Die Demos sehen großartig aus. Ein zweiter Anwendungsfall wird gestartet. Dann ein dritter. Jeder beginnt bei Null. Keiner von ihnen baut auf dem anderen auf. Nach zwölf Monaten ändert sich die Frage des Vorstands von „Was ist unsere KI-Strategie?“ zu „Wo bleibt der Ertrag?“. Warum 95 % der KI-Projekte in Unternehmen keinen ROI zeigen.
Die Daten bestätigen, was die Verantwortlichen für die digitale Transformation in ihren eigenen Unternehmen beobachten. Der Bericht des Projekts NANDA des MIT Media Lab kommt zu dem Schluss, dass trotz der enormen Investitionen der Unternehmen in generative KI 95 % der Unternehmen keinen geschäftlichen Ertrag erzielen. Und in dem Bericht findet sich ein Zitat aus einem Interview mit dem COO eines mittelständischen Fertigungsunternehmens, das ich für diese Diskussion als besonders wertvoll empfand:
„Der Hype auf LinkedIn suggeriert, dass sich alles verändert hat, aber in unseren Betriebsabläufen hat sich nichts Grundlegendes verschoben. Wir bearbeiten einige Aufträge schneller, aber das ist auch schon alles, was sich geändert hat.“
Es handelt sich also nicht um ein Modellproblem, sondern um ein Architekturproblem. Am deutlichsten wird dies in einer Diskussion, die derzeit in fast jeder IT-Abteilung eines Fertigungsunternehmens geführt wird: Sollten wir unsere neuen KI-Agenten direkt an die operativen Systeme anschließen, die die Fabrik steuern?
Die technisch korrekte Antwort lautet „nein“. Die strategisch wichtige Antwort ist: „Warum?“
Warum die direkte Anbindung von KI an operative Daten scheitert
In IT-Kreisen kursiert ein Meme, das das Problem mit einem Verweis auf Gandalf auf den Punkt bringt: Du sollst einen MCP nicht mit deiner Betriebsdatenbank verbinden.
Das Model Context Protocol (MCP) ist der neue Standard, um KI-Agenten Zugriff auf Unternehmensdaten und -tools zu gewähren. In einer Fertigungsumgebung speichert die Betriebsdatenbank hinter dem Ausführungssystem den aktuellen Produktionsstatus. Laufende Arbeiten. Anlagenstatus. Qualitätssperren. Genealogie. Bedieneraktionen. Prozessdurchsetzung. Technisch gesehen ist es möglich, einen KI-Agenten direkt an diese Datenbank anzubinden. Es ist aber auch der schnellste Weg, um sicherzustellen, dass Ihr KI-Programm niemals den Sprung vom Pilotbetrieb in die Produktion schafft.
MCP und das Problem der „falschen Abstraktion“
Der Grund liegt nicht nur in der Sicherheit, obwohl das Sicherheitsrisiko real ist. Der Grund ist, dass diese Architektur nicht skalierbar ist. Jeder neue Anwendungsfall muss die gleiche operative Bedeutung von Grund auf neu erschließen. Jedes Modell muss neu lernen, was eine „Hold“-Anweisung bedeutet, was eine Route ist, wer was freigeben darf und was als gültige Zustandsänderung gilt. Es gibt keine kumulativen Ressourcen. Es gibt keinen gemeinsamen Kontext. Es gibt keinen geregelten Weg von der Erkenntnis zur Aktion.
Jedes KI-Pilotprojekt, das die Ausführungsebene umgeht, baut den Kontext neu auf, der eigentlich einmalig erstellt und für immer wiederverwendet werden sollte. Führungskräfte, die Transformationen vorantreiben, spüren dies intuitiv, auch wenn sie es nicht benennen können. Deshalb wirken ihre Pilotprojekte im Besprechungsraum beeindruckend, in der Produktion jedoch fragil. Deshalb dauert der zweite Anwendungsfall fast genauso lange wie der erste. Deshalb erreicht das Programm nie den versprochenen Umfang.
4 versteckte Fehlerquellen, wenn KI Ihre Ausführungsebene umgeht
Wenn KI über die falsche Abstraktion mit der Fertigung verbunden ist, gehen vier spezifische Dinge schief. Keines davon zeigt sich als Systemfehler. Alle zeigen sich in der Gewinn- und Verlustrechnung.
1. Vertrauensverlust in der Fertigung
Ein KI-Agent, der aus Rohdatentabellen Schlussfolgerungen zieht, wird letztendlich eine selbstbewusste, plausible, aber falsche Antwort liefern.
Im Sitzungssaal ist das peinlich. In einer Fabrik verändert es die Art und Weise, wie die Bediener jede zukünftige Empfehlung behandeln. Sobald die Mitarbeiter in der Fertigung das Vertrauen in das System verlieren, sinkt der Wert jedes nachgelagerten Anwendungsfalls auf null – unabhängig von der Modellqualität.
