Künstliche Intelligenz als Treiber für Operational Excellence in unterschiedlichen Branchen

Die Fähigkeit, Daten in schnelle, fundierte Entscheidungen umzuwandeln, ist zu einem der Schlüsselfaktoren geworden, die die Wettbewerbsdifferenzierung in modernen Unternehmen vorantreiben. In einem Umfeld, in dem das Volumen der verfügbaren Informationen in beispiellosem Tempo wächst, ist nicht mehr die Datenmenge das zentrale Thema, sondern die Fähigkeit, diese im richtigen Moment zu interpretieren, zu strukturieren und zu nutzen.

Diese Fallstudie befasst sich mit Projekten, die in Unternehmen verschiedener Branchen entwickelt wurden und alle eine gemeinsame Herausforderung haben: die Umwandlung verstreuter Daten, manueller Prozesse und intuitiver Entscheidungen in intelligente, automatisierte Systeme. In jedem Fall kombinierte die implementierte Lösung Modelle der künstlichen Intelligenz, Geodatenanalysen, maschinelles Lernen oder generative KI mit einer sorgfältigen Integration in die bestehenden Prozesse und Technologien der Unternehmen, was zu messbaren Ergebnissen in Bezug auf betriebliche Effizienz, Qualität, Informationszuverlässigkeit und Innovationsfähigkeit führte. Die folgenden Fallbeispiele veranschaulichen diese Transformationslogik in unterschiedlichen betrieblichen Kontexten.

Erkennung von Leckagen und Verbrauchsabweichungen in einem Wasserversorgungsnetz

Das Unternehmen ist im kommunalen Wasserversorgungsbereich tätig. Der Prozess der Leckageerkennung wurde von verschiedenen Teams auf der Grundlage von Vor-Ort-Inspektionen und Ventilkontrollen durchgeführt; es handelte sich um eine komplexe, zeitaufwändige Aufgabe, die selten mit der erforderlichen Geschwindigkeit erledigt wurde, was zu erheblichen Wasserverlusten mit beträchtlichen wirtschaftlichen und ökologischen Folgen führte.

Der Ansatz zur Transformation von Wasserlecks

Um diese Herausforderungen zu bewältigen, wurde eine KI-Lösung entwickelt und implementiert, die in der Lage ist, das Leckrisiko einzustufen und Verbrauchsabweichungen in Echtzeit zu identifizieren; diese wurde in die bestehende Managementplattform integriert.

Die Lösung basiert auf einem KI-Modell, das interne und externe Daten kombiniert, um eine dynamische Risikokarte des Netzes zu erstellen. Unter den verwendeten Daten sind insbesondere folgende hervorzuheben:

• Interne Daten: mehrjährige Historie von Rohrbrüchen, räumliche Verteilung des Versorgungsnetzes, Druck- und Leistungsdaten des Netzes.
• Externe Daten: Temperatur und Niederschlag, Bevölkerungsdichte sowie Bodentyp.

Das entwickelte System verarbeitet interne und externe Daten mithilfe KI-basierter Kausalmodelle und generiert als Ergebnis den wahrscheinlichen Ort von Rohrbrüchen, eine aktualisierte Risikokarte, „Heatmap“ sowie Echtzeit-Warnmeldungen zur Erkennung von Verbrauchsabweichungen. Das System verfügt über Selbstlernfähigkeiten und lässt sich in die bestehenden Systeme des Unternehmens integrieren.

