Viele Unternehmen gehen davon aus, dass die Implementierung von KI-gestützten Arbeitsanweisungen auf einer Getränkeproduktionslinie der Einbettung des Erfahrungswissens erfahrener Meister in das System gleichkommt und einen sorgenfreien Betrieb gewährleistet. In der Realität werden viele Projekte jedoch innerhalb von drei Monaten nach dem Start zu Bildschirmen, die lediglich PowerPoint-Folien abspielen. Bediener machen weiterhin Fehler, und Rüstzeiten bleiben übermäßig hoch. Die Ursache hierfür liegt darin, dass KI-gestützte Arbeitsanweisungen als „elektronisches Kanban" behandelt werden, anstatt sie als umfassendes System zur Ausführung von Arbeitsstandards einzusetzen.
1. KI-gestützte Arbeitsanweisungen als „bewegte Papier-SOPs" behandeln
Der häufigste Fehler tritt bereits bei der Auswahl auf, wenn Entscheidungsträger sich ausschließlich auf die Ästhetik der Benutzeroberfläche und die Menge der Animationen konzentrieren. Wenn ein Anbieter ein 3D-Zerlegungsvideo vorführt, geht die Beschaffung oft fälschlicherweise davon aus, dass dies ein intelligentes System darstellt. Nach dem Start wird häufig festgestellt, dass das System lediglich Bilder der ursprünglichen papierbasierten Arbeitsanweisungen durchläuft. Es wird nicht überprüft, ob Bediener Handlungen korrekt ausführen, Drehmomente richtig angewendet werden oder Flaschen korrekt ausgerichtet sind.
Die Besonderheit von Getränkeproduktionslinien liegt im häufigen Produktwechsel an derselben Station. Eine Station kann beispielsweise morgens PET-Wasserflaschen verarbeiten und am Nachmittag auf Saft in Glasflaschen umstellen, wodurch sich Flaschenform, Etiketten und Verpackungsspezifikationen vollständig ändern. Wenn das System für KI-gestützte Arbeitsanweisungen nur eine statische Anzeige bietet, müssen sich Bediener während des Rüstvorgangs darauf verlassen, entsprechende Dateien im Gedächtnis zu finden. Dies führt zu langen Suchzeiten und verhindert eine Verkürzung der Rüstdauer. Solche „pseudo-intelligenten" Systeme bieten nahezu keine Verbesserung der Rüsteffizienz, da ihr Wesen ein Anzeigewerkzeug und kein Ausführungswerkzeug ist.
Der richtige Ansatz erfordert die Bewertung, ob das System Echtzeit-Entscheidungen auf Stationsebene und Aktionsebene treffen kann. Während das MES der Produktionslinie mitteilt, welches Produkt heute hergestellt werden soll, muss das System für KI-gestützte Arbeitsanweisungen den Bediener bei spezifischen Schritten führen, wie etwa ob zuerst der Vorformling aufgenommen oder der Flaschenhals inspiziert werden soll. Fehler sollten sofort an der Quelle blockiert werden, anstatt darauf zu warten, dass Qualitätsprüfprotokolle später ausgewertet werden.
2. Der Kauf von Software ohne Terminals macht visuelle Inspektionen nutzlos
Ein zweiter häufiger Fehler besteht darin, das gesamte Budget für Softwarelizenzen zu verwenden und dabei gewöhnliche Bürocomputer für Stationsterminals sowie eingebaute Laptop-Kameras zu nutzen. Folglich können in einem Füllbereich einer Getränkeproduktionslinie, wo Dampf und Reflexionen vorherrschen, normale Kameras Flüssigkeitsstände nicht klar erfassen oder eine falsche Ausrichtung von Verschlüssen erkennen. Egal wie leistungsfähig der Algorithmus ist, er wird ohne geeignete Hardware wirkungslos.
Die Implementierung von KI-gestützten Arbeitsanweisungen für Getränkeproduktionslinien erfordert, dass Hardware und Algorithmen als integrierte Einheit funktionieren. Angenommen, eine hypothetische Getränkefülllinie, bei der der Stationsterminal erkennt, dass die Hand eines Bedieners den Sicherheitsbereich nicht verlassen hat, bevor der Verschließwerkzeug aktiviert wird; würde das System den Vorgang in Echtzeit blockieren und eine Warnung anzeigen. Beim Wechseln der Flaschentypen könnten Prozessskill-Pakete mit einem einzigen Klick an den Terminal gesendet werden, wodurch sich der Inhalt der Arbeitsanweisung innerhalb von Sekunden ändert, ohne dass der Bediener die Station verlassen muss, um Dateien zu suchen. Diese Fähigkeit zum „Sehen" und „Lehren" kann mit Bürocomputern und Standardkameras nicht erreicht werden. Der Vorteil der Lieferung integrierter Hardware und Software durch den Originalausrüster (OEM) liegt in der Reduzierung von Kompatibilitätsstreitigkeiten vor Ort. Display, Interaktion und visuelle Inspektion werden pro Station in einer Einheit kombiniert, was den Kauf und die Montage zahlreicher separater Komponenten überflüssig macht.
