Kann KI einen Prozess allein steuern?

Ein Stahlband läuft in Duisburg durch ein Bad aus flüssigem Zink. Noch während es die Anlage passiert, regelt KI die Schichtdicke in weniger als einer Zehntelsekunde nach. Aus einem Analysewerkzeug wird ein aktiver Teil der Produktion. Simon Biela spricht mit Simon Sack, Gründer und CEO von neurologiq, darüber, was Industrial AI unter realen Bedingungen leisten kann. Beide kennen KI-Projekte aus der Anbieterperspektive. Es geht um Systeme, die nicht nur beeindrucken, sondern im Alltag funktionieren und um die Frage, wie sie Arbeit und Entscheidungen verändern.

Echtzeit statt Chatbot

An der Maschine zählt jede Millisekunde. Während ein Sprachmodell noch rechnet, muss die Anlage längst reagieren. Deshalb steuern spezialisierte Machine-Learning-Modelle den Prozess. Sie lesen konkrete Daten und verändern definierte Stellgrößen. Doch selbst 60.000 Datenpunkte helfen wenig, wenn die entscheidenden Signale darin untergehen. In der Verzinkungsanlage reichen etwa 20 Parameter für die Bewertung. Sprachmodelle bleiben trotzdem relevant, nur an anderer Stelle. Sie können Prognosen erklären und der Instandhaltung zeigen, was wahrscheinlich ausfällt. Die Lehre ist simpel. Nicht das größte Modell gewinnt, sondern dasjenige, das zur Aufgabe, zur Geschwindigkeit und zur Umgebung passt.

Vertrauen wird zur operativen Aufgabe

Am Anfang schaut die KI nur zu. Im Schattenbetrieb trifft sie parallel Entscheidungen, ohne die Anlage bereits selbst zu steuern. So lässt sich vergleichen, wie der Mensch regelt, was das Modell tun würde und welche Ergebnisse entstehen. Erst wenn diese Tests unter realen Bedingungen überzeugen, erhält das System mehr Handlungsspielraum. Denn statistische Modelle sind nie fehlerfrei. Unternehmen müssen Schwellwerte festlegen, Abweichungen erkennen und bestimmen, wann ein Mensch eingreift. Vertrauen entsteht hier nicht durch Versprechen, sondern durch Vergleichsdaten und klare Grenzen. Der Mensch bleibt Teil des Systems. Er definiert Qualitätsziele, akzeptable Risiken und muss bemerken, wenn die KI falsch regelt.

Wo Arbeit tatsächlich wegfällt

KI übernimmt oft genau die Arbeit, die kaum jemand machen will. Bei der Sortierung feuerfester Materialien tragen Beschäftigte Schutzmasken und müssen sie teilweise abnehmen, um bestimmte Steine am Geruch zu erkennen. Ein Kamerasystem kann diese Prüfung übernehmen. Menschen kümmern sich weiter um Sonderfälle und überwachen mehrere Anlagen, während der Personalbedarf je Anlage sinkt. Arbeit verschwindet also nicht pauschal, sie wird neu verteilt. Gleichzeitig wird Erfahrungswissen wertvoller. Wenn ein Instandhalter am Geräusch erkennt, welches Kugellager ausfällt, dieses Wissen aber nur in seinem Kopf trägt, kann kein Modell daraus lernen. Wissenssicherung muss deshalb Jahre vor dem Ruhestand beginnen, nicht erst kurz davor.

Gute Demos überleben keine schlechten Prozesse

Im Labor zählte die Kamera jedes Blech. In der Werkhalle funktionierte plötzlich nichts mehr. Elektromagnetische Strahlung, Vibrationen und sogar der Schatten eines Krans brachten das System aus dem Takt. Für neurologiq wurde das Projekt zum teuren Lehrstück. Seitdem beginnt jede Lösung mit dem realen Prozess. Echtzeitfähigkeit, Sensorik, Umgebung, Datenqualität und Dauerbetrieb müssen zusammenspielen. Dass dieser Blick sich rechnet, zeigt ein anderer Fall. Beim Sortieren feuerfester Materialien kostet die kamerabasierte KI laut Simon Sack etwa ein Zehntel der geplanten Lasertechnik und amortisiert sich durch höheren Durchsatz und effizienteren Personaleinsatz in ungefähr sechs Monaten. Entscheidend ist nicht die technische Komplexität, sondern die Wirkung im Betrieb.

Was verändert sich wirklich?

Wenn Maschinen Prozesse selbst regeln, verschiebt sich mehr als eine technische Aufgabe. Menschen kontrollieren weniger einzelne Werte und gestalten stattdessen Regeln, Ausnahmen und Verantwortung. Das stabilisiert Qualität und reduziert belastende Arbeit, verlangt aber neue Kompetenzen. Externe Partner können Modelle bauen, doch im Unternehmen müssen Menschen sie begleiten, pflegen und weiterentwickeln. Sonst endet der Fortschritt nach der Pilotphase. Für Deutschlands Industrie liegt darin eine Chance. Ihr Vorteil sind nicht die größten Sprachmodelle, sondern Domänenwissen, Maschinendaten und jahrzehntelange Prozesserfahrung. Werden diese Grundlagen nutzbar gemacht und die Datenhoheit gesichert, kann daraus ein eigener Wettbewerbsvorteil entstehen. Entscheidend ist, unter welchen Regeln KI in der Werkhalle handeln darf.