Hersteller erzielen KI-ROI – jetzt ist es an der Zeit, für eine größere Wirkung zu skalieren

KI liefert ROI in der Fertigung, aber die Skalierung bleibt die Herausforderung. Ohne stärkere Daten- und Netzwerkgrundlagen gerät der Fortschritt ins Stocken.

Von Nic Leszczynski, Principal Solutions Engineer, UKI, bei Riverbed Technology

Von der Werkstatt bis zur Lieferkette liefert künstliche Intelligenz (KI) bereits in der gesamten Fertigung messbare Erträge. Fragen Sie einfach die 87 % der Branchenführer, die in der Riverbed Global Survey 2025 angegeben haben, dass der ROI von Artificial Intelligence for IT Operations (AIOps) ihre Erwartungen erfüllt oder übertroffen hat.

Die Herausforderung besteht jedoch darin, diese Gewinne im gesamten Unternehmen zu skalieren. Derzeit sind nur 12 % der KI-Initiativen in der gesamten Fertigung vollständig implementiert, und nur 37 % der Unternehmen in der Branche fühlen sich derzeit vollständig darauf vorbereitet, KI in großem Maßstab einzusetzen. Diese strukturelle Kluft stellt KI als ein in Arbeit befindliches Werk dar:teilweise realisiert, aber noch nicht in der Lage, zur Vollendung zu gelangen.

Da Industrie 4.0 in vollem Gange ist, ist es nicht notwendig zu beweisen, dass sich KI auszahlt – die Daten zeigen bereits, dass dies der Fall ist. Obwohl es in kontrollierten Tests nachweislich effektiv ist, haben die meisten Hersteller Schwierigkeiten, diese Vorteile in ihren komplexen, realen Umgebungen zu skalieren. Dies wird wahrscheinlich so bleiben, bis die richtigen digitalen Grundlagen geschaffen sind.

Warum die KI-Optimierung in der Fertigung behindert wird

Laut Deloitte ermöglicht die „intelligente Fertigung“, die KI nutzt, um Dinge wie vorausschauende Wartung, Qualitätssicherung, Lieferkettenoptimierung und Energieeffizienzüberwachung voranzutreiben, bereits eine Verbesserung der Produktionsleistung um 10 bis 20 % und der freigesetzten Kapazität um 10 bis 15 %. Das Nettopotenzial ist daher enorm, doch die Breite seiner möglichen Auswirkungen macht die Skalierung von KI kompliziert.

Denn intelligente Fertigungsumgebungen sind auf einen zuverlässigen und sicheren Datenfluss zwischen allen Geräten, Maschinen, Anlagen und Logistiknetzwerken angewiesen. KI-Modelle müssen diese Verflechtung von Telemetriedaten in Echtzeit erfassen, interpretieren und darauf reagieren – oft über Altsysteme, Edge-Geräte und Cloud-Plattformen hinweg. Auch Entscheidungsträger müssen in der Lage sein, diese Informationen einzusehen und zu analysieren.

Verworrene Datenpipelines oder Engpässe führen zu betrieblichen Belastungen, während die eingeschränkte Transparenz des Systemverhaltens die Optimierung und Skalierung erheblich erschwert. Der Druck, diese Probleme auf infrastruktureller Ebene anzugehen, nimmt zu.

Eine aufkommende Lücke bei der Datenbereitschaft

Die Leistungsvorteile von KI sind unbestreitbar. Aufgrund einer Reihe struktureller Probleme ist die Skalierbarkeit dieser Vorteile jedoch schwer zu bestimmen. Bevor die Technologie unternehmensweit eingeführt werden kann, müssen Hersteller die für ihre Unterstützung erforderliche Infrastrukturkompetenz schaffen. Neue Forschungsergebnisse beschreiben dieses Streben nach KI-Bereitschaft detaillierter:

– 91 % der Hersteller geben an, dass die Bewegung von KI-Daten für ihre Strategie von entscheidender Bedeutung ist.

– 96 % Nennen Sie Netzwerkleistung und Zuverlässigkeit als wichtigste Überlegungen.

– Fast die Hälfte (47 % ) haben kein Vertrauen in die Richtigkeit und Vollständigkeit ihrer Daten.

Zusammengenommen beweisen diese Zahlen, dass es noch viel zu tun gibt. Wenn über neun Zehntel der Führungskräfte die Datenbewegung und die Netzwerkleistung als entscheidend ansehen, hängt die Integration von KI von einer Infrastruktur ab, die für die schnelle und zuverlässige Übertragung von Daten ausgelegt ist. Gleichzeitig vertraut fast jedes zweite Unternehmen den übertragenen Daten nicht vollständig. Beide Komponenten müssen angegangen werden, um kontraproduktive Investitionen zu vermeiden.

