Was bringt generative KI im Manufacturing? Ein Expertengespräch

Welche Bedeutung hat generative künstliche Intelligenz für die produzierende Industrie? Im Gespräch loten die beiden Swisscom Experten Michael Rieger und Hanspeter Groth Möglichkeiten und Grenzen aus und bieten Einstiegshilfen für Unternehmen.

Kurze Zusammenfassung des Gesprächs

In diesem umfassenden Interview diskutieren Michael Rieger (links im Artikelbild) und Hanspeter Groth (rechts im Bild) die Einsatzmöglichkeiten und die Auswirkungen von generativer KI (generative AI) in der produzierenden Industrie. Denn generative KI kann eigenständig neue Inhalte und Lösungen aufzeigen. Dies eröffnet Chancen für kreative und innovative Ansätze.

Die Vorteile generativer KI in der Produktionsindustrie sind vielfältig – von Chatbots, die spezifische Montageanweisungen liefern über die Verbesserung des Forecasts bis hin zur Unterstützung im HR. Beispiele, die zu einer Verbesserung der Produktqualität und der Effizienz führen können.

Doch trotz des Potenzials für Automatisierung und einer Effizienzsteigerung bleibt menschliche Expertise weiterhin von zentraler Bedeutung. Das gilt vor allem für die Interpretation der von der KI gelieferten Ergebnisse als auch für die erfolgreiche Implementierung von KI-Projekten. Eine ganzheitliche Strategie und die passende Governance sind deshalb entscheidend.

Künstliche Intelligenz, vor allem generative KI, ist das Schlagwort der Stunde. Wie sieht die Situation eigentlich in der produzierenden Industrie aus?

Hanspeter Groth: KI ist kein neues Thema. Ich kenne kein Industrieunternehmen, das KI nicht nutzt. Aber halt als klassische KI, um beispielsweise die Lagerbestände nach Bedarf und Nachfrage dynamisch anzupassen oder um weitere Vorhersagen zu treffen. Retailunternehmen etwa berücksichtigen die Wetterprognosen, um die Glacebestände in den Läden zu planen. Hier kommen KI-Modelle zum Einsatz, die das Unternehmen selbst trainiert und in die eigenen Prozesse integriert hat.

Mit generativer KI kommt jetzt der nächste Schritt. Mich würde interessieren, wie sich das abgrenzen lässt.

Michael Rieger: Das lässt sich gut unterscheiden. Wie du ausgeführt hast, haben Unternehmen klassische KI angewandt, um aus vorhandenen Datenmustern Prognosen zu erstellen. Generative KI unterscheidet sich durch die Fähigkeit, eigenständig neue Inhalte zu erzeugen, statt nur vordefinierte Aufgaben zu automatisieren oder auf vorherige Daten zu reagieren. Diese Fähigkeit ermöglicht es generativer KI, Menschen in ihrer Kreativität zu unterstützen, indem sie Ideen liefert, Routineaufgaben übernimmt und kreative Prozesse beschleunigen kann. Mit klassischer KI ist dies nur eingeschränkt möglich.

Groth: Das hiesse zum Beispiel, dass ich für die Planung nicht nur interne Daten nehme, sondern noch weitere Daten beiziehe? So könnte ich die Mitbewerber und Markttrends analysieren und daraus eine ganz neue Prognose generieren, was mit klassischer KI in dieser Form nicht ohne Weiteres möglich gewesen wäre.

Aber das bedingt trotzdem, dass ich auf die benötigten Daten zugreifen und ihnen auch vertrauen kann. Um klassische KI-Modelle zu trainieren, musste ich meine Daten jeweils präzise aufbereiten und strukturieren. Ist das für generative KI nicht mehr nötig?

Rieger: Generative KI profitiert natürlich von strukturierten Daten, kann jedoch auch effektiv mit unstrukturierten Daten arbeiten. Tatsächlich sind generative KI-Modelle in der Lage, aus einer Vielzahl von Datenformaten wertvolle Erkenntnisse zu gewinnen.  Etwas salopp ausgedrückt, hat man beispielsweise ChatGPT mit Inhalten aus dem Internet gefüttert, ohne die Daten strikt zu strukturieren. Das Resultat ist ein Modell, das eine Vielzahl von Sprachen und vor allem Themen abdecken kann, die ein einzelner Mensch wohl nicht abzudecken vermag.