Abbildung 1 – Beispiel für das implementierte System

Erzielte Ergebnisse

Die Implementierung der KI-Lösung zur Lecksuche und Erkennung von Verbrauchsabweichungen hatte erhebliche Auswirkungen auf wichtige Betriebskennzahlen:

• 80% der Rohrleitungsdefekte wurden vom Modell korrekt identifiziert
• Eine Reduzierung des Wasserverlusts um 25%, was sich direkt auf die Betriebskosten auswirkte
• 10% der Rohrleitungen des Netzes wurden als risikoreich eingestuft
• Reduzierung der für den Leckortungsprozess eingesetzten Ressourcen
• Höhere Effizienz bei der Echtzeit-Erkennung von Leckagen im Netz

Automatisierte Inspektion von Blisterverpackungen in der pharmazeutischen Industrie

Das betreffende Unternehmen ist in der Pharmaindustrie tätig, wo der Blisterverpackungsprozess eine strenge Überprüfung erfordert, um sicherzustellen, dass jeder Blister das richtige Medikament enthält – eine entscheidende Voraussetzung für die Patientensicherheit und die Einhaltung der gesetzlichen Vorschriften in diesem Sektor.

Die betriebliche Herausforderung

Die vorhandenen Anlagen erforderten bei jeder neuen Charge oder jedem Formatwechsel eine manuelle Kalibrierung von 25 bis 40 Minuten, was im Hinblick auf die Anlagenverfügbarkeit erhebliche betriebliche Kosten verursachte.

Herkömmliche Prüfsysteme stützten sich auf einfache Kontraste wie Farbe und Gewicht, was sich in komplexeren Szenarien oder beim Einsatz von Anlagen unterschiedlicher Generationen als unzureichend erwies.

Automatisierung der Qualitätsprüfung als Lösung

Es wurde eine auf Deep-Learning-Modellen basierende Computer-Vision-Lösung entwickelt, die Blisterverpackungen in Echtzeit und ohne vorherige Kalibrierung prüfen kann. Anhand von Bildern, die an der Produktionslinie aufgenommen wurden, und einer Datenbank mit verschiedenen Formaten erkennt das Modell automatisch jede Zelle und klassifiziert sie als „voll“ oder „leer“, wobei es Warnmeldungen für eine sofortige Aussortierung ausgibt.

Die Lösung funktioniert sowohl für Aluminium- als auch für transparente Kunststoffverpackungen, ohne dass eine Neuprogrammierung erforderlich ist, und bietet das Potenzial, komplexere Fehler zu erkennen – darunter Pigmentverunreinigungen, Rauheit, Risse und Teilschäden an den Tabletten –, was den Weg für eine umfassendere Qualitätsprüfung ebnet.

Erzielte Ergebnisse

Die Einführung der KI-gestützten automatisierten Inspektionslösung hatte erhebliche Auswirkungen auf die Qualitäts- und Betriebseffizienzkennzahlen:

• Die Rüstzeit wurde von etwa 25 Minuten auf praktisch 0 Minuten reduziert
• 100% Genauigkeit bei der Unterscheidung zwischen gefüllten und leeren Blistern in den durchgeführten Tests
• Die Lösung lässt sich auf jeder Produktionslinie implementieren, unabhängig von der Anzahl der Blister oder der Tablettenform

Geodatenanalyse für die Erweiterung eines Tankstellennetzes

Das Unternehmen verfügte bereits über eine etablierte geografische Präsenz und wollte sein Netz nun auf strukturierte Weise erweitern – auf der Grundlage objektiver Daten und Vorhersagemodelle statt ausschließlich auf empirischen Kriterien basierender Entscheidungen.

Die Suche nach neuen Standorten für Tankstellen erfolgte bislang ohne den Einsatz von Geodaten oder geografischen Kontextdaten, was die Objektivität und Genauigkeit der Investitionsentscheidungen einschränkte. Zudem wurde das Potenzial der einzelnen Standorte hinsichtlich der zukünftigen Leistung der Tankstelle nicht quantifiziert, was den Vergleich von Alternativen und die Priorisierung von Chancen erschwerte.

Das Unternehmen identifizierte die folgenden Lücken im bestehenden Prozess:

• Abwesenheit von Umsatzprognosemodellen nach Standort, was eine objektive Bewertung des Potenzials jedes Standorts verhindert.
• Abwesenheit integrierter Geodaten (Mobilität, Sehenswürdigkeiten, demografische Daten) zur Unterstützung der Entscheidungsfindung.
• Unfähigkeit, die tatsächliche Leistung jeder Tankstelle mit ihrem geschätzten Potenzial zu vergleichen.

