Die meisten Geschäftsszenarien für KI in Industriebetrieben sind ehrlich in Bezug auf den Nutzen und unehrlich in Bezug auf die Kosten – nicht aus böser Absicht, sondern weil die Kosten, die im Pilotprojekt nicht auftauchen, im Voraus am schwersten abzuschätzen und am einfachsten auf später zu verschieben sind. Ein Pilotprojekt zur Anomalieerkennung an einer Produktionslinie führt zu einer Reduzierung ungeplanter Ausfallzeiten um 30 % innerhalb von sechs Monaten. Diese Zahl kommt auf die Folie der Tafel. Was nicht auf der Folie steht, sind die Kosten für die Integration des Modells in das MES, für das Löschen des dreijährigen Wartungsverlaufs in textfreie Felder, um eine Schulungsbasis zu schaffen, für die Neuschulung des Modells, wenn sich der Produktionsprozess ändert, und für die Überzeugung des Betriebsteams, der Warnung des Systems zu vertrauen und nicht der Intuition des leitenden Bedieners. Diese Kosten existieren, sie sind vorhersehbar und ein ehrlicher Business Case berücksichtigt sie.
Was der Pilot misst und was er nicht misst
Der industrielle KI-Pilot wurde entwickelt, um eine konkrete Frage zu beantworten: Funktioniert die Technologie in der technischen Umgebung des Unternehmens? Das ist die richtige Frage für die Validierung der technischen Machbarkeit, aber die falsche Frage für die Prognose eines skalierbaren ROI. Das Pilotprojekt wird unter kontrollierten Bedingungen durchgeführt – ein sorgfältig vorbereiteter Trainingsdatensatz, für Anpassungen in Echtzeit verfügbare Ingenieure des Anbieters, Umfang der Ausrüstung oder Prozesse, die für die Demonstration am besten geeignet sind. Das Pilotergebnis misst das Potenzial der Technologie unter optimalen Bedingungen, nicht das erwartete Ergebnis im Normalbetrieb mit einem internen Team.
Der Abzinsungskoeffizient zwischen dem Pilotergebnis und dem skalierten Ergebnis variiert je nach Projekt, liegt jedoch selten bei Null. Bei Computer-Vision-Projekten zur Qualitätsprüfung kommt es häufig vor, dass das Modell im Pilotversuch mit dem Bildsatz des Lieferanten eine Genauigkeit von 98 % und in den ersten Wochen des realen Betriebs eine Genauigkeit von 80 % erreicht, da sich die Lichtverhältnisse, Produktvariationen und der Kamerawinkel in der realen Umgebung von den kontrollierten unterscheiden. Bei dieser Abweichung handelt es sich nicht um einen technischen Fehler, sondern um die Lücke zwischen Test- und Produktionszustand, mit der jedes ML-Modell konfrontiert ist. Der Business Case muss die Kosten des Anpassungszeitraums und das erwartete Ergebnis nach diesem Zeitraum umfassen, nicht die Spitzenleistung des Piloten.
Kosten, die Berater nicht auf der Folie berücksichtigen
Die Integration in bestehende Systeme ist oft der teuerste Projektpunkt und wird am meisten unterschätzt. Ein KI-Modell, das auf einem isolierten Server läuft und Warnungen auf seinem eigenen Dashboard erzeugt, ist keine Integration – es ist lediglich ein weiteres System, das der Bediener überprüfen muss. Damit das Anomalieerkennungsmodell betrieblichen Wert generiert, muss es Arbeitsaufträge im ERP erstellen, im Wartungsmanagementsystem erscheinen oder die Linie über die Integration mit der SPS anhalten. Jede dieser Integrationen verursacht Entwicklungskosten, Validierungskosten und API-Lizenzkosten, die selten im ursprünglichen Budget enthalten sind.
Daten: Die meisten industriellen KI-Projekte unterschätzen die Kosten der Datenaufbereitung um den Faktor zwei bis fünf. Der Lieferant argumentiert damit, dass das Unternehmen bereits über die Daten verfügt – das SCADA-System zeichnet seit Jahren alles auf. Was das Argument außer Acht lässt, ist, dass diese Daten im proprietären Format des Steuerungssystems vorliegen, mit Lücken für Wartungs- oder Systemausfälle, mit inkonsistenten Zeitstempeln, mit falschen Sensorwerten, die nie erkannt wurden, weil keine systematische Analyse dieser Historie durchgeführt wurde. Das Bereinigen, Strukturieren und Beschriften dieses Verlaufs zum Erstellen einer Schulungsbasis ist eine datentechnische Arbeit, die jemanden erfordert, der sowohl Daten als auch den industriellen Prozess versteht – ein seltenes und teures Profil.
Kontinuierliche Neuschulung: ML-Modelle verschlechtern sich mit der Zeit, wenn sich die Datenverteilung ändert. In Industriebetrieben ändert sich der Vertrieb, weil sich Prozesse ändern – neue Produkte, neue Rohstofflieferanten, allmählicher Verschleiß der Ausrüstung, Prozessänderungen. Das Modell, das im Jahr der Implementierung gut funktionierte, beginnt ein Jahr später, mehr falsch-positive oder falsch-negative Ergebnisse zu generieren. Die Kosten für regelmäßiges Umschulen – Sammeln neuer gekennzeichneter Daten, erneutes Ausführen der Trainingspipeline, Validieren des neuen Modells – müssen in den Gesamtbetriebskosten des Projekts enthalten sein.
