EN
DE
Deutschland wird von vielen immer noch als die Heimat des Maschinenbaus angesehen. Der Verband Deutscher Maschinen- und Anlagenbauer (VDMA) führt zahlreiche KI-Projekte auf nationaler und regionaler Ebene durch. Er veröffentlicht etliche White Papers zum Thema KI und organisiert viele KI-Symposien, Konferenzen und Tagungen. Das Gleiche gilt für die deutsche Industrie insgesamt, vertreten durch den Bundesverband der Deutschen Industrie (BDI). Beide Verbände veranstalten auch eine Reihe von Lehrplänen und geben Anreize für die nächste Generation zu Themen, die KI betreffen. Ein außerirdischer Beobachter würde daraus schließen, dass KI hierzulande längst angekommen ist. Das ist jedoch keineswegs der Fall.
Warum ist das verarbeitende Gewerbe in Deutschland so zögerlich? Das Phänomen hat nichts mit der Pandemie, dem Einmarsch Russlands in der Ukraine, der Lieferkettenproblematik oder der gefürchteten Energiekrise im kommenden Herbst und Winter zu tun. Schon bevor diese Krisen nacheinander auftraten, konnte man in Deutschland viele Accelerator-Programme beobachten - "Pilotprojekte", die von Unternehmen durchgeführt wurden. Aber nichts folgte, nachdem die Pilotprojekte abgeschlossen waren. Noch einmal: Warum?
Unsere Erfahrungen als führendes Start-up-Unternehmen in diesem Bereich lassen sich in einer einfachen Formel zusammenfassen: FOMO, fear of missing out. Die FOMO-Welle grassiert unter Deutschlands Herstellern. Doch das fragwürdige Rezept gegen diese Krankheit lautet nicht: "Mach's doch (endlich)". Es lautet: "Warten wir ab". Nun könnte man argumentieren, diese Angst sei das Ergebnis des fast schon sprichwörtlichen Konservatismus der meisten deutschen Hersteller. Warum zu den Vorreitern gehören? Oft ist es klüger, andere die ersten Fehler machen zu lassen und dann durch die Vermeidung dieser Fehler zum Marktführer zu werden. In Bezug auf KI ist diese Strategie jedoch von vornherein falsch. Industrielle KI erfordert, wie Algorithmen, ständiges Lernen, um an die Spitze zu gelangen. Wer zu spät einsteigt, läuft Gefahr, endgültig ins Hintertreffen zu geraten.
Nicht selten erhalten mittlere Manager in Produktionslinien einen Anruf von Topmanagern: "Machen Sie doch mal was mit dieser KI!" Aber wenn das mittlere Management dann tatsächlich etwas umsetzen will, wird gefragt: "Und was wird das kosten? Was bringt es uns? Wo ist der RoI?" Und da hört es dann auf. Denn: Ohne Benchmarks wird kein Manager jemals in der Lage sein, den vollen potenziellen Nutzen eines vollwertigen KI-Programms in der Fertigung zu erkennen. Es gibt keine KPIs.
Um den ROI für eine Investition in KI-basierte Technologie angeben zu können, bräuchten Unternehmen Kennzahlen, die aussagen, wie viel Ausfallzeit mit dieser KI im Vergleich zum Status quo reduziert werden konnte, wie viel Abfall vermieden, wie viele Mitarbeiterstunden gewonnen , wie viele teure Reklamationen beseitigt oder wie viel zusätzlicher Umsatz generiert werden könnte. Solche KPIs gibt es nicht. Jetzt zum dritten Mal: Warum eigentlich? Wir vermuten, dass es im Wesentlichen zwei Gründe gibt, die dieses Phänomen erklären.
1. "Das haben wir schon immer so gemacht"
Wenn ich keine Ahnung habe, welchen Nutzen eine bestimmte Maßnahme hat, wie viel ich sparen oder gewinnen kann, dann fange ich gar nicht erst damit an. Deshalb werden Angebote von KI-Anbietern in der Regel mit freundlichem Interesse gelesen, bevor sie im Papierkorb landen. In Produktionsbetrieben gibt es in der Regel eine Reihe von Supportmitarbeitern, die sich darum kümmern, wenn die Dinge nicht so laufen, wie sie sollten. Unterstützt werden sie von "der" Qualitätssicherung und "dem" Wartungspersonal oder den Lieferanten. Ihre Aufgabe ist es, die Qualität der Produkte und Produktionsprozesse sicherzustellen und Ausfallzeiten "so schnell wie möglich" zu beseitigen. So wurde es schon immer gemacht, und es hat ja auch immer ganz gut funktioniert. Wer könnte das bestreiten - ohne KPIs?
