Allein hochproduktive und zuverlässige Maschinen, Anlagen oder Komponenten zu liefern oder zu betreiben, wird zukünftig als Differenzierungsmerkmal und Basis des Geschäftserfolgs nicht mehr ausreichen. Zusätzlich zu den traditionellen hardwarenahen Kompetenzen müssen Fabrikbetreiber und ihre Ausrüster schnell umfassende Kompetenzen lernen und beherrschen, um neue Methoden und Werkzeuge wie Künstliche Intelligenz und Maschinelles Lernen, Digitale Zwillinge und Datenökosysteme/Datenräume nutzbringend einsetzen zu können. Dies wird nicht im Alleingang erfolgreich sein: nur in Kooperation mit gleichgesinnten Partnern des gesamten Wertschöpfungsnetzwerks, in der jeder seine Stärken ausspielt, können KI-Modelle Mehrwerte für alle Beteiligten schaffen.
Datenökosysteme bzw. Datenräume sind dabei die Basis für den nutzbringenden Einsatz von industrieller KI, besonders für kleine und mittlere Fertigungsbetriebe. Sie standardisieren Daten aus unterschiedlichen Quellen, bieten über standardisierte Konnektoren einfachen Zugang zum Datenökosystem und ermöglichen damit wiederverwendbare KI-Anwendungen. Im Folgenden sind weitere zentrale Aspekte und Vorteile aufgeführt.
Datenökosysteme erleichtern einfache Datenzugänglichkeit und -qualität, auch über Unternehmensgrenzen hinweg, z.B. durch Zugriff auf Maschinen-, Prozess-, Qualitäts- und/oder Wartungsdaten aus verschiedenen Quellen. Standardisierte Formate und ‚Metadaten‘, die die Datenökosysteme festlegen, erleichtern die gezielte Nutzung von Laufzeitdaten. Offene Standards, die bereits beginnen, sich flächendeckend in der produzierenden Industrie durchzusetzen, erleichtern dann die Kombination von Daten aus unterschiedlichen Systemen, z.B. ERP-, MES-, SCADA- oder PLM-Systemen.
Oftmals zögern Unternehmen beim Datenaustausch über Unternehmensgrenzen hinweg, weil sie befürchten, kostbares langjährig aufgebautes Know-how mit den Daten preiszugeben. Datenökosysteme bieten genau dafür maximalen Schutz durch festgelegte Governance und Datensicherheit: Rollen-, Zugriffs- und Nutzungskontrollen, vertrauenswürdige Datenquellen und automatisierbare Datenverträge (Datenzugriffsvereinbarungen) erleichtern und unterstützen den Datenaustausch im Netzwerk. Damit können Ökosystempartner, z.B. Lieferanten, Kunden, Dienstleister, Daten kompletter Wertschöpfungsketten integrieren und zum Nutzen aller Potenziale ausschöpfen, die sie allein niemals heben könnten.
So ergeben sich wesentliche Vorteile beim Einsatz von Künstlicher Intelligenz und Maschinellem Lernen:
- Bereits vorhandene, vorbereitete Datensätze sind für mehrere KI-Anwendungen nutzbar, z.B. Predictive Maintenance, Prozessoptimierung, Qualitätssicherung, etc.
- Die KI-Modelle haben höhere Modell-Qualität und sind vertrauenswürdig, weil saubere, konsistente Daten die Modellgenauigkeit verbessern und damit zu Stabilität und Verständlichkeit der KI-Anwendungen führen.
- Das Teilen von Daten in vertrauenswürdigen Datenökosystemen vermeidet teure Insellösungen und ermöglicht schrittweisen und damit risikoreduzierten Einsatz von KI vom Piloten bis zur Skalierung. Die Standards führen zu weniger Datenaufbereitung pro Projekt und damit zu schnelleren Prototypen und deren iterativer Optimierung.
- Partnerschaftliche Wertschöpfung entsteht, weil Unternehmen einer Wertschöpfungskette Daten kooperativ nutzen, z.B. gemeinsam trainierte Modelle mit Zulieferern, und so gemeinsam ihre Wettbewerbsfähigkeit stärken. Am Ende profitiert jeder Teilnehmer des Datenökosystems.
Typische Nutzungsszenarien sind
- Predictive Maintenance, indem die KI frühzeitig erkennt, wenn Ausfälle von Maschinen oder Komponenten drohen, wann Wartung im komplizierten Fertigungsplan optimal einplant werden kann, ohne die Endtermine zu gefährden oder einfach Stillstandzeiten reduziert werden.
- Prozessoptimierung, beispielsweise bei der Feinjustierung von Prozessparametern, z.B. Temperatur, Geschwindigkeit, Druck, um Ausschuss zu senken.
- Qualitätsvorhersagen durch frühzeitige Erkennung von Abweichungen oder Reduzierung von Ausschuss und Nacharbeit.
- Energie- und Ressourceneffizienz, indem die KI-Modelle Verschwendung erkennen und Verbrauchskurven verbessern.
- Digitale Zwillinge einzelner Anlagen oder Linien, in denen reale Daten aus Maschinen und Anlagen mit Daten aus physikalischer Simulation kombiniert werden, um die Modelle anzureichern oder einfach mehr Daten zum Lernen zu generieren.
