KI ohne Datenfundament: Warum die Skalierung in der Pilotfalle stecken bleibt
Christian Reckel
Deutsche Hersteller nutzen im Schnitt nur 40 Prozent ihrer Betriebsdaten. Der nächste KI-Invest ist trotzdem schon geplant.
60 Prozent der vorhandenen Daten bleiben ungenutzt — und auf genau dieser unvollständigen Basis wird die nächste Investitionsrunde freigegeben. Das Problem liegt nicht im Algorithmus. Es liegt zwischen der Maschine und dem System, das sie auswerten soll.
Im Überblick
- Das Signal: Investition trifft auf ungenutzte Daten
- Das Muster: Die Pilotfalle
- Die Wirkung: Warum der zweite Pilot scheitert wie der erste
- Die Frage
Das Signal: Investition trifft auf ungenutzte Daten
Rockwell Automation hat in seinem State of Smart Manufacturing Report 2026 über 100 deutsche Produktionsunternehmen befragt. Ergebnis: 60 Prozent der vorhandenen Betriebsdaten bleiben ungenutzt. Rockwell nennt das explizit ein „strukturelles Hemmnis". 50 Prozent der Unternehmen haben bereits in KI investiert, 47 Prozent planen weiteren Ausbau — auf derselben unvollständigen Datenbasis.
Das Bild bestätigt sich breiter. DXC Technology befragte 2.496 Führungskräfte aus 23 Ländern: 73 Prozent bezeichnen KI als Vorstandspriorität — 94 Prozent scheitern dennoch an der Einführung. Der häufigste Grund, genannt von 34 Prozent und damit häufiger als jeder andere Faktor: fehlende Datenverfügbarkeit und unzureichende Datenqualität.
Das Budget ist da. Die Priorität ist da. Die Daten sind da. Nutzbar sind sie nicht.
Das Muster: Die Pilotfalle
Wer je versucht hat, OT-Daten — Maschinensignale, Sensorwerte, Steuerungsdaten — in ein MES oder ERP zu überführen, kennt die Realität: Die Daten existieren. Aber sie sind nicht zugänglich. Oder nicht standardisiert. Oder nicht in Echtzeit verfügbar. Oder sie liegen in einem System, das seit fünfzehn Jahren nicht angebunden wurde.
IT und OT sprechen unterschiedliche Sprachen. Die Übersetzung kostet. Und sie steht selten im KI-Budget.
Also startet der Pilot mit Exportdaten. Mit Stichproben. Mit bereinigten Testdaten, die mit dem echten Produktionsbetrieb wenig zu tun haben. Der Pilot funktioniert. Das Ergebnis ist überzeugend. Dann kommt die Skalierung — und die Skalierung scheitert. Nicht weil das Modell schlecht ist, sondern weil die Produktionsdaten nicht liefern, was der Pilot versprochen hat.
Das ist die Pilotfalle. Sie hat eine vorhersehbare Ursache: KI-Budgets fließen in Softwarelizenzen und Modell-Training. Nicht in Maschinenanbindung, Datenqualität und OT-IT-Integration. Die Reihenfolge ist falsch. Man investiert in Schicht drei, ohne Schicht eins zu haben.
Das Muster kennt jeder, der Lean oder Agile eingeführt hat: neue Methode auf altem System, lokale Verbesserung, keine systemische Wirkung. Mit KI ist es dasselbe — nur teurer und schneller sichtbar.
Die Wirkung: Warum der zweite Pilot scheitert wie der erste
Jeder neue KI-Invest ohne bereinigte Datenbasis reproduziert dieselben Verluste. Der zweite Pilot scheitert aus denselben Gründen wie der erste. Nur teurer.
Der Unterschied zwischen Unternehmen, die KI skalieren, und solchen, die in der Pilotfalle feststecken, liegt nicht in der Qualität des Modells. Er liegt in der Entscheidung, zuerst das Datenfundament zu adressieren — bevor das nächste Budget für das nächste KI-Projekt freigegeben wird. Der Kyndryl Readiness Report (via automotiveit.eu) beziffert, wie schmal diese Gruppe ist: Nur 26 Prozent der Unternehmen sind auf die dafür nötige IT-OT-Kopplung vorbereitet.
Was nicht in Echtzeit vorliegt, kann nicht gesteuert werden. Was nicht gemessen werden kann, kann nicht gelernt werden.
Die Frage
Welchen Anteil Ihrer Betriebsdaten kann Ihr KI-System heute tatsächlich und vollständig nutzen?
Quellen: Rockwell Automation — State of Smart Manufacturing 2026 (via industrial-explorer.de) · DXC Technology (via elektroniknet.de) · Kyndryl Readiness Report (via automotiveit.eu)