KI in der Produktionsplanung: Zwischen Anspruch und Realität

Wer heute über KI in der Produktionsplanung spricht, landet schnell bei großen Versprechen. Präzise Prognosen, selbstoptimierende Abläufe, automatisierte Entscheidungen. Klingt schlüssig – funktioniert im Alltag aber oft nicht so, wie erwartet. Das liegt nicht daran, dass die Algorithmen zu schlecht sind. Es sind vielmehr die Rahmenbedingungen, an denen viele Ansätze scheitern. Und genau hier lohnt sich ein genauer Blick: Was braucht es eigentlich, damit KI in der Produktionsplanung überhaupt sinnvoll eingesetzt werden kann?

Viele dieser Herausforderungen stehen im direkten Widerspruch zu den gängigen Erwartungen an KI. Gerade in der öffentlichen Diskussion entsteht häufig ein Bild, das stark vereinfacht ist und zentrale Voraussetzungen ausblendet. Eine Einordnung dieser verbreiteten Annahmen findet sich im Beitrag KI in der Produktion: Die Wahrheit hinter den Mythen.

Die eigentliche Grundlage für KI in der Produktionsplanung: Daten, die der Realität standhalten

In der Theorie ist die Ausgangslage klar. Planungssysteme greifen auf vorhandene Daten zu, analysieren sie und leiten daraus Entscheidungen ab. In der Praxis ist das Bild deutlich komplexer.

Die Datenbasis in der Produktionsplanung setzt sich aus ganz unterschiedlichen Quellen zusammen. Da sind klassische Stammdaten wie Arbeitspläne, Stücklisten und und Rüstzeiten. Dazu kommen Rückmeldungen aus der Produktion selbst: tatsächliche Bearbeitungszeiten, Störungen, Ausschuss. Und schließlich Kontextinformationen, die oft nur indirekt erfasst sind, etwa Qualifikationen, saisonale Einflüsse oder logistische Randbedingungen.

Die Probleme entstehen selten schlagartig. Es baut sich schleichend auf. Ein Arbeitsgang wird systematisch zu optimistisch bewertet, eine Maschine „liefert“ im System dauerhaft mehr Verfügbarkeit als in der Realität. Und genau an dieser Stelle wird eine einfache Regel entscheidend – eine, die in der Produktionsplanung besonders sichtbar wird: Garbage in, garbage out.

Was banal klingt, hat hier weitreichende Konsequenzen. Denn Planungssysteme – ob klassisch oder KI‑gestützt – arbeiten immer auf Basis der vorhandenen Daten. Sind diese unvollständig oder verzerrt, entstehen keine „ungenauen“, sondern systematisch falsche Ergebnisse.

Ein falsch bewerteter Arbeitsschritt zieht weitere Fehlentscheidungen nach sich. Eine nicht erfasste Störung wirkt sich auf Termintreue, Kapazitätsplanung und Priorisierung aus. Und wenn diese Effekte über mehrere Planungsläufe hinweg bestehen, entsteht ein verzerrtes Bild der gesamten Produktion.

Und genau hier liegt der kritische Punkt: KI korrigiert solche Fehler nicht automatisch. Sie erkennt Muster – aber eben die, die in den Daten stecken. Sind diese Muster falsch, werden diese eher stabilisiert statt aufgedeckt.

Der blinde Fleck: Was zwischen Planung und Realität passiert

Ein zweiter Punkt wird oft unterschätzt. In vielen Unternehmen existiert eine ausgefeilte Produktionsplanung – aber kaum Transparenz darüber, wie stark sie von der Realität abweicht.

Es gibt Pläne, es gibt Ergebnisse. Was fehlt, ist die saubere Verbindung dazwischen.

Erst durch eine versionierte Historisierung von Plan- und Ist-Daten entstehen Muster, z.B. wiederkehrende Verzögerungen, typische Engpässe oder systematische Abweichungen

Planung wird damit erstmals messbar – und damit überhaupt erst lernfähig.

Und dann kommt die entscheidende Frage: Was passiert mit diesen Daten?

