Eine Fehlentscheidung industrieller KI kann weit mehr sein als eine wenig hilfreiche Antwort. Wenn Software mit Anlagen, Stromversorgungssystemen oder gefährlichen Betriebsstätten verbunden ist, kann ein Fehler Folgen jenseits des Bildschirms haben. Arti Garg von AVEVA zufolge besteht die Herausforderung darin, die Vorteile leistungsfähigerer KI zu nutzen und zugleich dafür zu sorgen, dass Menschen für Entscheidungen verantwortlich bleiben, die Sicherheit und Betrieb beeinflussen.
Industrielle KI rückt näher an die Maschinen
KI ist seit Jahrzehnten Bestandteil industrieller Software, oft in spezialisierten Funktionen wie der prädiktiven Analytik. Was sich laut Garg verändert, ist die Verbreitung von Basismodellen, physischer KI und agentischer KI. Diese Systeme können komplexere Aufgaben unterstützen, von softwarebasierter Automatisierung bis hin zu Robotern, die Informationen in physischen Umgebungen sammeln.
Dieser Wandel weckt zunehmend das Interesse von Industrieunternehmen. Garg verwies auf eine Studie, der zufolge die Verbreitung von KI in der Branche innerhalb von zwei Jahren um fast 78 % gestiegen sei. Die Quelle benannte die Studie nicht. Daher ist die Zahl am besten als Kontext für die von ihr beschriebene Dynamik zu verstehen, nicht als eigenständiger Maßstab für die gesamte Branche.
Der Unterschied zwischen industrieller KI und einem Werkzeug, das ausschließlich digitale Aufgaben erledigt, liegt nicht allein im Einsatzumfeld. Industrielle Systeme können Anlagen und Infrastruktur beeinflussen, die zur Stromversorgung oder zur Rohstoffgewinnung dienen, häufig an Orten, an denen Menschen in gefährlichen Umgebungen arbeiten. Neuere KI-Modelle können außerdem schwerer vorherzusagen und zu erklären sein als enger zugeschnittene Systeme. Ihr Verhalten kann sich verändern, wenn sie angepasst werden oder aus neuen Daten lernen.
Größere Leistungsfähigkeit hat damit zwei Seiten. Ein System kann möglicherweise mehr leisten, doch auch die Folgen können größer sein, wenn man es ohne klare Grenzen handeln lässt.
Bessere Entscheidungen beginnen mit verknüpften Daten
Bevor KI dabei helfen kann, ein Problem in einer Anlage zu diagnostizieren, muss eine Organisation Informationen zusammenführen, die möglicherweise in unterschiedlichen Systemen liegen. Dazu können Telemetriedaten von Maschinen, Wartungs- und Serviceprotokolle, technische Aufzeichnungen und ursprüngliche Konstruktionsunterlagen gehören. In vielen Industriebetrieben macht die Verknüpfung dieser Unterlagen einen erheblichen Teil der Arbeit aus.
Garg zufolge können neuere Werkzeuge, darunter Graphdatenbanken und KI-Systeme, die Informationen über verschiedene Datensätze hinweg zuordnen können, Bedienern helfen, relevante Zusammenhänge schneller zu finden. Statt mehrere Quellen manuell zu durchsuchen, um eine Pumpe oder einen Mischer zu verstehen, könnte ein Bediener bei der Problemdiagnose ein tabletbasiertes System nutzen, das aktuelle Messwerte, Wartungshistorie und Dokumentation zusammenführt.
Roboter könnten diesen Ansatz über den Schreibtisch des Bedieners hinaus erweitern. Ein Roboter, der sich durch einen Gefahrenbereich bewegt, könnte Informationen für einen Bediener sammeln, ohne dass ein Mensch diesen Bereich betreten muss. Die KI könnte helfen, Hinweise zu sammeln oder zu interpretieren, während ein Mensch weiterhin bereitsteht, um deren Bedeutung einzuschätzen und zu entscheiden, was zu tun ist.
Das ist ein weniger spektakulärer Aspekt industrieller KI als ein eigenständig handelnder Roboter, aber zugleich eine praktische Voraussetzung. Wenn die relevanten Informationen unvollständig oder verstreut sind, macht ein leistungsfähigeres Modell die zugrunde liegenden Aufzeichnungen nicht wie von Zauberhand zu einem stimmigen Gesamtbild.
