Die verarbeitende Industrie ist keine Büroumgebung mit ein paar Maschinen dazu. Es ist ein Sektor, in dem ein physischer Prozess — Rohstoff, Bearbeitung, Produkt — führend ist, und in dem digitale Systeme diesem Prozess immer hinterherlaufen oder dafür sorgen müssen, dass er weiterläuft. Diese Reihenfolge bestimmt, was KI-Reifegrad hier bedeutet. Ein ERP-System, ein MES, Sensoren an einer Maschine: sie existieren, um den physischen Prozess zu unterstützen, nicht um selbständig zu funktionieren. Das ist wesentlich anders als bei den unternehmensnahen Dienstleistungen, wo die Arbeit selbst bereits digital ist und Daten einen Ausgangspunkt bilden statt eine Ableitung zu sein.
Diese Schichtung macht das Messen des Reifegrads komplizierter. Ein Produktionsunternehmen kann eine moderne Planungsapplikation haben und trotzdem keine Ahnung davon, was die Maschine auf dem Werksboden tatsächlich tut, weil diese Daten nie erschlossen wurden. Umgekehrt kann ein Unternehmen mit veralteter Software durchaus einen guten Überblick über seinen Prozess haben, weil die Mitarbeitenden vor Ort seit Jahren präzise erfassen. Reifegrad und Modernität der Systeme gehen hier nicht automatisch Hand in Hand.
Innerhalb der sieben Dimensionen, die die Reifegradmessung zugrunde legt, fällt in der verarbeitenden Industrie oft ein bestimmtes Muster auf. IT-Infrastruktur und Datenmanagement — zwei der fundamentalen Dimensionen — zeigen regelmäßig einen großen Abstand zwischen Produktion und Büro. Auf dem Werksboden laufen Systeme, die für Zuverlässigkeit und Betriebszeit gebaut wurden, nicht für den Austausch von Daten. Im Büro laufen Systeme, die zwar für den Austausch gemacht wurden, aber nicht immer an das angeschlossen sind, was in der Fabrik geschieht. Diese beiden Welten verwenden oft unterschiedliche Definitionen desselben Begriffs, und das geschieht, ohne dass jemand es als Problem benennt — bis ein KI-Projekt daran scheitert.
Die organisatorische Dimension hat ein eigenes Muster. Entscheidungen über Investitionen in Produktionsprozesse liegen oft bei Menschen mit technischem Hintergrund, während Entscheidungen über Datenstrategie bei anderen liegen. Wenn diese beiden Gruppen selten gemeinsam am Tisch sitzen, entsteht eine Organisation, die auf dem Papier bereit für KI wirkt, in der Praxis jedoch zwei getrennte Agenden verfolgt. Das ist eine andere Streuung als im Bildungswesen, wo der Abstand häufiger zwischen Politik und dem Arbeitsalltag der Fachkraft liegt, nicht zwischen zwei operativen Säulen innerhalb desselben Unternehmens.
Die Plot-Runde — bei der mehrere Personen unabhängig voneinander auf den sieben Dimensionen bewerten — legt in der verarbeitenden Industrie oft einen deutlichen Kontrast zwischen der Produktionsleitung und der IT- oder Geschäftsführungsebene offen. Ein Produktionsleiter bewertet die Dimension Datenmanagement mitunter hoch, weil die Maschine genau erfasst, was geschieht. Ein IT-Manager bewertet dieselbe Dimension niedrig, weil diese Daten nirgendwo strukturiert gespeichert oder für die Analyse erschlossen werden. Beide Beobachtungen sind korrekt; sie betrachten nur einen anderen Teil des Prozesses.
Diese Streuung ist funktional, nicht unangenehm. Sie zeigt, wo innerhalb der Organisation ein gemeinsames Bild fehlt, und genau das ist die Information, die benötigt wird, bevor einer Pilotphase etwas hinzugefügt wird. Eine Pilotphase, die auf den fundamentalen Dimensionen — Organisation, Infrastruktur, Daten — aufbaut, ohne dass diese Streuung bemerkt wurde, läuft Gefahr, an einem Problem zu scheitern, das niemand benannt hatte, weil niemand das vollständige Bild hatte.
Weil der physische Prozess führend ist, besteht in der verarbeitenden Industrie oft die Versuchung, KI direkt auf ein operatives Problem auszurichten: Wartung vorhersagen, Qualität kontrollieren, Planung optimieren. Das sind sichtbare, attraktive Anwendungen auf den abhängigen Dimensionen. Aber ob sie funktionieren, hängt davon ab, was zuvor stehen muss: Sind die Daten aus der Maschine so erfasst, dass sie wiederverwendbar sind, gibt es jemanden, der für die Qualität dieser Daten verantwortlich ist, und gibt es eine Organisationsstruktur, in der Produktion und IT dieselben Definitionen teilen. Ohne dieses Fundament bleibt eine Pilotphase ein isoliertes Experiment, wie gut das Modell auch sein mag.
Diese Reihenfolge gilt nicht nur hier. In dem Transportsektor besteht eine vergleichbare Spannung zwischen operativen Systemen und zentralen Daten, und in dem Agrarsektor ist der physische Prozess — die Pflanze, das Tier, die Jahreszeit — ebenso bestimmend dafür, was digitale Systeme erfassen und beeinflussen können. Die verarbeitende Industrie ist in dieser Logik keine Ausnahme, wohl aber ein Sektor, in dem die Folgen eines übersprungenen Fundaments schnell auf dem Werksboden sichtbar werden.
Die Reifegradmessung gibt kein Urteil über eine Fabrik oder einen Sektor ab; sie liefert ein Bild von fünf Stufen über sieben Dimensionen, ausgefüllt von mehreren Personen aus der Organisation selbst. Dieses Bild zeigt, wo die fundamentalen Dimensionen bereits stehen und wo sie noch fehlen, und wo die Meinungen innerhalb des Unternehmens auseinandergehen. Das ist ein anderes Gespräch als die Frage, ob eine Pilotphase beeindruckend ist; es ist das Gespräch darüber, ob die Organisation eine Pilotphase tragen kann.
Sobald klar ist, wo die Organisation bei den Dimensionen steht, die KI tragen müssen, entsteht eine andere Frage: welcher Teil der Arbeit selbst für eine Übertragung an KI infrage kommt. Das beantwortet diese Messung nicht. Dafür ist der Werkscan von FTE TO AI gedacht, der pro Aufgabe berechnet, welcher Anteil davon von KI übernommen werden kann. Die Reifegradmessung und der Werkscan schließen aneinander an: Die eine zeigt, ob das Fundament steht, der andere zeigt, was sich, gegeben dieses Fundament, an dieser Arbeit verändert. Wer beide Bilder kombiniert, weiß nicht nur, ob die Organisation bereit ist, sondern auch, wo sich die erste Veränderung konkret zeigt.
Die Reifegradmessung von hybridresourcing befindet sich im Aufbau. Wer die Plot-Runde durchlaufen möchte, sobald sie verfügbar ist, kann sich für die Warteliste anmelden.
Vraag maar wat er moet staan voordat AI in uw organisatie kan landen.
Answers come from this site’s knowledge base. Not tailored advice, and not a scan of your company.