Mit dieser erzkonservativen Haltung kommt die deutsche Industrie ins Hintertreffen, denn immer mehr Wettbewerber aus Ostasien und Amerika praktizieren ein kennzahlenorientiertes Qualitäts-, Wartungs- und Servicemanagement. Sie setzen eine 100%ige Inline-Qualitätskontrolle auch dort ein, wo sie gesetzlich gar nicht vorgeschrieben ist. Die Binsenweisheit, dass man ohne Benchmarks nichts sinnvoll messen kann, wird in Deutschland letztlich aus reiner Bequemlichkeit übersehen. Man hat das Wartungs- und Qualitätssicherungspersonal, man hat es im Budget, es macht seine Arbeit und alles scheint in Ordnung. Ohne Benchmarks gibt es keine Anreize für Verbesserungen. Man weiß nicht, wo und wie sehr man seine Produktion verbessern könnte. Zulieferer und Mitarbeiter werden sicherlich keinen Anreiz haben, ihre eigene Leistung mit den KPIs zu vergleichen.
2. "Think big" ist eine Voraussetzung für echte Gewinne in der industriellen KI
Ein ganz anderer, zweiter Grund für die industrielle KI-Schläfrigkeit in Deutschland liegt darin, dass der Nutzen einer KI-Implementierung in der Regel nicht nach ein oder zwei Piloten sichtbar wird. Selbst wenn produzierende Unternehmen also tatsächlich Benchmarks für ihre Maschinenstillstände, Ausschüsse, Reklamationen etc. haben, wissen sie in der Regel nicht, welche Gewinne sich daraus letztlich ergeben. Wie kommt das? Vergleicht man die monetären Kosten und Investitionen einer KI-Implementierung mit den daraus resultierenden monetären Vorteilen, so muss man bedenken, dass die anfänglichen Kosten, die mit einer Menge Daten-Engineering verbunden sind, wesentlich höher sind als die Kosten für die zweite, dritte und vierte Implementierung. KI-Kosten und -Investitionen sind von Natur aus degressiv im Verhältnis zur Anzahl der durchgeführten Projekte. Der ROI ist progressiv. Folglich sorgen "intelligente Fabriken" zunächst für einen homogenen, aussagekräftigen und KI-fähigen Datenbestand, bevor sie KI-Projekte in Angriff nehmen. Sobald das Setup, bestehend aus Maschinen- und Sensordaten auf Edge Devices, installiert ist, können Hersteller alle Arten von KI-Projekten für alle Arten von heterogenen Anwendungsfällen umsetzen. Erst dann werden sie in der Lage sein, wirklich attraktive Gewinne im Vergleich zu den Benchmarks aus der Zeit vor der KI zu erzielen.
Industrielle KI, das ist die Quintessenz, ist nur dann rentabel, wenn man nicht auf "Innovationspiloten" abzielt, aus Angst, etwas zu verpassen. Piloten können keinen materiellen Nutzen aufweisen, weil sie im Vergleich zu den Vorteilen der Folgeprojekte zu viel kosten. Und Piloten machen überhaupt keinen Sinn, solange man nicht über KPIs verfügt, mit denen man die Kosten und Investitionen vergleichen kann. So einfach ist das. Ja, um KI zu implementieren, muss man ein Risiko eingehen. Aber wenn man das scheut, wird man verlieren.
Hier ist also unsere Empfehlung: Sammeln Sie zunächst die relevanten Daten Ihrer Produktionslinien und erfassen Sie diese mit dem Ziel, sie für Algorithmen lesbar machen.
Zweitens: Bitte starten Sie KI nicht mit der Absicht, FOMO zu bekämpfen, sondern um materielle Gewinne zu erzielen. Versuchen Sie nicht, Vorteile zu testen, die nicht messbar sind, sondern eine vollwertige Einführung zu planen. Wenn Sie dieses Risiko scheuen, werden Sie früher oder später von Kosten erdrückt, deren Sie sich heute vielleicht noch gar nicht bewusst sind. Ihre Konkurrenten in Asien und Amerika wird das nicht stören.