Der Ansatz zur Identifizierung idealer Standorte

Zur Unterstützung der Standortauswahl wurde eine intelligente Lösung entwickelt, die auf Modellen des maschinellen Lernens und der Geodatenanalyse basiert. Die Lösung integriert interne und externe Daten, um ein robustes Vorhersagemodell zu erstellen. Zu den internen Daten gehört das Portfolio bestehender Tankstellen, wie beispielsweise Standort, Produktangebot sowie Kraftstoff- und Nicht-Kraftstoff-Umsätze. Auf der Grundlage dieser Eingaben führt das Modell vier wesentliche Analyseprozesse durch:

• Clusterbildung bestehender Tankstellen nach Umgebungsprofil, wobei Tankstellen mit ähnlichen geografischen Gegebenheiten gruppiert werden.
• Entwicklung von Umsatzprognosemodellen für jeden Cluster unter Verwendung von Algorithmen des maschinellen Lernens.
• Ein Optimierungsmodell zur Ermittlung der besten Standorte für neue Tankstellen.
• Vergleich der tatsächlichen Leistung jeder Tankstelle mit ihrem geschätzten Potenzial, um Möglichkeiten für betriebliche Verbesserungen zu identifizieren.

Die Lösung wurde in Form einer interaktiven Karte bereitgestellt, auf der Teams Umsatzprognosen für jeden beliebigen geografischen Standort abrufen können.

Qualitative Ergebnisse

Die Implementierung der Smart-Location-Lösung hatte direkte Auswirkungen auf die strategischen und Betriebsfähigkeiten des Unternehmens:

• Identifizierung der besten Standorte für die Erweiterung des Tankstellennetzes auf der Grundlage objektiver und quantifizierbarer Kriterien, wodurch der bisherige empirische Ansatz ersetzt wurde.

Abbildung 2 – Karte zur Veranschaulichung der Erweiterung des Tankstellennetzes

• Systematischer Vergleich der tatsächlichen Leistung mit dem geschätzten Potenzial für jede Station.
• Erstellung differenzierter Produktangebote je nach Standort.

Daten-Governance: Von der Qualität zur datengestützten Entscheidungsfindung

Das in diesem Projekt analysierte Unternehmen ist in der Zellstoff- und Forstwirtschaft tätig, einem kapitalintensiven Sektor, der stark von Betriebsdaten geprägt ist. Es verfügte über mehrere Informationssysteme mit isolierten Datensilos und uneinheitlicher Datenqualität, was zu einem weit verbreiteten Misstrauen gegenüber den Daten führte, die zur Entscheidungsfindung herangezogen wurden. Das Datenmanagement erfolgte überwiegend ad hoc, ohne standardisierte Prozesse oder klare Zuständigkeiten, und die Datenqualität variierte erheblich zwischen den Plattformen, da keine einheitlichen Validierungsstandards vorhanden waren.

Der Ansatz zur Umsetzung der Daten-Governance

Eine strukturierte Methode wurde ausgewählt, mit dem Ziel, eine zuverlässige Datenbank zu entwickeln, die für den Einsatz von Lösungen auf Basis künstlicher Intelligenz bereit ist. Die Anfangsphase umfasste die Bewertung des Reifegrades des Unternehmens im Datenmanagement, die Definition der Governance-Strategie und die Konzeption der angestrebten Datenarchitektur, was schließlich in der Entwicklung einer 24-monatigen strategischen Roadmap gipfelte.