Autonomie braucht betriebliche Grenzen
AVEVA beschreibt seinen Ansatz für verantwortungsvolle KI anhand von Sicherheit, Effizienz, dem Schutz von Menschen und Aufsicht. Gargs zentrale Aussage ist, dass KI Menschen in kritischen Entscheidungsprozessen unterstützen sollte, statt sie zu ersetzen. In der Praxis bedeutet das, festzulegen, welche Aufgaben ein System eigenständig übernehmen darf und wo ein Mensch verantwortlich bleiben muss.
Ein Beispiel ist die Anpassung von Sollwerten an Anlagenkomponenten. AVEVA hat mit Kunden an Systemen gearbeitet, die Betriebsdaten und Simulationen nutzen, um auf Grundlage der Bedingungen in einer Anlage Änderungen zu empfehlen. Garg zufolge wurde in einigen Pilotprojekten auch der Übergang von einer Empfehlung zu einer automatischen Anpassung erprobt.
Dieser Schritt verändert den Charakter der Entscheidung. Ein Vorschlag kann geprüft werden, bevor er sich auf die Anlage auswirkt. Eine automatische Anpassung greift dagegen direkt ein. Deshalb können Bediener begrenzen, wie stark das System einen Sollwert verändern darf, oder die Automatisierung auf bestimmte Betriebsbereiche beschränken. Diese Grenzen geben dem System Handlungsspielraum, ohne ihm uneingeschränkte Kontrolle zu überlassen.
Laut Garg gibt es keinen einheitlichen Satz von Leitplanken, der zu jeder Anwendung passt. Die Grenzen hängen vom System und den damit verbundenen Risiken ab, und Organisationen werden aus dem Einsatz lernen müssen. Es geht nicht darum, so zu tun, als könnte eine menschliche Aufsichtsperson jeden Grenzfall vorhersehen. Es geht darum, festzulegen, was die KI verändern darf, ihre Rolle deutlich zu machen und die Verantwortung dafür, die Risiken zu verstehen, bei einem Menschen zu belassen.
Diese Unterscheidung ist wichtig, weil industrielle Automatisierung nicht einfach eine Frage davon ist, ob ein Modell eine Aufgabe erledigen kann. Es geht auch darum, was passiert, wenn es falschliegt, was passiert, wenn sich die Bedingungen ändern, und wer befugt ist, einzugreifen.
KI könnte helfen, Fachwissen zu bewahren und weiterzugeben
Auch die Belegschaft in der Industrie verändert sich. Garg sagte, dass fast die Hälfte der Beschäftigten in der Branche voraussichtlich innerhalb der nächsten fünf Jahre in den Ruhestand gehen werde. Dadurch könnte den Betrieben viel Erfahrung verloren gehen. KI könnte helfen, einen Teil dieses Wissens zu bewahren und weiterzugeben, etwa indem Erkenntnisse von einem Standort auf einen anderen übertragen werden.
Diese Möglichkeit ist nicht gleichbedeutend damit, das Urteilsvermögen jedes erfahrenen Beschäftigten in ein zuverlässiges Modell zu überführen. Sie deutet aber auf eine Rolle für KI hin, betriebliches Wissen leichter auffindbar und nutzbar zu machen, insbesondere für neue Beschäftigte, die verstehen müssen, wie Anlagen und Prozesse zusammenhängen.
Garg erwartet außerdem, dass KI-gestützte Programmierung Menschen mit tiefgehendem Industriewissen ermöglichen wird, Anwendungen zu entwickeln, auch wenn sie keinen Hintergrund in der Softwareentwicklung haben. Sie prognostizierte, dass dies innerhalb von 18 Monaten häufiger werden könnte. Der Reiz liegt auf der Hand: Menschen, die betrieblichen Problemen am nächsten sind, könnten Werkzeuge für Anforderungen entwickeln, an die Softwareteams gar nicht gedacht hätten.
Neue Werkzeuge machen es jedoch nicht überflüssig, die Arbeitsorganisation zu verändern. Garg zufolge haben Organisationen häufig weniger mit der Existenz von KI zu kämpfen als damit, Geschäftsprozesse an ihre Stärken und Grenzen anzupassen. Ein System, das Empfehlungen ausspricht, braucht beispielsweise einen Arbeitsablauf, in dem jemand diese prüfen, ihre Grundlage verstehen und angemessen danach handeln kann.
Nachhaltigkeit hat zwei Seiten
KI könnte beim Management von Stromnetzen helfen, wenn die erneuerbare Stromerzeugung ausgebaut wird. Eine zunehmende Zahl dezentraler Quellen mit schwankender Einspeisung, darunter Solaranlagen auf Dächern, erschwert es, Angebot, Nachfrage und Stromqualität im gesamten System im Blick zu behalten. AVEVA arbeitet mit Idaho National Laboratory an einem KI-Projekt zur Netzresilienz. Es soll Bedienern helfen, Netzzustände zu verstehen, ungewöhnliches Verhalten zu erkennen und früher zu reagieren.
