Wenn ERP und MES nicht miteinander reden, kommt KI nicht auf den Shopfloor

Viele KI-Pilotprojekte in der Fertigung starten mit Daten, scheitern aber am fehlenden Kontext.

Ein Modell kann eine Zahl lesen. Eine Fabrik läuft nicht allein auf Zahlen. Sie läuft auf Aufträgen, Arbeitsplänen, Rezepten, Maschinen, Schichten, Bedienenden, Materialstatus, Qualitätsergebnissen, Wartungshistorie und Liefertermin-Zusagen.

Ohne diesen Kontext kann KI eine Vorhersage liefern. Aber sie liefert keine Aktion.

Das ist einer der häufigsten Gründe, warum KI-Piloten in der Fertigung in einer Demo vielversprechend wirken — aber nicht Teil des Tagesbetriebs werden.

Das Problem ist nicht immer das Modell. Oft ist das Problem die fehlende Verbindung zwischen ERP, MES und dem realen Shopfloor-Prozess.

ERP kennt den Plan. MES kennt die Realität.

ERP-Systeme kennen meistens die Geschäfts- und Planungsseite der Fertigung.

Sie enthalten Kundenaufträge, Liefertermine, Materialien, Einkauf, Lager, Finanzen, Rechnungen und Planungsinformationen.

MES-Systeme sind näher an dem, was tatsächlich auf dem Shopfloor passiert.

Sie erfassen, wann ein Auftrag gestartet ist, welche Maschine die Operation gefahren hat, wo eine Störung auftrat, wie viele Teile produziert wurden, wie viele zurückgewiesen wurden und welches Qualitätsergebnis dokumentiert wurde.

Für KI ist diese Unterscheidung entscheidend.

ERP ist nahe an der Frage: Was sollte passieren?
MES ist nahe an der Frage: Was ist tatsächlich passiert?
KI wird wertvoll, wenn sie beide verbinden und die nächste Frage stützen kann: Was sollten wir jetzt tun?

Warum ISA-95 in der KI-Ära weiter relevant ist

ISA-95 mag wie ein traditioneller Industriestandard klingen, aber für KI-Projekte ist er hochrelevant.

Das ISA-95-Framework definiert die Integration zwischen Unternehmens- und Fertigungssteuerungssystemen. Es beschreibt Technologie und Geschäftsprozesse in Schichten und hilft Unternehmen, Schnittstellen zwischen diesen Schichten zu definieren. Im ISA-95-Modell umfasst Level 3 Manufacturing-Operations-Management-Systeme wie MES, Level 4 umfasst Geschäftsplanungs- und Logistiksysteme wie ERP. Der Standard fokussiert stark auf die Schnittstelle zwischen diesen Ebenen.

Für KI-Projekte wird das zur praktischen Architekturfrage:

Woher liest das KI-System die Daten?
Welche Ebene besitzt die Entscheidung?
Wohin wird die KI-Ausgabe geschrieben?
Welches System bleibt Source of Truth?
Welche Aktionen brauchen menschliche Freigabe?

Werden diese Fragen nicht früh beantwortet, ist das Projekt nicht skalierungsreif.

Daten ohne Fertigungskontext erzeugen schwache Empfehlungen.

Ein Sensorwert allein reicht selten.

Stellen Sie sich eine Maschinentemperatur von 82 °C vor. Ist das normal? Es kommt darauf an.

Welches Produkt wurde verarbeitet? Welches Rezept war aktiv? Was war der Normalbereich für diese Operation? Wurde die Maschine kürzlich gewartet? Stieg die Ausschussquote in derselben Schicht? Hängt der Auftrag an einer kritischen Kundenlieferung?

Derselbe Wert kann für ein Produkt normal und für ein anderes riskant sein. Dieselbe Stillstandskategorie kann auf einer Maschine ein Wartungsproblem und auf einer anderen ein Materialversorgungsproblem bedeuten.

Ohne Kontext findet KI Korrelationen. Mit Kontext kann KI operative Entscheidungen stützen.

„Wir integrieren das später" ist teure technische Schuld.

Ein schneller Prototyp ist nützlich. Nicht jedes frühe Experiment braucht volle ERP-MES-Integration.

Aber in der Fertigung ist Integration kein technisches Detail, das immer am Ende ergänzt werden kann. Integration ist das Rückgrat, das KI-Ausgabe an die operative Realität koppelt.

