Dieser Kernprozess wird bei Audi mit KI neu gelebt
Wenn komplette Kernprozesse mit KI neu gedacht werden, entsteht das höchste Potenzial, Zeit und Kosten zu sparen, aber auch Qualität und Ergebnisse zu optimieren. Gerade beim Order-to-Delivery wird so bei Audi durch ganzheitliche Datenarbeit Transparenz in komplexe Fragestellungen gebracht.
Die Produktions- und Logistikprozesse bei Audi lassen sich mithilfe einer klugen Kombination verschiedenster KI-Tools optimieren.
Audi
„Order to Delivery ist ein unglaublich umfassender und komplexer Prozess. Von der Bestellung über die Produktion bis hin zur Auslieferung des Fahrzeugs müssen unterschiedlichste Bereiche zusammenspielen, damit am Ende der Kunde sein Wunschauto erhält“, bringt es Annette Schermer, im Supply Chain-Bereich zuständig für Order to Delivery, auf den Punkt. Unvorhergesehene Engpässe und damit verbundene Umplanungen gehören zu den größten Painpoints. Aber auch die Planung von Einbauraten bei neuen Fahrzeugen war bisher besonders herausfordernd. Bei einem modernen Elektroauto sind tausende Lieferanten und mehr als 5.000 Teilenummern im Spiel, die an die Produktionslinie geliefert werden müssen. Für das gefertigte und qualitätsgeprüfte Fahrzeug erfolgt anschließend die weltweite Distribution ins Heimatland des Kunden und die Übergabe.
Bei Audi ist man sich sicher: Wird KI in den Gesamtprozess integriert, ergeben sich mächtige Einsparpotenziale. Aus Sicht von Dieter Braun, Leiter Supply Chain Management, liegt der Unterschied im Ansatz. Während eine lokale Bottom-up KI-Lösung in einer isolierten Aufgabenstellung wie etwa einem Sequenzierprozess oder der Qualitätsanalyse in einem Schweißprozess vielleicht eine lokale Einsparung von beispielsweise 50 Prozent mitbringe, bleibe die Hebelwirkung insgesamt gering. Die Transformation des Gesamtprozesses gelinge erst durch einen Top-down-Ansatz.
„Wenn wir den KI-Hebel Top-down am Order-to-Delivery-Prozess ansetzen, den alle Kundenfahrzeuge von Audi durchlaufen, dann erzielen wir einen ganz anderen Nutzen und ein viel größeres Einsparpotenzial“, so Braun. Deshalb gehört O2D zu den Fokusfeldern bei Audi, die derzeit mit KI transformiert werden. Die Erfahrung besagt: Durch eine geschickte Kombination der Daten kommt man zu besseren Ergebnissen – und auch jenseits von Krisen gibt es damit grundsätzlich immer einen besseren Weg, der vorher nicht sichtbar war.
Sämtliche Strategien und KI-Technologien nutzen
Dabei kommen je nach Prozessschritt ganz unterschiedliche Daten- und KI-Methoden zum Einsatz, von Machine Learning und Mustererkennung über Dashboarding und Operational Research bis hin zu LLMs. „Wir brauchen im Grunde alle Fähigkeiten, die uns der KI-Koffer gibt, um den ganzen Prozess zu optimieren“, sagt Sebastian Reinisch, Leiter Data Analytics, AI und IT-Security bei Audi in Neckarsulm. Das Spannende sei die Dynamik in der KI-Entwicklung. „Wir überprüfen regelmäßig, ob es neue Technologien gibt, die wir für ein Problem einsetzen können, das vielleicht vor einem Jahr noch nicht lösbar war“, so Reinisch.
Man habe sich Top-down den ganzen O2D-Prozess Ende zu Ende angeschaut und die KI-Potenziale abgeleitet, erläutert Andreas Kühne. „In diesem Schritt haben wir auch gleich bewertet: Welche Daten und Informationen brauchen wir übergreifend für die einzelnen Use Cases oder Fähigkeiten? Welche werden in mehreren Lösungen wiederverwendet?“, so der Programm-Manager KI bei Audi. Dadurch sei mittlerweile ein sehr breites Bild entlang der ganzen Prozesskette entstanden, das heute dazu beitrage, skalierende Datenprodukte zu bauen.
„Allein im Geschäftsbereich der Produktion haben wir mehrere hundert Systeme, die entweder Daten erzeugen oder Daten liefern, oft haben sie einen bestimmten Zweck für einen Teilprozess“, sagt Kühne. Sollen diese Daten für andere Aspekte im O2D-Prozess genutzt werden, seien sie erst einmal nicht in der richtigen Qualität und Systematik integriert. „Das ist wirklich eine große Herausforderung und Aufgabe, die die Fachbereiche nur gemeinschaftlich – mit der IT und mit uns Digitalisierern – lösen können“, so Kühne.
„Cold Start Planner“ hilft, in Szenarien zu denken
Ein Teil des O2D-Prozesses ist die Volumenplanung auf Basis von Einbauraten, auch für neue Modelle, für die es noch keine Erfahrungswerte oder Bestellungen gibt. Da im Rahmen eines Modellanlaufs bei neuen Produkten noch keine Historie vorliegt, wurde der „Cold Start Planner“ (CSP) als skalierbare KI-Anwendung entwickelt, die auf verschiedenen Produktions- und Planungsdaten basiert.
