Von Datensilos zu KI-gestützten Entscheidungen

Viele Unternehmen haben in den vergangenen Jahren stark in digitale Systeme investiert. Für nahezu jeden Bereich gibt es spezialisierte Anwendungen: Produktion, Qualität, Wartung, Einkauf, Logistik, Engineering, Vertrieb, Finanzen.

Das kostet nicht nur Zeit. Es erhöht auch das Risiko, wichtige Abhängigkeiten zu übersehen.

In der Produktion zählt jede Stunde. Fällt eine Maschine ungeplant aus, entstehen schnell Kosten: Stillstand, Verzögerungen, zusätzliche Serviceeinsätze, möglicherweise Auswirkungen auf Liefertermine.

Die Ursachenanalyse ist jedoch oft komplex. Sensordaten liegen im Produktionssystem. Wartungsinformationen stehen im Service-Tool. Ersatzteildaten befinden sich im ERP-System. Qualitätsabweichungen werden separat dokumentiert. Technische Informationen sind in Engineering-Systemen oder Dokumenten abgelegt.

Jede Abteilung sieht einen Teil des Bildes. Das Gesamtbild entsteht häufig erst durch mühsame manuelle Analyse.

Mit einem vernetzten Ansatz können diese Informationen zusammengeführt werden. Ein Knowledge Graph zeigt, welche Maschine mit welchen Komponenten, Wartungen, Ersatzteilen, Betriebsbedingungen und Qualitätsereignissen verbunden ist. KI kann zusätzlich Muster erkennen, die auf wiederkehrende Ursachen hinweisen.

So wird aus der Frage „Warum ist die Maschine ausgefallen?“ eine datenbasierte Analyse:

• Welche Komponenten wurden zuletzt ausgetauscht?
• Gab es ähnliche Fälle an anderen Standorten?
• Traten bestimmte Sensorwerte vor dem Ausfall wiederholt auf?
• Gibt es einen Zusammenhang mit bestimmten Materialchargen?
• Welche Wartungsmaßnahmen waren besonders wirksam?

Der Nutzen liegt auf der Hand: Unternehmen können schneller reagieren, Ursachen besser verstehen und Ausfälle im Idealfall vermeiden, bevor sie entstehen.

Ein Qualitätsproblem ist selten isoliert. Es kann mit einer Materialcharge, einem Lieferanten, einer Produktionslinie, bestimmten Prozessparametern oder einer Maschinenkonfiguration zusammenhängen.

In kritischen Situationen muss schnell geklärt werden, wie groß das Problem tatsächlich ist. Sind nur einzelne Produkte betroffen oder eine ganze Serie? Gibt es weitere Kunden, Werke oder Lieferungen mit ähnlichem Risiko? Muss sofort gehandelt werden?

Ohne vernetzte Daten ist diese Rückverfolgung aufwendig. Teams müssen Informationen aus vielen Systemen zusammenführen und bewerten.

Mit Intelligence Center X kann eine Anwendung entstehen, die genau diese Verbindungen sichtbar macht. Qualitätsdaten werden mit Produktionsinformationen, Lieferantendaten, Materialchargen, Prüfberichten und Kundenzuordnungen verknüpft. KI kann Auffälligkeiten erkennen und mögliche Ursachen priorisieren.

Ein Qualitätsteam sieht dann nicht nur, dass ein Fehler aufgetreten ist. Es sieht auch, welche Faktoren damit zusammenhängen könnten und welche Produkte potenziell betroffen sind.

Das ermöglicht:

• schnellere Ursachenanalyse
• bessere Rückverfolgbarkeit
• fundiertere Risikobewertung
• gezieltere Maßnahmen
• weniger unnötige Eskalationen

Gerade im Qualitätsmanagement kann der Unterschied zwischen „wir suchen noch“ und „wir wissen, wo wir ansetzen müssen“ entscheidend sein.

Engineering-Prozesse sind hochgradig vernetzt. Eine Änderung an einer Komponente kann Auswirkungen auf Produktvarianten, technische Dokumentationen, Testfälle, Zulassungen, Lieferanten, Produktionsprozesse oder Kundenprojekte haben.

