Söding-St. Johann (OTS) – Die Fertigungsindustrie investiert weltweit
in Automatisierung,
Industrial AI und digitale Produktionssysteme. Dennoch bleiben viele
Smart-Manufacturing-Initiativen hinter den Erwartungen zurück. Der
Grund liegt häufig nicht in fehlenden Technologien, sondern in einer
strukturellen Lücke auf Maschinenebene, die in vielen
Produktionssystemen bis heute besteht.
Unternehmen investieren zunehmend in Automatisierung, künstliche
Intelligenz, Analytik, Konnektivität und Cloud-Technologien. Ziel ist
es, Produktivität zu steigern, Prozesse zu optimieren und die
Wettbewerbsfähigkeit langfristig zu sichern. Laut der “2025 Smart
Manufacturing and Operations Survey” von Deloitte sehen 92% der
befragten Führungskräfte großer Produktionsunternehmen mit Sitz oder
Geschäftstätigkeit in den USA Smart Manufacturing als wesentlichen
Treiber ihrer Wettbewerbsfähigkeit in den kommenden drei Jahren. Die
Erwartungen an Smart Manufacturing sind entsprechend hoch – und sie
sind berechtigt. Doch während Daten, Systeme und Produktionsprozesse
zunehmend digitalisiert werden, bleib eine zentrale Ebene häufig
weitgehend unverändert: die Logik der Maschinen selbst.
Der Grund dafür liegt häufig nicht auf der Ebene von Dashboards,
Datenplattformen oder KI-Anwendungen. Vielmehr bleibt in zahlreichen
Fabriken der Kern des Produktionssystems schwer zugänglich: das
Verhalten der Maschinen. Obwohl Anlagen heute vernetzt, visualisiert
und kontinuierlich überwacht werden, ist ihre zugrunde liegende Logik
häufig nur schwer nachvollziehbar. Wissen ist nicht vollständig
dokumentiert, verteilt sich auf wenige Spezialisten und bleibt für
andere Systeme weitgehend unsichtbar, was den Wissenstransfer
erschwert und die Skalierbarkeit begrenzt.
Zwtl.: Die strukturelle Lücke moderner Fabriken
Viele Transformationsprogramme konzentrieren sich auf die
sichtbaren Ebenen der Digitalisierung. Dashboards, MES-Systeme,
Reporting-Lösungen oder Industrial AI schaffen Transparenz und
liefern wertvolle Erkenntnisse. Bleibt das Maschinenverhalten
darunter jedoch schwer nachvollziehbar oder steuerbar, stoßen diese
Technologien an Grenzen. Unternehmen optimieren damit zunehmend die
Systeme rund um die Maschine, ohne deren zugrunde liegende Logik im
gleichen Maß zugänglich zu machen.
Die Folgen zeigen sich über den gesamten Lebenszyklus einer
Anlage. Wiederholte Programmierung, verzögerte Inbetriebnahmen,
längere Fehlerdiagnosen und eine hohe Abhängigkeit von erfahrenen
Fachkräften verursachen Kosten, die oft nicht unmittelbar sichtbar
sind, die Wettbewerbsfähigkeit jedoch nachhaltig beeinflussen.
Gleichzeitig erschweren diese Faktoren die Wiederverwendung von
Standards und die Übertragung von Verbesserungen auf weitere Anlagen
oder Standorte. Die zunehmende Vernetzung der Produktion löst dieses
Problem nicht automatisch: Eine vernetzte Maschine ist nicht
zwangsläufig eine verständliche Maschine.
Zwtl.: Industrial AI erhöht die Anforderungen an die Maschinenebene
Mit dem zunehmenden Einsatz von Industrial AI gewinnt die
Nachvollziehbarkeit des Maschinenverhaltens weiter an Bedeutung.
Künstliche Intelligenz benötigt eindeutige Maschinenzustände,
konsistente Ereignisse und nachvollziehbare Abläufe. Fehlen diese
Grundlagen, muss sie Zusammenhänge aus uneindeutigen Signalen
ableiten. Viele Anwendungen bleiben dadurch auf Pilotprojekte
beschränkt und lassen sich nur schwer skalieren. Damit wird
transparentes Maschinenverhalten zunehmend zur Voraussetzung dafür,
dass Smart Manufacturing und Industrial A ihr Potenzial in der Praxis
tatsächlich entfalten können.
“ Smart Manufacturing wird nicht dadurch erfolgreich, dass wir
immer mehr Technologie in die Produktion bringen. Entscheidend ist,
dass Maschinenverhalten transparent, nachvollziehbar und steuerbar
wird. Erst dann lassen sich Produktionssysteme effizient in Betrieb
nehmen, standardisieren und nachhaltig skalieren. “ – DI DI(FH)
Markus Gruber, CEO, Selmo Technology
Die Investitionen in Smart Manufacturing werden weiter steigen.
Entscheidend wird künftig jedoch sein, ob es gelingt, nicht nur Daten
zu digitalisieren, sondern auch das Verhalten der Maschinen explizit,
verständlich und steuerbar zu machen. Denn erst wenn diese operative
Grundlage vorhanden ist, können digitale Technologien, Standards und
KI-Anwendungen zuverlässig darauf aufbauen.
Genau an diesem Punkt setzt Selmo mit einem Behaviour-Centric-
Ansatz an. Der Ansatz zielt darauf ab, die Logik auf Maschinenebene
von einer schwer zugänglichen Black Box in eine strukturierte und
steuerbare Grundlage für Inbetriebnahme, Betrieb und Skalierung zu
überführen.
