Den Einstieg in die Industrielle KI erfolgreich meistern

Auch wenn der Begriff ursprünglich schon 1955 durch J. McCarthy und M.L. Minsky geprägt wurde, war er lange Zeit nur in der Wissenschaft wirklich Thema (Quelle). Zwar gewann das Thema in den 2010er Jahren dank des technologischen Fortschritts auch in Fachkreisen der Wirtschaft immer mehr an Bedeutung, doch der Durchbruch in der breiten Öffentlichkeit gelang erst zum Jahresende 2022, als generative AI Tools wie ChatGPT entwickelt von OpenAI oder BARD (jetzt Gemini) entwickelt von Google die Möglichkeiten heutiger KI-Modelle greifbar machten. Spätestens seit dieser Entwicklung beschäftigen sich alle Unternehmen mit der Frage, wie künstliche Intelligenz gewinnbringend eingesetzt werden kann und welche Voraussetzungen dafür nötig sind.  

Im folgenden Artikel werde ich darauf eingehen, welche Einsatzgebiete es für KI im industriellen Umfeld gibt und warum die generativen AI-Tools dabei nur eine der vielen Möglichkeiten sind. Zum Schluss erläutere ich, warum ein prozessorientierter Einstieg in das Thema über aktuelle Process Mining Tools wie das EMS von Celonis ein vielversprechender Ansatz ist. 

Wie wichtig ist KI? Warum fällt der Einstieg so schwer? Ein paar Fakten zum Einstieg 

Da die Fähigkeiten der Modelle und Techniken gerade zu Beginn der industriellen KI-Entwicklung vor allem in spielerischen Umgebungen oder anhand Lego-Miniaturmodelle demonstriert wurde, kämpfte das Thema Künstliche Intelligenz längere Zeit mit dem Ruf ein Hype zu sein, der wenig Mehrwert bringt. Doch dieser Eindruck hat sich in den letzten Jahren stark verändert.   

In einer Umfrage des Branchenverbands der deutschen Informations- und Telekomunikationsbranche Bitkom aus dem letzten Jahr (2023) in der 605 Unternehmen befragt wurden, gaben mehr als 2/3 der Befragten an, dass sie in KI die „wichtigste Zukunftstechnologie“ sehen. Nur 29% gaben an immer noch an einen Hype zu glauben.

Großen Anteil daran dürfte auch die Entwicklung in den letzten Jahren gehabt haben. Aus den vielen spielerischen und experimentellen Ansätzen aus den 2010er Jahren, sind mittlerweile starke businessorientierte Anwendungen geworden. Wo es früher in vielen Unternehmen noch darum ging, einfach einen KI-Use-Case für das Unternehmensschaufenster zu entwickeln, steht heutzutage der quantifizierbare Mehrwert der Anwendungen im Vordergrund. KI liefert mittlerweile die Ergebnisse, die die Führungsetagen sich von ihr erhoffen.  

Das zeigen auch die Ergebnisse der Mittelstand-Digital Umfrage für kleinere und mittlere Unternehmen. In dieser gaben weit über 90% der befragten Experten an, dass durch künstliche Intelligenz die Prozesseffizienz gesteigert und die Distribution verbessert werden kann. Interessant sind die Ergebnisse aber vor allem auch wegen eines anderen Punktes:  

Fast 80% der Befragten gaben an, dass sie in KI einen Schlüssel sehen, um den Personalaufwand zu reduzieren. Vergleicht man diesen Wert mit den Antworten der vergangenen Jahre, so fällt auf, dass sich dieser seit 2019 deutlich verbessert hat. Ein Grund dürfte der immer besser werdende Reifegrad der Technologien sein. In Zeiten des Fachkräftemangels und des demografischen Wandels ist vor allem diese Eigenschaft entscheidend. Damit wird in den nächsten Jahren die Entwicklung fokussiert weitergetrieben.

Schaut man sich allerdings die Umfrage etwas ausführlicher an, wird auch eine große Diskrepanz deutlich. Denn die Macher der Umfragen haben die Unternehmensvertreter auch gefragt, wie weit das jeweilige Unternehmen die neuen Möglichkeiten eingesetzt hat. Dabei gaben lediglich 15% an, dass bei Ihnen bereits KI gestützte Anwendungen im Einsatz sind. Bei 28% ist der Einsatz zumindest zeitnah geplant. Bei mehr als der Hälfte der befragten Unternehmen (52%) ist hingegen keine Investition in diesem Bereich geplant.   

Während also 2/3 der Unternehmen künstliche Intelligenz als wichtigste Zukunftstechnologie einschätzen, planen mehr als die Hälfte der Unternehmen keine Investition in diese Richtung. Woher kommt diese Diskrepanz?   

