Das durchschnittliche KI-Pilotprojekt in der Fertigung dauert sechs bis zwölf Monate. Die meisten erreichen nie die Produktion. Das Modell funktioniert im Labor, die Demo beeindruckt die Geschäftsführung, und dann tritt das Projekt in eine langsame Todesspirale aus Integrationsherausforderungen, Deployment-Verzögerungen und wechselnden Prioritäten ein. Bis das Team die Infrastrukturprobleme gelöst hat, hat sich der Business Case geändert oder das Budget ist woanders hin gewandert.
Dieses Muster ist so verbreitet, dass viele Hersteller inzwischen davon ausgehen, dass KI-Projekte einfach lange dauern. Das sollten sie nicht. Wenn die richtige Infrastruktur existiert, ist der Weg vom Konzept zur Produktion in sechs Wochen nicht nur realistisch — er ist wiederholbar. Der Engpass war nie das Modell. Es war alles drum herum.
Warum KI-Piloten ins Stocken geraten
Um den Sechs-Wochen-Zeitplan zu verstehen, muss man zunächst verstehen, wo die Zeit in einem typischen Projekt tatsächlich hingeht. Zerlegen Sie ein beliebiges KI-Pilotprojekt in der Fertigung und Sie finden ein konsistentes Muster:
- Wochen 1–6: Datenzugang sichern — Verhandlungen mit der IT, die richtigen SPS-Register finden, individuelle Konnektoren schreiben, Firewall-Regeln klären
- Wochen 7–12: Data Engineering — Sensordaten bereinigen, Zeitstempel ausrichten, eine Vorverarbeitungspipeline aufbauen, mit fehlenden Werten und Formatinkonsistenzen umgehen
- Wochen 13–16: Modellentwicklung — die eigentliche KI-Arbeit, die typischerweise einen Bruchteil des Gesamtzeitplans einnimmt
- Wochen 17–24: Deployment — Inferenzserver einrichten, an Dashboards anbinden, in Bediener-Workflows integrieren, Randfälle behandeln
Die Modellentwicklung — das, was die meisten als KI-Projekt betrachten — nimmt etwa vier Wochen in der Mitte ein. Alles andere ist Infrastruktur. Und diese Infrastruktur wird für jedes einzelne Pilotprojekt von Grund auf neu aufgebaut. Deshalb ziehen sich Projekte in die Länge. Nicht weil die KI schwer ist, sondern weil die Infrastruktur es ist.
Das Sechs-Wochen-Framework
Wenn gemeinsame Infrastruktur bereits existiert — Maschinenkonnektivität, eine einheitliche Datenschicht, Deployment-Pipelines, Bedieneroberflächen — komprimiert sich der Zeitplan dramatisch. So sieht ein realistisches sechswöchiges KI-Projekt in der Fertigung aus:
Woche 1: Scope und Signal-Mapping. Das konkrete Produktionsproblem definieren, die relevanten Maschinensignale identifizieren und die Datenverfügbarkeit verifizieren. Auf einer Plattform mit bestehenden Konnektoren ist das Konfiguration, nicht Entwicklung. Das Team mappt Signale auf den Anwendungsfall und bestätigt die Datenqualität innerhalb von Tagen.
Woche 2: Datenaufbereitung und Feature Engineering. Prozessingenieure — die Menschen, die die Maschinen verstehen — nutzen die visuellen Tools der Plattform, um Daten zu bereinigen, Ausreißer zu entfernen, Zeitfenster auszurichten und abgeleitete Features zu erstellen. Kein Code erforderlich. Keine Übergabe an ein Data-Engineering-Team. Der Domänenexperte arbeitet direkt mit den Daten.
Wochen 3–4: Modelltraining und Validierung. Mit dem integrierten ML Studio trainiert das Team Modelle gegen vorbereitete Datensätze. AutoML übernimmt Hyperparameter-Tuning und Modellauswahl. Prozessingenieure validieren Ergebnisse gegen ihr Domänenwissen — stimmt das Verhalten des Modells mit dem überein, was sie über den Prozess wissen? Iterationen passieren in Stunden, nicht Wochen.
Woche 5: Deployment und Integration. Das validierte Modell wird über dieselbe Plattform mit Live-Produktionsdaten verbunden. Drag-and-Drop-Logikbausteine verbinden den Output des Modells mit Dashboards, Alarmsystemen und Bediener-Workflows. Es gibt keine separate Deployment-Engineering-Phase, denn die Trainingsumgebung und die Produktionsumgebung sind dieselbe Plattform.
Woche 6: Monitoring, Tuning und Übergabe. Das Team überwacht die Modellleistung gegen Live-Daten, passt Schwellenwerte basierend auf Bediener-Feedback an und dokumentiert den operativen Workflow. Am Ende von Woche sechs läuft der Anwendungsfall in der Produktion mit voller Bedieneraufsicht.
Gemeinsame Infrastruktur als Multiplikator
Der Grund, warum dieser Zeitplan möglich ist, ist nicht Geschwindigkeit — es ist Elimination. Das Sechs-Wochen-Framework erledigt nicht dieselbe Arbeit schneller. Es entfernt die Arbeit, die von Anfang an nicht existieren sollte. Maschinenkonnektivität ist bereits gelöst. Datennormalisierung ist bereits vorhanden. Deployment-Pipelines existieren bereits. Das Team konzentriert sich vollständig auf den Anwendungsfall selbst.
Das hat einen sich verstärkenden Effekt. Der erste Anwendungsfall auf einer neuen Plattform erfordert möglicherweise noch initiales Setup — Maschinen verbinden, Datenquellen konfigurieren. Aber der zweite Anwendungsfall auf derselben Linie profitiert von allem, was bereits gebaut wurde. Beim dritten oder vierten Anwendungsfall deployen Teams routinemäßig in zwei bis drei Wochen. Die Infrastrukturinvestition zahlt sich über jedes nachfolgende Projekt aus.
KI in der Fertigung muss kein Mehrquartalsprojekt sein. Wenn das Fundament stimmt, sind sechs Wochen vom Problem bis zum Produktions-Deployment der Standard — nicht die Ausnahme. Die Frage für Hersteller ist nicht, ob dieses Tempo erreichbar ist. Die Frage ist, wie viel länger sie die Alternative akzeptieren wollen.