Viele Unternehmen in der Fertigung wissen, dass künstliche Intelligenz Potenzial hat. Aber zwischen Potenzial und Umsetzung liegt eine Lücke, an der die meisten scheitern. Nicht an der Technologie, sondern an der Herangehensweise.

Ich sehe das regelmäßig: Ein Unternehmen plant ein großes KI-Projekt, budgetiert sechs Monate, bildet ein Projektteam, schreibt Lastenhefte. Und nach Monaten hat man eine Präsentation, aber kein Ergebnis. Oder schlimmer: ein System, das technisch funktioniert, aber keinen echten Mehrwert liefert.

Deshalb arbeite ich mit einem Pilot-Ansatz. Ein künstliche Intelligenz Pilotprojekt, das in zwei Wochen ein messbares Ergebnis liefert. Nicht produktionsreif, aber aussagekräftig genug, um eine fundierte Entscheidung zu treffen.

Warum ein Pilot statt eines Grossprojekts?

Der klassische Big-Bang-Ansatz bei KI-Projekten hat ein fundamentales Problem: Man investiert viel, bevor man weiß, ob die Idee überhaupt funktioniert. In der Softwareentwicklung hat sich agiles Arbeiten längst durchgesetzt. Bei KI in der Produktion denken aber viele noch in Wasserfall-Projekten.

Ein KI Pilot Projekt dreht die Logik um. Statt zuerst groß zu planen und dann zu hoffen, dass es klappt, teste ich die Kernhypothese so schnell wie möglich mit echten Daten. Das Ergebnis ist entweder ein Beweis, dass der Ansatz funktioniert, oder die frühe Erkenntnis, dass man den Weg ändern muss. Beides ist wertvoll.

Zwei Wochen sind dafür der richtige Zeitrahmen. Lang genug, um etwas Substanzielles zu bauen. Kurz genug, um nicht in Überplanung zu versinken. Und kurz genug, dass das Risiko für den Auftraggeber überschaubar bleibt.

Der konkrete Ablauf: Vier Phasen in zwei Wochen

Phase 1: Discovery und Kickoff (Tag 1-2)

Alles beginnt mit einem Gespräch. Nicht über KI, sondern über das Problem. Was genau ist der Schmerzpunkt? Wo liegt der größte Hebel? Was kostet das Problem aktuell in Euro, Zeit oder Qualität?

In diesen ersten zwei Tagen klaere ich folgende Punkte:

Das konkrete Problem: Nicht "wir wollen KI einsetzen", sondern "wir haben eine Ausschussrate von X Prozent bei Produkt Y und wissen nicht warum".
Die Datenlage: Welche Daten existieren? Wo liegen sie? In welchem Format? Wie viel historische Daten gibt es? Sind sie gelabelt oder unstrukturiert?
Die Erfolgskriterien: Was muss der Pilot zeigen, damit er als Erfolg gilt? Das muss messbar sein. Nicht "besser als vorher", sondern eine konkrete Zielgröße.
Die Randbedingungen: Welche Systeme sind beteiligt? Wer ist Ansprechpartner auf Kundenseite? Gibt es IT-Restriktionen oder Datenschutzanforderungen?

Am Ende von Phase 1 steht ein klar abgegrenzter Use Case mit definierten KPIs. Das ist entscheidend: Ohne klaren Scope wird aus einem Zweiwochenpiloten schnell ein Dreimonatsprojekt.

Phase 2: Prototyp bauen (Tag 3-7)

Sobald der Use Case steht, baue ich den KI Prototyp. Das bedeutet nicht, ein fertiges Produkt zu entwickeln. Es bedeutet, die zentrale Frage zu beantworten: Kann ein Algorithmus mit diesen Daten dieses Problem lösen?

Je nach Anwendungsfall kann das ein Machine-Learning-Modell sein, ein Computer-Vision-System, ein Anomalie-Detektor oder auch ein regelbasierter Ansatz mit KI-Unterstützung. Ich wähle bewusst den einfachsten Ansatz, der die Frage beantworten kann. Ein KI Prototyp Fertigung muss nicht elegant sein. Er muss funktionieren und die Hypothese testen.