Das zeigt, dass generative KI auch unter Einbezug von unstrukturierten Daten gute Ergebnisse liefern kann. Von diesem Unterschied profitieren Unternehmen enorm, weil die Mehrzahl der Daten eben in unstrukturierter Form vorliegen. Neue Daten, beispielsweise Social-Media-Beiträge, können direkt einfliessen, ohne dass sie vorher strukturiert werden müssen. Generative KI geht also ähnlich mit Informationen um, wie wir Menschen dies tun.

Wie schaut denn der Einsatz generativer KI in der Praxis aus?

Groth: Ich kann mir das folgende Anwendungsbeispiel vorstellen: Eine Firma stellt hunderte von Produkten her, die sich alle sehr ähnlich sind. Die Aufgaben für die Montagemitarbeitenden wechseln deshalb häufig. Alle Montageanweisungen liegen in Textform vor, also nicht besonders gut strukturiert. Bis jetzt mussten die Mitarbeitenden die richtigen Anleitungen suchen oder den Vorarbeiter fragen.

Mit generativer KI könnte ein Chatbot mit diesen Informationen trainiert sein, dem die Mitarbeitenden eine Frage stellen und Antworten in hoher Qualität erhalten. Was meinst du, Michael?

Rieger: Genau, das ist ein gutes Beispiel. Generative KI-Modelle sind bereits vortrainiert und beherrschen die menschliche Sprache erstaunlich gut. Diese KI-Modelle können zusätzlich mit spezifischem unternehmensinternem Wissen angereichert werden, in diesem Fall mit Montageanleitungen. Dieses Wissen kann von Mitarbeitenden in natürlicher Sprache über einen Chatbot abgefragt werden. Dieser kann bei einer guten Datengrundlage durchaus gute Ergebnisse liefern – auch, wenn die Daten zum Teil nur unstrukturiert vorhanden sind.

«Generative KI-Modelle sind in der Lage, aus einer Vielzahl von Datenformaten wertvolle Erkenntnisse zu gewinnen.»

Michael Rieger, technischer Stratege im CTO-Büro von Swisscom

Das gilt nicht nur in der Manufacturing-Industrie, sondern ist in allen Branchen sehr wichtig. Ich denke beispielsweise an einen Kundendienst. Dort gibt es sehr viele unstrukturierte Daten, etwa aus E-Mails und Anrufen. Diese Informationen können von generativer KI direkt genutzt werden, ohne dass sie zuerst strukturiert werden müssen.

Groth: Was ich ebenfalls mitnehme, wenn ich nochmals aufs Thema Forecast zu sprechen komme: In der Vergangenheit habe ich in etwa gewusst, welcher Kunde in welcher Zeit wie viel kauft. So haben wir im Manufacturing klassischerweise während den letzten 20 Jahren den Forecast erstellt. Nun könnte ich einen Schritt weitergehen und den Forecast um eine Konkurrenzanalyse mit unstrukturierten Daten ergänzen. Ich schaue, was im Markt läuft und was ich im Internet und in Geschäftsberichten finde. Was meine Mitbewerber für Absätze haben, was sie planen und wo sie investieren, was meine Kunden beschäftigt und welche Trends es gibt, die einen Einfluss haben könnten. Alle diese Informationen kann ich jetzt zusammenziehen und mit generativer KI nutzen.

Natürlich muss immer noch jemand dabei mitdenken, ob ich den Informationen wirklich vertrauen kann, wie ich vorher schon angetönt habe. Aber generative KI kann dafür sorgen, dass ich effizienter und besser werde bei der Konkurrenzanalyse.

Rieger: Genau, generative KI unterstützt dort, wo Informationen aus verschiedenen Quellen zusammengezogen und interpretiert werden müssen. Vielleicht möchte ich die geopolitische Lage einordnen und wissen, ob ein Unternehmen deshalb ein guter Zulieferer ist oder ich potenziell in einen Engpass kommen könnte. Generative KI kann diese Daten verarbeiten, den Zusammenhang zwischen der geopolitischen Lage und meinem Zulieferer erkennen und als Anhaltspunkt festhalten. Das gibt mir die Möglichkeit, diesen Aspekt ebenfalls einzubeziehen, sollte ich diesen nicht bereits gekannt haben.

