Künstliche Intelligenz in KMU: So gelingt die Einführung in Industrie und Logistik

ChatGPT ist mittlerweile zu einem etablierten Helfer in unseren Büros geworden und sicher kennen einige von Ihnen DeepL und nutzen es auch bereits. Ich war begeistert, als ich vor ein paar Jahren die ersten Texte mit DeepL übersetzen konnte. Endlich einmal ein brauchbarer Satzbau und Formulierungen, die nur noch wenig Feinschliff benötigen. Das Programm setzt auf neuronale Netze und Künstliche Intelligenz (KI). DeepL lernt also mit jedem eingereichten Text und je größer die verarbeitete Datenmenge, desto besser werden die Übersetzungen.

DeepL ist nur ein Beispiel, wie KI in unser Arbeitsleben – und nicht nur dort – Einzug hält. Vision Picking mit Datenbrillen in der Logistik, Virtual Reality im Servicebereich, um Maschinen und Anlagen aus der Ferne zu warten oder zu reparieren sind weitere Beispiele wie Künstliche Intelligenz und Augmented Reality unsere Arbeitsweisen verändern. Daneben kommen auch in immer mehr Bereichen Cobots zum Einsatz (collaborative robots), die Menschen von eintönigen oder körperlich belastenden Aufgaben befreien sollen.

Doch während Großkonzerne oft schon eigene KI-Teams und umfangreiche Strategien haben, stehen viele KMU noch am Anfang. Wie startet man sinnvoll? Welche Hürden gibt es? Und wie sorgt man dafür, dass KI kein teures Experiment bleibt, sondern echten Mehrwert bringt?

Als Prozessmanager und Organisationsentwickler begleite ich in den letzten Jahren immer wieder KMU bei der Einführung von KI. Hier nun meine wichtigsten Learnings:

1. Status quo klären: Wo stehen wir eigentlich?

Bevor es losgeht, braucht es Klarheit:

Gibt es bereits erste Digitalisierungs- oder Automatisierungsprojekte?
Gibt es relevante Datenquellen, z. B. aus Maschinen, Produktionsprozessen oder Lieferketten?
Gibt es schon konkrete Herausforderungen, die KI lösen könnte, wie Engpässe in der Lagerlogistik oder ineffiziente Wartungsprozesse?

Tipp:
🔲 Bestandsaufnahme machen: Welche Daten liegen vor? Wo entstehen manuelle Aufwände? Welche Prozesse sind datengetrieben?

2. KI strategisch verankern: Mehr als nur ein Technikprojekt

Viele KMU sehen KI als reines IT-Projekt – ein Denkfehler. Erfolgreiche KI-Einführung beginnt mit einer klaren strategischen Verankerung:

Unternehmensziele und KI-Potenziale verknüpfen: Soll KI Kosten senken, Lieferketten optimieren oder Produktqualität verbessern?
Führungskräfte einbinden: Management und Fachbereiche müssen KI als Chance verstehen.
Erste Leitplanken definieren: Welche ethischen, rechtlichen und wirtschaftlichen Rahmenbedingungen gelten?

Strategischer Trend:
📈 Immer mehr Industrie- und Logistikunternehmen nutzen KI zur vorausschauenden Wartung (Predictive Maintenance), um ungeplante Stillstände zu vermeiden.

3. Daten als Herzstück: Qualität vor Quantität

KI lebt von Daten – doch oft fehlt es in KMU an gut gepflegten und zugänglichen Daten.

Datenquellen identifizieren: Sensoren, Maschinensteuerungen, ERP-Systeme, Lagerverwaltung etc.
Datenqualität prüfen: Vollständigkeit, Konsistenz, Aktualität
Datenschutz und Sicherheitsfragen von Anfang an mitdenken

Checkliste: Datenbasis prüfen
🔲 Sind relevante Datenquellen vorhanden?
🔲 Liegen die Daten in strukturierten Formaten vor?
🔲 Gibt es Verantwortliche für Datenqualität?
🔲 Ist klar, wer Zugriff auf welche Daten hat?