Auch auf diese Frage geben die Umfrageergebnisse zumindest Hinweise. Auf die Frage, was die größten Hemmnisse vor dem Start von KI-Projekten sind, antworteten 98% der befragten Experten „Fehlendes Know-How/Fachkräfte“, 86% eine mangelnde Datenbasis und 85% einen „Geringen digitalen Reifegrad“. Diese Zahlen zeigen, dass die deutsche Wirtschaft großen Nachholbedarf in Sachen „KI-Grundlagen“ hat.  

Glücklicherweise sind die Einstiegshöhen für die industrielle Nutzung der verschiedenen Technologien dank den Weiterentwicklungen in den letzten Jahren kleiner geworden. Im Folgenden möchte ich Ihnen auch einen Weg aufzeigen, wie es in unseren Augen gelingen kann diesen Einstieg zu meistern.

Herausforderungen KI-Projekte

Die im Vorfeld beschriebenen Herausforderungen sind dabei sicherlich nicht die einzigen. Schaut man sich die Herausforderungen zum Thema „KI-Lösungen“ in Unternehmen genauer an, so kommt man meistens auf 5 große Herausforderungsfelder, die ich im Folgenden kurz umreißen will: 

• Daten: Das Thema Daten ist sicherlich die größte Herausforderung – Ohne die richtigen Daten, zum richtigen Zeitpunkt, am richtigen Ort, kann kein KI-Projekt gelingen. Daher sollte man für KI-Projekte die Datenverfügbarkeit und auch die Datenqualität genauer anschauen. Vor allem die Datenverfügbarkeit ist ein großes Thema. Im industriellen Umfeld sind häufig sehr viele Faktoren für das gewünschte Ergebnis entscheidend. Ohne das vollständige Bild können auch die modernsten KI-Modelle keinen Mehrwert bringen. Sind diese Probleme gelöst, sind es häufig die Themen Datenschutz und Datensicherheit, die während laufender Projekte zu Problemen führen. 

• Investitionen: In den vergangenen Jahren sind zwar die Möglichkeiten des KI-Einsatzes in Unternehmen gestiegen, allerdings auch die Investitionssumme, die für die Realisierung nötig ist. Dadurch hat sich, wie Eingangs beschrieben, der Blick auf die Technologie gewandelt. KI-Projekte stehen unmittelbar in der Verantwortung Mehrwerte nicht nur zu realisieren, sondern auch zu quantifizieren. Gerade die Quantifizierung des direkten Nutzen ist eine Herausforderung. Wenn beispielsweise durch eine KI-Vorhersage Aufträge umpriorisiert werden, verändert sich dadurch die Ausgangssituation. Dadurch kann man nicht mehr direkt den Effekt bestimmen. Daher sollte eine Definition und mögliche Quantifizierung des „Erfolgs“ bereits zum Projektstart vorliegen.  

• People & Culture: Ohne Mitarbeiter wird kein Unternehmenserfolg möglich sein. Deshalb ist der Aufbau von Akzeptanz für die neue Technologie eine der größten Herausforderung. Der Schlüssel dazu ist, Vertrauen aufzubauen und die Mitarbeiter bei der Entwicklung der Lösungen einzubeziehen und mitzunehmen. Die KI-Lösungen muss dabei als Unterstützung wahrgenommen werden, die die lästigen Aufgaben erledigt, während die immer wertvoller werdende Ressource Mensch, sich um die wichtigen Ausnahmefälle kümmert. Selbstverständlich ist dabei auch eine Herausforderung, die nötige Expertise für die Entwicklung und den Betrieb von KI-Lösungen in Unternehmen aufzubauen. 

• Infrastruktur: Schlussendlich muss eine KI-Lösung auch immer praktisch einsetzbar sein. Hierzu muss die nötige Infrastruktur geschaffen werden, was vor allem für kleinere Unternehmen eine Herausforderung darstellt. Das Training (mancher) KI-Modelle benötigt viel Rechenpower und ist daher fast ausschließlich cloudbasiert möglich. Die Source-Systeme und Daten-Pipeline müssen performant und zuverlässig laufen, sodass kein hoher Wartungsaufwand anfällt und den Mehrwert des KI-Einsatzes ggf. wieder egalisiert. Je nach gewählter Implementierungsmethode und gewählten Tools kann dies zu einer großen Herausforderung werden.  

• Ethik, Verantwortlichkeit & Nachvollziehbarkeit: Durch den breiteren Einsatz der Technologien ist auch die öffentliche und politische Diskussion über Risiken entbrannt. Spätestens seit dem „EU AI Act“ besteht also auch eine rechtliche Herausforderung bestimmte Anforderungen zu erfüllen.  Dabei spielt sowohl die Bewertung des Risikos einer AI Anwendung einer Rolle, als auch die Transparenz darüber. Vor allem diese Transparenz ist auch unternehmensintern kritisch – da häufig auf Nachvollziehbarkeit bei Umsetzungen geachtet werden muss. Eine Eigenschaft, die nicht jede KI-Methode naturgemäß mitbringt.   