2. Entscheidungen auf der falschen Ebene
Eine Zeile in einer Datenbank ist kein Geschäftsvorfall. Maßnahmen wie das Aufheben einer Sperre, das Ändern einer Route, das Bewegen von Materialien oder das Anpassen von Anlagenzuständen unterliegen Fertigungsentscheidungen, die Regeln, Genehmigungen und Konsequenzen beinhalten. Eine KI, die auf Zeilen statt auf Ereignissen basiert, trifft Entscheidungen, die isoliert betrachtet korrekt erscheinen, in der Gesamtheit jedoch Chaos verursachen. Die operative Definition einer verzögerten Charge ist an einem Standort nicht dieselbe wie an einem anderen.
Modelle, die dies nicht berücksichtigen, geben Empfehlungen ab, die einen Durchschnittswert über alle Werke hinweg bilden und nirgendwo anwendbar sind.
3. Unsichere Automatisierung und nicht nachvollziehbare Aktionen
Zwischen einer KI, die eine Frage beantwortet, und einer KI, die eine Aktion ausführt, liegt nur ein einziger Tool-Aufruf. Ohne eine regulierende Ebene dazwischen verschwindet diese Grenze.
Wenn also ein Agent schließlich fehlerhafte Daten in die Produktion schreibt oder einen Workflow auslöst, der eine erforderliche Prüfung überspringt, wird im Vorfallbericht nicht stehen: „Die KI war es.“ Es wird heißen: „Wir wissen nicht, was passiert ist.“
Das ist ein schlimmeres Ergebnis als jede noch so große Anzahl fehlgeschlagener Pilotprojekte.
4. Regulatorische Risiken in validierten Umgebungen
In regulierten Umgebungen, darunter Medizinprodukte, Pharma, Halbleiter sowie zunehmend auch Luft- und Raumfahrt und Verteidigung, muss jedes System, das den Produktionsstatus berührt, validiert, rückverfolgbar und erklärbar sein.
Ein KI-Agent mit direktem Datenbankzugriff kann diesen Standard nicht erfüllen. Der Agent selbst ist nicht das Problem; es ist die Architektur um ihn herum. Jede Aufsichtsbehörde im Raum wird dies erkennen, noch bevor das KI-Team es tut. Jedes dieser Probleme lässt sich in einem Pilotprojekt beheben. Keines davon lässt sich im Produktionsbetrieb beheben.
Die Kosten für die nachträgliche Behebung – durch Neuvalidierung, den Wiederaufbau von Vertrauen und die Wiederherstellung der Glaubwürdigkeit gegenüber dem Vorstand – liegen um eine Größenordnung höher als die Kosten dafür, die Architektur von Anfang an richtig zu gestalten.
Warum KI-Demos funktionieren, der Produktionsbetrieb jedoch nicht
Es war noch nie so einfach, eine KI-Demo für die Fertigung zu erstellen. APIs, Konnektoren, MCP, Funktionsaufrufe, Low-Code-Orchestrierung. Ein kompetentes Team kann innerhalb einer Woche etwas Beeindruckendes produzieren: realistisch wirkende Daten, Antworten in natürlicher Sprache, generiertes SQL, einen Aktionsentwurf. Für Führungskräfte mag es so aussehen, als sei die Zukunft bereits da, doch in Wirklichkeit sind sie noch weit davon entfernt.
Was Demos auslassen (und warum das wichtig ist)
Die meisten dieser Demos funktionieren, weil sie die entscheidenden Teile auslassen. Sie laufen mit begrenzten Datenmengen. Sie gehen von einer sauberen Semantik aus. Sie verwenden benutzerfreundliche Eingabeaufforderungen. Sie nutzen erweiterte Berechtigungen. Sie vermeiden Randfälle. Sie sind nicht mit dem Druck von Schichtwechseln, Audit-Anforderungen, Ausnahmesituationen bei Anlagen, standortspezifischen Konfigurationen oder behördlicher Kontrolle konfrontiert.
Jeder kann KI vorführen, aber nur wenige können sie sicher im Live-Betrieb einsetzen. Der Unterschied liegt nicht im Modell, sondern in dem, was zwischen dem Modell und der Fabrik liegt. Ein Proof-of-Concept kann die Frage beantworten: „Welche Chargen sind verspätet?“ Ein Produktionssystem muss eine viel schwierigere Frage beantworten: Welche Chargen sind verspätet – gemäß der korrekten betrieblichen Definition, für diesen Benutzer, an diesem Standort, basierend auf validierten Daten, mit nachvollziehbarer Argumentation, ohne vertrauliche Informationen offenzulegen und ohne eine unsichere nachgelagerte Aktion auszulösen.
Ausführung als kanonischer Kontext für KI
Das richtige Muster lässt sich einfach beschreiben, ist aber schwieriger umzusetzen. KI-Agenten sollten keine Verbindung zur betrieblichen Datenbank herstellen. Sie sollten sich mit geregelten Fertigungskapazitäten verbinden, die wiederum über das Ausführungssystem agieren.