Früher setzte man auf Erfahrungswerte, um Einbauraten abzuschätzen. Ziel des CSP ist die optimierte Bestellung von Teilen. „Neben Erfahrungswerten können wir jetzt sowohl konkrete Erkenntnisse aus den ersten Aufträgen für das Fahrzeug einbeziehen als auch Effekte aus Launch-Events der Händler und was beispielsweise auf Social Media gut ankommt“, sagt Schermer. Am Beispiel Felgen bedeutet das: Auf KI-Basis lassen sich belastbare Prognosen ableiten, welche Ausstattungen in welchen Märkten und Modellen mit welcher Wahrscheinlichkeit geordert werden.
Durch die gute Grundlage gelingt es schneller, uns auf die Problemlösung zu konzentrieren und weniger Zeit für Datenarbeit aufzuwenden
Annette Schermer, Audi
Mit Anwendungen wie dem CSP werde es auch leichter, bei Anpassungsbedarf Alternativen zu ermitteln und deren Auswirkungen zu analysieren. KI verkürzt den manuellen Aufwand in der Alternativenplanung stark. „Es lässt sich dann schon einfacher in Szenarien denken, arbeiten und auch besser entscheiden“, fasst es Annette Schermer zusammen.
Eine andere KI-Anwendung befasst sich mit der Auftragseinplanung in eine Fertigungswoche, die typischerweise vielen Anforderungen seitens Fertigung und Lieferanten unterliegt. Beispielsweise wird damit die Einplanung von bestimmten Ausstattungen optimiert. Die Herausforderung liegt darin, bei Engpässen für eine bestimmte Teilenummer oder einen Lieferanten die konkret betroffenen und schon eingeplanten Fahrzeuge zu identifizieren.
„Durch die gute Grundlage gelingt es schneller, uns auf die Problemlösung zu konzentrieren und weniger Zeit für Datenarbeit aufzuwenden“, erläutert Schermer. Zu den komplexen Themen, die mit KI analysiert werden, gehören vor allem Bauteile, die tief in Untergruppen von anderen Bauteilen liegen und entsprechend der Regeln im jeweiligen Markt verbaut werden müssen.
Die aufwendige Arbeit an den Daten
Die Verwendung von Daten zur Entscheidungs-Unterstützung bringt aus Sicht der Audi-Experten einen Boost für mehr Datenqualität. „Die KI liefert uns teilweise Optimierungsvorschläge, die auch nach intensiver Auseinandersetzung unplausibel sind. Das ist für uns dann ein Hinweis, dass hier beispielsweise veraltete Daten zugrunde liegen“, erklärt Braun. In solchen Fällen gelte es, mithilfe entsprechender Prozesse eine einheitliche Datenqualität zu schaffen – und so die Organisation in Summe voranzubringen.
Auch die datenbasierte Zusammenarbeit über alle Abteilungen hinweg ist entscheidend. Zum Erfolgsrezept gehört Braun zufolge, dass nirgendwo mehr Daten für andere Fachbereiche unsichtbar in Silos liegen. „Wenn Daten fehlen, kann auch die beste KI nicht die beste Lösung erzeugen. Das bedeutet: radikale Offenheit und Transparenz bezüglich der Informationen und Daten“. Man habe lernen müssen, dass umgangssprachliche Beschreibungen, die scheinbar das Gleiche meinen, in der Beschaffungssicht, Vertriebssicht, Produktionssicht oder Finanzsicht nicht immer zwingend das Gleiche bedeuten.
Oft steckten zudem sehr unterschiedliche Inhalte dahinter: Alle Inkonsistenzen auszuräumen, sei eine Riesenaufgabe, die intensive, offene und detaillierte Kommunikation voraussetzt, konstatiert Logistikchef Braun: „Die Arbeit an und mit den Daten ist Grundvoraussetzung dafür, dass KI überhaupt funktionieren kann.“
Menschliche Kritikkompetenz und Urteilskraft sind zentral
Wir werden Vorschläge der KI nicht automatisiert in eine größere Aktion übersetzen, ohne dass ein Mensch kritisch darüber geschaut hat
Dieter Braun, Audi
„Unsere feste Überzeugung ist: Am Ende entscheidet immer der Mensch. Wir werden Vorschläge der KI nicht automatisiert in eine größere Aktion übersetzen, ohne dass ein Mensch kritisch darüber geschaut hat“, stellt Braun klar. Wichtig sei deshalb nicht nur die Weiterentwicklung von KI-Tools, sondern auch die menschliche Kompetenz, Ergebnisse kritisch zu beurteilen. „Es ist unabdingbar, dass beides im Gleichschritt geschieht“, meint Braun.
Zudem wird bei Audi zu den Antworten von Chatbots und GenAI immer eine Quelle mitgeliefert, in der Ursprungsdokumente verlinkt sind. Vor allem aber sollten möglichst viele Mitarbeitende niedrigschwellig mit KI in Berührung kommen, etwa durch die MS Copilot-Nutzung, ergänzt Reinisch: Hier schließt sich auch der Kreis zu den KI-Netzwerken, die Citizen Development vorantreiben, damit immer mehr Fachleute mit Prozesswissen selbst KI für die Transformation einsetzen.