Process Mining als Grundstein und Startpunkt 

Es gibt verschiedene Wege sich dem Thema künstliche Intelligenz im industriellen Umfeld zu nähern. Diese reichen vom Einkauf von Drittanbieter-Lösungen, die darauf spezialisiert ist, genau ein Business-Problem zu lösen (bspw. ein Tool zum Protokollieren von Meetings oder zur optischen Qualitätskontrolle am Produktionsende) bis hin zu dem Aufbau einer KI-Abteilung, die die KI-Technologie nativ ein- und umsetzen sowie betrieben. Während letzteres sicherlich die Idealvorstellung ist, ist dies sicherlich auch die kostenintensivste. Dies ist nur für Großunternehmen, in denen die Lösungen die Skaleneffekte in der richtigen Größenordnung produzieren, praktikabel. Die Verwendung von Drittanbieter-Lösungen ist hingegen schnell umgesetzt. Allerdings ist die Herausforderungsvielfalt im deutschen Mittelstand so unterschiedlich und die wirklichen Kernprobleme häufig so individuell, dass Out-of-the-Box Lösungen entweder nicht verfügbar sind oder nur unzureichende Ergebnisse liefern.  

Daher empfehlen wir für den Einstieg in eine datengetriebene Entscheidungskultur häufig den Weg über ein Framework als Grundstein für den operativen KI-Einsatz: Process Mining. Bevor ich die Vorteile der Process Mining Technologie im Zusammenhang mit dem erfolgreichen Einsatz von KI erläutere, möchte ich zunächst noch eine kurze Erklärung geben, was Process Mining eigentlich ist.

Was ist Process Mining?

Heutzutage werden praktisch alle Unternehmensprozesse systemisch unterstützt, sei es z.B. in der Buchhaltung, Einkauf oder Auftragsabwicklung durch ein ERP-System, in der Produktion durch ein MES-System oder in der Logistik durch ein Warehouse Management System. Dabei speichern diese Systeme alle Änderungen, die ein bestimmter Auftrag, wie z.B. ein Rechnungsbeleg, erfährt. Genau diese Information, diese digitalen Spuren, die ein Prozess im System hinterlässt, macht sich Process Mining zu nutze. Process Mining verwendet diese Änderungsdaten, um mit Hilfe von zusätzlichem Prozesswissen, daraus einen digitalen Zwilling des Prozesses zu erzeugen. Anhand dieses digitalen Zwillings lassen sich alle historischen Prozessdurchläufe visualisieren und analysieren. So können die Probleme verstanden und der Prozess optimiert werden.  Wenn Sie mehr über die Technologie an sich erfahren wollen, empfehle ich Ihnen unser White Paper zum Thema.

Process Mining bietet daher die Möglichkeit Data Analytics prozessgetrieben anzugehen, was einen ganzheitlicheren Ansatz zum sonst gängigen „Ursachen“-Ansatz darstellt. Aber warum ist Process Mining nun auch ein guter Einstieg in die industrielle Anwendung von KI?  

Um das zu erklären, möchte ich noch einmal auf die vorher beschriebenen Herausforderungen von KI-Projekten eingehen. Daraus abgeleitet zeige ich die drei Haupt-Eigenschaften auf, die eine Technologie mitbringen muss, um ein gutes Fundament für den Einsatz von KI in Unternehmen zu legen: 

1. Die Technologie muss eine umfassende Datengrundlage erzeugen, die die Datenqualität sicherstellt und eine quellsystemübergreifende Datenstruktur für die KI-Entwicklung bereitstellt. 

2. Die Mitarbeiter, die die späteren KI-Anwendungen in ihrer täglichen Arbeit unterstützen sollen, müssen der Technologie und insbesondere den darauf abgeleiteten Maßnahmen vertrauen. 

3. Für einen operationellen Betrieb, muss sichergestellt sein, dass die Technologie Frameworks bereitstellt, die eine möglichst wartungsfreie Überwachung des Regelbetriebs ermöglichen (insbesondere bei kleinen und mittleren Firmen mit einem möglichst kleinen Tech-Stack auskommen).  

Wie können Process Mining Tools eingesetzt werden?

Operativ ausgelegte Process Mining Tools, wie z.B. das System vom derzeitigen Marktführer Celonis, bringen dabei all diese Eigenschaften mit: 

• Daten: Ziel von Prozess-Mining Projekten ist es einen digitalen Zwilling des Prozesses zu erzeugen. Jeder historische Prozessdurchlauf und die Änderungen, die diese erfahren, werden rekonstruiert. Hierdurch wird ein ganzheitliches Bild erzeugt, das die Daten in eine für die Fachabteilung verständliche Sprache übersetzt. Dabei ist es egal, aus welchem Quellsystem die Daten kommen. Im aufgebauten Datenmodell sind die Informationen bereits in verständliche Aktivitäten transformiert. Die so erzeugten Prozessmodelle werden direkt mit den Fachabteilungen verifiziert. Einmal aufgesetzt bieten sie langfristig die Möglichkeit immer wieder verwendet zu werden, ohne erneut eine Validierung durchführen zu müssen.  

