Technische Garantien statt Vertrauen

Digitalisierte industrielle Ökosysteme verändern grundlegend die Art und Weise, wie Unternehmen zusammenarbeiten – weg von oberflächlicher Zusammenarbeit hin zu „Coopetition“ [1] – und entwickeln sich zu Wertschöpfungsnetzwerken [2]. Anstatt sich auf unflexible Lieferketten und Netzwerke mit einer begrenzten Anzahl langfristiger Partner zu verlassen, gehen Organisationen zunehmend kurzlebige Kooperationen ein und tauschen gleichzeitig Daten über Organisationsgrenzen hinweg aus (Bild 1) [3]. Das „Internet der Produktion“ [4] stellt ein Umfeld vor, in dem Prozessdaten, Produktmodelle und Produktionsdaten global, organisationsübergreifend und sogar bereichsübergreifend genutzt werden, d. h. unter Einbeziehung von Lieferanten, Kunden und Dienstleistern.

Die wertvollsten Erkenntnisse in solchen Umgebungen ergeben sich oft erst, wenn Daten aus mehreren Organisationen kombiniert werden. Beispielsweise ermöglichen sie Fortschritte bei der Qualitätsvorhersage, der nachhaltigen Lebenszyklusoptimierung sowie der Optimierung und Wartung von Arbeitslasten.

Die Wahrung der Vertraulichkeit von Daten stellt in diesem Zusammenhang jedoch eine Herausforderung dar. Die Gewährleistung von Datensicherheit und Datenschutz wird besonders kritisch, wenn sich Zusammenarbeit und Wettbewerb zwischen Organisationen intensivieren [3]. Bei den betreffenden Daten handelt es sich oft um hochsensible Informationen, die von personenbezogenen und datenschutzrelevanten Angaben bis hin zu vertraulichem geistigem Eigentum (IP) und Geschäftsgeheimnissen reichen. In Ermangelung einer vorherigen langfristigen Beziehung oder bei nur geringfügigen vertraglichen Vereinbarungen sind damit verbundene Fragen entscheidend, um den Datenaustausch überhaupt erst zu ermöglichen.

Heute dominieren organisatorische Vertrauensmechanismen das Bild: Komplexe Verträge, Geheimhaltungsvereinbarungen (NDAs), bilaterale Abkommen und Audits, die alle kostspielig und zeitaufwendig sind, stellen neben der informellen Reputation in der Regel die einzigen Vertrauensquellen dar [5]. Diese Instrumente sind zwar etabliert, aber sie sind langsam und teuer und lassen sich daher nicht auf moderne Ökosysteme skalieren, in denen Organisationen Beziehungen dynamischer aufbauen – möglicherweise sogar nur für Stunden oder Tage statt für Monate oder Jahre.

Eine zentrale Frage ist daher, wie bestehende Vertrauensmechanismen angepasst, weiterentwickelt oder ersetzt werden können, um den Anforderungen zunehmend dynamischer Wertschöpfungsnetzwerke gerecht zu werden. Wie in Bild 2 dargestellt, können organisatorische Mechanismen allein keine ausreichende Datensicherheit und Überprüfbarkeit gewährleisten. Wir schlagen daher eine Verlagerung hin zu neuen Ansätzen vor. Konkret plädieren wir für die Einführung von Rechenschaftspflicht durch die Schaffung expliziter, durchsetzbarer und überprüfbarer technischer Garantien.

Aufbauend auf dieser Vision schlagen wir vor, auf datenschutzstärkende Technologien (Privacy-Enhancing Technologies, PETs) [6] zurückzugreifen, die dynamischen Wertschöpfungsnetzwerken nachprüfbare Garantien für Vertraulichkeit, Integrität und Nutzungskontrolle bieten. Organisatorische Maßnahmen behalten ihre Bedeutung, übernehmen jedoch eine andere Rolle: Sie regeln, was technisch nicht durchgesetzt werden kann, und stellen den Rahmen bereit, innerhalb dessen technische Garantien wirken.

