"Ab wann schlägt das Modell den Menschen?"
Simon Sack über Industrial AI, Erfahrungswissen und die Frage, wo in der Werkhalle tatsächlich Arbeit wegfällt
KI kann in einer Werkhalle längst mehr als Daten auswerten oder Vorschläge liefern. In einer Verzinkungsanlage regelt ein System von NEUROLOGIQ, einem auf Industrial AI spezialisierten Technologieunternehmen, die Schichtdicke eines Stahlbands in Echtzeit. Doch der Weg vom Modell zur laufenden Produktion ist voller Fallstricke. Gründer und CEO Simon Sack erklärt, wann Unternehmen der KI Entscheidungen überlassen können, ob und wo dadurch manuelle Arbeit entfällt oder neu organisiert wird, warum schlechte Prozesse jedes Modell ausbremsen und weshalb internes Wissen trotz externer Partner unverzichtbar bleibt.
Simon, eine eurer Lösungen regelt in einer Verzinkungsanlage die Schichtdicke eines Stahlbands. Was passiert dort genau?
Bei der Feuerverzinkung geht es immer um die optimale Schichtdicke. Wenn ich zu viel Zink auftrage, sinkt meine Marge. Wenn ich zu wenig auftrage, produziere ich im schlimmsten Fall teuren Schrott oder muss das Material abwerten. Der Best Case liegt genau dazwischen.
Die erste Frage war deshalb: Kann man eine solche Anlage komplett datengetrieben steuern? Wir haben festgestellt, dass in einem einzigen Zeitstempel mehr als 60.000 Datenpunkte stehen können, von denen aber nur ungefähr 20 wirklich relevant sind. Auf dieser Basis haben wir ein Machine-Learning-Modell entwickelt, das unter anderem den Düsendruck so regelt, dass die gewünschte Schichtdicke erreicht wird.
Warum kommt dafür kein großes Sprachmodell zum Einsatz?
Direkt an der Maschine brauchen wir Reaktionen im Millisekundenbereich. Bei einem großen Sprachmodell gebe ich etwas ein, dann rechnet das System und liefert irgendwann eine Antwort. Das kann Sekunden oder bei komplexeren Aufgaben noch länger dauern. Für eine Echtzeitsteuerung ist das ungeeignet.
Sprachmodelle können in der Industrie trotzdem sinnvoll sein, etwa als zusätzliche Bedienebene zwischen Mensch und Maschine. Wenn ein System einen bevorstehenden Ausfall erkennt, können Mitarbeitende über ein Sprachmodell leichter herausfinden, was wahrscheinlich kaputt ist oder welche Maßnahme als Nächstes sinnvoll wäre. Die eigentliche Maschinensteuerung übernehmen aber spezialisierte Modelle, die direkt an der Anlage laufen.
„Wenn ein System sagt, es sei zu 100 Prozent richtig, dann weißt du: Es ist zu 100 Prozent falsch.“
Vertrauen entsteht im Schattenbetrieb
Wie entsteht Vertrauen in ein System, das einen kritischen Produktionsprozess steuert?
Zunächst muss man akzeptieren, dass statistische Systeme nicht zu 100 Prozent richtig sind. Man arbeitet deshalb mit Schwellwerten. Ab wann gilt eine Entscheidung als belastbar? Reichen 80 Prozent, 90 Prozent oder braucht der konkrete Prozess einen anderen Wert?
Neue Modelle laufen zunächst im Schattenbetrieb. Die KI steuert noch nicht selbst, sondern arbeitet parallel. Dann vergleichen wir, wie der Mensch die Anlage regelt, was das Modell tun würde und wie sich die Ergebnisse entwickeln. Irgendwann erkennt man, ab wann das Modell den Menschen schlägt. Wenn die Qualitätssicherung eingebunden ist und die Resultate stimmen, können die Schwellwerte entsprechend gesetzt werden.
