Ein Gedächtnis für die Fabrik
Erfahrungswissen ist einer der am schwersten digitalisierbaren Produktionsfaktoren. Künstliche Intelligenz könnte OEMs helfen, es systematisch zu erfassen, mit Maschinendaten zu verknüpfen und bereitzustellen.
In Audis Lackierei soll ein KI-Framework datenbasierte Handlungsempfehlungen geben und Mitarbeiter per App Schritt für Schritt bei der Problemlösung helfen.
Audi
Ein erfahrener Instandhalter hört ein ungewöhnliches Geräusch, sieht eine kleine Abweichung und weiß, was zu tun ist. Ein anderer erkennt an Farbe, Geruch oder Vibration, dass sich ein Prozess anders entwickelt als üblich. So etwas steht selten im Handbuch. Solche Erfahrungswerte wachsen aus jahrelanger Praxis und verschwinden häufig mit ihren Trägern. Hier setzt die nächste Generation des Wissensmanagements an: KI soll nicht nur vorhandene Dokumente durchsuchen, sondern auch Erfahrungswissen erfassen und nutzbar machen.
„Laut Studien ist etwa 90 Prozent des Wissens einer Organisation implizit“, erklärt Bumin Hatiboglu, Teamleiter Implementation Methods for IT Solutions am Fraunhofer IPA. Explizites Wissen, also verschriftlichte Informationen, lasse sich inzwischen vergleichsweise gut digital zugänglich machen. Eine Möglichkeit ist Retrieval-Augmented Generation (RAG): „Dabei greift ein Large Language Model auf eine definierte Wissensbasis zurück und erzeugt daraus unternehmensspezifische Antworten.“
Wie erfasst man implizites Wissen auf dem Shopfloor?
Auf dem Shopfloor ist die Lage schwieriger. Dort fehlt es häufig schon an digitalen Daten. „Anders als in den indirekten Bereichen, wo in der Regel viel mehr Information digital vorliegen, stellt die Erfassung von implizitem Wissen auf dem Shopfloor immer noch eine Herausforderung dar“, sagt Hatiboglu. Zwei Wege sind denkbar: Experten externalisieren ihr Wissen oder Systeme beobachten ihre Arbeit und leiten daraus Zusammenhänge ab. Gerade Letzteres ist schwierig, weil sich oft nicht nachvollziehen lässt, warum ein erfahrener Mitarbeiter eine bestimmte Maßnahme ergreift, betont der Forscher.
KI könnte dabei zum „Gesprächspartner“ werden. Bei entsprechenden Ansätzen stellen KI-Agenten Experten per Voice-Call Fragen zu ihrer Tätigkeit und strukturieren anschließend die Antworten. Michael Müller, Head of Digital & Climate Tech bei Capgemini Engineering in Deutschland, nennt außerdem neben Experteninterviews, Handover- und Work-Order-Mining sowie die Digitalisierung von Dokumenten und Prozessunterlagen als mögliche Quellen. Entscheidend sei danach die Validierung, betont Müller: „Relevante Informationen werden nach einheitlichen Strukturen erfasst, automatisiert vorvalidiert, durch Experten fachlich geprüft und anschließend als belastbarer Bestandteil der Wissensbasis übernommen.“
Doch wo wird dieses Wissen abgelegt? Sarat Maitin, Leiter Supply Chain & Engineering bei Accenture Zentral- und Osteuropa, rät zu einem LLM-basierten Multiagentensystem. Wichtig sei, dass Fakten nicht untrennbar in einem Modell verschwinden. Jede Aussage müsse nachvollziehbar bleiben. „Explizierung heißt nicht, Wissen nur auszusprechen. Es muss prüfbar gemacht werden“, unterstreicht Maitin.
Wissenserfassung bei Audi und BMW
Audi verfolgt einen ähnlichen Gedanken mit „ProcessGuardAIn“. Das KI-Framework überwacht Fertigungsprozesse auf Basis von Maschinen- und Sensordaten in Echtzeit. Abweichungen sollen erkannt werden, bevor daraus größere Probleme entstehen. Bereits heute laufen entsprechende Anwendungen unter anderem in der Lackiererei in Neckarsulm, etwa bei der Dosierungsüberwachung in der Vorbehandlung und bei der Anomalieerkennung der KTL-Beschichtung (Kathodische Tauchlackierung). Künftig soll ProcessGuardAIn datenbasierte Handlungsempfehlungen geben und Mitarbeiter per App Schritt für Schritt bei der Problemlösung begleiten.
