Die Fertigungsindustrie besteht aus Arbeit, die sich schwer in einen einzigen Aufgabentyp zusammenfassen lässt. Es gibt Planungsarbeit: Aufträge einplanen, Materialströme abstimmen, Kapazität auf Maschinen und Schichten verteilen. Es gibt Qualitätsarbeit: inspizieren, messen, Abweichungen beurteilen und dokumentieren. Es gibt Wartungsarbeit: Störungen diagnostizieren, Teile bestellen, präventive Arbeit planen. Und es gibt administrative Arbeit rund um all das: Zertifikate, Nachkalkulation, Berichterstattung an Kunden und Aufsichtsbehörden.
Diese Arbeitsarten unterscheiden sich stark darin, wie vorhersehbar sie sind. Eine Planungsaufgabe mit festen Regeln und historischen Daten eignet sich anders für Automatisierung als die Beurteilung einer Schweißnaht, die knapp außerhalb der Norm liegt, aber wahrscheinlich trotzdem in Ordnung ist. Diese letzte Beurteilung hängt von Erfahrung ab, von Kontext, der nicht in einem System steht, und von Verantwortung, die jemand tragen können muss. Dieser Unterschied bestimmt weitgehend, welche Ambition für welchen Teil der Arbeit realistisch ist.
Überall in der Fertigungsindustrie zieht sich dieselbe Dreiteilung durch die Arbeit. Ein Teil kann KI übernehmen: repetitive Kontrollen auf Basis von Sensordaten, das Zusammenstellen von Standardberichten, das Erkennen bekannter Störungsmuster. Ein Teil geht teilweise, mit einem Menschen, der genehmigt oder ablehnt: Qualitätsbeurteilungen, bei denen ein Algorithmus einen Vorschlag macht und ein Bediener oder Qualitätsmitarbeiter die Entscheidung bestätigt oder mit Begründung korrigiert. Und ein Teil bleibt Menschenarbeit: das Lösen einer Störung, die niemand zuvor so gesehen hat, das Verhandeln mit einem Lieferanten über eine abweichende Lieferung, das Übernehmen von Verantwortung bei einem Sicherheitsvorfall.
Was heute in der einen Fabrik bereits in die erste Kategorie fällt, steht in der anderen Fabrik noch vollständig in der dritten. Dieser Unterschied liegt selten an der Technik selbst. Er liegt daran, ob die Daten vorhanden sind, ob die Sensoren die richtigen Dinge messen, ob Mitarbeiter dem System genug vertrauen, um ihm etwas zu überlassen, und ob es jemanden gibt, der das Ergebnis genehmigen darf, ohne dass der Prozess in Erwartung einer Unterschrift stillsteht.
Eine Geschäftsleitung, die sagt „wir wollen KI-gesteuerte Qualitätskontrolle“, sagt damit auch etwas über die Organisation, die das tragen können muss. Es muss jemanden geben, der die Fehlermeldungen des Systems beurteilt, nicht nur theoretisch, sondern im täglichen Schichtbetrieb. Es muss Klarheit darüber bestehen, wer eine Ablehnung durch das System übersteuern darf und aus welchem Grund. Und es muss Kapazität frei sein, um das System einzurichten und zu pflegen, Kapazität, die oft bereits vollständig für laufende Arbeit eingeplant ist.
Hier bleiben viele Ambitionen in der Fertigungsindustrie stecken: nicht bei der Frage, ob die Technik es kann, sondern bei der Frage, ob die Organisation die Rolle drumherum bereits besetzt hat. Wer entscheidet, wenn das System zweifelt? Wer ist ansprechbar, wenn ein Kunde eine Beschwerde über ein Produkt hat, das eine KI-gesteuerte Inspektion durchlaufen hat? Diese Fragen berühren Verantwortlichkeiten innerhalb der Belegschaft, und für daraus folgende Entscheidungen gelten eigene gesetzliche Anforderungen; diese Beurteilung liegt nicht hier.
Zwei Fabriken mit vergleichbaren Maschinen und vergleichbaren Produkten können stark unterschiedlich ausfallen, was KI tatsächlich von ihrer Arbeit übernimmt. Die eine hat jahrelang Sensordaten gesammelt und strukturiert, die andere hat dieselben Sensoren, aber die Daten verschwinden in Logs, die nie jemand bereinigt hat. Die eine hat ein Qualitätsteam, das wöchentlich Zeit hat, Abweichungen zu beurteilen und das System nachzujustieren, die andere hat dieses Team vollständig mit der laufenden Produktion ausgelastet. Keines von beiden ist falsch, aber es bestimmt, wie viel von der Ambition dieses Jahr erreichbar ist und wie viel im nächsten.
Diese Unterschiede sind nicht einzigartig für die Fertigungsindustrie. Dieselbe Spannung zwischen Ambition und Bereitschaft zeigt sich in dem Transportsektor, wo Planung und Routenwahl vergleichbare Fragen aufwerfen, und in den unternehmensnahen Dienstleistungen, wo die Aufsicht über Beratungsergebnisse eine ähnliche Rolle spielt wie die Qualitätskontrolle in der Halle. Auch die Frage, wie man eine Ambition in Teile aufteilt, die eine Organisation in einem Jahr tatsächlich bewältigen kann, kehrt in jedem Sektor wieder und wird gesondert behandelt in einer Erläuterung zum Phasieren einer Ambition, die zu groß für ein Jahr ist.
Die Frage, die all diesen Beispielen zugrunde liegt, ist nicht, ob KI diese Art von Arbeit im Allgemeinen übernehmen kann. Es ist, welcher konkrete Teil der Arbeit in diesem konkreten Unternehmen tatsächlich übernommen werden kann, angesichts der Daten, der Systeme und der Menschen, die jetzt vorhanden sind. Diese Frage wird pro Aufgabe mit dem Arbeitsscan von FTE TO AI beantwortet, unabhängig davon, welches Bild die Geschäftsleitung selbst davon hat.
Eine Ambition wird erst nutzbar, wenn sie aufgeteilt ist in das, was die Organisation können muss, und geprüft wird an dem, was sie bereits kann. Wie schnell eine Organisation an solchen Punkten wirklich verändern kann, ist eine Frage, die von der Ambition selbst losgelöst ist und gesondert ausgearbeitet wird in einer Betrachtung des tatsächlichen Veränderungstempos von Organisationen.
Als erster Schritt gibt es einen kostenlosen Bereitschaftscheck: acht kurze Fragen, eine pro Dimension, die ein Bild davon geben, wo Ihre Organisation am weitesten und wo sie noch am wenigsten fortgeschritten ist. Der vollständige Ambitionstest, mit den vier Ebenen von Vision bis Zielzustand und der Übersetzung in Rollen und Entscheidungsrechte, befindet sich im Aufbau.
Vertel wat u wilt bereiken, dan kijken we samen wat daarvoor moet staan.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.