Die Umsetzung erstreckte sich auf mehrere Bereiche: die Erstellung zertifizierter Berichte, die Implementierung von Self-Service-Funktionen, das Datenmanagement sowie die Entwicklung eines unternehmensweiten Programms zur Förderung der Datenkompetenz. Folgende unterstützende Elemente wurden geschaffen:

• Datenstrategiebericht und interne Webseite mit Programminformationen
• Intern veröffentlichte Roadmap und Kommunikationsplan
• Ein Daten-Governance-Rahmenwerk, das dem gesamten Unternehmen zur Verfügung gestellt wurde
• Monatliche Sitzungen des Datenausschusses sowie regelmäßige Schulungen und Workshops
• Geschäftsglossar, Berichtskatalog und dokumentierte Prozesse zum Bedarfsmanagement
• Abstimmung zwischen der Technologie-Roadmap und der Daten-Roadmap

Erzielte Ergebnisse

Die Umsetzung des Daten-Governance-Programms hat zu messbaren Verbesserungen bei der Informationsqualität, der Prozesseffizienz und der Unternehmenskultur geführt:

• Mehr als 200 KPIs mit garantierter Zuverlässigkeit, was eine größere Konsistenz bei den kritischen Kennzahlen des Unternehmens gewährleistet
• Eine Reduzierung des Zeitaufwands für die Berichterstellung um 185 Stunden pro Monat
• Einrichtung einer einzigen, zuverlässigen Datenquelle mit zertifizierter Berichterstattung und lückenloser Rückverfolgbarkeit der Informationen
• Klare Definition von Verantwortlichkeiten und Qualitätsstandards im gesamten Unternehmen
• Eine für KI bereitgestellte Dateninfrastruktur

Datengetriebene Produktionsplanung: Synchronisierung zwischen den Werken und Reduzierung von Ineffizienzen

Das Unternehmen ist in der Fertigungsindustrie tätig und verfügt über zwei separate Werke: eines für die Herstellung von Halbfertigprodukten und das andere für die kundenspezifische Anpassung und Verpackung, die von unabhängigen Planern geleitet wurden. Folglich stellte die starke gegenseitige Abhängigkeit zwischen den beiden Einheiten die Abstimmung des Produktionsplans vor eine ständige betriebliche Herausforderung.

Die Komplexität, die mit der Koordination der beiden Werke einherging, führte zu wiederkehrenden Ineffizienzen, die die Zuverlässigkeit des Plans und die Auslastung der installierten Kapazitäten beeinträchtigten.

Zudem hatte das Unternehmen nur begrenzten Einblick in die Auswirkungen von Planänderungen auf die gesamte Lieferkette, was eine schnelle und fundierte Reaktion auf Betriebsstörungen behinderte.

Transformation der Produktionsplanung

Es wurde eine integrierte und automatisierte Planungslösung entwickelt, die auf Optimierungsalgorithmen und einer werkübergreifenden Synchronisationslogik basiert. Diese macht manuelle Koordinierung überflüssig und erstellt zuverlässige Pläne in Echtzeit. Die Planungsplattform verarbeitet Bedarfsdaten und Systemdaten und wendet drei zentrale Analysefunktionen an:

• Synchronisationslogik zur automatischen Abstimmung der Pläne der beiden Werke.
• Bestandsbasierte Routenplanung, die den Materialfluss auf der Grundlage der verfügbaren Bestände optimiert.
• Optimierung unter Berücksichtigung von Kapazitätsengpässen, Rüstzeiten und betrieblichen Einschränkungen zur Erstellung eines realisierbaren Plans für Halbfertigprodukte, kundenspezifische Anpassungen und Verpackung.

Bahnbrechende Ergebnisse

Die Einführung der Planungslösung hatte erhebliche Auswirkungen auf die Betriebssicherheit und die Ressourceneffizienz:

• Eine Steigerung der Erfüllungsquote um 20 Prozentpunkte zwischen der Produktion von Halbfertigprodukten und der kundenspezifischen Anpassung sowie der Verpackung.
• Eine Verbesserung der Einhaltung des Produktionsplans um 15 Prozentpunkte.
• Eine Reduzierung des Zeitaufwands für den Planungsprozess um 80%.
• Eine Verkürzung des Entscheidungsprozesses für Investitionsausgaben (CAPEX) um 4 Tage.
• Echtzeit-Koordination zwischen den beiden Planern und den beiden Werken, wodurch Kommunikationsfehler und Nacharbeitsschleifen reduziert wurden.

