Potenzialanalyse von KI-Anwendungen in der Produktion
-
Niklas Steireif
Niklas Steireif, M. Sc., studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen University und arbeitet seit 2018 als Wissenschaftlicher Mitarbeiter am Institut für Arbeitswissenschaft (IAW) der RWTH Aachen University.
,
Michael Kranz
Michael Kranz, M. Sc., studierte Computational Engineering Science an der RWTH Aachen University und war anschließend als Simulationsingenieur in der Industrie tätig. Seit 2020 ist er Wissenschaftlicher Mitarbeiter am IAW der RWTH Aachen University.
Jan Langhanki, M. Sc., studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen University und arbeitete bis Mai 2022 als Wissenschaftlicher Mitarbeiter am IAW der RWTH Aachen University.
Josephine Imorde studiert Maschinenbau an der RWTH Aachen University. Seit 2021 arbeitet sie als studentische Mitarbeiterin am IAW der RWTH Aachen University.
Jan Maetschke, M. Sc., studierte Produktionstechnik an der RWTH Aachen University. Er arbeitet seit 2019 als Wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor (WZL) der RWTH Aachen in der Abteilung Produktionsmanagement.
Prof. Dr.-Ing. Susanne Mütze-Niewöhner studierte nach einer Banklehre Maschinenbau an der RWTH Aachen University. Seit ihrer Promotion leitet sie die Abteilung Arbeitsorganisation am Institut für Arbeitswissenschaft der RWTH Aachen University. Sie ist professorales Mitglied der Fakultät für Maschinenwesen und vertritt das Lehr- und Forschungsgebiet Organisationsgestaltung und -entwicklung.
Abstract
KI-Anwendungen versprechen produzierenden Unternehmen zahlreiche Möglichkeiten zur Effektivitäts- und Effizienzsteigerung. Studien zeigen, dass bislang nur eine Minderheit KI-basierte Assistenzsysteme im eigenen Betrieb einsetzt. Ein Grund liegt darin, dass es den Unternehmen schwerfällt, Potenziale strukturiert zu ermitteln und Risiken realistisch abzuschätzen. Der Beitrag präsentiert einen niederschwelligen und partizipativen Ansatz, mit dem ein potenzieller KI-Anwendungsfall identifiziert, spezifiziert und gemeinsam mit betroffenen Stakeholdern hinsichtlich seiner Nutzenpotenziale bewertet werden kann. Das Vorgehensmodell wurde im Rahmen eines Forschungsprojekts entwickelt und in Zusammenarbeit mit produzierenden Anwendungsunternehmen unterschiedlicher Größe pilothaft umgesetzt.
Abstract
AI applications promise manufacturing companies numerous opportunities to increase effectiveness and efficiency. Studies show that so far only a minority uses AI-based assistance systems in their own operations. One reason is that companies find it difficult to identify potential in a structured manner and to realistically assess risks. The paper presents a low-threshold and participatory approach to identify a potential AI use case, specify it, and evaluate it together with affected stakeholders with respect to its specific benefit potentials. The process model was developed as part of a research project and implemented on a pilot basis in collaboration with manufacturing application companies of different sizes.
Hinweis
Bei diesem Beitrag handelt es sich um einen von den Mitgliedern des ZWF-Advisory Board wissenschaftlich begutachteten Fachaufsatz (Peer-Review).
Funding statement: Der Lern- und Experimentierraum KI-LIAS („Künstliche Intelligenz für lernförderliche industrielle Assistenzsysteme“, FKZ: EXP.01.00018.20) wird durch das Bundesministerium für Arbeit und Soziales (BMAS) im Rahmen der „Initiative Neue Qualität der Arbeit“ (INQA) gefördert und durch die Bundesanstalt für Arbeitsschutz und Arbeitsmedizin (BAuA) fachlich begleitet.
Funding statement: Projektträger ist die gsub (Gesellschaft für soziale Unternehmensberatung mbh) in Berlin. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autor:innen.
About the authors
Niklas Steireif, M. Sc., studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen University und arbeitet seit 2018 als Wissenschaftlicher Mitarbeiter am Institut für Arbeitswissenschaft (IAW) der RWTH Aachen University.
Michael Kranz, M. Sc., studierte Computational Engineering Science an der RWTH Aachen University und war anschließend als Simulationsingenieur in der Industrie tätig. Seit 2020 ist er Wissenschaftlicher Mitarbeiter am IAW der RWTH Aachen University.
