Digital Platform Frameworks für Fertigungsunternehmen

Architektonische und Governance-Grundlagen von IIoT-Digitalplattformen

Die Integration digitaler Plattformen in industrielle Internet-of-Things-Umgebungen (IIoT) hat sowohl die strukturelle als auch die betriebliche Komplexität innerhalb industrieller Systeme verstärkt. Als mehrschichtige Koordinationsinfrastrukturen verbinden diese Plattformen heterogene cyber-physische Anlagen, Datenpipelines und organisatorische Prozesse über verteilte Wertschöpfungsnetzwerke hinweg. Ihre kontinuierliche Weiterentwicklung, die durch beschleunigte technologische Innovationen, Marktvolatilität und regulatorische Anpassungen vorangetrieben wird, positioniert sie als adaptive soziotechnische Systeme, deren Verhalten eher emergent als vollständig vorhersehbar ist und deren Management systematische architektonische und governancebezogene Erkenntnisse erfordert [1].

Digitale Plattformen haben sich in verschiedenen Industriebereichen wie Energie, Chemie, Transport und Handel verbreitet und dienen als wichtige Wegbereiter für die Entwicklung intelligenter Produkte und datengesteuerter Dienste innerhalb der IIoT-Landschaft [2]. Die aktuelle Forschung legt zunehmend den Schwerpunkt auf fortschrittliche Softwarearchitekturparadigmen, die solchen Plattformen zugrunde liegen. Abbildung 1 zeigt ein repräsentatives Architekturkonzept, das funktionale Komponenten, Webdienste, serviceorientierte Architekturen und In-Memory-Datenbanken umfasst, wobei der Schwerpunkt auf den Anwendungs-, Transport- und Verarbeitungsschichten liegt [3].

Die Anwendungsschicht liefert domänenspezifische Funktionen innerhalb von IIoT-Umgebungen, während die Verarbeitungsschicht die Datenspeicherung, -analyse und -übertragung koordiniert, unterstützt durch die darunterliegende Transportschicht.

Die Wahrnehmungs- und Geschäftsschicht sind zwar konstituierende Elemente umfassender IIoT-Architekturen, bleiben jedoch außerhalb des analytischen Umfangs dieses Artikels. Die Wahrnehmungsschicht umfasst Sensorsysteme

Systeme, die physikalische Signale in digitale Datenströme umwandeln, während die Geschäftsebene Mechanismen der Wertaneignung, Plattform-Governance und Datenschutzmanagement regelt [3].

Trotz der raschen Verbreitung digitaler Plattformen in industriellen Ökosystemen sind die Kriterien, nach denen solche Plattformen bewertet und verglichen werden, noch nicht ausreichend systematisiert. Bestehende Rahmenwerke bringen technische Fähigkeiten selten mit strategischer Ausrichtung in Einklang, sodass eine anhaltende Lücke in der evidenzbasierten Plattformbewertung besteht [4]. Um diesen Mangel zu beheben, ist eine strenge analytische Perspektive erforderlich, die technische Attribute wie Architektur, Skalierbarkeit und Interoperabilität mit geschäftsorientierten Zielen und industriellen Anwendungen integriert [5].

Als Reaktion darauf führt dieser Artikel eine systematische Literaturrecherche zu IIoT-Rahmenwerken für digitale Plattformen durch, wobei der Schwerpunkt auf Fertigungsunternehmen liegt, in denen die Plattformisierung einen wichtigen Transformationsvektor darstellt. Frühere Artikel haben wegweisende Rahmenwerke für digitale Plattformen und Ökosysteme formuliert und deren konzeptionelle Entwicklung und empirische Tendenzen identifiziert [6]. Aufbauend auf diesen Beiträgen skizziert der vorliegende Artikel die vorherrschenden vergleichenden Ansätze und stellt eine zentrale Forschungsfrage, die als Leitfaden für die nachfolgende Untersuchung dient. „Welche aktuellen Rahmenwerke mit Kriterien gibt es im Bereich der digitalen Plattformlösungen im Kontext des industriellen Internets der Dinge für Fertigungsunternehmen?“

Um diese Forschungsfrage zu beantworten, wurden ein systematischer Literaturüberblick und methodische Instrumente verwendet. Diese werden im folgenden Abschnitt beschrieben. Die Ergebnisse des systematischen Literaturüberblicks werden dann im Abschnitt „Zusammenfassung des Rahmens für industrielle digitale Plattformen“ erläutert. Dieser Abschnitt fasst die aktuellen vergleichenden Rahmenwerke und Bewertungskriterien für digitale Plattformen im Bereich des industriellen Internets der Dinge (IIoT) zusammen, wobei der Schwerpunkt speziell auf produzierenden Unternehmen liegt.