In dieser geregelten Kapazitätsschicht entsteht der Mehrwert, und dort liegt die geschäftliche Bedeutung. Dort werden auch Autorisierung, Abfolge, Validierung und Nachvollziehbarkeit durchgesetzt. Dort wird der Unterschied zwischen „empfehlen“ und „ausführen“ explizit gemacht.
Jeder KI-Anwendungsfall, der über diese Ebene verbunden ist, nutzt alles wieder, was zuvor modelliert wurde, anstatt es neu zu erfinden.
Zuerst die Struktur, dann die Intelligenz
Was ich immer wieder betont habe, ist, dass eine gut modellierte Ausführungsebene das kanonische operative Datenmodell ist, das KI in großem Maßstab vertrauenswürdig macht. Einfach ausgedrückt: Zuerst die Struktur, dann die Intelligenz. McKinsey kam im April 2026 aus einem anderen Blickwinkel zu demselben Schluss. In „Scaling agentic AI with data transformations“ berichten sie, dass fast zwei Drittel der Unternehmen mit KI-Agenten experimentiert haben, aber weniger als 10 % diese so skaliert haben, dass sie greifbaren Mehrwert liefern. Ihre Diagnose ist eindeutig: „Der Erfolg mit agentischer KI hängt von einer Datenarchitektur ab, die ein zunehmendes Maß an Autonomie, Koordination und Echtzeit-Entscheidungsfindung unterstützen kann.“
Acht von zehn Unternehmen nennen Datenbeschränkungen als Hindernis. In der Fertigungsindustrie existiert diese Datenarchitektur bereits. Sie wird als Ausführungsebene bezeichnet. Für einen CIO oder Transformationsleiter verschiebt dies den Fokus der KI-Diskussion auf nützliche Weise. Die Frage ist nicht, welches KI-Tool man kaufen soll. Die Frage ist, welche Schicht der Architektur über die kontrollierten Fähigkeiten verfügt, von denen jeder zukünftige KI-Anwendungsfall abhängen wird.
Wenn diese Schicht existiert und unter eigener Kontrolle steht, wird KI zu einer sich verzinsenden Investition. Ist dies nicht der Fall, ist jedes Pilotprojekt ein Einzelprojekt, und das Programm erreicht nie die Größenordnung, die das Budget rechtfertigt. Schaffen Sie eine Ausführungsebene, die jeden KI-Anwendungsfall multipliziert.
Wenn Sie die digitale Transformation in einem Fertigungsunternehmen leiten, steht eine Verschiebung der KI-Diskussion bevor. Bei der ersten Welle ging es um den Zugang: Können wir Modelle dazu bringen, mit unseren Systemen zu kommunizieren? Bei der nächsten Welle geht es um die Kontrolle: Können wir Modelle dazu bringen, sicher, in großem Maßstab und mit sich verstärkenden Ergebnissen über unsere Systeme zu agieren?
Die Unternehmen, die diese nächste Welle gewinnen, werden nicht diejenigen mit den besten Modellen sein. Es werden diejenigen sein, deren Ausführungsebene so aufgebaut wurde, dass sie den kanonischen Kontext für KI bildet. Sie werden über eine geregelte Kompetenzschicht verfügen, auf der jeder neue Anwendungsfall kostenlos aufbaut. Ihre zweite KI-Initiative wird nur einen Bruchteil ihrer ersten kosten. Ihre zehnte wird fast kostenlos sein. Die Unternehmen, die dabei den Anschluss verlieren, werden weiterhin Pilotprojekte starten. Die Pilotprojekte werden weiterhin gut aussehen. Und die Rendite der KI-Investition wird weiterhin erst in zwölf Monaten eintreten.
KI in der Fertigung scheitert nicht daran, dass die Modelle falsch sind. Sie scheitert daran, dass die Ausführung nie richtig modelliert wurde. Behebt man das, hört KI auf, ein Pilotprogramm zu sein, und wird zu einem sich verstärkenden Vermögenswert. Also ja, Sie sollten MCP nicht direkt an Ihre operative Datenbank anbinden. Aber der eigentliche Punkt geht darüber hinaus. Sie sollten eine Ausführungsebene aufbauen, die jeden KI-Anwendungsfall zu einem Multiplikator des vorherigen macht, anstatt eine Wiederholung desselben ersten Projekts.
Das ist die Architekturentscheidung, die darüber entscheidet, ob Ihr KI-Programm die Skalierbarkeit erreicht, mit der es verkauft wurde, oder ob es still und leise zur teuersten Sammlung von Demos wird, für die Ihr Unternehmen jemals bezahlt hat.
– – – – –
Weiterführende Links
👉 www.criticalmanufacturing.com
Foto: unsplash