Jan Langhanki, M. Sc., studierte Wirtschaftsingenieurwesen mit der Fachrichtung Maschinenbau an der RWTH Aachen University und arbeitete bis Mai 2022 als Wissenschaftlicher Mitarbeiter am IAW der RWTH Aachen University.
Josephine Imorde studiert Maschinenbau an der RWTH Aachen University. Seit 2021 arbeitet sie als studentische Mitarbeiterin am IAW der RWTH Aachen University.
Jan Maetschke, M. Sc., studierte Produktionstechnik an der RWTH Aachen University. Er arbeitet seit 2019 als Wissenschaftlicher Mitarbeiter am Werkzeugmaschinenlabor (WZL) der RWTH Aachen in der Abteilung Produktionsmanagement.
Prof. Dr.-Ing. Susanne Mütze-Niewöhner studierte nach einer Banklehre Maschinenbau an der RWTH Aachen University. Seit ihrer Promotion leitet sie die Abteilung Arbeitsorganisation am Institut für Arbeitswissenschaft der RWTH Aachen University. Sie ist professorales Mitglied der Fakultät für Maschinenwesen und vertritt das Lehr- und Forschungsgebiet Organisationsgestaltung und -entwicklung.
Literatur
1 Die Bundesregierung (Hrsg.): Strategie Künstliche Intelligenz der Bundesregierung – Fortschreibung 2020. BMWK, Berlin 2020Search in Google Scholar
2 Ahlborn, K.; Bachmann, G.; Biegel, F.; Bienert, J.; Falk, S.; Fay, A.; Gamer, T.; Garrels, K.; Grotepass, J.; Heindl, A.; Heizmann, J.; Hilger, C.; Hoffmann, M.; Hoffmeister, M.; Jochem, M.; Kalhoff, J.; Kamp, M.; Kramer, S.; Kosch, B.; Legat, C.; Michels, J. S.; Mildner, A.; Nettsträter, A.; Pant, R.; Pittschellis, R.; Schauf, T.; Schlinkert, H.-J.; Ulrich, M.; Zinke, G.: Technologieszenario „Künstliche Intelligenz in der Industrie 4.0“. Plattform Industrie 4.0, Berlin 2019Search in Google Scholar
3 Kaul, A.; Hans, C.; Schieler, M.: Künstliche Intelligenz im europäischen Mittelstand: Status quo, Perspektiven und was jetzt zu tun ist. Universität des Saarlandes, Saarbrücken 2020Search in Google Scholar
4 Rusche, C.; Demary, V.; Goecke, H.; Kohlisch, E.; Mertens, A.; Scheufen, M.; Wendt, J.: KI-Monitor 2022 – Status quo der Künstlichen Intelligenz in Deutschland. Gutachten im Auftrag des Bundesverbandes Digitale Wirtschaft (BVDW) e. V., Köln 2022Search in Google Scholar
5 Baierl, R.; Nitzsche, B.: Künstliche Intelligenz im deutschen Mittelstand – Empfehlungen für eine erfolgreiche Implementierung. In: Bruhn, M.; Hadwich, K. (Hrsg.): Künstliche Intelligenz im Dienstleistungsmanagement (Bd. 1: Geschäftsmodelle – Serviceinnovationen – Implementierung). Springer-Verlag, Berlin, Heidelberg 2021, S. 325–342 DOI:10.1007/978-3-658-34324-8_1310.1007/978-3-658-34324-8_13Search in Google Scholar
6 Lundborg, M.; Gull, I.: Künstliche Intelligenz im Mittelstand – So wird KI für kleine und mittlere Unternehmen zum Game Changer. Bad HonnefSearch in Google Scholar
7 Merkel-Kiss, M.; von Garrel, J.: Systematische Literaturanalyse zum KI-Einsatz und KI-basierten Geschäftsmodellen in produzierenden kleinen und mittleren Unternehmen. Zeitschrift für Arbeitswissenschaft (2022), S. 1–16 DOI:10.1007/s41449-022-00323-910.1007/s41449-022-00323-9Search in Google Scholar
8 VDMA Bayern (Hrsg.): Leitfaden Künstliche Intelligenz – Potenziale und Umsetzungen im Mittelstand. VDMA, München 2020Search in Google Scholar