Änderungsmanagement: Der Aufwand, das Betriebsteam davon zu überzeugen, dem System zu vertrauen und es zu nutzen, ist möglicherweise am schwierigsten zu quantifizieren und am kritischsten bei der Rückgabe. Ein Bediener mit zwanzigjähriger Erfahrung in einer Produktionslinie wird sein Verhalten nicht ändern, weil er im Dashboard eine Warnung erhält, dass er nicht versteht, wie diese generiert wurde. Projekte, die keine strukturierte Schulung, keine Nachbereitungszeit zum Aufbau von Vertrauen in das System und keinen Feedbackprozess zwischen Bediener und Modell umfassen, werden mit einem Tool skalierbar, das niemand nutzt. Der ROI eines nicht genutzten Systems ist Null, unabhängig von der Genauigkeit des Modells.
Der Aufbau einer ehrlichen ROI-Berechnung
Der industrielle KI-ROI hat zwei Seiten. Zu den quantifizierbaren Vorteilen gehören geringere ungeplante Ausfallkosten – durchschnittliche Ausfallkosten multipliziert mit der Anzahl der pro Jahr vermiedenen Ereignisse –, weniger Ausschuss oder Nacharbeiten, gegebenenfalls ein geringerer Energieverbrauch und ein geringerer Ersatzteilbestand aufgrund einer besseren Vorhersehbarkeit des Austauschs. Jeder dieser Vorteile muss mit einem Konfidenzintervall und nicht als spezifische Zahl geschätzt werden, da sie alle von Annahmen über die Genauigkeit des Modells und das Verhalten des Betriebsteams abhängen, die mit echten Unsicherheiten behaftet sind.
Die Kosten umfassen Software- und Plattformlizenz, Edge-Hardware und ggf. zusätzliche Sensoren, Integration in bestehende Systeme, Aufbereitung und Strukturierung historischer Daten, regelmäßige Modellumschulung, Schulung und Änderungsmanagement mit dem Betriebsteam sowie die laufende Wartung der Lösung. Bei Projekten mit einem externen Lieferanten sind auch die Kosten für das Engagement nach der Implementierung in den ersten zwei Jahren enthalten, dem Zeitraum, in dem die wichtigsten Anpassungen am Modell vorgenommen werden.
Die realistische Amortisationszeit für die meisten industriellen KI-Projekte liegt – wenn alle Kosten berücksichtigt werden – zwischen 18 Monaten und 4 Jahren. Bei Projekten, bei denen die Amortisationszeit unter 12 Monaten liegt, werden die Integrations- und Änderungsmanagementkosten häufig unterschätzt oder der Nutzen aufgrund von Pilotergebnissen überschätzt. Dies ist keine Aussage gegen Investitionen – es ist eine Kalibrierung der Erwartungen, die verhindert, dass das Projekt abgebrochen wird, weil die versprochene Rendite nicht innerhalb eines unrealistischen Zeitrahmens erzielt wird.
Was eine verantwortungsvolle Projektgenehmigung erfordert
Ein industrieller KI-Vorschlag, der die Genehmigung der Geschäftsleitung erhält, sollte Folgendes umfassen: Beschreibung des vollständigen Kostenmodells nach Phase – Pilot, Maßstab, laufender Betrieb; der Integrationsplan mit bestehenden Systemen inklusive Kostenvoranschlag; die Datenebene einschließlich der Lücke zwischen dem, was vorhanden ist, und dem, was das Modell benötigt; der Change-Management-Plan mit Akzeptanzmetriken; und das Umschulungs- und Wartungsmodell mit geschätzten jährlichen Kosten.
Die Entscheidung, ob das Projekt genehmigt wird oder nicht, sollte mit der Verfügbarkeit dieser Elemente getroffen werden, nicht erst danach. Wenn das Projekt nur dann finanziell sinnvoll ist, wenn die Integrations- und Datenkosten unterschätzt werden, ist das Projekt finanziell nicht sinnvoll. Industrielle KI-Projekte, die konstante Erträge liefern, sind solche, bei denen der Geschäftsszenario hinsichtlich der Vorteile konservativ und hinsichtlich der Kosten vollständig war – denn wenn die Realität mit der Prognose übereinstimmt, bleibt das Vertrauen in das Programm erhalten und die Erweiterung wird genehmigt. Projekte mit optimistischen Geschäftsszenarien werden in der zweiten Phase abgebrochen, weil die erste Rendite nicht wie versprochen eintraf und die Organisation die Lust verliert, weiterzumachen.
Lesen Sie auch
- Wie viel kostet Claude Code und wann lohnt es sich wirklich
- Bioproduktion: Wenn die Biologie zum Fließband wird
- Inferenzchips und ASIC: wenn das Spezialisierte das Generische schlägt
- Spezialisierte Chips und das Ende der generischen CPU-Ära
- Neuromorphes und bioinspiriertes Computing: Wenn der Chip beginnt, vom Gehirn zu lernen
- KI-Energie und Souveränität: Was Regierungen jetzt planen müssen