Es gibt jedoch eine zweite Frage: die Umweltkosten des KI-Betriebs selbst. Garg leitet eine IEEE-Arbeitsgruppe, die eine standardisierte Methodik zur Messung dieser Auswirkungen entwickelt. Die Arbeit der Gruppe an P7100 umfasst Strom- und Energieverbrauch, Ressourcen, Wasser und Kohlenstoff. Garg zufolge soll damit eine gemeinsame Methode geschaffen werden, die für die Berichterstattung und möglicherweise auch für Aufsicht oder Regulierung genutzt werden könnte.
Ohne eine vereinbarte Methode können einzelne Aussagen über den Fußabdruck einer bestimmten KI-Anfrage schwer vergleichbar sein. Die Frage der Messung ist beim Einsatz kein Nebenaspekt. Sie beeinflusst, ob Organisationen die Kosten eines Systems im Verhältnis zu der von ihm geleisteten Arbeit beurteilen können.
Garg plädiert außerdem dafür, ein zur Aufgabe passendes Modell auszuwählen. Größere Modelle benötigen mehr Rechenleistung, was wahrscheinlich mehr Ressourcen beansprucht. Ein speziell für den jeweiligen Zweck entwickeltes Modell kann weniger Ressourcen verbrauchen und sich, wenn seine Auslegung zur Anwendung passt, auch vorhersehbarer verhalten. Das macht die Modellauswahl nicht einfach, gibt Organisationen aber einen praktischen Ausgangspunkt: nur die Leistungsfähigkeit zu nutzen, die die Aufgabe erfordert.
Ein Kundenbeispiel mit Einschränkungen
AVEVA beschreibt SCG Chemicals, ein petrochemisches Unternehmen in Thailand, als Kunden, der daran arbeitet, eine KI-gestützte Zuverlässigkeitsplattform aufzubauen. Die Arbeit begann mit der Zusammenführung von Betriebs- und Engineering-Daten. Anschließend kam AVEVA Predictive Analytics hinzu, das proprietäre Modelle nutzt, um Anomalien zu erkennen und mögliche Betriebsrisiken zu identifizieren.
Das erklärte Ziel ist, ungeplante Stillstände in geplante Stillstände umzuwandeln und die Anlagenzuverlässigkeit zu verbessern. Garg sagte, SCG Chemicals strebe eine Anlagenzuverlässigkeit von rund 99 % an und frühe Pilotprojekte hätten einen ROI von nahezu 9x erzielt.
Diese Zahlen sind bemerkenswert, aber keine allgemeingültige Prognose für industrielle KI. Die Zuverlässigkeitsangabe ist ein Zielwert, und die ROI-Angabe bezieht sich auf die Ergebnisse früher Pilotprojekte, wie sie von AVEVA dargestellt wurden. Das Beispiel unterstreicht zudem einen weniger glamourösen Punkt: Die KI-Schicht baut auf der Arbeit auf, die darunterliegenden Daten zu strukturieren.
Entscheidend ist, wie das System die Arbeit verändert
Roboter und Drohnen könnten Inspektionen oder die Datenerfassung an gefährlichen und abgelegenen Orten übernehmen. KI-Werkzeuge könnten Bedienern helfen, Anlagenprobleme zu diagnostizieren, das Netzmanagement unterstützen oder Fachwissen in neue Software überführen. Das sind plausible Einsatzmöglichkeiten, die Garg beschreibt, keine Garantie dafür, dass Automatisierung jeden Betrieb verbessert.
Für Organisationen besteht die praktische Arbeit darin, das System auf eine Aufgabe abzustimmen, Grenzen festzulegen, die den physischen Risiken Rechnung tragen, und Beschäftigten eine klare Rolle bei der Prüfung oder Überwachung seiner Handlungen zu geben. Sie müssen außerdem entscheiden, wie sie den Ressourcenverbrauch des Systems messen und ob bestehende Prozesse das nutzen können, was es bereitstellt.
Industrielle KI ist nicht einfach Software mit einem robusteren Schutzhelm. Es ist Software, deren Entscheidungen in der physischen Welt wirksam werden können. Dort gehört zur richtigen Antwort auch das Wissen, wann man nicht handeln sollte.