Forschungsdesign und Methodik

Vor der Durchführung dieser systematischen Literaturrecherche wurde ein strukturierter, auf den Bereich der Informationssysteme zugeschnittener Ansatz gewählt, um eine umfassende Abdeckung aktueller Konzepte zum Vergleich digitaler Plattformen innerhalb des industriellen Internets der Dinge (IIoT) zu gewährleisten. In Anlehnung an die in Abbildung 2 [7] dargestellten Phasen der Literaturrecherche wird im folgenden Abschnitt beschrieben, wie diese Phasen auf die vorliegenden Artikel angewendet wurden. In der ersten Phase wurde das Forschungsproblem definiert, abgegrenzt und spezifiziert, was schließlich zur Formulierung der Leitfrage führte.

Die zweite Phase umfasste eine systematische Literaturrecherche und die Bewertung der Quellen hinsichtlich Relevanz, Qualität und methodischer Stringenz. In der letzten Phase wurden die synthetisierten Ergebnisse analysiert und präsentiert, wobei ein besonderer Schwerpunkt auf aktuellen Rahmenwerken für den Vergleich digitaler Plattformen im IIoT-Kontext für produzierende Unternehmen lag.

Die Kategorien, die zur Charakterisierung der Reviews in diesem Artikel verwendet wurden, wurden ausgewählt und sind in Abbildung 3 dargestellt.

Die Kategorien, die zur Abgrenzung der Ergebnisse dieser systematischen Literaturrecherche herangezogen wurden, sind im Folgenden aufgeführt. Unter der Kategorie „Typ“ wird der Begriff „natürliche Sprache“ ausgewählt, der verbale Erklärungen und Argumentationen liefert, um eine Analyse der ausgewählten Literatur zu ermöglichen. Hinsichtlich der Methodik der systematischen Literaturrecherche liegt der Schwerpunkt auf der Untersuchung von Forschungsergebnissen (empirische Ergebnisse) und Methoden zur Beantwortung der Forschungsfrage der Übersicht. Um sicherzustellen, dass

Neutralität und Transparenz, eine unvoreingenommene Autorenperspektive wird beibehalten und die Gründe für die Auswahl der Literatur werden explizit dargelegt. Der Umfang der Überprüfung beschränkt sich auf repräsentative Publikationen, die sich ausschließlich mit zeitgenössischen Rahmenwerken im Bereich digitaler Plattformen befassen. Es wurde eine thematische Struktur gewählt, um eine vergleichende Analyse von Artikeln zu ermöglichen, die sich mit ähnlichen Bewertungskonzepten befassen, wodurch eine breite Vergleichbarkeit über verschiedene Forschungskontexte hinweg gewährleistet wird.

Die Ergebnisse sollen sowohl Praktikern als auch Wissenschaftlern als Informationsgrundlage dienen und gleichzeitig den wissenschaftlichen Diskurs in den jeweiligen Forschungsbereichen fördern. Schließlich werden in der Kategorie „Zukünftige Forschung” ausdrücklich ungelöste Fragen identifiziert und mögliche Richtungen für die weitere Entwicklung digitaler Plattformen skizziert.

Nach der Festlegung der Merkmale der Überprüfung wurden die Suchbegriffe definiert und sind in Bild 4 dargestellt.

Die Kategorien, die zur Charakterisierung der vorliegenden systematischen Literaturrecherche verwendet wurden, sind im Folgenden detailliert aufgeführt.

Die primären Schlüsselwörter, die in der Suchstrategie verwendet wurden, waren „Plattform“ und „Ökosystem“, ergänzt durch die allgemeinen Begriffe „Industrie 4.0“, „Produktion“ und „Fertigung“.

Die Literaturrecherche wurde unter Verwendung der Datenbank Web of Science durchgeführt, wobei der Schwerpunkt auf dem Themenbereich (TS) lag, der die Abschnitte Titel, Zusammenfassung, Autoren-Schlüsselwörter und Schlüsselwörter Plus für die Hauptschlüsselwörter umfasst. Für die allgemeinen Schlüsselwörter wurde die Suche auf den Bereich Zusammenfassung (AB) beschränkt.