3. Das Ignorieren von Zero-Code-Schulungen führt zu starren Modellen
Ein dritter, subtilerer Fehler besteht darin, dass Anbieter beim Liefertermin feste Modelle bereitstellen. Wenn die Produktionslinie einen neuen Flaschentyp hinzufügt oder ein anderes Etikett verwendet, muss das Unternehmen den OEM für eine Neuschulung kontaktieren und zwei Wochen auf jeden Fall warten. Im Laufe der Zeit stellen Werkstätten die Nutzung der Erkennungsfunktionen ganz ein, wodurch das System zu einem reinen Anzeigeterminal degradiert.
Getränkeproduktionslinien unterliegen schnellen SKU-Updates; eine Variante von Mineralwasser kann heute hinzugefügt werden, und morgen kann ein Geschenkbox-Stil diese ersetzen. Das Modell muss sich gemeinsam mit der Produktionslinie weiterentwickeln. Die Designphilosophie der Zero-Code-Schulung umfasst drei Schritte: Datenerfassung, Annotation und Training. Ein Werkstatttechniker kann diesen Prozess in fünf Minuten beherrschen, und ein Modell zur Teileerkennung kann mit nur 20 bis 30 Beispielbildern trainiert werden. Online-Incremental-Learning sorgt dafür, dass das Modell mit fortgesetzter Nutzung genauer wird. Das bedeutet, dass bei einem Wechsel auf einen neuen Flaschentyp die Produktionslinie das Modell selbst aktualisieren kann, indem sie Dutzende von Fotos aufnimmt, ohne auf den Zeitplan des OEM warten zu müssen. Diese Fähigkeit wird bei der Auswahl leicht übersehen, bestimmt aber letztendlich, ob das System nach einem Jahr Betrieb „mit der Nutzung intelligenter" oder „mit der Nutzung nutzloser" wird.
4. Die Fokussierung nur auf Stationen ohne Zusammenarbeit erzeugt Datensilos
Ein weiterer Ausfallmodus besteht darin, KI-gestützte Arbeitsanweisungen unabhängig einzusetzen, ohne sie in das MES, Andon oder Rückverfolgbarkeitssysteme zu integrieren. Betriebsaufzeichnungen, Ausnahmeblockierungen und Personalprotokolle an der Station verbleiben lokal gespeichert. Bei der qualitativen Rückverfolgung sind manuelle Exporte und Vergleiche von Tabellenblättern erforderlich. Getränkeproduktionslinien haben hohe Anforderungen an die Chargenrückverfolgbarkeit. Tritt ein Defekt bei der Kapseldichtung auf, ist es entscheidend, schnell zu identifizieren, welche Schicht, welcher Bediener und welcher Schritt das Problem verursacht hat. Ohne Systemverknüpfung bleibt die Rückverfolgbarkeit ein leeres Versprechen.
Das korrekte Szenario der Zusammenarbeit sieht wie folgt aus: Das MES gibt einen Arbeitsauftrag heraus, und das System für KI-gestützte Arbeitsanweisungen passt automatisch die SOP an und sendet sie an die Station. Videomaterial, Aktionen, Parameter und Personalprotokolle werden für jeden Schritt aufgezeichnet. Ausnahmen wechseln von der nachträglichen Entdeckung zur Echtzeit-Blockierung. Optimierte SOPs fließen zurück in den Prozessweg des MES.
Fazit: Bei der Auswahl von KI-gestützten Arbeitsanweisungen für Getränkeproduktionslinien sollten drei Fähigkeiten priorisiert werden: Echtzeit-Entscheidungen auf Aktionsebene, integrierte Hardware- und Softwareterminals sowie die Fähigkeit von Modellen zur autonomen Schulung. Falls Unsicherheiten während der Auswahlphase bestehen, sollte vor der großflächigen Einführung eine Pilotprüfung im kleinen Maßstab durchgeführt werden, um die Stabilität sicherzustellen.