Kann die KI tatsächlich zuverlässiger entscheiden als ein Mensch?
In bestimmten Aufgaben: ja. Wer einmal in einem industriellen Leitstand war, weiß, wie viele Bildschirme und Parameter dort gleichzeitig überwacht werden. Nach einer gewissen Arbeitsdauer ist ein Mensch nicht mehr in der Lage, auf jeden einzelnen Wert unmittelbar zu reagieren.
Ein System kann an dieser Stelle über alle Schichten hinweg gleichmäßig arbeiten. Menschen regeln aufgrund ihrer Erfahrung, aber Schicht A kann anders vorgehen als Schicht B. Wenn das Modell ausreichend geprüft ist, kann es die Qualität konstanter halten.
Bleibt der Mensch dann überhaupt noch Teil des Prozesses?
Natürlich. Das Domänenwissen ist maximal entscheidend für den Projekterfolg. Die KI kann nur lernen, wenn das relevante Wissen und die passenden Daten verfügbar sind. Das System übernimmt eine klar definierte Aufgabe, aber Menschen müssen festlegen, was ein gutes Ergebnis ist, welche Schwellwerte gelten und wann eingegriffen werden muss.
Erfahrungswissen darf nicht in Rente gehen
Viele Betriebe verlassen sich auf erfahrene Mitarbeitende, die schon am Geräusch erkennen, welches Bauteil bald ausfällt. Kann KI dieses Wissen ersetzen?
Nehmen wir den Instandhalter Willi. Er weiß: Wenn es an der fünften Maschinenstation rasselt, ist es wahrscheinlich das Kugellager. Häufig steckt dieses Wissen aber nur in seinem Kopf. Wenn der Fehler nicht dokumentiert wird, wird es für die KI schwierig.
Der erste, ziemlich unsexy Schritt besteht deshalb darin, zu prüfen, ob die Maschine überhaupt Daten ausgeben kann, welche Daten gesammelt werden und wie Fehler dokumentiert werden. Wenn wir wissen, wann eine Maschine einen Fehler gemeldet hat und dass Willi anschließend ein Kugellager ausgetauscht hat, können wir daraus eine Korrelation ableiten. So entsteht nach und nach ein Datensatz, auf dem ein System lernen kann.
Wie lässt sich implizites Wissen systematisch sichern?
Unternehmen müssen früh anfangen. Es reicht nicht, ein halbes Jahr vor dem Ruhestand mit der Wissensübergabe zu beginnen. Solche Offboarding-Prozesse sollten drei bis fünf Jahre im Voraus geplant werden.
Dabei muss nicht jedes Detail in ein zusätzliches Formular geschrieben werden. Oft lassen sich vorhandene Daten kreativ verbinden. Wenn ein Kugellager aus dem Lager ausgebucht wurde und zeitgleich an einer Maschine ein Fehler auftrat, entsteht ebenfalls verwertbarer Kontext. Entscheidend ist, aus implizitem Wissen schrittweise explizites Wissen zu machen.
Erleben die Beschäftigten solche Systeme als Bedrohung?
Ich habe bisher kein Projekt erlebt, bei dem sich die Menschen grundsätzlich quergestellt haben. Viele Beschäftigte sind körperlich stark belastet, und in manchen Branchen möchte kaum noch jemand diese Arbeit machen. Gerade im Stahlbereich ist der Alltag rau.
KI ersetzt dort nicht automatisch Arbeitsplätze. Oft ist sie zunächst ein Werkzeug. Wenn Beschäftigte sehen, dass ein System im Schattenbetrieb mitläuft, Vorschläge macht und ihre eigenen Eingaben das Ergebnis verbessern, entsteht Akzeptanz. Natürlich muss man transparent kommunizieren und je nach Organisation Betriebsrat, Datenschutz und regulatorische Vorgaben einbeziehen. Wir wollen keine Systeme bauen, die Beschäftigte überwachen oder bewerten.