In diesem Artikel liefern wir eine konzeptionelle Synthese der Forschung zu industriellen Datenökosystemen, organisatorischem Vertrauen und PETs, um zu analysieren, wie Vertrauen in dynamische industrielle Wertschöpfungsnetzwerke in technische Garantien umgewandelt werden kann. Dabei zeigen wir auf, welche Aspekte des Vertrauens – insbesondere Vertraulichkeit, Integrität, Nutzungskontrolle und Rechenschaftspflicht – technisch unterstützt werden können und welche weiterhin von der organisatorischen Steuerung abhängen. Auf der Grundlage dieser Erkenntnisse können Entscheidungsträger die Strategien und Arbeitsabläufe ihrer Organisationen schrittweise anpassen.

Vertrauen in dynamischen industriellen Wertschöpfungsnetzwerken

Die industrielle Wertschöpfung wandelt sich und umfasst zunehmend flexible Geschäftsbeziehungen über Lieferketten hinweg (horizontale Zusammenarbeit), die den etablierten Fokus auf lineare Lieferketten (vertikale Zusammenarbeit) ergänzen [3]. Organisationen bauen Kooperationen dynamisch auf, treten ihnen bei und verlassen sie wieder, um Daten bedarfsgerecht über verschiedene Kanäle und Datenökosysteme auszutauschen und wiederzuverwenden. Letztere führen eine neue Art von Vermittler ein, nämlich den (Cloud-)Dienstleister. Großangelegte Initiativen wie Manufacturing-X und GAIA-X verkörpern diesen Trend hin zu föderierten Dateninfrastrukturen [7], die Interoperabilität, Souveränität und die FAIR-Datenprinzipien [8] in den Vordergrund stellen und gleichzeitig Datensouveränität [9], Sicherheit und Datenschutz betonen.

In solchen Kontexten ist Vertrauen vielschichtig. Wir betrachten organisatorisches Vertrauen hier als ein Konzept, das es Organisationen ermöglicht, über technische Mechanismen zusammenzuarbeiten und Daten auszutauschen, während gleichzeitig das Risiko und die Unsicherheit für andere Parteien verringert werden [10]. Tatsächlich umfasst Vertrauen mehrere Akteure (Organisationen und Dienstleister), zur Verfügung stehende Sicherheits- und Datenschutzmechanismen sowie Eigenschaften der Datenverwaltung. Die Beteiligten müssen nicht nur darauf vertrauen können, dass ihre Daten vertraulich bleiben und nicht an Unbefugte weitergegeben werden. Sie benötigen zudem die Gewissheit, dass Daten und Berechnungsergebnisse ihre Integrität bewahren und nicht von Angreifern verändert werden können.

Darüber hinaus sollten Daten ausschließlich für vereinbarte Zwecke, innerhalb genehmigter Bereichen und Zeitrahmen verwendet werden. Jeder Missbrauch oder jede Richtlinienverletzung sollte daher erkannt und angemessen zugeordnet werden. Mit anderen Worten: Vertraulichkeit, Integrität, ordnungsgemäße Nutzung (oft unter dem Begriff „Datennutzungskontrolle“ [11] zusammengefasst) und Rechenschaftspflicht bilden zusammen die praktische Bedeutung von „Vertrauen“ in industriellen Wertschöpfungsnetzwerken. Etabliertes Vertrauen wiederum fördert Zusammenarbeit und Datenaustausch und wirkt sich dadurch erheblich auf Innovation, Produktivität und potenziell auch auf den gesellschaftlichen Fortschritt aus [12].