In dieser Phase arbeite ich eng mit dem Domänenexperten auf Kundenseite zusammen. Denn die Daten allein erzählen nur die halbe Geschichte. Ohne jemanden, der den Prozess versteht, baue ich am Problem vorbei.

Phase 3: Test mit echten Daten (Tag 8-10)

Ein Prototyp, der auf Trainingsdaten funktioniert, beweist noch nichts. Der echte Test ist die Konfrontation mit Daten, die das Modell noch nicht gesehen hat. Im Idealfall mit aktuellen Produktionsdaten.

In dieser Phase messe ich die definierten KPIs gegen den aktuellen Status quo. Wie gut erkennt das Modell die Fehler? Wie hoch ist die Falsch-Positiv-Rate? Wie schnell ist die Verarbeitung? Reicht die Genauigkeit für den Anwendungsfall?

Hier zeigt sich auch, wo die Grenzen liegen. Vielleicht funktioniert die Erkennung bei 80 Prozent der Fälle, aber nicht bei einer bestimmten Produktvariante. Vielleicht sind die Daten in einem Bereich zu dünn. Das sind keine Misserfolge, sondern wertvolle Erkenntnisse.

Phase 4: Evaluation und Entscheidung (Tag 11-14)

Am Ende steht ein klarer Report. Keine PowerPoint-Präsentation mit bunten Grafiken, sondern eine ehrliche Auswertung: Was funktioniert, was nicht, und was würde es brauchen, um von hier in die Produktion zu gehen.

Der Report enthält die gemessenen KPIs, eine Einschätzung der Skalierbarkeit, die identifizierten Risiken und eine realistische Aufwandsschätzung für eine produktionsreife Lösung. Auf dieser Basis kann der Auftraggeber eine fundierte Entscheidung treffen.

Was einen guten Pilot-Use-Case ausmacht

Nicht jedes Problem eignet sich für einen Zweiwochenpiloten. Ein guter Use Case für den KI Einstieg Produktion hat diese Eigenschaften:

Messbar: Es gibt eine klare Metrik, anhand derer man Erfolg oder Misserfolg bewerten kann. Ausschussrate, Erkennungsquote, Zeitersparnis in Minuten pro Schicht.
Abgegrenzt: Das Problem lässt sich isolieren. Nicht "die ganze Fertigung optimieren", sondern "Oberflächenfehler an Bauteil X erkennen".
Echtes Problem: Es gibt einen realen Schmerzpunkt, der das Unternehmen Geld oder Qualität kostet. Kein Nice-to-have, kein Innovationstheater.
Daten vorhanden: Es existieren bereits Daten oder sie lassen sich in kurzer Zeit erheben. Ohne Daten kein Pilot.

Was der Auftraggeber mitbringen muss

Ein Pilot ist keine Einbahnstraße. Damit zwei Wochen ausreichen, brauche ich von Kundenseite:

Datenzugang: Nicht irgendwann, sondern in den ersten Tagen. Wenn der Datenzugang erst nach einer Woche steht, ist der Pilot schon halb vorbei.
Einen Domänenexperten: Jemanden, der den Prozess kennt und für Fragen verfügbar ist. Das muss kein Vollzeitjob sein, aber ein paar Stunden pro Woche sind nötig.
Klare Erfolgskriterien: Was muss der Pilot zeigen? Diese Frage muss vor dem Start beantwortet sein, nicht danach.
Realistische Erwartungen: Ein Pilot liefert einen Proof of Concept, kein fertiges Produkt.

Was realistische Ergebnisse aussehen

Ich sage es direkt: Nicht jeder Pilot führt zu einem Erfolg. Und das ist völlig in Ordnung. Ein Pilot, der zeigt, dass ein bestimmter Ansatz nicht funktioniert, hat trotzdem seinen Wert. Er hat diese Erkenntnis in zwei Wochen und mit überschaubarem Budget geliefert statt nach sechs Monaten und sechsstelligen Kosten.