• People: Genau diese enge Einbindung der Fachabteilung in Process-Mining Projekten (insbesondere während der Validierung) hat noch einen anderen großen Vorteil. Er schafft Vertrauen. Durch den ständigen Austausch zwischen Daten- und Prozessexperten, werden Datenfehler früh erkannt und die Güte des Modells stets verbessert. Dabei spielt das Ziel, ein digitales Abbild des Prozesses zu erzeugen eine entscheidende Rolle. Natürlich werden auch in einem direkten KI-Projekt, die Datenmodelle validiert. Diese zeigen meistens nur ein unvollständiges Bild des Gesamtprozess. Durch die Zuspitzung auf einen speziellen Anwendungsfall ist außerdem die Gefahr groß, zu schnell in KI-spezifische Themen zu verfallen. Dadurch werden die Fachexperten schnell abgehängt.  

• Infrastruktur: Bei diesem Thema unterscheiden sich die aktuellen Process Mining Tools wahrscheinlich am meisten. Die von Celonis entwickelte Process Mining Plattform bietet dabei momentan sicherlich mit die meisten Möglichkeit. Die Daten-Extraktion geschieht über bereitgestellte Connectoren, die für alle gängigen Quellsysteme vorhanden sind. Für die Daten-Transformation bietet das cloudbasierte Celonis EMS eine eigene Umgebung an und das Front-End beinhaltet viele prozessbezogene Analyse-Templates. Die eigene Action-Engine, das Monitoring und Scheduling-System, sowie die Möglichkeit direkt KI-Modelle in Jupyter-Umgebungen zu trainieren, vervollständigen das Angebot des derzeitigen Marktführers. Selbstverständlich gibt es für all diese Aufgaben auch andere (ggf. bessere und umfangreichere) Tools, doch für die meisten kleineren und mittleren Unternehmen sind die Möglichkeiten mehr als ausreichend. Wenn in Zukunft doch auf eigenständige Lösungen gesetzt werden soll, bietet die Celonis Plattform (sowohl Inbound als auch Outbound) alle benötigten Schnittstellen an.   

KI gezielt einsetzen – Die richtigen Anwendungsfälle identifizieren 

Mit dem Einsatz von KI sollen in erster Linie bestehende Geschäftsprozesse verbessert werden. Sei es die bessere Einplanung von Bestellungen, um Überbestand oder Unterdeckung zu verhindern, die Priorisierung von Aufträgen in der Produktion, um die On-Time-Delivery des Fertigungsprozesseses zu verbessern oder die Optimierung der Lagerbelegung, um den Auslieferungsvorgang zu beschleunigen. Doch aufgrund der hohen Investition, die eine KI-Lösung darstellt, ist es für Unternehmen entscheidend, die neuen technologischen Möglichkeiten genau dort einzusetzen, wo sie für das Unternehmen den größten Mehrwert bieten. 

Hier spielt Process Mining seine zusätzliche große Stärke aus, die wir als wichtiges Argument für den strategischen KI-Einstieg über diese Technologie sehen. Anstatt vorab zu entscheiden welche Lösung für das Unternehmen entscheidend ist, wird über Process Mining die vollständige Prozesstransparenz erzeugt. Gleichzeitig wird die Grundlage geschaffen, um jede mögliche Optimierung (ob KI-gestützt oder klassisch) und Automatisierung am Prozess vorzunehmen. So kann zunächst der Prozess ganzheitlich analysiert, einfache Anpassungen zur Prozessoptimierung vorgenommen und die entscheidenden Schritte identifiziert werden. Darauf aufbauend können die besten Lösungsoptionen für das Unternehmen identifiziert und mit den bereitgestellten Werkzeugen direkt umgesetzt werden. 

Schlusswort

Sowohl die Entwicklung der Process-Mining-Tools als auch der Fortschritt der KI-Methoden ist rasant und so stellt dieser Blog-Artikel sicherlich nur eine Momentaufnahme dar. Dennoch konnte ich Ihnen hoffentlich die Vorteile einer Kombination von Process-Mining und KI näherbringen. Wenn Sie mehr über das Thema oder aktuelle Entwicklungen erfahren wollen, würde ich mich freuen, wenn wir in den Austausch treten. Gerne können Sie über das Kontaktformular mir Ihr Feedback oder Ihre Ideen zum Thema senden.