Traditionelle Mechanismen [13, 14] zur Umsetzung organisatorischer Sicherheit gehen auf diese Bedenken nur unzureichend ein. Verträge können festlegen, was erlaubt und was verboten ist, während Audits gelegentlich die Einhaltung der Vorschriften überprüfen und Zertifizierungen bestätigen können, dass bestimmte Prozesse vorhanden sind. Diese Maßnahmen sind jedoch in der Regel grobmaschig, reaktiv und ohne umsetzbare technische Garantien. Sie mögen Fehlverhalten (sofern es entdeckt wird) abschrecken oder bestrafen, bieten jedoch kaum Unterstützung dabei, es von vornherein zu verhindern, insbesondere in Umgebungen mit vielen (sich gegenseitig misstrauenden) Organisationen. Schlimmer noch: In industriellen Wertschöpfungsnetzwerken können Organisationen einen Anreiz haben, sich aus finanziellen Gründen falsch zu verhalten, solange sie nicht erwischt werden (wie im Modell des böswilligen, aber vorsichtigen Angreifers spezifiziert) [5].

Da die Zahl der Teilnehmer wächst und ihre Beziehungen dynamischer und undurchsichtiger werden, vergrößert sich die Angriffsfläche weiter. Eine gründliche Due-Diligence-Prüfung für jeden neuen Kooperationspartner durchzuführen, ist mittlerweile unpraktikabel geworden. Gleichzeitig ist es nicht mehr realistisch, sich ausschließlich auf gegenseitiges Vertrauen oder die Reputation zu verlassen, wenn sensible geistige Eigentumsrechte oder personenbezogene Daten auf dem Spiel stehen. In solchen dynamischen, großangelegten Ökosystemen müssen daher wesentliche Teile dessen, was früher implizit durch organisatorisches Vertrauen geregelt wurde, durch technische Mittel ersetzt werden: Anstatt davon auszugehen, dass sich Organisationen „angemessen verhalten“, benötigen die Teilnehmer zuverlässige, überprüfbare Garantien, die in die Art und Weise integriert sind, wie Kooperationen aufgebaut, aufrechterhalten und überwacht werden.

Datenschutzstärkende Technologien zur Schaffung zuverlässiger „Vertrauens“-Garantien

Technologien zum Schutz der Privatsphäre (Privacy-Enhancing Technologies, PETs) bieten Bausteine für die Schaffung solcher technischer Garantien. Auf einer übergeordneten Ebene ermöglichen PETs Berechnungen, Datenverarbeitung und Datenaustausch, ohne dass Rohdaten über vereinbarte Grenzen hinaus offengelegt werden. Darüber hinaus können sie je nach Baustein sogar nachprüfbare Nachweise dafür liefern, dass Berechnungen wie versprochen durchgeführt wurden.

Mehrere Familien von PETs sind für industrielle Plattformen besonders relevant [4, 5, 15]. Vertrauenswürdige Ausführungsumgebungen (Trusted Execution Environments, TEEs) bieten eine hardwaregestützte Isolation, wobei Code und Daten in speziell geschützten Bereichen des Betriebssystems gespeichert sind. Was softwarebasierte Konzepte betrifft, ermöglicht die sichere Mehrparteienberechnung (Secure Multi-Party Computation, SMPC) mehreren Parteien, gemeinsam eine Funktion über ihre Eingaben zu berechnen, wobei sichergestellt ist, dass keine Partei mehr als das Endergebnis erfährt. In ähnlicher Weise ermöglicht die homomorphe Verschlüsselung (Homomorphic Encryption, HE) Operationen direkt an verschlüsselten Daten, wie beispielsweise Berechnungen, die auf nicht vertrauenswürdige Infrastruktur (einschließlich Datenökosysteme) ausgelagert werden können.

Ein anderer Ansatz ist die Differential Privacy (DP), bei der Daten so mit Rauschen versehen werden, dass das Vorhandensein oder Fehlen einzelner Datensätze nicht zuverlässig abgeleitet werden kann. Schließlich können Zero-Knowledge-Proofs (ZKPs) nachweisen, dass eine Aussage wahr ist – beispielsweise, dass eine Berechnung gemäß einer Richtlinie durchgeführt wurde –, ohne die zugrunde liegenden Daten preiszugeben.

