Budgetplanung 2027:
Welche KI-Projekte lohnen sich wirklich?

Diskussionen über KI-Projekte beginnen häufig mit einer technischen Idee. Jemand schlägt einen Chatbot für die technische Dokumentation vor. Eine andere Abteilung möchte Machine Learning für die Produktionsplanung einsetzen.

Bevor über die Technologie entschieden wird, sollte das betriebliche Problem bekannt sein.

Bei Predictive Maintenance sind beispielsweise die Häufigkeit ungeplanter Stillstände, deren Kosten und die bestehenden Wartungsabläufe entscheidend. Treten Ausfälle selten auf, fällt der wirtschaftliche Nutzen einer Vorhersagelösung geringer aus. Verursachen sie regelmäßig hohe Folgekosten, kann bereits eine Verbesserung der Wartungsplanung einen erheblichen Unterschied machen.

Ähnliches gilt für generative KI. Ein Dokumentenassistent, der täglich von vielen Mitarbeitenden genutzt wird, kann wertvolle Arbeitszeit sparen. Wird die gesuchte Information nur gelegentlich benötigt, lohnt es sich zunächst, die bestehende Suchfunktion zu verbessern.

Eine klare Problemdefinition schafft die Grundlage für die Bewertung.

Bei der automatisierten Qualitätskontrolle könnten die bisherigen Kosten manueller Prüfungen, Ausschussquoten, Reklamationen und Fehlerfolgekosten als Ausgangspunkt dienen.

Ein KI-System kann diese Kosten senken. Gleichzeitig entstehen Aufwendungen für Kameras, Infrastruktur, Integration, Wartung und die manuelle Prüfung unklarer Ergebnisse.

Auch eingesparte Arbeitszeit muss richtig bewertet werden. Wenn eine Anwendung die Qualitätsprüfung beschleunigt, entsteht daraus ein wirtschaftlicher Vorteil, sofern die frei gewordenen Kapazitäten produktiv eingesetzt werden oder tatsächliche Kosten entfallen.

Für die Projektbewertung empfiehlt es sich, zwischen messbaren Vorteilen und noch unbestätigten Annahmen zu unterscheiden.

Weniger Ausschuss oder Energieverbrauch lassen sich anhand bestehender Kennzahlen berechnen. Schnellere Entscheidungen oder ein besserer Wissenszugang benötigen andere Nachweise.

Eine belastbare Schätzung mit dokumentierten Annahmen ist hilfreicher als eine vermeintlich exakte ROI-Zahl.

Ein Unternehmen kann mehrere Jahre an Sensordaten besitzen und trotzdem Schwierigkeiten haben, ein Predictive-Maintenance-Modell zu entwickeln.

Dafür müssen auch Ausfälle ausreichend dokumentiert sein. Wartungsereignisse sollten sich den richtigen Maschinen und Zeiträumen zuordnen lassen. Die Messdaten müssen Informationen enthalten, aus denen sich ein bevorstehender Ausfall erkennen lässt.

Bei der Produktionsplanung liegen die Herausforderungen oft in der Verteilung der Daten. Informationen befinden sich in ERP-Systemen, Excel-Listen und lokalen Planungslösungen. Unterschiedliche Definitionen und Datenstände erschweren ihre gemeinsame Verwendung.

Eine begrenzte Datenanalyse zeigt häufig bereits, ob ein Vorhaben technisch machbar ist oder zunächst Vorarbeiten benötigt.

Ein Projekt mit hohem wirtschaftlichem Potenzial und unzureichender Datenbasis kann weiterhin interessant sein. Für die Budgetplanung bedeutet das zunächst eine Investition in die notwendigen Datenvoraussetzungen.

Ein Modell zur Produktionsplanung kann anhand exportierter ERP-Daten bessere Fertigungspläne berechnen. Im laufenden Betrieb muss es auch Maschinenverfügbarkeiten, Personaleinsatz, Materialengpässe und kurzfristige Auftragsänderungen berücksichtigen.

Die Ergebnisse müssen anschließend in den bestehenden Planungsprozess gelangen. Dafür sind Schnittstellen, aktuelle Daten und geeignete Freigabeprozesse erforderlich.

Dieser Integrationsaufwand wird bei frühen Projektbewertungen häufig unterschätzt.

Ein Dokumentenassistent mit Zugriff auf eine gepflegte Wissensdatenbank ist einfacher einzubinden als eine Anwendung, die Entscheidungen an mehreren Produktionsstandorten beeinflusst.

Für die Budgetplanung zählt deshalb der Aufwand der einsatzfähigen Gesamtlösung einschließlich Integration, Sicherheit und laufendem Betrieb.