Welchen Einfluss hat generative KI auf die Arbeit der Mitarbeitenden?

Groth: Das heisst für mich auch, dass ich mehr Mitarbeitende brauche, die in Zusammenhängen denken und kritisch hinterfragen können. Dann ist generative KI extrem wertvoll. Aber es ist nicht etwas, dass jeder ohne Vorwissen einfach anwenden kann. Ich spreche jetzt nicht davon, mit Copilot einen Text zu verbessern. Sondern davon, mit generativer KI Prozesse zu optimieren, den Forecast zu verbessern oder im HR die richtige Bewerbung zu finden. Oder wie siehst du das?

Rieger: Da stimme ich dir zu. Generative KI, wie auch bereits klassische KI, bietet den Mitarbeitenden die Möglichkeit, gewisse Aufgaben abzugeben. Die Resultate, die ich von der generativen KI zurückerhalte, müssen im Anschluss von Mitarbeitenden auf ihre Qualität geprüft werden. Dafür benötige ich nach wie vor qualifizierte Mitarbeitende, die in der Lage sind, die Informationen kritisch zu hinterfragen.

Groth: Also ist es wichtig, dass ein Unternehmen viel mehr als nur die Technologie im Griff hat – aus Sicherheitsaspekten, wegen der Governance und auch wegen der Mitarbeitenden. Es gibt sicher gewisse Jobs, die sich mit generativer KI verändern. Beispielsweise könnte es neu dazu gehören, den Output einer generativen KI zu prüfen.

Rieger: Ja, hier ist es sehr wichtig, dass die gesamte Organisation diesen Schritt geht. Wir haben im Manufacturing erlebt, dass eine neue Technologie zuerst eine rein unterstützende Funktion für die Blue-Collar-Mitarbeitenden hatte. Nach und nach hat sich aber die Rolle der Montagemitarbeitenden geändert. Generative KI verändert auch die Arbeit der White-Collar-Mitarbeitenden. Hier müssen Unternehmen vorsichtig sein. Denn es gibt – verständlicherweise – viele Menschen, die in KI weniger den Effizienzvorteil sehen als vielmehr die Bedrohung ihres Arbeitsplatzes.

In welchen Bereichen könnten Manufacturing-Unternehmen generative KI nutzen?

Groth: KI dürfte im Manufacturing-Umfeld in nahezu allen Bereichen einen Nutzen erbringen. Fangen wir bei der Interaktion mit den Kunden an. Unternehmen müssen zum Beispiel Service-Interaktionen verstehen, interpretieren, in die richtigen Kanäle lenken und daraus lernen, damit der Service besser, schneller und effizienter wird.

Wenn wir die Bereiche Planung, Logistik und Finanzen anschauen, sind oft ERP-Systeme, beispielsweise SAP, vorhanden. Auch da gibt es Möglichkeiten, effizienter zu werden. Weil die Daten sehr strukturiert sind, ist es vielleicht eher eine klassische KI, um Muster zu erkennen, welche Kunden wann kaufen und warum. Hier könnte man durchaus über Low Hanging Fruits nachdenken.

«Es gibt extrem spannende Anwendungsfälle für generative KI, die ich als produzierendes Unternehmen angehen könnte.»

Hanspeter Groth, Industry Leader für Manufacturing bei Swisscom

Eine Effizienzsteigerung kann ich mir auch im Sales-Umfeld vorstellen. Ein Maschinenbauer hat immer komplexe Offerten. Wenn ich da generative KI nutze, könnte sie mir aus bestehenden Offerten einen individuellen Draft für eine neue Offerte generieren. Damit ist die Offerte natürlich nicht abgeschlossen, weil ich sie inhaltlich noch prüfen und ergänzen muss. Aber es hilft mir, dass ich alle benötigten Elemente berücksichtige und gewisse Elemente vielleicht sogar eins zu eins wiederverwenden kann. Das sind extrem spannende Anwendungsfälle, die ich als Unternehmen angehen könnte.

Weshalb sollten Manufacturing-Unternehmen KI überhaupt nutzen?

