Das Fabrikdatenproblem, über das ASEAN-Hersteller nicht sprechen

Das häufigste Hindernis für die KI-Einführung in der ASEAN-Fertigung ist weder ein fehlendes Budget, mangelnder Wille der Geschäftsführung noch die Verfügbarkeit von Anbietern. Es ist der Zustand der Fabrikdateninfrastruktur. Die Dateninfrastrukturprobleme von ASEAN-Herstellern, isolierte OT- und IT-Systeme, inkonsistente Sensorprotokollierung, getrennte ERP- und MES-Ebenen und fehlende Rahmenwerke für die Datenverantwortung, verhindern, dass KI Zugriff auf die zuverlässigen Eingaben erhält, die sie für den Produktionsbetrieb benötigt. Dieser Beitrag untersucht jedes Problem im Detail und erklärt, wie Hersteller diese angehen können, bevor sie in KI-Systeme investieren.

Warum Fabrikdaten der Ausgangspunkt sind

KI-Systeme in der Fertigung, vorausschauende Wartungsmodelle, Qualitätsprüfungsalgorithmen, Produktionsoptimierungstools, haben alle eine strukturelle Grundvoraussetzung: konsistente, gekennzeichnete, historisch durchgängige Daten. Wenn diese Daten nicht in nutzbarer Form vorliegen, kann ein KI-System nicht trainiert, validiert oder im Produktionsbetrieb überwacht werden.

Viele ASEAN-Hersteller haben Pilot-KI-Projekte abgeschlossen, die unter kontrollierten Bedingungen vielversprechende Ergebnisse lieferten. Die Piloten scheitern dann bei der Skalierung, weil die tatsächliche Produktionsdatenumgebung nicht dem entspricht, was während des Pilotprojekts verfügbar war. Das ist das Fabrikdatenproblem: Es ist nicht sichtbar, bis es den Fortschritt blockiert. Dieses Muster zeigt sich durchgängig bei KI-Einführungen in der Fertigung in ganz ASEAN, auch bei Programmen, die im Rahmen der nationalen Industrie-4.0-Roadmap Vietnams strukturiert sind.

Die vier konkreten Probleme

1. Isolierte OT- und IT-Systeme

Betriebstechnik-Systeme (OT), SPS, SCADA, DCS, und Informationstechnik-Systeme (IT), ERP, MES, WMS, sind häufig sowohl durch die Infrastruktur als auch durch organisatorische Grenzen voneinander getrennt. Daten, die in der Fabrikhalle entstehen, fließen nicht automatisch in die Systeme, in denen Geschäftslogik und historische Aufzeichnungen gespeichert werden.

In vielen ASEAN-Fabriken spiegelt diese Trennung sowohl frühere Beschaffungsentscheidungen als auch bewusste Sicherheitsentscheidungen wider. Das Ergebnis ist, dass KI-Systeme, die operative Leistung mit Geschäftsergebnissen verknüpfen sollen, keinen zuverlässigen Weg haben, die benötigten Eingaben aus beiden Ebenen gleichzeitig zu erhalten.

2. Inkonsistente Sensorprotokollierung

Selbst wenn Sensoren installiert sind, ist die Datenprotokollierung häufig inkonsistent. Häufige Probleme sind: variable Abtastraten, die sich ohne Dokumentation ändern, Sensoren, die bei Schichtwechseln offline gehen und keine Daten statt eines Nullwerts protokollieren, Lücken durch Netzwerkunterbrechungen, die in keinem Audit-Log erfasst werden, und Sensorkonfigurationen, die sich bei Wartungsarbeiten ändern, ohne Versionskontrolle der Konfigurationsänderung.

Diese Inkonsistenzen erzeugen Trainingsdaten, die verborgene Lücken und strukturelle Verschiebungen enthalten. Ein auf diesen Daten trainiertes KI-Modell mag in der Entwicklung gut funktionieren, liefert im Produktionsbetrieb jedoch unzuverlässige Ergebnisse, weil es Muster aus Daten gelernt hat, die den zugrunde liegenden Prozess nicht genau abbilden.