Die Anwendung dieser Suchparameter ergab 1.627 Publikationen in Web of Science. Zusätzlich wurde IEEE Xplore mit denselben Begriffen in den Autoren-Schlüsselwörtern und Abstracts abgefragt, was zur Identifizierung von 1.511 Publikationen führte.

Der folgende Abschnitt beschreibt den Informationsfluss über die aufeinanderfolgenden Phasen der systematischen Literaturrecherche hinweg, wie in Abbildung 5 dargestellt. Die Recherche beschränkt sich bewusst auf englischsprachige Publikationen, die nach 2014 veröffentlicht wurden, um die neuesten Fortschritte in der Forschung zu digitalen Plattformen im Bereich des industriellen Internets der Dinge (IIoT) für Fertigungsunternehmen zu erfassen.

Um die methodische Integrität zu wahren, wurden nur peer-reviewte Artikel berücksichtigt, die sich ausdrücklich mit aktuellen Entwicklungen bei digitalen IIoT-Plattformen befassen.

Forschungen, die sich auf technische, medizinische, biologische oder physikalische Bereiche beschränken, wurden ausgeschlossen, um die Kohärenz mit dem Schwerpunkt des Artikels auf Informationssystemen und Wirtschaftsingenieurwesen zu wahren.

Die breite Vertretung des endgültigen Korpus in etablierten, einflussreichen Fachzeitschriften unterstreicht die wissenschaftliche Validität der Analyse, die Publikationen wie IEEE Xplore, das International Journal of Advanced Manufacturing Technology, das International Journal of Production Research, das International Journal of Computer Integrated Manufacturing und Computers & Industrial Engineering umfasst.

Vergleichende Analyse konzeptioneller Rahmenwerke für industrielle digitale Plattformen

Frühere systematische Übersichtsarbeiten von Ulla et al. [8] und Li et al. [9] haben die methodische Vielfalt und konzeptionelle Fragmentierung innerhalb der Forschung zum Vergleich digitaler Plattformen untersucht und dabei das Fehlen harmonisierter Bewertungskriterien hervorgehoben. Auf dieser Grundlage entwickelt die vorliegende Arbeit

eine konzeptionelle Linse zur Analyse aktueller Rahmenwerke in der Forschung zu digitalen Plattformen. Der folgende Abschnitt enthält eine detaillierte Untersuchung von 23 relevanten Studien, die im Rahmen der systematischen Überprüfung identifiziert wurden. Konkret verfeinern Ulla et al. [8] frühere Arbeiten, indem sie 21 validierte Bewertungsfaktoren vorschlagen, die mit Hilfe der Delphi-Methode abgeleitet wurden. Ihre vergleichende Analyse von fünf dominierenden IoT-Plattformen Amazon Web Services, Microsoft Azure, Google Cloud, IBM Watson und Oracle zeigt, wie diese Kriterien eine evidenzbasierte Bewertung ermöglichen und die strategische Plattformauswahl für heterogene industrielle Anwendungen erleichtern.

Zu den identifizierten Schlüsselfaktoren zählen Stabilität, Skalierbarkeit, Preismodell, Sicherheit, Markteinführungszeit, Datenanalyse, Dateneigentum, Protokollunterstützung, Systemleistung, Interoperabilität, Redundanz, Notfallwiederherstellung, Schnittstellenqualität, Anwendungsumgebung, Hybrid-Cloud-Unterstützung, Plattformmigration, bisherige Erfahrungen, Bandbreite und Edge-Intelligenz. Dieser systematische Vergleich ermöglicht es Unternehmen und Forschern, ihre spezifischen Anforderungen mit den entsprechenden Plattformfunktionen abzugleichen und so einen transparenteren und effizienteren Bewertungsprozess zu ermöglichen [8].

Die Studie von Li et al. [9] präsentiert einen Bewertungsrahmen für digitale Plattformen. Der Bewertungsrahmen bewertet die Nutzung der digitalen Plattform in drei Bereichen: Grundlage, Schlüsselkompetenz sowie Wert und Nutzen. Zu den Bewertungsindikatoren für die Schlüsselkompetenz der Plattform gehören cloudbasiertes Ressourcenmanagement, industrielles Big-Data-Management und -Mining, Bereitstellung und Aufruf von Microservices sowie industrielle Anwendungsentwicklung. Diese Indikatoren bewerten die Fähigkeiten und die Reife der Plattform in mehreren kritischen Funktionsbereichen.