Ein KI-Modell erkennt mögliche Qualitätsprobleme mehrere Stunden im Voraus. Die Vorhersagen sind zuverlässig, doch an den betreffenden Maschinen dürfen Einstellungen nur während festgelegter Wartungsfenster verändert werden.

Die zusätzliche Information verbessert den Produktionsprozess in diesem Fall kaum.

Solche Einschränkungen kennen vor allem die Mitarbeitenden, die später mit dem System arbeiten. Ihre Erfahrungen sollten deshalb bereits in die Bewertung einfließen.

Auch der spätere Betrieb benötigt klare Zuständigkeiten. Wie Modelle überwacht, aktualisiert und gewartet werden, behandeln wir ausführlicher in unserem Artikel „KI im Produktivbetrieb: Wer kümmert sich nach dem Go-live?“

Für eine erste Bewertung lassen sich unterschiedliche Anwendungsfälle anhand von fünf Kriterien vergleichen.

Kriterium

Zentrale Frage

Wirtschaftlicher Nutzen

Welche messbare Verbesserung ist realistisch?

Datenverfügbarkeit und -qualität

Sind die benötigten Daten zugänglich und geeignet?

Umsetzungsaufwand

Was kosten Entwicklung, Integration und Betrieb?

Operative Voraussetzungen

Können die Fachabteilungen die Ergebnisse nutzen?

Risiken und Unsicherheiten

Welche Hürden könnten eine erfolgreiche Umsetzung verhindern?

Zu den Risiken gehören beispielsweise Informationssicherheit, regulatorische Anforderungen und die Abhängigkeit von externen Anbietern. Bei bestimmten Anwendungen sind auch die Vorgaben des EU AI Act zu berücksichtigen.

Eine einfache Bewertung mit niedrig, mittel und hoch reicht häufig aus, um Unterschiede sichtbar zu machen. Daraus muss kein einzelner Punktwert entstehen, der eine Genauigkeit vermittelt, die bei frühen Projektideen noch fehlt.

Predictive Maintenance an einer kritischen Produktionsanlage

Ungeplante Stillstände verursachen hohe Kosten. Sensordaten sind vorhanden, die Qualität der historischen Ausfalldokumentation ist jedoch unklar.

Der nächste Schritt ist eine Machbarkeitsanalyse, die Datenqualität und verfügbare Störungsbeispiele untersucht.

Ein interner KI-Assistent für technische Dokumentation

Die Dokumente liegen zentral vor. Mitarbeitende benötigen regelmäßig Zeit, um Informationen zu finden.

Ein begrenzter Pilot kann zeigen, wie zuverlässig der Assistent antwortet, ob er im Arbeitsalltag genutzt wird und wie viel Zeit tatsächlich eingespart wird.

KI-gestützte Produktionsplanung über mehrere Standorte

Der mögliche Nutzen ist hoch. Allerdings unterscheiden sich die Planungsabläufe zwischen den Standorten, und wichtige Informationen werden teilweise manuell gepflegt.

Hier sollten zunächst Datendefinitionen, Verantwortlichkeiten und die Integration bestehender Systeme geklärt werden.

Alle drei Vorhaben können wirtschaftlich interessant sein. Ihr aktueller Entwicklungsstand spricht jedoch für unterschiedliche nächste Schritte.

Für die Investitionsplanung empfiehlt es sich, zwischen umsetzungsreifen Projekten, offenen Machbarkeitsfragen und notwendigen Vorarbeiten zu unterscheiden.

Das kann bedeuten, einen klar abgegrenzten Piloten zu finanzieren, zwei Machbarkeitsanalysen durchzuführen und ein weiteres Projekt zurückzustellen, bis die Datenqualität verbessert wurde.

Gemeinsame Voraussetzungen sollten ebenfalls berücksichtigt werden. Eine bessere Dateninfrastruktur oder standardisierte Schnittstellen können mehrere spätere Anwendungen unterstützen.

Bei craftworks bewerten wir gemeinsam mit Industrieunternehmen die wirtschaftlichen und technischen Voraussetzungen ihrer KI-Vorhaben. Dazu gehören die Analyse verfügbarer Daten, die Einschätzung der Machbarkeit und die Berücksichtigung bestehender Systemlandschaften.

Für 2027 ist eine überschaubare Zahl gut vorbereiteter Projekte oft die bessere Investition als ein umfangreiches Portfolio, das über die Pilotphase nicht hinauskommt.

Sie planen Ihre KI-Investitionen für 2027?

Wir unterstützen Sie bei der Bewertung möglicher Anwendungen, der technischen Machbarkeitsprüfung und der Entwicklung von Lösungen für den praktischen Betrieb. Sprechen wir darüber, welche Vorhaben sich für Ihr Unternehmen lohnen.