Früher hätten Planer Daten ausgewertet, Modelle aufgebaut und Szenarien untersucht. Heute wird die Frage schnell einer KI übergeben. Sekunden später erscheint eine plausible Antwort, vielleicht sogar mit Empfehlung. Doch ist sie belastbar genug für eine Investitionsentscheidung?

Eine zentrale Schwierigkeit beim Einsatz künstlicher Intelligenz in Produktion und Logistik lautet: Eine plausible Antwort ist noch keine belastbare Entscheidung. Fabriken bestehen aus Restriktionen, Wechselwirkungen, zeitlichen Abhängigkeiten, Unsicherheiten und Zielkonflikten. KI kann unterstützen, ersetzt aber nicht die Methoden, mit denen diese Zusammenhänge untersucht werden.

Die gefährliche Stärke plausibler Antworten

Generative KI kann Daten strukturieren, Dokumentationen auswerten, Zusammenhänge erklären und Lösungsansätze schnell formulieren. Darin liegt ein Risiko: Ein überzeugendes Ergebnis vermittelt leicht den Eindruck, die Fragestellung sei gelöst. In industriellen Planungssituationen reicht Plausibilität nicht aus.

Ein typisches Beispiel ist die Dimensionierung Fahrerloser Transportfahrzeuge (Automated Guided Vehicles, AGV). Aus Transportmengen, Geschwindigkeiten, Entfernungen sowie Be- und Entladezeiten lässt sich ein theoretischer Fahrzeugbedarf berechnen. Auch eine KI kann das.

Die eigentliche Planungsfrage beginnt danach: Was passiert, wenn mehrere Transportaufträge gleichzeitig entstehen? Wie wirken sich Kreuzungen, Leerfahrten, Batterieladung, Störungen oder Prioritätsaufträge aus? Was geschieht während einer Produktionsspitze?

Solche Wechselwirkungen lassen sich mithilfe dynamischer Simulation untersuchen. Entscheidend ist nicht nur, ob die rechnerische Kapazität ausreicht, sondern wie sich das Gesamtsystem über die Zeit verhält. Aus einem Berechnungsproblem wird ein Systemproblem.

Nicht jede intelligente Frage ist ein KI-Problem

In der aktuellen Diskussion werden unterschiedliche Methoden häufig unter künstlicher Intelligenz zusammengefasst. Für industrielle Anwendungen ist das wenig hilfreich: Die Methoden beantworten unterschiedliche Fragen.

Machine Learning leitet aus historischen Daten ab, was wahrscheinlich passieren wird, etwa bei Nachfrage, Maschinenausfällen oder Qualitätsabweichungen.

Mathematische Optimierung sucht unter definierten Bedingungen nach der besten Lösung, beispielsweise für Produktionsreihenfolgen, Transportwege oder Ressourcenzuordnungen.

Simulation untersucht die Konsequenzen einer Entscheidung in einem dynamischen System und bildet Schwankungen, Ressourcenkonflikte oder Störungen über die Zeit ab.

Generative KI macht Informationen zugänglich, strukturiert Fragestellungen und interpretiert Ergebnisse.

Die Methoden konkurrieren nicht miteinander. Sie bearbeiten unterschiedliche Teile derselben Entscheidung.

Von der künstlichen Intelligenz zur Entscheidungsarchitektur

Die Fabrik der Zukunft benötigt vermutlich kein Modell, das alles kann, sondern spezialisierte Modelle, die zusammenarbeiten.

Eine solche Entscheidungskette könnte aus fünf Schritten bestehen:

1. Verstehen. Daten aus ERP, MES, Sensorik und weiteren Systemen beschreiben den aktuellen Zustand. Generative KI macht diese Informationen zugänglich und erfasst Fragestellungen in natürlicher Sprache.
2. Antizipieren. Prognosemodelle bestimmen wahrscheinliche Entwicklungen, etwa bei Nachfrage, Durchlaufzeiten, Störungen oder Qualitätsrisiken.
3. Handlungsoptionen erzeugen. Optimierungsverfahren suchen innerhalb definierter Restriktionen nach geeigneten Produktionsplänen, Ressourcenzuordnungen oder Logistikkonzepten.
4. Konsequenzen testen. Simulation prüft, wie sich diese Optionen unter realistischen Schwankungen, Störungen und Abhängigkeiten verhalten.
5. Entscheiden. Der Mensch bewertet Zielkonflikte, Risiken und strategische Rahmenbedingungen und übernimmt Verantwortung, wo Entscheidungen nicht sinnvoll vollständig automatisiert werden können.

Aus einzelnen Werkzeugen entsteht so ein Entscheidungssystem. Eine 2026 veröffentlichte NIST-Roadmap nennt Digital Twins, autonome Systeme sowie Supply-Chain- und Logistikoptimierung als wichtige Anwendungsfelder. Zugleich gelten Daten, Systemintegration, Erklärbarkeit und belastbarer Betrieb als zentrale Herausforderungen. Der Fortschritt könnte daher weniger im nächsten KI-Modell als in der Verbindung spezialisierter Modelle liegen.

Ein Beispiel aus der T&O Group-Projektpraxis

Wie groß der Unterschied zwischen rechnerischer Kapazität und tatsächlichem Systemverhalten sein kann, zeigte sich in einem Projekt der T&O Group zur Dimensionierung einer AGV-Flotte.