KI-gestütztes Web-Scraping für Forschung und Entwicklung: intelligente Überwachung strategischer Informationen

Das Unternehmen ist in der Branche für fortschrittliche Verbundwerkstoffe tätig – einem Sektor, in dem Wettbewerbsvorteile auf kontinuierlicher Innovation und der Fähigkeit beruhen, nachhaltige Materialien in anspruchsvollen technischen Märkten einzusetzen. Es verfügt über mehrere F&E-Teams, die auf den kontinuierlichen Zugang zu externem Wissen angewiesen sind, um Innovationen voranzutreiben. Diese Informationen wurden jedoch manuell, fragmentiert und nicht skalierbar gesammelt, was erhebliche Ressourcen beanspruchte, ohne eine systematische Abdeckung relevanter Quellen zu gewährleisten.

Die große Menge an unstrukturierten externen Daten, die aus verschiedenen Quellen stammten und in unterschiedlichen Sprachen vorlagen, machte die manuelle Erfassung ineffizient und unvollständig. Doppelarbeit zwischen den Teams und die Abwesenheit eines standardisierten Screening-Prozesses verschärften dieses Problem zusätzlich.

So führte die fehlende Standardisierung und Strukturierung der von den verschiedenen Teams gewonnenen Erkenntnisse zur Bildung von Informationssilos und schränkte die Möglichkeit ein, das gesammelte Wissen zu nutzen. Dem Unternehmen fehlten wirksame Mechanismen, um die Überwachungsergebnisse abteilungsübergreifend auszutauschen und zu konsolidieren.

Zudem gefährdete die Abwesenheit systematischer Mechanismen zur Validierung der gesammelten Informationen die Genauigkeit, Konsistenz und Zuverlässigkeit der Daten, die für F&E-Entscheidungen herangezogen wurden, und setzte das Unternehmen dem Risiko von Fehlern aufgrund unüberprüfter Quellen aus.

Automatisierung der F&E-Beobachtung

Es wurde eine durchgängige, KI-gestützte Web-Scraping-Lösung entwickelt, die auf zwei miteinander kommunizierenden intelligenten Agenten basiert und die Erfassung, Validierung, Strukturierung sowie Verteilung strategischer Informationen an F&E-Teams automatisiert. Das System nutzt zwei sich ergänzende KI-Agenten:

• Agent 1 (Erfassung): führt intelligentes Web-Scraping mit HTML-Vorverarbeitung durch, identifiziert relevante Nachrichtenartikel anhand von Schlüsselwörtern und validiert Inhalte auf der Grundlage definierter Kriterien.
• Agent 2 (Analyse): führt eine eingehende Analyse der vollständigen Artikel durch und erstellt mithilfe generativer KI-Modelle strukturierte Zusammenfassungen.

Zu den generierten Ergebnissen gehören eine strukturierte Datenbank mit identifizierten Nachrichten und Chancen, ein automatisch erstellter PDF-Bericht, der die relevanten Erkenntnisse zusammenfasst, sowie die Integration in Microsoft Teams, damit Teams über die gesammelten Informationen interagieren und zusammenarbeiten können.

Der Workflow wird von einem automatisierten „Scheduler“ gesteuert, der in Power Automate integriert ist und sicherstellt, dass der Überwachungsprozess kontinuierlich läuft, ohne dass manuelle Eingriffe erforderlich sind. Die Lösung ist vollständig in den bestehenden Technologie-Stack des Unternehmens integriert.