Bis hierhin ist vieles noch nachvollziehbar. Daten müssen stimmen, Planung muss mit der Realität abgeglichen werden. Die eigentliche Herausforderung beginnt danach. Was machen Unternehmen mit diesen Daten? Genau an dieser Stelle wird Data Analytics zur zentralen Instanz. Nicht als Dashboard. Nicht als Report. Sondern als Verbindung zwischen Daten und Entscheidungen.

Konkret lassen sich fünf Stufen von Data Analytics unterscheiden:

• Deskriptiv: Was ist passiert? Kennzahlen zu Verfügbarkeit, Leistung oder Termintreue schaffen Transparenz.
• Diagnostisch: Warum ist es passiert? Muster und Ursachen hinter Abweichungen werden sichtbar.
• Prädiktiv: Was wird passieren? Prognosen zu Kapazitäten, Risiken oder Durchlaufzeiten werden möglich.
• Präskriptiv: Was sollte getan werden? Systeme leiten konkrete Maßnahmen oder Alternativen ab.
• Kognitiv: Was wissen wir noch nicht? Systeme erkennen blinde Flecken oder fehlende Daten.

Mit jeder Stufe steigt der Nutzen – aber auch die Anforderungen an Daten, Struktur und Integration.

Wo die eigentlichen Herausforderungen bei der Anwendung von KI in der Produktionsplanung liegen

Die Theorie ist klar. Die Praxis sieht jedoch anders aus.

Viele Unternehmen bewegen sich stabil auf den ersten beiden Stufen: Sie wissen, was passiert ist und oft auch, warum. Transparenz entsteht, Ursachen lassen sich zumindest teilweise erklären.

Genau darüber hinaus wird es schwierig.

Der nächste Schritt, also Prognosen oder sogar konkrete Handlungsempfehlungen, ist kein technisches Upgrade, sondern ein struktureller Bruch. Daten müssen konsistent und kontextreich vorliegen, Muster müssen über längere Zeit stabil bleiben und Ergebnisse dürfen nicht isoliert entstehen, sondern müssen sich in die Produktionsplanung einfügen.

Das klingt naheliegend, ist in der Umsetzung aber anspruchsvoll. Denn in der Realität bleibt Analytics oft an der Oberfläche. Es entstehen Auswertungen, Reports, Dashboards – aber sie greifen nicht in die Produktionsplanung ein. Der Effekt: Man versteht die Vergangenheit besser, verändert aber die Zukunft kaum.

Warum KI in der Produktionsplanung genau hier oft ins Leere läuft

An diesem Punkt wird klar, warum viele KI-Initiativen nicht funktionieren. Wenn Analytics nicht als zentrale Instanz etabliert ist, fehlt die durchgängige Datenbasis, bleiben Muster fragmentiert und es entsteht keine belastbare Entscheidungslogik.

Dann wird KI zum Experiment – nicht zum Bestandteil des Produktionsplanungsprozesses. Erst wenn Analytics diese Rolle übernimmt, entsteht etwas, das KI sinnvoll nutzen kann: ein konsistenter, datengetriebener Planungsprozess.

Wo KI heute tatsächlich greift – und wo nicht

Wenn diese Grundlage vorhanden ist, wird KI deutlich konkreter und vor allem greifbar.

Sie hilft dort, wo Daten Muster hergeben:

• Vorgangsdauern lassen sich realistischer einschätzen
• Risiken werden früher sichtbar
• Planung wird stabiler und weniger anfällig für Überraschungen

Das sind keine spektakulären Effekte. Aber sie wirken direkt im Alltag. Und genau hier liegt der Unterschied zu vielen Erwartungen. KI unterstützt die Produktionsplanung. Sie ersetzt sie nicht.

Die oft diskutierten Zielbilder – vollständig autonome Planung oder selbstoptimierende Systeme – haben aktuell wenig mit der operativen Realität zu tun. Sie setzen eine Tiefe an Daten, Integration und Stabilität voraus, die in den meisten Umgebungen heute noch nicht gegeben ist.

Ein Blick nach vorn: Agenten und vernetzte Planung

Spannend wird es, wenn man einen Schritt weiter denkt. In Forschung und Entwicklung tauchen zunehmend agentenbasierte Ansätze auf – also Systeme, die nicht mehr nur zentral planen, sondern Entscheidungen verteilen.