Bild 3 fasst zusammen, wie die einzelnen Technologien die oben genannten Vertrauenskomponenten (d. h. Vertraulichkeit, Integrität, ordnungsgemäße Nutzung, Rechenschaftspflicht) adressieren. Für einen detaillierteren Überblick verweisen wir auf frühere Arbeiten zur Machbarkeit dieser Bausteine für den Einsatz in industriellen Wertschöpfungsnetzwerken [5, 16, 17].

Gemeinsam unterstützen diese Technologien einen Wandel von organisatorischer Sicherheit („Vertraut uns“) hin zu technischen Garantien („Hier ist der Nachweis“). Anstatt darauf zu vertrauen, dass der Dienstanbieter oder Kooperationspartner die Daten nicht einsehen, können TEEs und HE unbefugten Datenzugriff erheblich verhindern. Andere Bausteine wie SMPC oder ZKPs können weitere Aspekte des Datenlebenszyklus abdecken und so in jeder Phase zuverlässige Garantien bieten.

Insbesondere in Bereichen, in denen organisatorische Sicherheit und implizites Vertrauen bisher üblich waren, ist es unwahrscheinlich, dass PETs alle bisherigen Praktiken ersetzen werden. Die Einführung von PETs in Wertschöpfungsnetzwerken verspricht jedoch Garantien für Kooperationsumgebungen, die andernfalls realistisch gesehen nicht erreichbar wären.

Implikationen für zukünftige industrielle Datenökosysteme

Trotz umfangreicher Forschung [6, 15] ist die praktische Einführung von PETs in der Industrie nach wie vor durchwachsen [16]. So leiten Lohmöller et al. [16] auf der Grundlage von 34 empirischen Studien zur Wahrnehmung von PETs ab, dass die Einführung von PETs nicht nur durch technische Probleme, sondern auch durch Herausforderungen bei der organisatorischen Integration eingeschränkt wird, wie zum Beispiel mangelnde Schulung und Weiterbildung (41 %) sowie Änderungen der Arbeitsabläufe (32 %). Diese Lücke deutet darauf hin, dass die Herausforderung sowohl in der Auswahl geeigneter PETs als auch in der Einbettung ihrer Funktionalitäten in die Architektur und die betrieblichen Arbeitsabläufe industrieller Datenökosysteme besteht.

Wenn PETs in die Landschaft integriert werden sollen, muss sich die Gestaltung von Plattformen und Ökosystemen ändern. Systeme müssen von einem auf Annahmen basierenden Vertrauen (organisatorische Sicherheit [18]) zu Konzepten übergehen, die Vertrauen durch Design (mithilfe technischer Garantien) schaffen [5]. Dann werden Sicherheits- und Datenschutzmechanismen direkt in den Kern einer dynamisch zusammenarbeitenden Landschaft integriert und bieten gleichzeitig Mechanismen zur Überprüfung und Rechenschaftspflicht – Aspekte, die in dynamischen Umgebungen von entscheidender Bedeutung sind [15].

Konkret erfordert dieser Wandel eine rigorose Bedrohungsmodellierung. Plattformentwickler müssen explizit festlegen, wem in welcher Hinsicht vertraut werden soll. Wie vertrauenswürdig ist der Dienstanbieter? Welche böswilligen Handlungen könnten Organisationen begehen? Sind Insider-Bedrohungen ein Problem?

Auch hier hängt die Wahl der PETs von den Zielen und dem betrachteten Bedrohungsmodell ab, da sie auf unterschiedliche Angreifer ausgerichtet sind. TEEs schützen vor einem kompromittierten System; SMPC hilft bei Partnern, die sich gegenseitig misstrauen; DP schützt vor datenbasierten Schlussfolgerungen; und Transparenzreports gewährleisten Überprüfbarkeit [19]. Daher ist es ein wichtiger Schritt, ein genaues Bedrohungsmodell zu erstellen, damit PETs entsprechend ausgewählt und konfiguriert werden können. Andernfalls wird der Übergang von der organisatorischen Sicherheit in der Praxis nicht gelingen, da unberücksichtigte Sicherheits- und Datenschutzbedrohungen den Einsatz weiterhin behindern werden.