4. Kompetenzen gezielt aufbauen

Viele KMU haben keine eigenen Data Scientists – das ist kein Problem, wenn man sich klug aufstellt:

Eigenes Team schulen: Grundlagen zu KI und Datenanalyse vermitteln (z. B. für Produktionsleiter oder Logistik-Manager)
Externe Partner einbinden: Von Beratungen bis zu spezialisierten Start-ups gibt es viele Kooperationsmöglichkeiten.
Interdisziplinäre Teams bilden: Fachbereich + IT + externe Expertise.

Tipp:
🔲 Pilotprojekte immer mit den operativen Teams gemeinsam starten – sie kennen die Prozesse am besten.

5. Anwendungsfälle priorisieren – klein anfangen, groß denken

Nicht jeder Prozess eignet sich für KI. Erfolgsversprechend sind oft:

Predictive Maintenance: Vorhersage von Maschinenausfällen
Optimierung von Lagerbeständen: Bedarf genauer prognostizieren
Qualitätskontrolle mit Bilderkennung: Fehler automatisch erkennen
Routenoptimierung in der Logistik: Effizientere Tourenplanung

Checkliste: Use Cases bewerten
🔲 Ist ausreichend Datenbasis vorhanden?
🔲 Hat der Use Case echten wirtschaftlichen Nutzen?
🔲 Ist der Aufwand für die Umsetzung realistisch?
🔲 Kann man den Anwendungsfall später skalieren?

6. Change Management nicht vergessen – die Menschen mitnehmen

Technologie allein reicht nicht – Akzeptanz ist entscheidend. Besonders in Industrie und Logistik gibt es oft Skepsis gegenüber Automatisierung und KI.

Ängste ernst nehmen: Geht es um Unterstützung oder Verdrängung?
Frühzeitig informieren: Transparenz sorgt für Vertrauen.
KI-Kompetenz im ganzen Unternehmen aufbauen: Von der Lagerhalle bis zum Management.

Tipp:
🔲 Mitarbeitende aktiv einbinden: „Was könnte KI dir erleichtern?“
🔲 Erfolgreiche Pilotprojekte intern sichtbar machen.

7. Technische Basis schaffen – skalierbare Lösungen statt Insellösungen

Auch die beste KI-Idee scheitert, wenn die Infrastruktur nicht mitspielt:

Cloud oder On-Premises? Je nach Sensibilität der Daten.
Schnittstellen sicherstellen: KI-Lösungen müssen mit bestehenden Systemen (ERP, MES, WMS) kommunizieren.
Datenplattform etablieren: Daten zentral sammeln, verarbeiten und analysieren.

Strategischer Trend:
🌐 In der Logistik setzen immer mehr Unternehmen auf Edge AI, also die Verarbeitung von Daten direkt an Maschinen oder Fahrzeugen – ideal bei geringer Netzabdeckung.

8. Erfolge messbar machen und ausweiten

Kein KI-Projekt ohne klare Erfolgskriterien.

KPIs definieren: z. B. reduzierte Ausfallzeiten, höhere Liefergenauigkeit, schnellere Auftragsabwicklung.
Laufendes Monitoring: KI-Modelle regelmäßig prüfen und anpassen.
Erfolgreiche Use Cases skalieren: Vom Pilot zur breiten Anwendung.

Tipp:
🔲 Erfolgsmessung direkt in die Projektplanung integrieren.
🔲 Fachbereiche regelmäßig nach Feedback fragen – liefert die KI den erhofften Nutzen?

Wie bei bei anderen Change-Projekten auch: Auf den Menschen kommt es an!

Diverse Studien zeigen, dass viele Menschen die Zusammenarbeit mit Algorithmen kritisch sehen und nicht wenige diese sogar sabotieren. Forscher der University of Cambridge konnten belegen, dass je ähnlicher beispielsweise Chatbots sind, desto eher werden Beleidigungen geäußert. Alain Cohn von der Universität in Michigan ließ Probanden in einem Experiment eine Münze werfen und das Ergebnis entweder einem Menschen oder Chatbot mitteilen. Gegenüber dem Chatbot machten 22 Prozent eine falsche Angabe und gegenüber einem Menschen lediglich 9 Prozent. Cohn erklärt das mit der menschlichen Angst vor Reputationsverlust. Ist mein Gegenüber künstlicher Natur, scheint diese Angst zu entfallen.