Ebenso bewerten Indikatoren in Bezug auf den Wert und Nutzen der Plattform den Umfang, die Auswirkungen und die Offenheit ihrer Anwendungen und ihres Ökosystems. Dazu gehört die Untersuchung der Nutzerbasis, der Rentabilität, der Innovationsfähigkeit sowie des Grades an Datentransparenz und -austausch der Plattform. Die Untersuchung unterstreicht die Bedeutung koordinierter staatlicher Bewertungsinitiativen für die Beurteilung der Entwicklungsbahn der Informationsgesellschaft über Branchen und Regionen hinweg, die Förderung empirisch fundierter politischer Maßnahmen und die systemische institutionelle Anpassung.

Der vorgeschlagene Bewertungsrahmen ermöglicht es den Plattformakteuren auch, eine kontinuierliche Selbstbewertung durchzuführen, wodurch iterative Verbesserungszyklen und die Entwicklung von Anpassungsfähigkeiten innerhalb digitaler Ökosysteme gefördert werden [9]. Siqin et al. [21] untersuchen die Betriebsparadigmen digitaler Plattformen im Kontext von Industrie 4.0 und decken dabei systemische Einschränkungen auf, die die Reaktionsfähigkeit und Integration behindern.

Um diese organisatorischen und technologischen Hindernisse zu überwinden, schlagen Siqin et al. [21] das „3As“-Rahmenwerk Awareness, Agility und Adaptability (Bewusstsein, Agilität und Anpassungsfähigkeit) als einheitliche operative Doktrin vor, die digitale Intelligenz, Reaktionsfähigkeit und Anpassungsfähigkeit in industrielle Arbeitsabläufe einbettet und Unternehmen in die Lage versetzt, ihre Leistung unter dynamischen Markt- und Produktionsbedingungen kontinuierlich zu verbessern.

Wankhede et al. [13] führen eine vergleichende Studie der führenden industriellen Cloud-Plattformen Amazon Web Services IoT, Google Cloud Platform und Microsoft Azure durch und bewerten technische Dimensionen wie Preisgestaltung, Datenbank- und Speicherkapazitäten, Integration von KI und maschinellem Lernen, Bereitstellungsprozesse, Netzwerkeffizienz und Sicherheitsprotokolle. Die Ergebnisse liefern einen strukturierten Entscheidungsrahmen für die Abstimmung der Plattformakzeptanz mit organisatorischen und betrieblichen Erfordernissen. Entsprechend führen Salami und Yari [14] eine evaluative Analyse von IoT-Plattformen

ThingSpeak, Xively und AWS IoT auf der Grundlage wichtiger Parameter wie Datenmanagementleistung, Überwachungseffizienz, Verarbeitungsgeschwindigkeit und Latenz, um so eine evidenzbasierte Auswahl von Platform-as-a-Service (PaaS) zu ermöglichen.

Hoffmann et al. [15] befassen sich mit Unklarheiten bei der Workload-Zuweisung und der Plattformauswahl für die industrielle IoT-Integration, indem sie einen Referenzrahmen für das Internet der Produktion vorschlagen. Nach der Bewertung von 212 digitalen Plattformen entwerfen sie eine maßgeschneiderte Architektur, die die organisationsinterne Optimierung durch maßgeschneiderte Bereitstellungsstrategien unterstützt.

Farshidi et al. [16] stellen ein multikriterielles Entscheidungsmodell für die Auswahl von Blockchain-Plattformen vor, das Softwareherstellern dabei helfen soll, Funktionalität, Anpassungsfähigkeit und Interoperabilität in Einklang zu bringen. Seine Validierung anhand von drei Fallstudien aus der Industrie belegt den praktischen Nutzen des Modells. Huo et al.

[17] präsentieren eine systematische Untersuchung der Blockchain-Integration im IIoT, in der sie Motivationen, technologische Voraussetzungen und neue Forschungsrichtungen zusammenfassen, die Innovation und betriebliche Effizienz im Fertigungsbereich fördern.

Rojahn und Gronau [18] stellen einen strukturierten analytischen Rahmen für die Identifizierung und Kategorisierung messbarer Indikatoren für die Offenheit von Plattformen vor und bieten eine reproduzierbare Methodik zur Bewertung der Transparenz und Interoperabilität während des gesamten Lebenszyklus einer Plattform. Parallel dazu befassen sich Ismail et al. [19] mit dem Mangel an standardisierten Leistungsbenchmarks für digitale Plattformen, indem sie einen Bewertungsrahmen für Open-Source-Lösungen entwerfen und empirisch validieren und dabei die Skalierbarkeit und Stabilität unter intensiver Sensordatenbelastung auf ThingsBoard und SiteWhere testen.

