KI-Projekte: Worauf Maschinenbauer setzen müssen

Viele KI-Projekte im Maschinenbau scheitern nicht an der Technologie, sondern an fehlenden Datenstrukturen, mangelndem Kontext und unklaren Verantwortlichkeiten. Experten wie Doris Aschenbrenner und Rosalind Salecker betonen, dass grundlegende Digitalisierungsaufgaben oft unerledigt bleiben. Daten sind zentraler Erfolgsfaktor, doch lokale Optimierung ohne systemübergreifende Orchestrierung ist typisch. Dr. Daniel Seiler-Thull von Bosch hebt die Bedeutung standardisierter Datenmodelle hervor, um Silos zu vermeiden. Vorreiter schaffen einen einheitlichen Rahmen aus Datenstrategie, Ontologie und Management, in den jedes KI-Projekt einzahlt. So sinkt der Aufwand für Folgeprojekte, und KI-Agenten können auf kontextualisierte Daten zugreifen. Ohne semantische Verknüpfung bleiben Anwendungen isolierte Einzellösungen.