9 Ulrich, M.; Bachlechner, D.: Wirtschaftliche Bewertung von KI in der Praxis – Status Quo, methodische Ansätze und Handlungsempfehlungen. HMD Praxis der Wirtschaftsinformatik 57 (2020) 1, S. 46–59 DOI:10.1365/s40702-019-00576-910.1365/s40702-019-00576-9Search in Google Scholar
10 Gerpott, T.: Strategisches Technologie- und Innovationsmanagement: Sammlung Poeschel (Bd.162). Schäffer-Poeschel-Verlag, Stuttgart 2013Search in Google Scholar
11 Adam, T.: Die Bewertung von Innovationsideen: eine empirische Analyse von Bewertungsdimensionen und sozialen Einflussfaktoren. Dissertation, RWTH Aachen, 2012Search in Google Scholar
12 Duisberg, M.; Mayer, C.; Langhanki, J.; Mütze-Niewöhner, S.: Digitalisierung mit partizipativem Planungsvorgehen: Potentiale ausschöpfen und Risiken vermeiden In: GfA, Dortmund (Hrsg.): Arbeit HUMAINE gestalten. Frühjahrskongress 2021, Bochum 2021Search in Google Scholar
13 Gützlaff, A.; Fulterer, J.; Maetschke, J.; Schmidhuber, M.; Neumann, H.; Langhanki, J.; Faulhaber, M.: Beispiele für die akzeptanzförderliche Identifikation von Anwendungsfällen für KI-gestützte Assistenzsysteme in produzierenden Unternehmen. Frühjahrskongress 2022. In: GfA, Sankt Augustin (Hrsg.): Technologie und Bildung in hybriden Arbeitswelten. Frühjahrskongress 2022, Magdeburg 2022Search in Google Scholar
14 Krips, D.: Stakeholdermanagement. Springer-Verlag, Berlin, Heidelberg 201710.1007/978-3-662-55634-4Search in Google Scholar
15 Pfeiffer, W.; Dögl, R.: Das Technologie-Portfolio-Konzept zur Beherrschung der Schnittstelle Technik und Unternehmensstrategie. In: Hahn, D.; Taylor, B. (Hrsg.): Strategische Unternehmungsplanung/ Strategische Unternehmungsführung. Springer-Verlag, Berlin, Heidelberg 1997, S. 407–436 DOI:10.1007/978-3-662-41482-8_1910.1007/978-3-662-41482-8_19Search in Google Scholar
16 Abele, T.: Verfahren für das Technologie-Roadmapping zur Unterstützung des strategischen Technologiemanagements. Dissertation, Universität Stuttgart, Stuttgart 2006Search in Google Scholar
17 Ulich, E.: Arbeitssysteme als soziotechnische Systeme – eine Erinnerung. Journal Psychologie des Alltagshandelns 6 (2013) 1, S. 4–12Search in Google Scholar
18 Brugger, R.: Der IT Business Case: Kosten erfassen und analysieren – Nutzen erkennen und quantifizieren-Wirtschaftlichkeit nachweisen und realisieren. Springer-Verlag, Berlin, Heidelberg 2009Search in Google Scholar
19 Fust, A.; Fueglistaller, U.: KMU und Innovationen: der Einfluss des Unternehmens. In: Hoffmann, C.; Lennerts, S.; Schmitz, C.; Stölzle, W.; Uebernickel, F. (Hrsg.): Business Innovation: Das St. Galler Modell. Springer-Verlag, Berlin, Heidelberg 2016, S. 55–80 DOI:10.1007/978-3-658-07167-7_610.1007/978-3-658-07167-7_6Search in Google Scholar
20 Apt, W.; Priesack, K.: KI und Arbeit – Chance und Risiko zugleich. In: Wittpahl, V. (Hrsg.): Künstliche Intelligenz: Technologie – Anwendung – Gesellschaft. Springer-Verlag, Berlin, Heidelberg 2019, S. 221–238 DOI:10.1007/978-3-662-58042-4_1410.1007/978-3-662-58042-4_14Search in Google Scholar
21 Fregin, M.-C.; Levels, M.; de Grip, A.; Montizaan, R.; Kensbock, J.: Künstliche Intelligenz: Ein sozialpartnerschaftliches Forschungsprojekt untersucht die neue Arbeitswelt. IBM Deutschland GmbH und Vereinte Dienstleistungsgewerkschaft ver. di. ROA External Reports, Maastrich 2020Search in Google Scholar
22 Gochermann, J.: Technologiemanagement. Springer-Verlag, Berlin, Heidelberg 2020 DOI:10.1007/978-3-658-28799-310.1007/978-3-658-28799-3Search in Google Scholar