Wenn das Modell ein Qualitätsrisiko vorhersagt: welcher Auftrag ist betroffen?
Wenn es eine Wartungspriorität vorschlägt: welches System erstellt die Aufgabe?
Wenn es ein Lieferverzugsrisiko erkennt: welche:r Planer:in bekommt den Alert?
Wenn es Stillstand klassifiziert: wie wird die Klassifizierung auf bestehende MES-Reason-Codes abgebildet?

Diese Fragen gehören in die Pilotgestaltung — nicht in eine Phase nach dem Pilot.

McKinseys Arbeit zum „Pilot Purgatory" der digitalen Fertigung beschreibt dieselbe Skalierungs-Herausforderung: Viele Hersteller fahren Piloten, aber wenige bringen kritische Use Cases in den Großeinsatz. Eine McKinsey-Empfehlung ist, „bottom-line-value backward" statt technologie-vorwärts zu arbeiten und früh eine Sicht auf einen skalierbaren, analytics-fähigen Tech-Stack zu entwickeln.

Ein besserer Mittelstand-Startpunkt: das Minimum Context Model

Mittelständler müssen nicht jedes System ersetzen, bevor sie mit KI starten.

Ein praktischer erster Schritt ist, ein Minimum Context Model für eine Entscheidung zu bauen.

Beispiel: Wenn das Ziel ist, das Verspätungsrisiko für kritische Kundenaufträge vorherzusagen, braucht das KI-System vielleicht nur einen fokussierten Datensatz, der Folgendes verbindet:

Auftrag,
Produkt- oder Teilenummer,
Routing-Schritt,
Maschine oder Linie,
geplanter Start- und Endzeitpunkt,
tatsächlicher Start- und Endzeitpunkt,
Stillstandsgrund,
produzierte Menge,
Ausschuss- oder Nacharbeitsmenge,
Qualitätsergebnis,
Schicht,
Liefertermin Kunde.

Das verlangt am ersten Tag keinen riesigen Data Lake.

Es verlangt eine klare Entscheidung, verlässliche Datenverantwortung und ein einfaches Integrationsdesign, das ERP-Planungsdaten mit MES-Ausführungsdaten verbindet.

Fünf KI-Use-Cases, die durch ERP-MES-Kontext freigesetzt werden

Sobald ERP- und MES-Kontext verbunden sind, werden mehrere praktische KI-Use-Cases deutlich einfacher umsetzbar.

Lieferverzugsvorhersage. KI kann anhand der aktuellen Shopfloor-Ausführung erkennen, welche Aufträge einen Liefertermin verfehlen werden.
Stillstandsklassifizierung. KI kann Stillstandsgründe standardisieren und unklare oder inkonsistente Shopfloor-Einträge reduzieren.
Qualitätsrisikoerkennung. KI kann Prozessdaten, Operationshistorie und Qualitätsergebnisse verbinden, um riskante Chargen oder Teile hervorzuheben.
Wartungspriorisierung. KI kann Wartungsteams unterstützen, indem sie Stillstandsmuster, Maschinenhistorie und Produktionsdringlichkeit kombiniert.
Planungsunterstützung. KI kann Planer:innen helfen zu verstehen, welche Aufträge, Maschinen oder Operationen zuerst Aufmerksamkeit brauchen.

Der gemeinsame Punkt ist einfach: Jeder Use Case wird wertvoll erst dann, wenn die KI-Ausgabe an eine operative Aktion gekoppelt ist.

Read-only, assistierte Aktion oder automatisches Write-back?

Eine der wichtigsten Designentscheidungen ist die Berechtigungsstufe des KI-Systems.

Liest die KI nur Daten und erstellt ein Dashboard?
Schlägt sie Aktionen zur menschlichen Freigabe vor?
Erstellt sie Wartungsaufgaben?
Aktualisiert sie einen Status im ERP?
Schreibt sie eine Stillstandskategorie in das MES?

Für viele Fertigungs-Mittelständler ist der beste erste Schritt nicht Vollautomatisierung. Es ist assistierte Aktion.

KI empfiehlt. Ein Mensch gibt frei.
KI klassifiziert. Ein Mensch sieht Ausnahmen durch.
KI erkennt Risiko. Ein:e Planer:in entscheidet die Aktion.

