Industrielle KI ist über die Pilotphase hinaus, doch Predictive Maintenance zahlt sich erst aus, wenn die Daten der Anlage tatsächlich verbunden sind. Die aktuelle Analyse von A3 macht deutlich: Skalierung hängt weniger an cleveren Algorithmen als an einem belastbaren Datenfundament.

Modelle sind nur so gut wie ihre Datenbasis

Predictive-Maintenance-Demos beginnen meist mit einem Vibrationssensor und einem übersichtlichen Dashboard. Die Produktionsrealität ist unordentlicher: Assetsignale liegen in SPS und Historian, Arbeitsaufträge im CMMS oder EAM, Qualitätsdaten im QMS – und der Kontext aus Schicht, Produkt, Rezeptur und Werkzeug im MES und ERP. Bleiben diese Ebenen getrennt, driften Modelle, und Warnungen verlieren bei den Instandhaltern an Glaubwürdigkeit. Die Botschaft von A3 ist klar: Industrielle KI skaliert, wenn zuerst die Datenschicht konsolidiert wird. Saubere, zeitgestempelte und asset-bezogene Betriebsdaten sind die unspektakuläre Arbeit, die entscheidet, ob ein Pilot das erste Produktionsquartal übersteht.

Vom Alarm zum Arbeitsauftrag: der geschlossene Regelkreis

Wert entsteht, wenn eine Vorhersage eine Aktion auslöst. Eine Anomalie sollte automatisch einen Arbeitsauftrag mit korrekter Priorität erzeugen, die Ersatzteilverfügbarkeit prüfen und die Produktionsplanung aktualisieren. Dieser Regelkreis ist ein Integrationsproblem, kein Data-Science-Problem. MES und QMS wirken als Bindeglied: Sie wissen bereits, welches Asset welchen Auftrag fährt, wer Schicht hat und welche Parameter innerhalb der Spezifikation liegen. Teilen Instandhaltung, Qualität und Produktion einen Ereignisstrom, werden KI-Empfehlungen zu auditierbaren Maßnahmen – und ihre Wirkung auf OEE, Ausschuss und MTBF wird messbar statt behauptet.

Reihenfolge der Einführung: erst Assets, dann Algorithmen

Die sinnvolle Reihenfolge: kritische Anlagen instrumentieren, Asset- und Auftragsdaten vereinheitlichen, dann Modelle dort einsetzen, wo Stillstände teuer und Ausfallmuster bekannt sind. Zwei bis drei hochwertige Linien genügen für den Start – KPI zuerst, Algorithmus danach. Auch Governance gehört dazu: Modellversionierung, Retraining-Zyklen und Regeln für manuelles Eingreifen gehören in denselben Change-Control-Prozess wie jede andere Produktionssoftware. Als operative Fähigkeit statt als Projekt verstanden, verzinst sich Predictive Maintenance: Jeder verhinderte Ausfall liefert gelabelte Daten für das nächste Modell.

Kerndaten

• Deloitte-Benchmark: Predictive Maintenance senkt ungeplante Stillstände um 10–20% und Wartungskosten um 5–10%
• McKinsey schätzt: KI-gestützte Instandhaltung reduziert die Gesamtwartungskosten um rund 18–25%
• Siemens: Ungeplante Stillstände kosten in der Automobilindustrie rund 2,3 Mio. USD pro Stunde

Ausblick

Für TALS folgt daraus: Industrielle KI ist vor allem eine Integrationsdisziplin. Predictive Maintenance liefert erst dann Wert im großen Maßstab, wenn MES, ERP und QMS ein verlässliches operatives Datenfundament bilden und die Erkenntnis präzise genug zurück in die Fertigung gelangt, um sofort handelbar zu sein.