Künstliche Intelligenz (KI) wird zunehmend als zusätzliche Ebene in industrielle Umgebungen integriert, um Betrieb, Instandhaltung, Qualität und Cybersicherheit zu unterstützen, während Kernsteuerungs- und Sicherheitssysteme weiterhin strengen Anforderungen an Zuverlässigkeit und Absicherung unterliegen. Aktuelle Daten zeigen eine klare Zunahme von KI-Absichten und Pilotprojekten in der Fertigung, machen jedoch zugleich anhaltende Umsetzungsdefizite, Genauigkeitsbedenken und strukturelle Grenzen sichtbar, die sich aus funktionaler Sicherheit und Anforderungen der Operational Technology (OT) ergeben. Der empirische Befund rahmt KI in industriellen Systemen daher nicht als binäres Upgrade oder Risiko, sondern als Abwägung zwischen messbaren operativen Gewinnen und ebenso messbaren Zunahmen der Systemkomplexität.
Skalierte Einführung versus anhaltende Pilotierung von industrieller KI
Die Einführung industrieller KI ist in der Zielsetzung weit verbreitet, bleibt jedoch in der vollständigen Umsetzung begrenzt. Laut dem State of Smart Manufacturing 2025 von Rockwell Automation pilotieren 56 % der Hersteller Smart-Manufacturing-Lösungen, während lediglich 20 % diese bereits im großen Maßstab einsetzen; weitere 20 % planen entsprechende Investitionen. Gleichzeitig geben 95 % der Hersteller an, bereits investiert zu haben oder innerhalb der nächsten fünf Jahre in KI/ML, generative KI oder kausale KI investieren zu wollen. Numerisch ergibt sich daraus ein breiter Experimentiertrichter, der sich beim Übergang zur operativen Skalierung stark verengt.
Unabhängige Umfrageergebnisse bestätigen diese Skalierungslücke. Eine Reuters-Berichterstattung aus dem Jahr 2024 zu einer Studie von Lucidworks zeigt, dass zwar 58 % der Führungskräfte in der Fertigung planten, ihre KI-Ausgaben im Jahr 2024 zu erhöhen, dieser Wert jedoch deutlich unter den 93 % im Jahr 2023 lag. Entscheidend ist, dass lediglich 20 % der geplanten KI-Projekte in der Fertigung tatsächlich umgesetzt wurden. Das gleichzeitige Vorhandensein von 95 % langfristiger Investitionsabsicht (Rockwell) und 20 % realisierter Umsetzung (Lucidworks via Reuters) quantifiziert eine strukturelle Reibung zwischen Anspruch und Umsetzung, nicht einen Mangel an Interesse.
Regionale Momentaufnahmen bestätigen dasselbe Muster. ITPro-Berichte unter Berufung auf Rockwell Automation zeigen, dass 53 % der britischen Hersteller KI bereits in der Produktion einsetzen, verglichen mit 41 % weltweit, und dass 98 % der britischen Hersteller eine Implementierung planen gegenüber 95 % weltweit. Gleichzeitig werden in demselben Datensatz nur 44 % der erfassten industriellen Daten effektiv genutzt. Dieses numerische Ungleichgewicht – nahezu universelle Absicht bei gleichzeitig unter 50 % liegender Datennutzung – signalisiert, dass Datenreife und Integration weiterhin bindende Engpässe für die Skalierung darstellen.
Weiterführende Analysen: ERP- und MES-Systeme in Produktionsumgebungen
Messbarer operativer Nutzen: Wo KI als Unterstützung der Steuerung wirkt
Dort, wo KI erfolgreich integriert ist, lässt sich der operative Nutzen quantifizieren. Eine McKinsey-Analyse zu Manufacturing Analytics aus dem Jahr 2017 berichtet von 30–50 % geringeren Maschinenstillständen und 20–40 % längerer Maschinenlebensdauer durch den Einsatz prädiktiver Instandhaltung. Diese Kennzahlen belegen den Mehrwert von KI als Unterstützung zustandsbasierter Steuerungsentscheidungen und nicht als Ersatz deterministischer Regelungslogik.
Spätere McKinsey-Analysen zu Industrie 4.0 (2022) erweitern den quantifizierten Nutzen: 10–30 % höhere Durchsätze, 15–30 % Produktivitätssteigerung der Arbeit und 30–50 % weniger Stillstandszeiten, ergänzt um 85 % genauere Prognosen. Auch wenn die Prognosekennzahl keine Baseline-Fehlermetrik spezifiziert, ist die Größenordnung ausdrücklich als relative Verbesserung ausgewiesen. Diese Spannweiten zeigen, dass KI die operative Leistung wesentlich verbessern kann, wenn sie als Entscheidungshilfeschicht eingesetzt wird.