Während die Hersteller genau verstehen, was KI braucht, um erfolgreich zu sein, arbeiten viele immer noch auf digitalen Grundlagen, die noch nicht robust und flexibel genug sind, um sie in großem Maßstab zu integrieren. Wenn man dazu noch die durch mehrere Observability-Tools verursachte Fragmentierung hinzufügt, wird deutlich, warum die Systeme, die den Produktionsbetrieb unterstützen, nicht in der Lage sind, an Proof-of-Concept-Initiativen vorbeizukommen.

Schaffung der Grundlagen für die Operationalisierung von KI

Auf organisatorischer Ebene wird der Erfolg von KI von der Qualität der Daten, der Geschwindigkeit, mit der sie übertragen werden, und der Transparenz der Teams in den Systemen, die sie übertragen, geprägt sein. Bevor Hersteller also in eine umfassende Bereitstellung investieren, müssen sie unbedingt Folgendes tun:

– Behandeln Sie Netzwerkleistung und Datenfluss als strategische Prioritäten
KI-Systeme in der Fertigung müssen in verteilten Produktionsumgebungen und miteinander verbundenen Lieferketten funktionieren und dabei auf großen Mengen an Echtzeitdaten basieren. Dadurch kann die Netzwerkleistung nicht mehr als Hintergrundproblem der IT betrachtet werden.

Da dieser Übergang vom Pilot- zum Betriebsmodell eine bewusste Führung und Koordination erfordert, benötigen Unternehmen eine einheitliche Art und Weise, wie ihre Daten erfasst und verschoben werden. Frameworks wie OpenTelemetry tragen zur strategischen Ausrichtung bei, indem sie die Telemetrie über komplexe Netzwerke hinweg standardisieren und so das stabile, hochfunktionale Daten-Backbone schaffen, das die KI für die unternehmensweite Integration benötigt.

– Datenqualität und Vertrauen stärken
KI-Modelle sind nur so effektiv wie die Daten, die sie nutzen. Und in der Fertigung, wo Daten generiert und über eine Reihe aktiver Quellen weitergeleitet werden, stellen Inkonsistenzen oder Ungenauigkeiten Risiken dar und gefährden die Integrität.

– Reduzieren Sie die Werkzeugvielfalt und tote Winkel, damit Führungskräfte Leistungslücken erkennen können
Da Unternehmen in der Regel 13 Observability-Tools von neun Anbietern einsetzen, bleibt die Fragmentierung ein großes Hindernis für die Skalierung von KI. Während jedes dieser Tools möglicherweise eine bestimmte Herausforderung löst, führt ihre gemeinsame Überschneidung zu Duplikaten und schränkt die Sichtbarkeit ein – was es schwierig macht, zu verstehen, wie Systeme unter KI-gesteuerten Arbeitslasten interagieren.

Diese architektonische Spannung ist der Grund, warum 95 % der Hersteller einen Prozess der Toolkonsolidierung durchlaufen. In diesem Zusammenhang verschaffte die Integration seines Tech-Stacks in eine einheitliche Observability-Plattform einem globalen Fertigungsunternehmen Zugang zu datengesteuerten und umsetzbaren Erkenntnissen, um Produktivität und Leistung zu verbessern. Diese Art forensischer Klarheit ermöglicht es Unternehmen, KI sicher und reibungslos zu skalieren.

KI-Potenzial in die betriebliche Realität umsetzen

85 % der Hersteller gehen ehrgeizig davon aus, bis 2028 KI-bereit zu sein. Aber wenn sich heute nur 37 % vollständig vorbereitet fühlen, wird die Realisierbarkeit dieses Zeitplans davon abhängen, wie schnell Unternehmen die Bereitschaftslücke schließen können.

Im Laufe der nächsten Jahre wird die KI noch stärker verankert sein als bisher – und der Einfluss, den sie auf Produktionslinien, Lieferketten und Entscheidungsprozesse hat, wird die Wirksamkeit von Telemetrie und Beobachtbarkeit nur noch zusätzlich unter Druck setzen.

Es war noch nie so offensichtlich, dass die Hersteller, die jetzt in Full-Fidelity-Daten und Full-Stack-Transparenz investieren – und gleichzeitig ihre strategischen Prinzipien anpassen, um die neuen Anforderungen von Industrie 4.0 zu antizipieren – am besten positioniert sind, um ihre erfolgreichen KI-Pilotprojekte in nachhaltige betriebliche und kommerzielle Vorteile umzuwandeln.

Nic Leszczynski ist Principal Solutions Engineer, UKI, bei Riverbed Technology.