Aus Transportmengen, Fahrwegen sowie Be- und Entladezeiten ergab die Kapazitätsrechnung zunächst einen Bedarf von sieben Fahrzeugen. Bei idealer Verteilung der Transportaufträge könnten theoretisch bereits sechs Fahrzeuge ausreichen.

Die dynamische Simulation zeichnete jedoch ein anderes Bild. Mit sechs Fahrzeugen entstanden während Lastspitzen steigende Wartezeiten und Rückstaus. Bei sieben Fahrzeugen konnte das geforderte Servicelevel auch unter den berücksichtigten Schwankungen zuverlässig erreicht werden. Acht Fahrzeuge boten zusätzliche Reserven, brachten jedoch nur noch begrenzten zusätzlichen operativen Nutzen.

Das Projektergebnis war damit nicht einfach „sieben Fahrzeuge werden benötigt“. Es zeigte, warum diese Anzahl die sinnvollste Auslegung darstellte: Sechs Fahrzeuge waren rechnerisch möglich, aber nicht ausreichend robust. Sieben stellten einen belastbaren Betrieb sicher. Acht erhöhten die Robustheit weiter, mussten jedoch gegen zusätzliche Investitionskosten abgewogen werden.

Das Beispiel zeigt: Kapazitätsrechnung liefert einen Orientierungswert, Optimierung zeigt Effizienzpotenziale, Simulation bewertet Robustheit. Erst ihre Verbindung schafft eine belastbare Grundlage für die Investitionsentscheidung.

Generative KI als Schnittstelle

Hier wird Generative KI besonders interessant. Ihr größter Beitrag zur Fabrikplanung könnte ihre Funktion als Schnittstelle zwischen Menschen, Daten und spezialisierten Modellen sein.

Ein Produktionsplaner könnte fragen: „Welche Auswirkungen hätte ein Absatzanstieg von 15 Prozent bei Produktgruppe A auf Liefertermintreue, Bestand und benötigte Schichtkapazität?“

Im Hintergrund aktualisiert ein Forecast-Modell die Nachfrage, eine Optimierung erzeugt Produktionsprogramme, die Simulation überprüft Engpässe und Lieferfähigkeit, wirtschaftliche Modelle bewerten Kosten und Investitionen. Die KI verbindet diese Bausteine und übersetzt die Ergebnisse in eine verständliche Entscheidungsgrundlage.

Damit verschiebt sich ihre Funktion: Die KI muss nicht selbst das beste Modell sein. Sie muss erkennen, welches Modell für welche Fragestellung benötigt wird.

Fünf Fragen für jede KI-gestützte Planungsentscheidung

Bevor eine KI-generierte Empfehlung in eine Planungsentscheidung einfließt, sollten fünf Fragen beantwortet werden:

1. Ist das Ergebnis in realen Daten verankert?
   Eine logisch klingende Antwort besitzt nur begrenzten Wert, wenn sie nicht auf dem tatsächlichen Zustand des Produktionssystems basiert.
2. Kennt das System die realen Restriktionen?
   Schichtmodelle, Kapazitäten, Materialverfügbarkeit, Verkehrsregeln oder technische Abhängigkeiten lassen sich nicht durch Plausibilität ersetzen.
3. Werden Dynamik und Wechselwirkungen berücksichtigt?
   Ein Durchschnittswert kann korrekt erscheinen und trotzdem in Spitzenzeiten zu einem Systemversagen führen.
4. Wurde die Lösung auf Robustheit getestet?
   Gerade bei langfristigen Investitionen ist entscheidend, wie eine Lösung auf Abweichungen reagiert.
5. Ist klar, wer die eigentliche Entscheidung trifft?
   Je größer die wirtschaftlichen oder operativen Konsequenzen, desto wichtiger sind nachvollziehbare Entscheidungslogik und klar definierte Verantwortung.

Diese fünf Fragen sind technologieneutral und gelten unabhängig vom eingesetzten KI-Modell, der Simulationssoftware oder Datenplattform.

Nicht die intelligenteste Lösung gewinnt, sondern die robusteste

Die Diskussion über künstliche Intelligenz konzentriert sich häufig darauf, welche Aufgaben ein Modell übernehmen kann. Für die Industrie ist jedoch eine andere Frage wichtiger: Wie lässt sich aus mehreren spezialisierten digitalen Methoden eine bessere Entscheidung erzeugen?

Unternehmen benötigen nicht zwangsläufig mehr Antworten. Daten, Dashboards, Forecasts und Analysen existieren häufig bereits. Was fehlt, ist ihre Verbindung.

Der nächste Entwicklungsschritt der digitalen Fabrik könnte weniger darin bestehen, überall KI einzubauen. Wichtiger ist eine durchgängige Kette vom Problem bis zur belastbaren Entscheidung. Generative KI kann Modelle zugänglich machen, Analysen koordinieren und Ergebnisse verständlich machen. Die physikalischen, mathematischen und wirtschaftlichen Konsequenzen verschwinden dadurch nicht.

Eine Fabrik lässt sich deshalb auch künftig nicht allein mit künstlicher Intelligenz planen. Die spannendere Vision ist ein Planungssystem, in dem ein Mensch eine reale betriebliche Frage stellt und im Hintergrund genau die Modelle aktiviert werden, die zur Beantwortung nötig sind.

Dann wäre KI nicht der Fabrikplaner, sondern das Bindeglied zwischen Daten, Modellen und demjenigen, der am Ende entscheiden muss.