So lassen sich KI-Anwendungen schneller, kostengünstiger und mit geringerem Risiko realisieren, was zu reduzierten Stillstandszeiten, besserer Qualität, effizienterer Produktion und letztlich mehr Wettbewerbsfähigkeit führt.
Datenraumwerkstätten fungieren als KI-Inkubatoren
Viele Fabrikbetreiber und ihre Ausrüster sind kleine und mittelständische Unternehmen, die meist keine große IT-Abteilung, wenig Hallenfläche für Prototypen, kaum freie Kapazitäten zur Datengewinnung aus laufenden Maschinen oder kaum Personalkapazität für Forschungsprojekte haben.
Die oben beschrieben Arbeiten, um Künstliche Intelligenz und Maschinelles Lernen im Datenökosystem zu nutzen, schafft kaum ein Unternehmen allein: Der tatsächlich existierende Wissensrückstand sollte gemeinsam mit vertrauenswürdigen Partnern aufgeholt werden. Der sichere Austausch von Daten fördert Kooperation und Innovation innerhalb des Ökosystems und ermöglicht es so, neue Geschäftsmodelle wirtschaftlich umzusetzen, die bislang nicht einträglich waren.
Genau darum bereitet das Fraunhofer IOSB seine bekannten und kooperationsbewährten Forschungsfabriken und KI-Reallabore in Karlsruhe [1] und Lemgo [2] darauf vor, Datenraumwerkstätten zu werden: Hier finden produzierende Unternehmen alle Elemente, um schnell und einfach Datenraumtechnologien zu entwickeln und zu erproben.
Eine Datenraumwerkstatt muss alle Elemente anbieten, die erforderlich sind, um kollaborativ schnell einen Datenraum aufzubauen, heterogene Daten aus verschiedenen Quellen zu gewinnen, zu standardisieren und zu verarbeiten sowie allgemein Mehrwerte für Unternehmen aus dem Datenökosystem anschaulich und verständlich zu machen. Zu diesen Elementen gehören z.B.
- Möglichkeiten zur Instrumentierung von Maschinen, Anlagen und Produktionsprozessen für die Fälle, dass die von Unternehmen vorgesehene oder existierende Sensorik zur Datenerfassung nicht ausreicht.
- Verarbeitung von Produktionsdaten im ‚Edge-Cloud-Kontinuum‘, d.h. Vor-Ort-Rechenkapazität sowie Anbindung an eine leistungsfähige und sichere Cloud-Infrastruktur, z.B. um KI- und ML-Modelle von Komponenten und Maschinen zur Demonstration von Prädiktion bzgl. Qualität, Verfügbarkeit oder Ausbringung zu trainieren und zu erstellen.
- MX-Port-Konfigurationstools zur schnellen Anbindung von Assets an den Datenraum über die verschiedenen Ausprägungen des MX-Port [3] (derzeit Hercules – EDC, Leo – Asset Admin. Shell AAS und Orion – OPC UA).
- Kompetenzen im IT-Sicherheitsmanagement (IEC 62443) und in der IT-Sicherheit (Netzwerk, Kommunikationsprotokolle, IT/-OT-Kopplung, Zugriffs-/Nutzungskontrolle etc.).
- Systematische Entwicklung von KI-Anwendungen und deren Betrieb in industriellen Datenräumen [4] gemäß der Methodik des KI-Engineering [5].
Unter Nutzung dieser Elemente bieten Datenraumwerkstatt unterschiedliche Formate an, von der bilateralen Unterstützung einzelner Unternehmen über Hackathons, z.B. zur kollaborativen Erprobung von Konnektoren bis zu Governance-Workshops, in der die Teilnehmer sich über Regeln, Rollen und Verantwortlichkeiten in einem Datenraum austauschen und verständigen. Auch Standardisierungsinitiativen können durch die Datenraumwerkstatt angestoßen werden.
Autor: Dr. Olaf Sauer, Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung, Karlsruhe)
Bild: Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung, Karlsruhe
Quellen
[1] https://www.reallabore-innovationsportal.de/karlsruher-forschungsfabrik-fuer-ki-integrierte-produktion, letzter Aufruf am 26.01.2026
[2] https://smartfactory-owl.de/ki-reallabor/, letzter Aufruf am 26.01.2026
[3] https://factory-x.org/wp-content/uploads/MX-Port-Concept-V1.10.pdf, letzter Aufruf am 26.01.2026
[4] Usländer, T. (2025). KI-Engineering in industriellen Datenräumen. In: Hoffmann, C.H., Hersberger, S. (eds) Wie die Künstliche Intelligenz die Wirtschaft verändert. Springer, Wiesbaden. https://doi.org/10.1007/978-3-658-46839-2_2
[5] Usländer, Th., Schulz, D. (Hrsg.): KI-Engineering in der Produktion. Whitepaper der Fraunhofer-Institute IOSB und IAIS. Stuttgart: Fraunhofer Verlag, 2023. https://doi.org/10.24406/publica-1685.
Verlinkung
https://industry-insights.podigee.io/32-sauer-fraunhofer-iosb-manufacturingx-industrie-forschung
