenso wichtig: wo weiterhin praktische Grenzen bestehen.
Denn die wirksamsten industriellen KI-Systeme sind selten jene mit den spektakulärsten Vorführungen.
Es sind jene, die im Hintergrund verlässlich das richtige Wissen, im richtigen Moment, an der richtigen Stelle im Workflow verfügbar machen.