Moeuf et al. [20] untersuchen Implementierungsmuster von Industrie 4.0 in KMU und stellen fest, dass die meisten Unternehmen isolierte Cloud- und IoT-Anwendungen einsetzen, ohne diese in eine durchgängige Prozessautomatisierung, Datenintegrationspipelines oder Echtzeit-Entscheidungsunterstützungsarchitekturen einzubetten wodurch sie keine messbaren Produktivitäts- oder Interoperabilitätsgewinne erzielen.

Siqin et al. [21] analysieren die Übereinstimmung zwischen industriellen Plattformarchitekturen und organisatorischen Anpassungslogiken und zeigen, dass eine unzureichende Abstraktion zwischen Steuerungs-, Daten- und Koordinationsschichten zu einer starren Workflow-Orchestrierung führt und eine schnelle technologische Integration einschränkt. Als Reaktion darauf formulieren sie das „3As“-Framework Awareness, Agility und Adaptability als systemischen Entwurf für die Integration von vorausschauenden Erkenntnissen, operativer Agilität und kontextueller Anpassung in das industrielle Plattformmanagement.

Schließlich liefern Ray et al. [22] eine umfassende Kritik an digitalen Plattformarchitekturen, um das seit langem bestehende theoretische Vakuum rund um die architektonische Integration in Plattformstudien zu beheben. Ihre Untersuchung beschreibt die funktionalen und technologischen Interdependenzen, die die Entwicklung von Ökosystemen bestimmen, isoliert systemische Hindernisse für Modularität und Interoperabilität und formuliert einen Forschungsansatz zur Etablierung architektonischer Robustheit und Kohäsion.

Herausforderungen bei digitalen Plattform-Frameworks

Dieser Artikel vertieft die theoretische Stringenz und verbessert die methodische Anwendbarkeit in der Untersuchung der Bewertung von IIoT-Plattformen und reagiert damit auf einen anhaltenden Mangel in der Forschung zu industriellen Systemen. Die zunehmende technologische Vielfalt und organisatorische Komplexität digitaler Systeme erfordern harmonisierte Bewertungsrahmen, die strukturelle Konfiguration, Leistungseffizienz und strategische Ausrichtung aufeinander abstimmen.

Obwohl das methodische Design des Artikels analytische Strenge und prozedurale Transparenz gewährleistet, bringt die Abhängigkeit von Web of Science und IEEE Xplore als zentralen Datenrepositorien inhärente Einschränkungen mit sich. Eine Erweiterung der Literaturbasis durch zusätzliche Repositorien, darunter Google Scholar und die ACM Digital Library, könnte die Abdeckung erweitern und die Auswahlverzerrung verringern. Ebenso würde eine Verbesserung der Suchtaxonomie durch weitere Deskriptoren im Zusammenhang mit Industrie 4.0 eine größere Granularität und Kontextempfindlichkeit in zukünftigen Forschungen ermöglichen.

In der Praxis verfeinert dieser Artikel sowohl die theoretischen Erkenntnisse als auch die Managementfähigkeiten, indem sie analytische Dimensionen abgrenzt, die eine systematische Bewertung, ein vergleichendes Benchmarking und die Steuerung digitaler Plattformarchitekturen ermöglichen. Dennoch erfordert das konzeptionelle Integrationsprinzip empirische Tests und technische Validierungen, um seine Anwendbarkeit in der Praxis zu überprüfen.

Zukünftige Untersuchungen sollten daher longitudinale und leistungsbasierte Bewertungen von IIoT-Plattformen durchführen, wobei der Schwerpunkt auf der Reifung, der systemübergreifenden Interoperabilität und der Skalierungseffizienz unter Produktionsbedingungen liegen sollte. Diese Bemühungen könnten die operative Widerstandsfähigkeit und die strategische Hebelwirkung von IIoT-Plattformen innerhalb von Fertigungsökosystemen erheblich verbessern.