Im Kern lassen sich zwei Richtungen unterscheiden.

Ein Ansatz folgt der klassischen Logik: Eine zentrale Instanz erstellt einen Gesamtplan mit globalem Überblick. Sie berücksichtigt alle Restriktionen, priorisiert Aufträge und sorgt dafür, dass das Gesamtsystem stabil bleibt. Der Vorteil liegt auf der Hand: klare Steuerung, hohe Kontrollierbarkeit, nachvollziehbare Ergebnisse.

Dem gegenüber steht ein dezentrales Modell. Hier agieren einzelne Ressourcen – Maschinen, Arbeitsplätze oder ganze Bereiche – als eigenständige Einheiten. Sie erkennen lokale Engpässe, reagieren auf Veränderungen und stimmen sich untereinander ab. Planung entsteht nicht mehr nur an einer Stelle, sondern verteilt sich im System. Der Reiz dieses Ansatzes liegt vor allem in der Dynamik. Störungen, Eilaufträge oder kurzfristige Änderungen könnten deutlich schneller verarbeitet werden, weil Entscheidungen näher am Geschehen getroffen werden.

Gleichzeitig verschiebt sich damit auch die Herausforderung. Je stärker Entscheidungen dezentral getroffen werden, desto wichtiger wird die Qualität der zugrunde liegenden Informationen und damit wieder Data Analytics. Denn nur wenn alle beteiligten „Agenten“ auf einer konsistenten Datenbasis arbeiten und Abweichungen korrekt interpretieren, entstehen stabile Ergebnisse.

Genau hier zeigt sich die Verbindung zur Realität: Agentenmodelle setzen voraus, dass Daten, Historie und Analytics bereits funktionieren. Ohne diese Basis verlagert man die Komplexität lediglich – man löst sie nicht.

Deshalb sind solche Ansätze aktuell vor allem als Perspektive relevant. Sie zeigen, in welche Richtung sich Planung entwickeln kann. Die Voraussetzung dafür entsteht jedoch deutlich früher im sauberen Umgang mit Daten und in einer Analytics-Logik, die Entscheidung überhaupt erst tragfähig macht.

Praxis statt Buzzwords: Warum Umsetzungserfahrung zählt

Gerade im Kontext KI in der Produktionsplanung zeigt sich schnell, wie groß der Abstand zwischen Konzept und Realität sein kann. Viele Ansätze wirken schlüssig, solange sie abstrahiert bleiben.

In realen Produktionsumgebungen ändern sich die Rahmenbedingungen:

• Daten sind nie perfekt
• Prozesse verändern sich ständig
• Systeme müssen integriert werden

Deshalb entsteht Fortschritt aktuell genau dort, wo Forschung und Praxis zusammenkommen.

DUALIS engagiert sich in diesem Umfeld seit Jahren in entsprechenden Forschungsprojekten – mit Fokus auf realistischere Planung, bessere Prognosen und die Integration dieser Ansätze in bestehende Planungssysteme.

Ein Zielbild, das bewusst unaufgeregt bleibt

Am Ende geht es nicht um einen Autopiloten. Gemeint ist ein Planungsansatz, der kontinuierlich aus der Realität lernt, Abweichungen systematisch auswertet und daraus Prognosen sowie belastbare Handlungsoptionen ableitet – nicht als Ersatz, sondern als Grundlage für Entscheidungen. Der Planer bleibt dabei im Zentrum und bewertet diese Optionen im Kontext der eigenen Produktion.

Genau hier liegt der eigentliche Kern: KI in der Produktionsplanung scheitert selten an Algorithmen. Die entscheidenden Herausforderungen liegen davor – in der Qualität der Daten, in der sauberen Verbindung zwischen Plan und Realität und vor allem in der Rolle von Data Analytics als verbindende Instanz. Erst wenn diese Elemente zusammenspielen, entsteht ein System, das tatsächlich lernt. Und genau dort verläuft die Grenze zwischen einem überzeugenden Konzept und einer Lösung, die im Alltag trägt.