Marktindikatoren auf globaler Ebene stützen dieses Wertversprechen. IoT Analytics beziffert den weltweiten Markt für prädiktive Instandhaltung im Jahr 2022 auf 5,5 Mrd. USD, mit einem jährlichen Wachstum von 11 % und einer geschätzten 17 % CAGR bis 2028. Dieselbe Quelle nennt medianen Kosten ungeplanter Stillstände von über 100.000 USD pro Stunde, was einen wirtschaftlichen Kontext schafft, in dem selbst partielle Reduktionen erhebliche Erträge generieren können. ITPro verweist zudem auf ROI-Zeiträume von unter 12 Monaten in britischen Fertigungsumgebungen, wobei die genaue Definition des ROI im vorliegenden Material nicht spezifiziert ist.
Umsetzungshemmnisse: Genauigkeit, Kostenstruktur und Datennutzung
Trotz der quantifizierten Vorteile sind auch die Umsetzungshemmnisse numerisch belegt. Die Reuters-Zusammenfassung der Lucidworks-Studie aus dem Jahr 2024 zeigt, dass 44 % der Befragten aus der Fertigung Genauigkeit als zentrales Problem nennen, verglichen mit 36 % über alle Branchen hinweg – eine Differenz von 8 Prozentpunkten, die die höheren Toleranzanforderungen industrieller Umgebungen widerspiegelt. Dies steht im Einklang mit der niedrigen Umsetzungsquote (20 %), trotz berichteter Kosteneinsparungen bei „nahezu der Hälfte“ der Befragten.
Die Kostenstruktur trägt zusätzlich zur Komplexität bei. Derselbe Reuters-Bericht weist darauf hin, dass 70 % der Hersteller im Vorjahr auf kostenintensive kommerzielle KI-Modelle zurückgegriffen haben. Diese Abhängigkeit führt zu laufenden Kosten und zu Fragen der Anbieterbindung, die sich von klassischen Investitionen in die industrielle Automatisierung unterscheiden, welche häufig über lange Anlagenlebenszyklen abgeschrieben werden.
Die Datenreife bleibt ein quantitativer Engpass. Rockwell-nahe Berichte zeigen, dass nur 44 % der erfassten Daten im britischen Fertigungskontext effektiv genutzt werden. In Verbindung mit den 56 % Pilotprojekten und lediglich 20 % Skaleneinsatz deutet dies darauf hin, dass die Komplexität von KI weniger aus der algorithmischen Leistungsfähigkeit resultiert als vielmehr aus Integrations-, Governance- und Data-Engineering-Aufwänden, die eine Skalierung verzögern oder verhindern.
Thematisch verwandt: Warum komplexe technische Systeme trotz ausgereifter Technologie scheitern
Sicherheits- und Zuverlässigkeitsanforderungen: Wo KI den Absicherungsaufwand erhöht
Industrielle Steuerungssysteme unterliegen expliziten Zuverlässigkeitszielen, die in funktionalen Sicherheitsnormen definiert sind. IEC 61508 legt, wie in einer Anwendungsnotiz von MTL aus dem Jahr 2016 zusammengefasst, für den Low-Demand-Betrieb PFDavg-Bereiche von 10⁻² bis <10⁻¹ (SIL 1) bis 10⁻⁵ bis <10⁻⁴ (SIL 4) fest. Im kontinuierlichen oder High-Demand-Betrieb reichen die PFH-Zielwerte von 10⁻⁶ bis <10⁻⁵ pro Stunde (SIL 1) bis 10⁻⁹ bis <10⁻⁸ pro Stunde (SIL 4).
Diese numerischen Schwellenwerte erklären, warum KI häufig außerhalb sicherheitskritischer Regelkreise verbleibt. Dasselbe MTL-Material stellt ausdrücklich fest, dass Softwarefehler systematisch und nicht zufällig sind und daher qualitative Absicherungsmethoden erfordern, anstatt probabilistischer Ausfallratenmodelle. Die Einführung von KI-Komponenten in sicherheitsnahe Funktionen erhöht somit den Aufwand für Verifikation, Validierung und Absicherung, ohne die zugrunde liegenden SIL-Zielwerte zu verändern.