Das könnte Sie auch interessieren

Serious Games als Trainingsinstrument Spielmechanische Gestaltung zur Förderung Resilienz Annika Lange , Thomas Knothe

Unvorhergesehene Ereignisse fordern produzierende Unternehmen zunehmend heraus. Resilienz zur Bewältigung von Krisen wird dabei zur Schlüsselkompetenz. Durch Serious Games (SG) kann Resilienz Aufbau transparenter werden. Der folgende Beitrag leitet spezifische Anforderungen an SG aus den einzelnen Resilienzphasen ab und zeigt, wie diese spielmechanisch umgesetzt werden können, um so Resilienz effektiv zu trainieren.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 98-104

Im Braunfeld zur Industrie 4.0 Lernfabriken als Schulungs- und Testumgebung für die digitale Transformation Jakob Weber, Sven Völker

Die digitale Transformation produzierender Unternehmen erfordert Ingenieure mit der Fähigkeit, den Übergang zur Industrie 4.0 praktisch zu gestalten. Dieser Beitrag stellt das Konzept einer Lernfabrik vor, die selbst einer kontinuierlichen digitalen Transformation unterliegt und damit eine Umgebung für die Entwicklung von Transformationskompetenzen schafft. Das Konzept für die digitale Transformation basiert auf digitalen Werker-Assistenzsystemen und Multiagentensystemen zur Produktionssteuerung. Sie ermöglichen eine schrittweise Integration vorhandener Ressourcen. Die Lernfabrik wird den Studierenden nicht als fertige Lösung präsentiert, sondern im Rahmen von studentischen Projekten kontinuierlich weiterentwickelt. Damit adressiert sie direkt den Mangel an qualifiziertem Personal für die Realisierung der Industrie 4.0.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 88-96

Kollegin KI? Kompetenzanforderungen und -vermittlung bei KI-Nutzung in der Industrie Swetlana Franken

Künstliche Intelligenz verändert Aufgaben, Rollen und Kompetenzen in (Industrie‑)Unternehmen grundlegend. Sie agiert zunehmend als Kollegin, die Entscheidungen vorbereitet, Prozesse unterstützt und mit Menschen interagiert. Der Beitrag beleuchtet zentrale Kompetenzanforderungen für die KI-Nutzung in der Industrie, stellt ein integriertes Kompetenzmodell vor und zeigt praxisnahe Strategien zur Kompetenzvermittlung auf. Ziel ist es, Unternehmen und Beschäftigte auf eine menschengerechte, kompetenzorientierte Implementierung von KI vorzubereiten, die technologische Effizienz mit menschlicher Kreativität und Urteilskraft verbindet.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 2 | Seite 78-86

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

Leitlinien für den fairen Einsatz generativer KI Praxisbeispiele aus den Bereichen Produktionsmanagement und Wohlfahrtspflege Anja Gerlmaier, Paul-Fiete Kramer , Dirk Marrenbach , René Wenzel

Im Zuge der rasanten Verbreitung assistiver KI-Tools wie ChatGPT, Gemini oder Copilot sind Unternehmen gefordert, sich mit den Chancen und Herausforderungen von künstlicher Intelligenz zu beschäftigen. Der Beitrag gibt auf Basis von zwei Praxisbeispielen einen Einblick, wie Unternehmen mithilfe betriebsspezifischer Risiko- und Potenzialanalysen bei der Entwicklung von Leitlinien für einen fairen und verantwortungsvollen KI-Einsatz vorgehen können.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 22-28 | DOI 10.30844/I4SD.26.1.22

Angewandte KI für die menschenzentrierte Montage Ein ethisch fundierter Ansatz zur Gestaltung von Arbeitsplätzen Tadele Belay Tuli , Michael Jonek , Sascha Niethammer, Henning Vogler, Martin Manns

Künstliche Intelligenz (KI) kann die Montage verbessern, indem sie menschliche Bewegungen vorhersagt und den Arbeitsplatz entsprechend gestaltet. Mithilfe probabilistischer Modelle wie der Gaußschen Mischmodelle (GMMs) antizipieren KI-Systeme die Bewegungen des Bedieners, um die Koordination mit Robotern zu verbessern. Diese Vorhersagesysteme werfen jedoch ethische Bedenken hinsichtlich Sicherheit, Fairness und Datenschutz gemäß EU AI Act auf. Dieser Artikel stellt eine Methode vor, die probabilistische Bewegungsmodellierung mit ethischer Bewertung mittels Z-Inspection® integriert. Eine Fallstudie unter Verwendung des Werkerassistenzsystem zeigt, wie multimodale Sensorik (Bewegung, Blick) und interpretierbare Modelle eine vorausschauende Unterstützung ermöglichen. Der Ansatz geht von der ethischen Bewertung zu einer ethisch informierten Arbeitsgestaltung über und liefert übertragbare Prinzipien sowie eine konfigurierbare Bewertungsmatrix.

Industry 4.0 Science | 42. Jahrgang | 2026 | Ausgabe 1 | Seite 60-68 | DOI 10.30844/I4SD.26.1.60