Ebenso wichtig für den Einsatz sind Leistungsanforderungen (einschließlich der Skalierbarkeit auf dynamische Umgebungen mit vielen beteiligten Organisationen) und betriebliche Herausforderungen. PETs, insbesondere SMPC und HE, können im Vergleich zur Klartextberechnung einen erheblichen Overhead verursachen. TEEs unterliegen weiteren Einschränkungen, beispielsweise hinsichtlich der Speichergröße [20]. Industrielle Datenökosysteme müssen daher unterscheiden zwischen Anwendungen, bei denen die stärksten PET-Garantien erforderlich sind – zum Beispiel beim IP-sensiblen Modelltraining über Wettbewerber hinweg – und solchen, bei denen weniger aufwendige Mechanismen ausreichen. Sie müssen zudem akzeptable Latenz- und Durchsatzgrenzen definieren und überlegen, wie PETs optimiert oder kombiniert werden können, um diese in der Praxis zu erfüllen.

„Trust by Design“ ist keine einmalige Entscheidung, sondern erfordert eine ständige Neubewertung während des gesamten Betriebs des Ökosystems. Konkret umfasst dies die sichere Einbindung neuer Kooperationspartner, einschließlich der Verteilung und Verwaltung von Schlüsseln und Vertrauensankern. Dazu gehört auch eine kontinuierliche Überprüfung, um sicherzustellen, dass Berechnungen in den erwarteten Umgebungen ausgeführt werden. Audit-Mechanismen sind erforderlich, um nachzuvollziehen, wer welche Aktionen durchgeführt hat, wann diese stattfanden und unter welchen Garantien.

Aktuelle Arbeiten [16] heben Empfehlungen zur Einführung hervor und beleuchten die Wahrnehmung sowie die praktischen Anwendungsmöglichkeiten von PETs. Zu Beginn ist eine schrittweise Integration von PETs, beginnend mit hochwertigen, risikoreichen Anwendungen, ein sinnvoller Weg zur Einführung. Eine breitere Nutzung kann folgen, sobald Organisationen davon überzeugt sind, dass technische Garantien die organisatorische Sicherheit ersetzen oder zumindest ergänzen können. Folglich sollten industrielle Wertschöpfungsnetzwerke eine schrittweise Einführung anstreben, anstatt eine einzige disruptive Umstellung vorzunehmen.

Die technischen Aspekte des Vertrauens

Um den richtigen Rahmen zu schaffen, müssen wir betonen, dass PETs trotz ihres Potenzials nicht perfekt sind. Sie können den Bedarf an Vertrauen auf der Grundlage von Annahmen zwar erheblich verringern, aber sie können nicht alle Vertrauensbedenken ausräumen, da auch Strategien zur Datenverwaltung eine entscheidende Rolle spielen.

Implementierungsfehler, übersehene Bedrohungen und Benutzerfehler können die erreichbaren Garantien untergraben und das Vertrauen in sie schwächen. Solche Mängel und Fehlkonfigurationen in den einzelnen Mechanismen können sogar zu PET-spezifischen Sicherheitsbedrohungen führen wie Seitenkanalangriffe (TEEs), Inferenz (SMPC), Entschlüsselungsfehler (HE), verbleibende Offenlegungsrisiken (DP) und falsche Verifizierung (ZKPs) [15, 20–22], wodurch das Vertrauen in Technologien untergraben wird, die ursprünglich als sicher galten. Technische Garantien, d. h. das Streben nach „Trust by Design“, sind nur so stark wie die schwächste Komponente und Konfiguration im gesamten Ökosystem.