Voraussetzung ist eine belastbare Datenbasis. Erst die Konsolidierung von System- und Anlagendaten macht es möglich, Produktionswissen und Prozessdaten systematisch miteinander zu verknüpfen, heißt es bei BMW. Dazu wird auf dem Shopfloor die IT-Landschaft der Produktion neu gestaltet. „Wir überarbeiten Systeme konsequent, sodass alle relevanten Daten, seien es Maschinen- und Anlagendaten oder implizites Prozesswissen, durchgängig erfasst werden“, teilt ein Sprecher mit.
Je mehr Erfahrungswissen in KI-Systeme einfließt, desto wichtiger wird die Qualität. BMW setzt vor dem Training auf umfangreiches Data-Cleaning und unterstützt die Dateneingabe, etwa bei der Dokumentation von Störereignissen. „Absolute Sicherheit gibt es dabei natürlich nie“, betont Hatiboglu. Letztlich gehe es um eine Aufwand-Nutzen-Abwägung: Welcher Grad an Erfahrungswissen und Plausibilitätsprüfung kann von späteren Nutzern erwartet werden? Wie hoch sind die risikogewichteten Kosten im Worst Case?
Das Problem liegt oft im Aufwand
Die Schwachstelle liegt dabei nicht zwangsläufig in der KI. Häufig fehlen Strukturen. „Der klassische Ansatz aus Interview und Aufschreiben funktioniert meist nur bei einfachen, variantenarmen Tätigkeiten mit niedriger Komplexität“, sagt Maitin. Mit zunehmender Varianz steige der Aufwand stark an, während die Dokumentation zugleich als Zusatzarbeit ohne sichtbare Gegenleistung erlebt werde. Wenig motivierend. „Werksmitarbeitende teilen ihr Wissen mündlich meist sofort, füllen aber keine Formulare aus“, betont Maitin. Hatiboglu sieht zudem ein persönliches Problem: In manchen Unternehmen verfügen einzelne Experten über enormes Wissen und genießen gerade deshalb hohes Ansehen. „Hier spielt die individuelle Bereitschaft zur digitalen Wissensweitergabe und die Angst vor Prestige- oder sogar Jobverlust eine zentrale Rolle.“ Die Antwort darauf könne nicht in zusätzlichen Dokumentationspflichten liegen. Mitarbeiter sollten ihre Vorgehensweise möglichst unkompliziert während der Bearbeitung oder Problemlösung einsprechen können; eine KI strukturiert den Input anschließend.
Den Weg dahin möchte das Projekt „ExpertAIse“ ebnen, an dem unter anderem Fraunhofer IAO, Audi, Porsche, Schunk und Würth beteiligt sind. Ziel ist ein KI-basierter Prototyp, der implizites Fachwissen erfassen, strukturieren und mit Generativer KI zugänglich machen soll. Statt Experten nur nach fertigen Regeln zu fragen, soll die KI „die richtigen Fragen stellen“. Das Projekt läuft bis Ende 2026; bei Audi wird der Prototyp unter anderem in der Produktion in Neckarsulm getestet.
Technik-Knowhow wird nicht obsolet – es wird wichtiger
Damit verändert sich auch die Rolle des Handbuchs. Produktionsagenten könnten künftig nicht das Dokument selbst ersetzen, sondern dessen Suche. „Der Agent wertet Handbücher und Dokumentationen kontextbezogen aus und stellt die relevante Information bereit. Das Handbuch bleibt die Wissensquelle, der Agent wird zur Schnittstelle“, erklärt Müller. Die Entwicklung gehe weg vom reaktiven Fragen zum proaktiven Unterstützen, sagt Maitin: Ein Agent weist auf eine Abweichung hin, führt durch die Lösung oder blendet Informationen direkt am Arbeitsplatz ein. Die notwendige Unterstützung orientiere sich am Erfahrungsstand: Ein Anfänger benötigt eine detaillierte Anleitung, ein Experte möglicherweise nur einen Hinweis im Fehlerfall.
Noch wichtiger ist die Frage, welches Wissen Menschen künftig selbst beherrschen müssen. Wenn KI Berechnungen, Modellierung, Simulation und Dokumentation übernimmt, gewinnen Anforderungsdefinition und fachliche Bewertung an Bedeutung. „Deshalb werden Mechanik, Werkstoffkunde, Thermodynamik und Fertigungstechnik wichtiger, nicht unwichtiger“, sagt Maitin. Auch klassische Werkzeuge von CAD über FEM und CFD bis PLM müssten Mitarbeitende weiterhin beherrschen: „Denn überwachen lässt sich nur, was man grundsätzlich versteht.“ Das wertvollste Produktionswissen ist eben oft gerade das, was bislang nie im System stand. Die Fabrik bekommt ein Gedächtnis, aber sie muss erst lernen, was sie sich merken sollte.