In vielen Unternehmen sind diese Abhängigkeiten nicht vollständig transparent. Ein großer Teil des Wissens steckt in Dokumenten, Systemen — oder in den Köpfen erfahrener Mitarbeitender.

Das macht Änderungen riskant. Wird eine Abhängigkeit übersehen, entstehen Nacharbeit, Verzögerungen oder Qualitätsprobleme.

Ein Knowledge Graph kann hier als digitales Beziehungsmodell dienen. Er zeigt, welche Anforderungen, Bauteile, Dokumente, Tests, Projekte und Standorte miteinander verbunden sind. KI kann zusätzlich helfen, mögliche Auswirkungen zu bewerten oder ähnliche Änderungsfälle aus der Vergangenheit zu identifizieren.

Eine Anwendung könnte Engineering-Teams beispielsweise anzeigen:

• welche Produkte von einer Änderung betroffen sind
• welche Dokumente angepasst werden müssen
• welche Tests erneut erforderlich sind
• welche Freigaben notwendig sind
• welche Risiken bereits in ähnlichen Fällen aufgetreten sind

Dadurch werden Impact-Analysen schneller, transparenter und belastbarer.

Lieferketten sind keine linearen Ketten mehr. Sie sind komplexe Netzwerke. Ein Problem bei einem Lieferanten kann Auswirkungen auf Werke, Produktlinien, Kundenaufträge und Serviceverpflichtungen haben.

Die entscheidende Frage lautet daher nicht nur: „Welcher Lieferant hat ein Problem?“
Sondern: „Was bedeutet dieses Problem für unser Unternehmen?“

Um diese Frage zu beantworten, müssen viele Informationen zusammengebracht werden: Lieferanten, Komponenten, Stücklisten, Lagerbestände, Produktionspläne, Kundenaufträge, Alternativlieferanten und Risikobewertungen.

Mit einem KI-gestützten, vernetzten Ansatz können Supply-Chain-Teams schneller erkennen, wo kritische Abhängigkeiten bestehen. Sie sehen, welche Produkte betroffen sein könnten, welche Werke priorisiert werden müssen und ob Alternativen verfügbar sind.

KI kann zusätzlich helfen, Risiken frühzeitig zu erkennen oder Szenarien zu bewerten.

Das Ergebnis: Unternehmen reagieren nicht erst, wenn ein Engpass bereits eingetreten ist. Sie können früher planen, Alternativen prüfen und Auswirkungen besser steuern.

Viele Unternehmen haben bereits KI-Pilotprojekte gestartet. Oft entstehen vielversprechende Modelle: zur Vorhersage von Ausfällen, zur Erkennung von Qualitätsrisiken, zur Analyse von Prozessabweichungen oder zur Optimierung von Ressourcen.

Doch zwischen einem erfolgreichen KI-Modell und echter Nutzung im Arbeitsalltag liegt häufig eine große Lücke.

Fachbereiche brauchen keine Modellparameter. Sie brauchen verständliche Antworten.
Sie brauchen keine isolierte Analyseumgebung. Sie brauchen eine Anwendung, die in ihren Prozess passt.
Sie brauchen keine abstrakte Wahrscheinlichkeit. Sie brauchen eine klare Empfehlung.

Genau hier spielt die Verbindung mit Low-Code eine wichtige Rolle. Mit Mendix können KI-Ergebnisse in konkrete Anwendungen übersetzt werden — etwa Dashboards, mobile Apps, Workflow-Lösungen oder digitale Assistenten.

• Ein Produktionsleiter sieht dann nicht nur eine Datenanalyse, sondern eine konkrete Priorisierung.
• Ein Serviceteam erhält nicht nur einen Score, sondern eine empfohlene Maßnahme.
• Ein Qualitätsteam sieht nicht nur einen Hinweis auf ein Risiko, sondern auch die betroffenen Produkte und möglichen Ursachen.

So wird KI vom Pilotprojekt zum produktiven Werkzeug.