Zudem befassen sich PETs in erster Linie mit den technischen Aspekten des Vertrauens. Mit anderen Worten: Sie legen fest, welche Stelle zum Datenzugriff berechtigt ist, welche Berechnungen zulässig sind und inwieweit zusätzliche Informationen abgeleitet werden können. PETs sind jedoch irrelevant für Governance, Verantwortung, Haftung und ethische Vorgaben. Solche Herausforderungen hängen nach wie vor von organisatorischen Strategien, rechtlichen Rahmenbedingungen und menschlichem Urteilsvermögen ab. Die Kontrolle der Datennutzung und die Datenhoheit können diese zusätzlichen Aspekte zwar bis zu einem gewissen Grad abdecken, sie jedoch nicht vollständig ersetzen.

Blickt man über den anfänglichen Datenaustausch hinaus, bleibt Vertrauen von Natur aus eine organisatorische Angelegenheit. Kein PET kann die Verantwortung der Partner für die Beschaffung oder Nutzung von Daten oder für angemessene Managemententscheidungen im Interesse aller Beteiligten garantieren. Ebenso wenig können PETs Streitigkeiten, die sich aus unvollständigen Beweisen oder unterschiedlichen Auslegungen von Richtlinien ergeben, vollständig lösen. Selbst in einem PET-gesteuerten Ökosystem benötigen Organisationen weiterhin Governance-Prozesse und Mechanismen zur Streitbeilegung, um Fälle von böswilligem Verhalten anzugehen.

Das richtige Ziel besteht daher nicht darin, das organisatorische Vertrauen vollständig zu beseitigen, sondern es zu ergänzen und an moderne Anforderungen anzupassen (Bild 3). PETs ermöglichen es Wertschöpfungsnetzwerken, einen großen Teil des impliziten, nicht überprüfbaren Vertrauens, das sie derzeit regelt, durch zuverlässige, überprüfbare technische Garantien zu ersetzen. Was vom organisatorischen Vertrauen übrig bleibt, ist zwar von geringerem Umfang, aber klarer definiert und besser durch Beweise untermauert und somit in dynamischen Umgebungen besser integrierbar und handhabbar. Anstatt darauf zu vertrauen, dass sich das Ökosystem nicht missbräuchlich verhält, können Organisationen darauf vertrauen, dass das Ökosystem angesichts des skizzierten Bedrohungsmodells und der PET-Konfiguration in hohem Maße daran gehindert ist, einen entsprechenden Missbrauch zu ermöglichen. Somit kann sich das organisatorische Vertrauen vielmehr auf strategische, ethische und Governance-Dimensionen konzentrieren.

Die nächste Generation industrieller Ökosysteme

Dynamische industrielle Wertschöpfungsnetzwerke versprechen erhebliche Vorteile in Bezug auf Effizienz, Innovation und Resilienz. Die Verwirklichung dieses Potenzials setzt jedoch voraus, dass sensible Daten über Organisationsgrenzen hinweg ausgetauscht werden können, ohne inakzeptable Risiken zu verursachen. Traditionelle Mechanismen des organisatorischen Vertrauens sind zwar unverzichtbar, erweisen sich jedoch zunehmend als unzureichend, wenn Kooperationen nur von kurzer Dauer sind und viele Organisationen sowie hochsensible Daten betreffen.

PETs bieten einen vielversprechenden Ansatz zur Bewältigung dieser Herausforderung. Bei vielen Aspekten der industriellen Zusammenarbeit kann organisatorische Sicherheit durch technische Garantien ersetzt werden. Wir vertreten die Auffassung, dass PETs als Grundlage für moderne Ökosysteme dienen sollten, indem sie zuverlässiges, überprüfbares Vertrauen zwischen den Kooperationspartnern schaffen. Während technische Garantien für die operativen Aspekte der Datenhoheit, Sicherheit und des Datenschutzes zuständig sind, sollte sich das Vertrauen in Organisationen auf übergeordnete Governance-Aspekte und die strategische Ausrichtung verlagern.