Erzielte Ergebnisse

Die Einführung der KI-gestützten Web-Scraping-Lösung hatte erhebliche Auswirkungen auf die betriebliche Effizienz und die Innovationsfähigkeit der F&E-Teams:

• Automatisierte und strukturierte Überwachung von mehr als 300 Informationsquellen
• Eine Reduzierung des Zeitaufwands für die Erfassung und Aufbereitung strategischer Informationen um 150 Stunden pro Woche
• Beseitigung von Aufgaben ohne Mehrwert
• Verarbeitung wiederholbarer und validierter Informationen, wobei die Rückverfolgbarkeit durch KI-Agenten gewährleistet wird
• Beschleunigung der Innovation durch die Vorwegnahme globaler Trends

KI-basierte Prognosen für die Bauplanung

Das betreffende Unternehmen ist ein führender Akteur im Bausektor, der sich auf Industrieanlagen spezialisiert hat, und stand vor der Herausforderung, die Dauer von Arbeitsschritten während der Budgetierungs- und Anfangsplanungsphase komplexer Industriebauprojekte genau abzuschätzen.

Die mangelnde Präzision in der Anfangsplanung wirkte sich direkt auf Projektzeitpläne und -kosten aus. Erschwerend kamen unerkannte Risiken in entscheidenden Bauphasen sowie Schwierigkeiten bei der Anpassung der Pläne an externe Variablen hinzu.

Ansatz für eine genauere Prognose

Eine auf KI-Modellen basierende Lösung wurde entwickelt, die in der Lage ist, die Dauer von Arbeitsschritten vorherzusagen und Verzögerungsrisiken anhand verschiedener Datenquellen zu identifizieren. Unter den verwendeten Daten sind insbesondere folgende hervorzuheben:

• Historische Projektdaten: Erkennung von Dauermustern nach Aufgabentyp, Standort und Projektmerkmalen
• Makroökonomische und regionale Indikatoren: Verfügbarkeit von Arbeitskräften, Inflation und andere relevante lokale Wirtschaftsfaktoren
• Wetterverläufe und -vorhersagen: Auswirkungen der Wetterbedingungen auf wetterabhängige Tätigkeiten (z. B. Fundamentarbeiten und Dachdeckung)
• Kapazitäten von Subunternehmern und Lieferanten: Daten zu Vorlaufzeiten und Kapazitätsengpässen, die die Prognosegenauigkeit erhöhen

Die integrierte Lösung ermöglicht zudem die automatische Erstellung von Arbeitsplänen auf Basis der Projektmerkmale, die Ausgabe von Echtzeit-Warnmeldungen während der Ausführung, die auf potenzielle Verzögerungen hinweisen, sowie die kontinuierliche Aktualisierung des Modells anhand von Ist-Daten aus dem Projektabwicklungsprozess.

Abbildung 3 – Beispiel eines Zeitplans

Qualitative Ergebnisse

Die Implementierung der KI-Lösung für Prognosen und Planung hatte erhebliche qualitative Auswirkungen auf die Planungsfähigkeiten des Unternehmens:

• Die Möglichkeit, Szenarien zu simulieren, was eine bessere Notfallplanung und eine effizientere Ressourcenzuweisung ermöglichte.
• Echtzeit-Visualisierung von Risiken und Überwachung von Abweichungen.
• Schnellere und fundiertere Entscheidungsfindung.
• Kontinuierliches Lernen des Modells bei jedem Projekt, wodurch eine sich ständig weiterentwickelnde Wissensbasis entsteht.

Fazit: Die transformativen Auswirkungen künstlicher Intelligenz (KI) in verschiedenen Branchen

Diese Fallstudie zeigt, dass der Einsatz von künstlicher Intelligenz und fortschrittlichen Datenanalyselösungen kein Selbstzweck ist, sondern vielmehr ein Mittel, um Unternehmen weiterzuentwickeln, die agiler, zuverlässiger und besser in der Lage sind, auf die Anforderungen eines sich ständig verändernden Marktes zu reagieren.

Der Weg zu einem echt datengetriebenen Unternehmen ist ein fortlaufender Prozess, und genau hier machen das Kaizen Institute und seine spezialisierten digitalen Lösungen den Unterschied.

Wir verpflichten uns, die Vertraulichkeit unserer Kund*innen zu wahren. Obwohl wir deren Namen geändert oder weggelassen haben, sind die dargestellten Ergebnisse authentisch.