Der Prozess entscheidet, nicht die Demo
Du sprichst sehr offen über ein frühes Projekt, das im Labor funktioniert hat und in der Werkhalle gescheitert ist. Was ist passiert?
Wir sollten Bleche zählen, die aus einer alten Maschine kamen. Wir waren jung, forschungsbegeistert und haben das System komplett overengineert: verschiedene Kameras, hohe Auflösungen, Hyperspektralkameras und alles, was technisch interessant klang.
Im Labor hat es extrem gut funktioniert. Dann sind wir in die Halle gegangen – und nichts funktionierte mehr. Elektromagnetische Strahlung, Vibrationen und der Schatten eines Krans haben das System aus dem Takt gebracht. Unter Laborbedingungen konnte es sogar Papier zählen, in der realen Umgebung aber keine Bleche.
Seitdem schauen wir uns zuerst den Prozess an. Echtzeitfähigkeit, Belastbarkeit und ein Betrieb rund um die Uhr sind keine Details, sondern grundlegende Anforderungen.
„Warum willst du am Ende eine vermeintlich gute Lösung, wenn der komplette Prozess Mist ist?“
Woran erkennt man, ob ein KI-Projekt überhaupt sinnvoll ist?
Die Prozessfrage steht immer am Anfang. Wenn ein Prozess fragil ist und ohnehin auseinanderfliegt, sollte man KI nicht wie Gaffer-Tape verwenden, um ihn zusammenzuhalten. Erst muss der Prozess funktionieren. Danach prüfen wir, an welchen Stellen Daten entstehen und ob sich ein lernendes System wirtschaftlich lohnt.
Außerdem muss man fragen: Muss ich wirklich selbst bauen? Kann ich etwas einkaufen? Oder gibt es in bestehenden Systemen bereits Funktionen, die bisher nur nicht genutzt werden? Manche vermeintlichen KI-Projekte lassen sich viel einfacher lösen.
Wie sieht ein Anwendungsfall mit eindeutigem wirtschaftlichem Nutzen aus?
Ein Kunde sortiert feuerfeste Materialien, die unter anderem für die Auskleidung von Hochöfen verwendet werden. Bestimmte Steinsorten lassen sich optisch kaum unterscheiden. Beschäftigte tragen Schutzmasken und müssen sie teilweise abnehmen, weil sich das Material nur am Geruch erkennen lässt.
Die ursprünglich geplante Lösung basierte auf Laserspektrografie. Allein der Laser hätte eine Viertelmillion Euro oder mehr gekostet. Mit der gesamten Automatisierung wäre man schnell bei mehr als einer Million gewesen. Wir haben stattdessen geprüft, ob sich die Materialien kamerabasiert mit KI erkennen lassen.
Die Ergebnisse waren zunächst so gut, dass selbst unsere Engineers skeptisch wurden. Nach mehreren Validierungen stand fest: Es funktioniert. Heute können wir ein System bauen, das ungefähr ein Zehntel kostet. Niemand muss mehr am Material riechen, der Durchsatz steigt und die Beschäftigten können mehrere Anlagen überwachen. In diesem Fall liegt die Amortisationszeit ungefähr bei einem halben Jahr.
Woran erkennt ein Unternehmen einen seriösen KI-Anbieter?
Wenn jemand sagt: „Alles easy, gar kein Problem, ich löse dir alles“, wäre ich vorsichtig. Ich würde mir ansehen, woher der Anbieter kommt, welche Projekterfahrung vorhanden ist und auf welche Nische sich das Unternehmen spezialisiert hat.
Wir machen zum Beispiel keine Marketing- oder Sales-Projekte. Unser Feld ist der Shopfloor, direkt an der Maschine. Dort kennen wir uns aus. Ein guter Anbieter muss auch Themen ablehnen können und sagen: Das ist nicht unser Bereich, sprich lieber mit jemandem, der darauf spezialisiert ist.