Mit Blick auf die Zukunft könnten KI und große Sprachmodelle (LLMs) ebenfalls zu einem entscheidenden Faktor werden, um diesen Wandel in großem Maßstab zu verwirklichen. Obwohl PETs leistungsstark sind, sind sie von Natur aus komplex [16]. Die ordnungsgemäße Konfiguration solcher Technologien erfordert ein fortgeschrittenes Verständnis von Kryptografie, Bedrohungsmodellen und Vorschriften. Hier könnten LLM-basierte Assistenten Nicht-Experten dabei helfen, ihre Ziele und Absichten zu spezifizieren und diese Absichten in maschinell durchsetzbare Richtlinien und PET-Konfigurationen zu übersetzen. Darüber hinaus könnten die LLM-basierten Assistenten auch bei der Auswahl der am besten geeigneten Mechanismen auf der Grundlage von Bedrohungsmodellen und Leistungsanforderungen helfen.

Die Gestaltung der nächsten Generation industrieller Ökosysteme unter Berücksichtigung sowohl von PETs als auch von KI-gestützter Konfiguration ist daher eine große und dringende Herausforderung. Nur durch den bewussten Ersatz impliziten organisatorischen Vertrauens durch explizite technische Garantien können dynamische industrielle Wertschöpfungsnetzwerke vollends kollaborativ und sicher werden.

Diese Arbeit wurde vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) unter der Fördernummer 02J24A030 gefördert. Die Verantwortung für den Inhalt dieser Veröffentlichung liegt bei den Autoren. Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen der Exzellenzstrategie des Bundes und der Länder – EXC-2023 „Internet of Sustainable Production“ – 390621612.

Dies ist die deutsche Version des englischen Originalbeitrags mit der DOI: 10.30844/I4SE.26.4.8

Das könnte Sie auch interessieren

Operationalisierung ethischer KI mit tachAId Validierung eines interaktiven Beratungstools in zwei Anwendungsfällen aus der Fertigungsindustrie Pavlos Rath-Manakidis, Henry Huick, Björn Krämer , Laurenz Wiskott

Die Integration künstlicher Intelligenz (KI) in Arbeitsprozesse verspricht erhebliche Effizienzsteigerungen, doch Unternehmen stehen dabei vor zahlreichen ethischen Herausforderungen, die den Beteiligten zunächst oft nicht bewusst sind – von Intransparenz in der Entscheidungsfindung über algorithmische Verzerrungen bis hin zu Risiken einer verfrühten Automatisierung. Dieser Beitrag stellt das Design und die Validierung von tachAId vor, einem interaktiven Beratungstool, das darauf abzielt, menschenzentrierte ethische Überlegungen in die Entwicklung von KI-Lösungen einzubetten. Es wird eine Validierungsstudie vorgestellt, die für zwei unterschiedliche industrielle KI-Anwendungen mit variierendem KI-Reifegrad durchgeführt wurde. tachAId lenkt die Aufmerksamkeit gezielt auf kritische ethische Überlegungen im gesamten Lebenszyklus von KI-Lösungen, die bei einer technisch orientierten Entwicklung möglicherweise übersehen werden. Die Ergebnisse zeigen jedoch auch eine zentrale ...

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 50-59 | DOI 10.30844/I4SD.26.1.50

Intelligentes Ladungsträgermanagement KI-gestützte Überwachung und Reduktion von Verlusten in der Logistik Dominik Augenstein, Lea Basler

Ladungsträger sind in Fertigungsunternehmen unverzichtbar für den Transport produzierter Teile. Meist sind diese trotz ihrer „Einfachheit“ teuer in der Anschaffung, da sie passgenau für den Zweck hergestellt werden. Zur Vermeidung des Verlusts der Ladungsträger können Trackingverfahren wie GPS-Tracking eingesetzt werden, was jedoch mit Überwachungsaufwand einhergeht und den Datenschutz herausfordert, sobald die Arbeitsleistungen der Mitarbeiter in der Intralogistik überwacht werden. Die Zuordnung von Ladungsträgern zu sogenannten Clustern und ihre gemeinsame Kontrolle bietet hierbei eine Lösung – ohne die Möglichkeit von Rückschlüssen auf die Leistung der Mitarbeiter. Und nicht nur das: Künstliche Intelligenz kann diesen Ansatz optimieren und gleichzeitig vor einem Diebstahl der Ladungsträger abschrecken.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 2 | Seite 78-84