Groth: Unternehmen verkaufen immer weniger einfach Maschinen, sondern die Services dazu werden immer wichtiger.  Es geht schliesslich darum, dass Kunden die Maschinen und Produkte effizient und effektiv im Betrieb nutzen können. KI kann dabei unterstützen, etwa mit Predictive Maintenance oder durch Hinweise für die Kunden, wie sie die Produktion optimieren könnten.  Mit KI könnte ein Unternehmen ausserdem feststellen, bei welchen Schichten und Mitarbeitenden die Effizienz hoch ist und wo allenfalls nicht.

Selbst wenn ich den Business Case mit KI nicht genau rechnen kann: Wenn ich es nicht mache, macht es jemand anderer. Und vielleicht bin ich dann irgendwann weg vom Markt, weil ich mit meinen Produkten und Dienstleistungen nicht mithalten kann. Also muss man einen Weg finden, um in die nächste Zukunftskammer zu kommen.

Rieger: Was du gesagt hast, ist sehr wichtig. Als Dienstleister, ob im Manufacturing-Umfeld oder in jeder anderen Branche, haben die Kunden gewisse Ansprüche, wie sie einen Service beziehen möchten. Wenn ein hilfreicher künstlicher Assistent rund um die Uhr bei der Produktauswahl zur Verfügung steht und den Kaufprozess für den Kunden erleichtert, könnte dies für die jeweilige Unternehmung ein USP werden – der durchaus auch zu einem Marktvorteil verhelfen kann.

Groth: Das Schweizer Erfolgsmodell ist ja oft, dass wir nicht die sind, die am kostengünstigsten produzieren. Sondern wir liefern in der Nische das Beste – das beste Kundenerlebnis, die Top-Maschine, die am besten die Kundenansprüche erfüllen kann, mit der notwendigen Dienstleistung dazu.

Das heisst, ich muss dranbleiben, sonst werde ich überholt. Ich muss mir überlegen, wie diese Technologien in mein Unternehmen passen. Dann bleibe ich auch marktfähig in dieser Nische, sonst werde ich überholt.

Rieger: Unternehmen müssen darauf achten, dass die Technologie sie nicht überholt. Anstatt zu versuchen, der Erste zu sein und generative KI in allen Bereichen des Unternehmens anzuwenden, sollte man sich auf diejenige Lösung konzentrieren, die den höchsten Nutzen bringt, und diese dann im Unternehmen implementieren. Danach könnte das Unternehmen evaluieren, was es gebracht hat und was es für den Business Case bedeutet: Ist das jetzt etwas, das ich subventionieren muss oder etwas, das sich selbst trägt? Oder etwas, das meine Kunden einfach von mir erwarten?

Im Manufacturing-Umfeld habe ich den Eindruck, dass im Bereich der Supply Chain in den letzten Jahren grosse Turbulenzen aufgetreten sind. Was schätzt du, wie sich generative KI auf die Supply Chain auswirkt? Für mich ist das eines der grössten Themen.

Groth: Das ist ein vielschichtiges Thema. Hätte man mit generativer KI Engpässe vorhersehen können, wie sie zum Beispiel wegen des Ukraine-Kriegs entstanden sind? Ich bin mir nicht so sicher. Aber auf der anderen Seite, wenn ich mehr Daten habe, kann ich besser planen, wann ich wo welches Material benötige. Entlang der Supply Chain ist es leider ein typischer Effekt, dass ich trotz akribischer Planung für Rohmaterial, Zwischenprodukte und auch für die Endprodukte selten die optimalen Lagerbestände habe –  oft habe ich zu viel oder zu wenig an Lager.  Wenn wir es jetzt schaffen, das sehr strukturierte Wissen aus der Planungssoftware mit Zusatzwissen aus generativer KI zu kombinieren, hilft das uns, besser zu werden. Es sollte möglich sein, die Lagerbestände um 1 bis 2 Prozent zu reduzieren, was dann purer Gewinn ist. Dann müsste man das Projekt wahrscheinlich nicht einmal rechnen, es würde sich sofort bezahlt machen. Gelingt es, die Planungsschärfe in der Supply Chain durch Früherkennung zu steigern, liegt da ein grosses Potential.