3. Trennung zwischen ERP und MES

Manufacturing-Execution-Systeme (MES) erfassen, was in der Fabrikhalle geschieht: Arbeitsaufträge, Produktionsmengen, Qualitätssperren, Maschinenstillstandszeiten. Enterprise-Resource-Planning-Systeme (ERP) erfassen die Geschäftsebene: Bestände, Beschaffung, Finanzen, Kundenaufträge.

In vielen ASEAN-Fertigungsbetrieben wurden MES- und ERP-Systeme zu unterschiedlichen Zeiten, von unterschiedlichen Anbietern angeschafft, mit individueller Integrationsarbeit, die nicht gepflegt wurde. Das Ergebnis ist, dass Daten aus beiden Systemen nicht zuverlässig zusammengeführt werden können. Ein Hersteller, der ein KI-System trainieren möchte, um Produktionsparameter mit Kostenergebnissen zu korrelieren, steht vor einem grundlegenden Problem der Datenausrichtung, bevor überhaupt Modellarbeit beginnen kann.

4. Fehlende Datenverantwortung

In vielen Fabriken gehört die Verantwortung für die Daten niemandem. Engineering-Teams verantworten die Anlagen. IT-Teams verantworten die Netzwerke. Betriebsteams verantworten die Prozesse. Finanzteams verantworten das Reporting. Wenn ein KI-Projekt startet, hat die Frage, wer für Datenqualität, Datenzugriff und Data Governance verantwortlich ist, häufig keine klare Antwort.

Das ist kein technologisches Problem. Es ist ein organisatorisches Gestaltungsproblem, das sich als technologische Einschränkung äußert. Ohne zugewiesene Datenverantwortung bleiben Datenqualitätsprobleme unbearbeitet, Zugriffsanfragen stocken, und die Verantwortungsstruktur, die zur nachhaltigen Nutzung eines KI-Systems im Produktionsbetrieb erforderlich ist, existiert nicht.

Wie diese Probleme zusammenhängen

Diese vier Probleme sind nicht unabhängig voneinander. Isolierte OT- und IT-Systeme erschweren eine konsistente Sensorprotokollierung. Inkonsistente Sensorprotokolle machen den Abgleich zwischen ERP und MES unzuverlässig. Fehlende Datenverantwortung bedeutet, dass niemand die Lücken behebt, sobald sie erkannt werden. Das Ergebnis ist ein sich verstärkendes Dateninfrastrukturdefizit, das wächst, je mehr Daten die Fabrik erzeugt.

Hersteller, die diese Probleme erst angehen, wenn ein KI-Projekt bereits läuft, stehen vor erheblichen Verzögerungen. Die erforderliche Infrastrukturarbeit braucht Zeit, in der Regel mehrere Monate, um eine grundlegende Datenzuverlässigkeit zu erreichen, und lässt sich nicht durch das Hinzufügen weiterer Technologieanbieter verkürzen.

Wo man anfangen sollte

Ein praktischer Ausgangspunkt ist ein Audit der Dateninfrastruktur, das durchgeführt wird, bevor ein KI-Anbieter ausgewählt wird. Das Audit sollte alle Datenquellen nach Typ, Verantwortlichem, Abtastrate und Speicherort erfassen; ermitteln, wo OT- und IT-Daten zusammengeführt werden können und wo nicht; alle bekannten Lücken in historischen Sensorprotokollen dokumentieren; und vorläufige Datenverantwortung bestimmten Rollen zuweisen.

Dieses Audit erfordert keine KI-Expertise. Es erfordert Engineering- und Betriebswissen, kombiniert mit einer ehrlichen Einschätzung des aktuellen Zustands. Hersteller, die dieses Audit vor der Zusammenarbeit mit KI-Anbietern abschließen, verringern das Risiko kostspieliger Umfangsänderungen, nachdem ein Projekt bereits begonnen hat.