23 Steinhoff, F.: Der Innovationsgrad in der Erfolgsfaktorenforschung – Einflussfaktor oder Kontingenzfaktor? In: Schmeisser, W.; Mohnkopf, H.; Hartmann, M.; Metze, G. (Hrsg.): Innovationserfolgsrechnung: Innovationsmanagement und Schutzrechtsbewertung, Technologieportfolio, Target-Costing, Investitionskalküle und Bilanzierung von FuE-Aktivitäten. Springer-Verlag, Berlin, Heidelberg 2008, S. 3–20 DOI:10.1007/978-3-540-78249-0_110.1007/978-3-540-78249-0_1Search in Google Scholar
24 Boeing, N.; Dettling, D.; Kappes, C.; Kratschmar, A.; Pacozzi, L.; Papasabbas, L.; Papp, F.; Reichel, A.; Schuldt, C.; Wagner, D. N. (Hrsg.): Künstliche Intelligenz – Wie wir KI als Zukunftstechnologie produktiv nutzen können. zukunftsInstitut, Frankfurt a. M. 2019Search in Google Scholar
25 Leyh, C.; Meischner, N.: Erfolgsfaktoren von Digitalisierungsprojekten – Einflussfaktoren auf Projekte zur Digitalen Transformation von Unternehmen. ERP Management 2 (2018) 14, S. 35–38 DOI:10.30844/ERP18-2_35-3810.30844/ERP18-2_35-38Search in Google Scholar
26 Käde, L.; von Maltzan, S.: Die Erklärbarkeit von Künstlicher Intelligenz (KI). Computer und Recht 36 (2020) 1, S. 66–72 DOI:10.9785/cr-2020-36011510.9785/cr-2020-360115Search in Google Scholar
27 Schimpf, S.; Rummel, S.: Bewertung von technologischen Entwicklungen. In: Warschat, J.; Schimpf, S.; Korell, M. (Hrsg.): Technologien frühzeitig erkennen, Nutzenpotenziale systematisch bewerten. Fraunhofer Verlag, Stuttgart 2015, S. 46–61Search in Google Scholar
28 Ecker, W.; Coulon, C.-H.; Kohler, M.: KI in die Anwendung bringen – Eine Gemeinschaftsaufgabe für Hochschulen, Forschungseinrichtungen, Unternehmen und Politik. acatech, München 2021Search in Google Scholar
© 2023 Walter de Gruyter GmbH, Berlin/Boston, Germany
Articles in the same Issue
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
Articles in the same Issue
- Inhalt
- Editorial
- Qualitätsmanagement im Wandel
- Fehlermanagement
- Datengetriebenes Fehlermanagement in der Produktion
- Qualitätsüberwachung
- Ganzheitliche und auf maschinellen Lernverfahren basierende Qualitätsüberwachung
- Fabrikplanung
- Fabrikumzüge im Rahmen von Reorganisationsprojekten
- Prozessoptimierung
- ISAK: Ein flexibler Ansatz zur Optimierung von Prozessen in KMU
- Supply-Chain-Simulation
- Catena-X – Online Steuerung und Simulation
- Agilität
- Gestaltung resilienter Produktionsnetzwerke mit Agilitätsbefähigern
- Anforderungsmanagement
- Resilient Requirements Engineering
- Diskontinuität
- Frühaufklärung produktionstechnischer Defizite
- Kundenbindung
- Neue Produkte erfordern neue Denkweisen zur Einführung
- Instandhaltung
- Systemdiagnose an haustechnischen Kompensator-Installationen
- Dämpfung
- Hochdämpfende Metall-Graphit-Verbundwerkstoffe in Werkzeugmaschinen
- Digitalisierung
- Erfolgsfaktoren digitaler Geschäftsmodelle für OEM in der Automobilindustrie
- KI und IoT – Treiber der Digitalen Transformation
- Künstliche Intelligenz
- Kontinuierliche Verbesserung eines KI-Systems
- Potenzialanalyse von KI-Anwendungen in der Produktion
- Cyber-Sicherheit
- Cyber-Security-Herausforderungen im Kontext von Engineering 4.0
- Maschinelles Lernen
- Befähigung von KMU zur Nutzung von Machine-Learning-Potenzialen
- Vorschau
- Vorschau