Wie sieht es eigentlich auf der Kostenseite aus?

Groth: Kosten/Nutzen-Berechnungen sind bei klassischen KI-Projekten schon verbreitet. Bei generativer KI eher nur partiell, indem ich allenfalls gewisse Effizienzsteigerungen monetär bewerten kann. Aber einen kompletten Business-Case zu erarbeiten, dürfte äusserst schwierig sein. Unternehmer denken oft anders, sie investieren in etwas Neues, weil sie daran glauben. Wenn man es jedes Mal einfach rechnen könnte, würde es jeder machen. Der Mutige hat den Vorteil, und das dürfte auch auf die Nutzung von KI zutreffen.

Rieger: Gerade weil generative KI eine völlig neue Form der Kostenberechnung ins Leben gerufen hat, sind die Kosten schwierig zu kalkulieren. Das ist mit ein Grund, weshalb ich empfehle, mit kleinen Projekten anzufangen. Dann lernst du. Aber wenn du als Unternehmer mit dem grössten Projekt anfängst und dir Wissen und Expertise fehlen, wirst du dort wahrscheinlich auch keinen positiven Business Case rausziehen.

Wie sollen Unternehmen vorgehen, die sich für den Einsatz generativer KI interessieren?

Groth: Wie ist das beispielsweise bei Microsoft Copilot, kann ich diese Lösung einfach zur Nutzung freigeben oder laufe ich da Gefahr, dass ich die Datensicherheit verletze, Stichwort Governance?

Eine ganz andere Dimension ist es wahrscheinlich, wenn ich generative KI-Anwendungen in die Unternehmensprozesse integrieren will, wie in obigem Beispiel der Firma, die ihren Forecast verbessern will mit Informationen aus dem Internet. Dazu brauche ich doch eine ganzheitliche Strategie?

Rieger: Ja, eine zum Unternehmen passende Strategie würde ich unbedingt empfehlen. Aber du musst auch die Datenqualität sicherstellen. Du brauchst einerseits Daten, um starten zu können. Und andererseits brauchst du jemanden, der mit der Technologie umgehen kann. Das bedingt die technische Expertise, um abzuschätzen, welche Daten in welcher Form überhaupt sinnvoll sind, um Ergebnisse in der gewünschten Qualität zu erhalten. Und natürlich brauchst du ein Sicherheitsverständnis, welche Daten du dem KI-Modell zur Verfügung stellen willst. Wahrscheinlich möchtest du nicht, dass dein Chatbot sensible Daten mit Mitarbeitenden oder Kunden teilt.

Die Vergangenheit hat auch gezeigt, dass sehr viele Projekte im traditionellen KI-Umfeld bereits an der Datenfrage scheitern. Ein Unternehmen mag viele Ideen und Ambitionen haben, aber es scheitert oftmals daran, dass Unternehmen nicht genügend Daten zur Verfügung stehen um ein KI-Modell so zu trainieren, dass es am Ende die gewünschten Ergebnisse liefert.

Ein kurzer Blick in die Zukunft zum Schluss: In welche Richtung könnte sich generative KI entwickeln?

Groth: Wenn du schon tausende ähnliche Produkte konstruiert hast, denkst du als Firma immer ähnlich und kommst meistens nicht auf die Idee, dass du etwas grundsätzlich anders machen könntest. Wenn die Modelle so clever werden, dass sie erkennen, dass du in einem Muster gefangen bist, könnten sie dir helfen, daraus auszubrechen. Aber ich denke, das geht noch sehr lange.

Und ich habe Mühe, mir vorzustellen, dass generative KI jemals so kreativ wird wie zum Beispiel der Erfinder des Verbrennungsmotors.

Rieger: Da bin ich nicht ganz deiner Meinung. Ich habe kürzlich gelesen, dass generative KI bereits sehr gut darin ist, Empathie zu verstehen und auf Menschen einzugehen. Auch wenn sie morgen und übermorgen noch nicht so kreativ sein wird wie die Ingenieure, die zur Entwicklung des Verbrennungsmotors beigetragen haben, entwickelt sich diese Technologie rasant weiter. Es bleibt spannend zu sehen, wo wir in einem Jahr stehen werden.