In vielen Werken haengt Ursachenarbeit an wenigen sehr erfahrenen Menschen. Sie kennen die Linie, die Historie, die Eigenheiten der Anlage, die Abkuerzungen in der Schicht und die Stellen, an denen ein Parameter offiziell gleich bleibt, aber praktisch anders gefahren wird.
Dieses Wissen ist wertvoll. Es ist aber auch ein Engpass.
AI veraendert daran nicht, dass Experten gebraucht werden. Sie veraendert, wann und wie ihr Wissen eingesetzt wird.
Vorher: Experten beginnen bei der Hypothese
Traditionelle Problemloesung startet oft mit einem Meeting. Produktion, Qualitaet, Engineering und Instandhaltung sammeln moegliche Ursachen. Danach werden Daten gesucht, um Hypothesen zu pruefen.
Das ist menschlich sinnvoll, aber anfaellig fuer Bias. Teams suchen zuerst dort, wo sie Erfahrung haben. Ungewohnte Parameter, seltene Kombinationen oder indirekte Effekte bleiben unsichtbar.
Nachher: Experten beginnen bei priorisierten Mustern
AI kann den Suchraum erweitern. Sie kann Parameter, Zeitfenster, Produktfamilien, Materiallose und Prozesszustaende systematischer vergleichen, als es ein Meeting kann. Dadurch startet das Team nicht mit einer leeren Wand, sondern mit priorisierten Hypothesen.
Das macht Expertenwissen nicht kleiner. Im Gegenteil: Es wird wichtiger, weil jemand entscheiden muss, welche Hypothese physisch plausibel, sicher pruefbar und operativ relevant ist.
Wissen wird expliziter
Wenn AI-Ergebnisse in Standardarbeit, Eskalationsregeln und Pruefschritte uebersetzt werden, wandert Wissen aus Koepfen in den Betriebsrhythmus. Junior Engineers bekommen bessere Fragen. Operators sehen klarere Hinweise. Schichtleitungen koennen schneller eskalieren.
Das ist kein Ersatz fuer Erfahrung. Es ist ein Weg, Erfahrung weniger fragil zu machen.
Die Gefahr: AI ohne Fuehrungssystem
Wenn AI nur neue Hinweise erzeugt, ohne Verantwortlichkeiten zu klaeren, entsteht eine weitere Alarmquelle. Wer prueft? Wer entscheidet? Wer darf Setpoints veraendern? Wann wird eine Erkenntnis Standard? Wann braucht es QA oder Change Control?
Diese Fragen sind Lean-Fragen, keine Softwarefragen.
Fazit
AI veraendert Expertenarbeit von reaktiver Suche zu besser gefuehrter Entscheidung. Der beste Einsatz entsteht dort, wo Prozesswissen, Datenanalyse und Shopfloor-Routine zusammenarbeiten.