Gradion arbeitet mit ASEAN-Herstellern an der Bereitschaft der Dateninfrastruktur vor der KI-Einführung. Unsere Engineering-Teams haben OT- und IT-Architekturen in industriellen Umgebungen in der gesamten Region erfasst und verstehen die spezifischen Einschränkungen, die in Anlagen auftreten, die nicht auf Datenintegration ausgelegt wurden. Über KI-Projekte in der Fertigung in Vietnam und der weiteren ASEAN-Region hinweg zeigt sich durchgängig, dass die Datenreife den Projektzeitplan stärker bestimmt als die Modellauswahl oder Rechenressourcen.

Häufig gestellte Fragen

Was ist das Fabrikdatenproblem, das ASEAN-Hersteller an der KI-Einführung hindert?

Das Fabrikdatenproblem bezeichnet eine Reihe von Infrastrukturherausforderungen, die verhindern, dass KI-Systeme die zuverlässigen, konsistenten Daten erhalten, die sie für den Produktionsbetrieb benötigen. Die Kernprobleme sind isolierte OT- und IT-Systeme, inkonsistente Sensorprotokollierung, Trennung zwischen ERP und MES sowie fehlende Rahmenwerke für die Datenverantwortung. Diese Probleme sind in der ASEAN-Fertigung weit verbreitet, weil Fabriken über Jahrzehnte hinweg mit unabhängig beschafften Systemen aufgebaut wurden und die Datenintegration selten von Anfang an mitgedacht wurde.

Wie lange dauert es, die Fabrikdateninfrastruktur vor der KI-Einführung zu reparieren?

Der Zeitrahmen hängt vom Schweregrad der bestehenden Lücken und der Komplexität der Fabrikumgebung ab. Unkomplizierte Umgebungen mit moderaten Integrationslücken benötigen in der Regel drei bis sechs Monate, um eine grundlegende Datenzuverlässigkeit zu erreichen. Komplexe Multi-Standort-Betriebe mit veralteten OT-Systemen und fragmentierten ERP-Implementierungen benötigen unter Umständen länger. Ein zu Beginn des Prozesses durchgeführtes Audit der Dateninfrastruktur liefert eine genauere Schätzung für eine bestimmte Anlage.

Können Hersteller KI in einem Teil der Fabrik einsetzen, während sie die Dateninfrastruktur in anderen Teilen reparieren?

Ja, in manchen Fällen. Vorausschauende Wartungsmodelle für bestimmte Gerätekategorien können allein anhand von Sensordaten dieser Anlagen eingesetzt werden, ohne dass eine vollständige OT- und IT-Integration erforderlich ist. KI-Systeme, die funktionsübergreifende Daten benötigen, etwa um Produktionsparameter mit Kosten-, Qualitäts- und Beschaffungsdaten zu korrelieren, können jedoch erst zuverlässig eingesetzt werden, wenn die zugrunde liegenden Integrationslücken behoben sind.

Was ist der Unterschied zwischen OT und IT im Fertigungskontext?

Betriebstechnik (OT) bezeichnet Hardware und Software, die physische Anlagen überwacht und steuert: speicherprogrammierbare Steuerungen (SPS), verteilte Steuerungssysteme (DCS) und SCADA-Plattformen. Informationstechnik (IT) bezeichnet die Geschäftssysteme, die Daten und Prozesse auf organisatorischer Ebene verwalten: ERP, MES, WMS und CRM-Plattformen. In den meisten Fabriken haben sich diese beiden Ebenen getrennt voneinander entwickelt und erfordern gezielte Integrationsarbeit, um Daten zuverlässig auszutauschen.

Wer sollte Data Governance in einem Fertigungsunternehmen verantworten?

Data Governance funktioniert in der Fertigung am besten, wenn die Verantwortung auf zwei Ebenen zugewiesen wird. Auf Anlagenebene sollten Engineering- oder Betriebsteams die Sensorkonfiguration, Kalibrierungsaufzeichnungen und Datenprotokollierungsstandards für bestimmte Geräte verantworten. Auf Unternehmensebene sollte eine IT- oder Digitalfunktion die Datenzugriffsrichtlinien, Integrationsarchitektur und Datenqualitätsüberwachung verantworten. Ohne beide Verantwortungsebenen werden Datenqualitätsprobleme zwar erkannt, aber nicht gelöst, weil die Zuständigkeit unklar ist.