Cybersicherheitsdruck innerhalb industrieller KI-Stacks
Cyberrisiken fügen eine weitere quantifizierte Komplexitätsebene hinzu. Rockwell Automation berichtet, dass 49 % der Hersteller planen, im Jahr 2025 KI für Cybersicherheit einzusetzen, gegenüber 40 % im Jahr 2024, was einem Anstieg von 9 Prozentpunkten innerhalb eines Jahres entspricht. Dieser Zuwachs an defensiver KI-Absicht fällt mit einer weiterhin hohen Zahl gemeldeter Schwachstellen in industriellen Steuerungssystemen zusammen. Eine von SecurityWeek zitierte SynSaber-Analyse weist 185 CISA-ICS-Advisories im ersten Halbjahr 2023 aus, gegenüber 205 im ersten Halbjahr 2022, wobei die Zahl der abgedeckten Schwachstellen um 1,6 % zurückging. IndustrialCyber berichtet für denselben Zeitraum über einen Rückgang der Advisory-Anzahl um 9,8 % gegenüber dem Vorjahr.
Der Widerspruch ist numerisch klar: Die wahrgenommene Relevanz von Cyberrisiken (Anstieg der Absicht auf 49 %) nimmt zu, während ein Offenlegungsindikator (halbjährliche Advisory-Zahlen) sinkt. Die vorliegenden Daten liefern keine Erklärung für diese Divergenz, und kausale Schlussfolgerungen über die bloße Gegenüberstellung hinaus werden durch die Quellen nicht gestützt.
Investitionsabsicht versus Systemkomplexität: Einordnung der Widersprüche
Über den Datensatz hinweg bestehen mehrere quantifizierte Widersprüche. Hersteller berichten von 95 % KI-Investitionsabsicht über fünf Jahre (Rockwell), setzen jedoch nur 20 % der geplanten Projekte um (Lucidworks via Reuters). Operative Nutzenkennzahlen – 30–50 % weniger Stillstand und 10–30 % höhere Durchsätze (McKinsey) – bestehen neben strukturellen Hürden wie 44 % Genauigkeitsbedenken, 70 % Abhängigkeit von kostenintensiven Modellen und lediglich 44 % effektiver Datennutzung.
Ähnlich verhält es sich bei der Cybersicherheit: Die zunehmende Nutzung von KI (+9 Prozentpunkte im Jahresvergleich) geht einher mit einem moderaten Rückgang gemeldeter ICS-Advisories (205 auf 185 in vergleichbaren Halbjahreszeiträumen). Ob KI Vorfälle reduziert, Berichtspraktiken verändert oder lediglich zusätzliche Analysewerkzeuge bereitstellt, lässt sich anhand der vorliegenden Zahlen nicht bestimmen und bleibt offen.
Festhalten lässt sich auf Basis der Zahlen, dass die Rolle von KI in industriellen Systemen durch Asymmetrie gekennzeichnet ist: Nutzenkennzahlen skalieren schneller als Absicherungsrahmen, und Investitionsabsichten wachsen schneller als die tatsächliche Umsetzungskapazität.
Zur Vertiefung empfohlen: Cybersicherheit industrieller Systeme – reale Angriffsvektoren
Fazit
Die Evidenz zeigt, dass künstliche Intelligenz in industriellen Systemen messbare operative Unterstützung liefert – mit 30–50 % weniger Stillstandszeiten, 10–30 % höheren Durchsätzen und schnellerem ROI – gleichzeitig jedoch messbare Komplexität durch Genauigkeitsanforderungen, begrenzte Datennutzung (44 %), Kostenstrukturen (70 % Nutzung kommerzieller Modelle) und strenge Sicherheits- und Zuverlässigkeitsziele (bis zu 10⁻⁹ PFH) einführt. Die Einführung ist breit (95 % Absicht), aber flach (20 % im Skaleneinsatz), und die Bedeutung der Cybersicherheit nimmt zu, während Offenlegungsindikatoren zurückgehen. Innerhalb dieser numerischen Rahmenbedingungen fungiert KI als Unterstützung der Steuerung, wenn sie Entscheidungsprozesse außerhalb sicherheitskritischer Regelkreise ergänzt, und als zusätzliche Komplexität, wenn sie mit Anforderungen an Absicherung, Integration und Governance kollidiert.
Spannender Punkt mit der zusätzlichen Komplexität durch KI. Mich würde interessieren, wo in der Praxis wirklich der Mehrwert endet und wo KI eher neue Risiken ins System bringt.