Realistische Ergebnisse eines Piloten sehen so aus:

"Das Modell erkennt 85 Prozent der Oberflächenfehler. Für eine produktionsreife Lösung bräuchten wir mehr Trainingsdaten bei Variante Z."
"Die vorausschauende Wartung funktioniert für Maschinentyp A, aber die Datenlage bei Maschinentyp B reicht nicht aus."
"Der Ansatz ist technisch machbar, aber der ROI rechtfertigt die Investition in die Skalierung aktuell nicht."

Alle drei sind gute Ergebnisse, weil sie eine Entscheidungsgrundlage liefern.

Häufige Fehler beim KI-Piloten

Aus meiner Erfahrung scheitern Piloten nicht an der Technik, sondern an diesen Punkten:

Scope zu breit: "Wir wollen gleich drei Use Cases testen." Das führt dazu, dass keiner davon ordentlich getestet wird.
Keine klaren KPIs: Ohne messbare Erfolgskriterien gibt es am Ende nur Bauchgefühl. Und Bauchgefühl reicht nicht für eine Investitionsentscheidung.
Perfektion erwartet: Ein Pilot ist per Definition nicht perfekt. Wer 99 Prozent Genauigkeit in zwei Wochen erwartet, wird enttäuscht. Die Frage ist: Zeigt der Pilot genug Potenzial, um weiterzumachen?
Daten kommen zu spät: Wenn ich die erste Woche auf Daten warte, bleibt keine Zeit für einen sinnvollen Test.
Kein Domänenexperte verfügbar: KI ohne Fachwissen baut am Problem vorbei. Die beste Technik nützt nichts, wenn niemand erklären kann, was ein Fehler ist und was nicht.

Warum zwei Wochen ausreichen - und warum sie nicht für alles reichen

Zwei Wochen genügen, um die Kernfrage zu beantworten: Funktioniert dieser KI-Ansatz für dieses Problem mit diesen Daten? Das ist enorm viel. Die meisten Unternehmen brauchen genau diese Antwort, bevor sie größer investieren.

Was zwei Wochen nicht liefern: ein produktionsreifes System. Dafür braucht es Robustheit, Fehlerbehandlung, Integration in bestehende Systeme, Schulung der Mitarbeiter und eine Phase der Stabilisierung im laufenden Betrieb. Das sind Wochen bis Monate, je nach Komplexität. Aber diese Investition macht erst Sinn, wenn der Pilot gezeigt hat, dass der Grundansatz funktioniert.

Ehrlich gesagt: Wann skalieren, wann stoppen

Nach dem Pilot gibt es drei sinnvolle Wege:

Skalieren, wenn der Pilot die KPIs erreicht oder übertroffen hat und der Business Case stimmt. Dann lohnt sich die Investition in eine produktionsreife Lösung.

Iterieren, wenn das Ergebnis vielversprechend ist, aber noch Lücken hat. Vielleicht braucht es mehr Daten, einen anderen Algorithmus oder einen angepassten Scope. Ein zweiter, fokussierter Pilot kann das klaeren.

Stoppen, wenn die Daten nicht hergeben, was nötig wäre, oder der ROI nicht stimmt. Das ist kein Scheitern. Das ist eine kluge Entscheidung auf Basis von Fakten statt Hoffnung.

Ich habe alle drei Ausgänge erlebt und keiner davon ist ein schlechtes Ergebnis. Ein schlechtes Ergebnis wäre, sechs Monate und viel Geld investiert zu haben, ohne vorher getestet zu haben, ob die Grundidee trägt.

Wer über einen KI Einstieg Produktion nachdenkt, fährt mit einem fokussierten Piloten fast immer besser als mit einem Grossprojekt. Zwei Wochen, ein konkreter Use Case, echte Daten, ehrliche Ergebnisse. So bleiben KI-Projekte pragmatisch und umsetzbar.

In 2 Wochen zum KI-Piloten: So läuft der Prozess