„Wenn jemand sagt: gar kein Problem, ich löse dir alles, dann wäre ich schon vorsichtig.“
Ist industrielle KI eine Bedrohung für Deutschland oder eine Chance?
Ich habe keine Lust, Dystopien aufzubauen. Viele Unternehmen, die heute unter Druck stehen, hatten schon vorher strukturelle Probleme oder haben ihr Geschäftsmodell nicht rechtzeitig weiterentwickelt.
Gleichzeitig liegt sehr viel Domänenwissen in deutschen Werkshallen, teilweise in Daten, teilweise in den Köpfen der Beschäftigten. Die Verbindung aus Industriedaten, Wissen an der Maschine und unserer industriellen Erfahrung ist eine große Chance. Das nächste wichtige Exportgut könnte darin bestehen, dieses Wissen in intelligente Maschinen und spezialisierte Modelle zu übertragen.
Dafür müssen Unternehmen lernen, in geschützten Datenräumen zusammenzuarbeiten. Natürlich sollte niemand sensible Daten einfach an Wettbewerber in China oder den USA weitergeben. Aber Daten lassen sich teilweise anonymisieren, gemeinsame Basismodelle können aufgebaut und anschließend mit eigenen Daten verfeinert werden. Die Frage ist, ob wir gemeinsam gewinnen oder gemeinsam verlieren wollen.
Wie bleibt die Datenhoheit dabei erhalten?
Die Daten werden bei unseren Kunden verarbeitet. Der Kunde bleibt Herr über die Daten, und wir operieren auf seinen Systemen. Die Modelle können direkt an der Maschine oder auf Edge-Komponenten laufen. Für das Training braucht man gegebenenfalls größere Rechenkapazitäten, aber die operative Anwendung bleibt in der Infrastruktur des Kunden.
Sollten Unternehmen kritische KI-Systeme vollständig selbst entwickeln?
Viele unserer Kunden haben eigene Kompetenz im Haus, holen uns aber für die externe Perspektive und spezialisierte Expertise dazu. Andere bauen sehr gute Maschinen, verfügen aber nicht über eine eigene KI-Abteilung. Dann ist eine Technologiepartnerschaft sinnvoller, als ein komplett neues Team aufzubauen.
Trotzdem braucht es auf Kundenseite Menschen, die die Modelle warten, pflegen und fachlich begleiten können. Das ist ein entscheidender Erfolgsfaktor. Projekte kollabieren, wenn niemand verantwortlich ist und das Thema nebenbei delegiert wird. Das Unternehmen muss eigenes Wissen aufbauen, auch wenn die Architektur gemeinsam mit einem externen Partner entsteht.
Welche Rolle werden humanoide Roboter in der Industrie spielen?
Die Entwicklung ist enorm, vor allem bei der Handsteuerung. Verkörperte KI wird in den nächsten zehn Jahren ein großes Thema. Es gibt bereits erste Testläufe in Werken und Produktionslinien.
Man sollte die mediale Inszenierung aber von der Realität unterscheiden. Auf einer Messe sieht man einen tanzenden Roboter und denkt: Wow. Backstage sieht man dann, wie er vorher umfällt und wieder aufgestellt werden muss. Wir sind noch nicht an dem Punkt, an dem jedes Unternehmen sofort humanoide Roboter einsetzen sollte. Aber Unternehmen sollten die Entwicklung beobachten und prüfen, wo sie wirklich sinnvoll wird.
Mehr über Simon auch unter https://simonsack.de.
Redaktioneller Hinweis: Dieses Interview basiert auf der AI & Why Podcast-Episode „Kann KI einen Prozess allein steuern?“ mit Simon Sack. Für eine bessere Lesbarkeit wurde das Gespräch redaktionell bearbeitet und sprachlich leicht angepasst, ohne die inhaltlichen Aussagen zu verändern.