Kai Hoberg, Professor an der Kühne Logistics University formuliert es so: „Damit das Zusammenspiel funktioniert, ist vor allem wichtig, dass der Mensch versteht, warum KI einen bestimmten Vorschlag ermittelt. Dies ist zentral, damit Menschen Algorithmen nicht als Blackbox wahrnehmen.“ Sonst sagt eben ein Servicetechniker schnell, dass er doch zig Jahre Erfahrung habe, jede einzelne Maschine im Detail kenne und keine Unterstützung durch Kollege KI brauche. Das wäre jedoch reine Selbsttäuschung, wertet KI heute bei komplexen Maschinen schnell bis zu 10 000 Zustandsmeldungen und Daten am Tag aus.

Ein weiteres Puzzlestück bei der Einführung von KI ist die intuitive Bedienbarkeit und Lesbarkeit von Berichten. Zudem sollten Anwender von KI diese selbst konfigurieren können. Wer Einfluss nehmen kann, vertraut auch eher neuen Systemen. Tiefeninterviews von Wissenschaftlern der RWTH Aachen haben gezeigt, dass Menschen nach Kontrolle streben und sich nicht einer Technologie unterlegen fühlen wollen. Je mehr sie sich durch KI bedroht fühlen, desto weniger wollen sie kooperieren. Es kann also sinnvoll sein, die Zusammenarbeit zwischen Mensch und Maschine stufenweise zu entwickeln und am Anfang bewusst auf technische Möglichkeiten von KI oder Robotern zu verzichten. Dem Menschen sollte Zeit gegeben werden, sich an die neuen Möglichkeiten zu gewöhnen.

Bei Bomag (WirtschaftsWoche 32, 5.8.2022) hat man die Erfahrung gemacht, dass gerade erfahrene Servicetechniker zuerst unter die Motorhaube einer Straßenwalze schauen anstatt sich mit der Meldung ihrer Service-App zu beschäftigen. Die Lösung: Ein Anreizsystem vergibt Punkte für jede Nutzung der App und ab einer gewissen Punktzahl bekommt man den Titel „Master Technician“ verliehen.

Auf den Punkt gebracht:

Klare Kommunikation: Die Mitarbeitenden sollen verstehen, dass ein Bot sie unterstützt und nicht ersetzt.
Mitarbeitende beteiligen: Mitarbeitende sollen einen Bot oder App selbst konfigurieren und Einstellungen vornehmen können. Was ich kontrolliere, dem vertraue ich.
KI schrittweise einführen: Mitarbeitende an die neuen technischen Möglichkeiten nach Möglichkeit schrittweise heranführen und auch einmal auf bestimmte Funktionen zunächst verzichten.
Erklären: Mitarbeitende sollen verstehen, wie ein Algorithmus funktioniert und wie dieser zu bestimmten Werten bzw. Aussagen gelangt.
Nutzen erkennen: Mitarbeitende sollen verstehen, was ihnen der Einsatz einer KI bringt.
Für UX und den Apple-Effekt sorgen: Mitarbeitende sollen schnell und intuitiv mit der neuen Technologie zusammenarbeiten können.
Gamification: Belohnen Sie den Einsatz der neuen Technologie.

Der Schlüssel zum Erfolg liegt in einer klaren Strategie, der gezielten Auswahl von Anwendungsfällen und einer engen Zusammenarbeit zwischen Fachbereichen, IT und externen Experten. Wer klein startet, pragmatisch vorgeht und die Mitarbeitenden mitnimmt, legt den Grundstein für eine erfolgreiche KI-Zukunft.

Pragmatischer Tipp:
🚀 Starte mit einem klar definierten Pilotprojekt, das schnell Mehrwert bringt – und skaliere von dort aus.