Funktionale Sicherheit und Cyber-Sicherheit in der Prozessindustrie Ein Spannungsfeld zwischen Stabilität und Agilität Thimmo Kugele, Claudia Nowak, Arno Götz, Alexander Lawall

Funktionale Sicherheit (Safety) und Cyber-Sicherheit (Security) sind zentrale Aspekte in der modernen Industrie. Safety zielt auf die Minimierung von Risiken durch Fehlfunktionen ab, während sich Security um den Schutz vor digitalen Angriffen dreht. Beide sind aus der Prozessindustrie nicht mehr wegzudenken, da sowohl die physische Sicherheit als auch die digitale Integrität moderner Systeme gewährleistet werden muss. Doch weil die Erhöhung von Security eine Schwächung von Safety bedeuten kann – und umgekehrt –, entsteht in der industriellen Praxis ein Spannungsfeld zwischen beiden. In diesem Artikel werden zu diesem Zweck relevante Normen und Gesetze analysiert, wichtige Ansätze für die gemeinsame Betrachtung der Safety und Security vorgestellt und weiterer Forschungsbedarf aufgezeigt.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 2 | Seite 87-93

Die Vorteile des Microservice Eine Untersuchung aktueller Literatur zur seiner Anwendung in Unternehmen Korvin Lemke , Ralph Riedel

Welche Vorteile ergeben sich, wenn Microservice-Architekturen zum Einsatz kommen? Nachdem die Serviceorientierten Architekturansätze eher enttäuschende Ergebnisse erbrachten, sollte bei Microservices umso mehr der Fokus auf eine gründliche Analyse der Vorteilhaftigkeit liegen. Dieser Artikel möchte einen Beitrag hierzu leisten. Bislang sind einige Vorteile, welche in der untersuchten Literatur benannt werden, nicht weiter erläutert oder definiert. Daher bleiben Microservices als Forschungsgebiet erhalten. Ebenso fehlen Kennzahlen, um den Erfolg tatsächlich zu messen.

Industry 4.0 Science | 41. Jahrgang | 2025 | Ausgabe 1 | Seite 50-59

GAIA-X-Reifegradmodell Zukunftsfähigkeit des unternehmensübergreifenden Datenaustauschs bewerten Maximilian Weiden, Jokim Janßen

Um die wachsenden Kundenanforderungen und die damit verbundene Komplexitätssteigerung zu bewältigen, öffnen Unternehmen ihre Wertschöpfungsketten, reduzieren ihre Fertigungstiefe und gehen zunehmend Kooperationen ein. Der unternehmensübergreifende Datenaustausch entlang der Supply Chain wird damit zu einer Schlüsselkomponente für die Wettbewerbsfähigkeit und die Realisierung kundenspezifischer Lösungen. Aus diesem Grund hat die Europäische Union das Projekt GAIA-X ins Leben gerufen, dessen Ziel es ist, die nächste Generation der Dateninfrastruktur für Europa und seine Unternehmen zu schaffen. Das GAIA-X-Reifegradmodell bietet einen Ansatz zur Einordnung von Unternehmen in verschiedene Entwicklungsstufen und liefert konkrete Anforderungen für die Weiterentwicklung entlang eines vorgegebenen Entwicklungspfades hin zu einem vollwertigen Teilnehmer an der föderierten GAIA-X-Dateninfrastruktur.

Industry 4.0 Science | 40. Jahrgang | 2024 | Ausgabe 3 | Seite 14-20