Dieser Ansatz reduziert Risiken, baut Vertrauen auf und schafft eine Lernschleife. Außerdem wird das System auditierbar.

Der Deloitte 2025 Smart Manufacturing and Operations Survey zeigt, dass Hersteller in Smart-Manufacturing-Grundlagen wie saubere Datenanalytik, Sensoren, Cloud und KI investieren, aber gleichzeitig mit operativem Risiko, komplexer Transformation und Personalengpässen kämpfen.

Integration ist Vertrauensarchitektur.

In der Fertigung ist Vertrauen praktisch.

Wenn Bedienende dem Alert nicht vertrauen, ignorieren sie ihn.
Wenn Planer:innen den Daten nicht vertrauen, bleiben sie bei Excel.
Wenn Wartungsteams nicht sehen können, warum KI eine Aufgabe vorschlägt, handeln sie nicht.
Wenn Qualitätsteams die Empfehlung nicht nachvollziehen können, lehnen sie das System ab.

Deshalb geht es bei ERP-MES-KI-Integration nicht nur um APIs.

Es geht um Source of Truth, Nachvollziehbarkeit, Verantwortung und Aktion.

Ein Produktions-KI-System sollte beantworten:

Welche Datenquelle wurde verwendet?
Wann wurden die Daten aktualisiert?
Welches System besitzt den Status?
Was hat die KI empfohlen?
Wer hat die Aktion freigegeben?
Was war das Ergebnis?

Ohne diese Nachvollziehbarkeit wird KI sich schwertun, Teil des Produktionsbetriebs zu werden.

Eine 90-Tage-Pilotstruktur für Fertigungs-Mittelständler

Ein praktischer KI-Pilot kann klein starten.

Wochen 1–2: Eine Entscheidung wählen und den Business-KPI definieren. Beispiel: weniger verspätete Aufträge, weniger unklare Stillstandscodes, bessere First-Time-Right-Qualität oder priorisierte Wartungsaufgaben.
Wochen 3–6: Die benötigten ERP- und MES-Felder mappen und das Minimum Context Model bauen.
Wochen 7–10: Den KI-gestützten Workflow mit menschlicher Prüfung erstellen.
Wochen 11–12: Geschäftswirkung messen und entscheiden, ob der Use Case auf eine andere Linie, Maschinengruppe, Standort oder Prozess skaliert werden soll.

Der Schlüssel ist nicht, zu beweisen, dass KI eine Vorhersage erzeugen kann.

Der Schlüssel ist, zu beweisen, dass KI eine reale Fertigungsentscheidung verbessern kann.

Fazit

Wenn ERP und MES nicht miteinander reden, kommt KI nicht auf den Shopfloor.

Das Modell mag dennoch ein Dashboard, einen Alert oder eine Vorhersage erzeugen. Aber ohne Geschäftskontext, Shopfloor-Kontext und Systemverantwortung wird die Ausgabe nicht verlässlich zu Aktion.

Für Fertigungs-Mittelständler starten die besten KI-Projekte mit einer operativen Entscheidung, einem messbaren KPI und einem Integrationsdesign, das die geplante Welt des ERP mit der tatsächlichen Welt des MES verbindet.

Bei OzyCore designen wir KI-Automatisierungsprojekte nach diesem Prinzip: mit der Geschäftsentscheidung starten, den richtigen Datenkontext verbinden, menschliche Freigabe behalten, wo sie nötig ist, und nur skalieren, wenn der Pilot messbaren Wert beweist.

Bereit, Ihre ERP-MES-KI-Integration zu mappen?

Wenn Ihre Fabrik auf entkoppelten ERP-, MES- und Excel-Realitäten läuft, starten Sie mit einem KI-Readiness-Check. Wir helfen Ihnen, die richtige operative Entscheidung zu wählen, das Minimum Context Model zu definieren und einen kontrollierten 90-Tage-Piloten zu entwerfen, der Planung und Ausführung verbindet.

Quellen

ISA, „ISA-95 Series of Standards: Enterprise-Control System Integration" — isa.org
MESA International, „AI & Machine Learning Hub" — mesa.org
Deloitte, „2025 Smart Manufacturing and Operations Survey" — deloitte.com
McKinsey, „How digital manufacturing can escape 'pilot purgatory'" — mckinsey.com