Doppelte Transformation als Schlüssel zur Nachhaltigkeit |
Methode zur Bewertung einer KI-Anwendung in produzierenden Unternehmen
| Zeitschrift | Industry 4.0 Science |
| Ausgabe | 40. Jahrgang, 2024, Ausgabe 5, Seite 82-89 |
| Open Access | https://doi.org/10.30844/I4SD.24.5.82 |
| Literatur | Teilen | Zitieren | Download |
Abstract
Keywords
Artikel
Nachhaltigkeit wird für produzierende Unternehmen immer wichtiger. Der Beitrag untersucht den Einsatz von KI zur Förderung nachhaltiger Praktiken. Es werden Herausforderungen, Risiken und Potenziale von KI für Nachhaltigkeit beschrieben und Bewertungskriterien für Nachhaltigkeit in den Dimensionen Wirtschaft, Umwelt, Soziales und Technik/Wissen vorgestellt. Weiterhin wird eine Methode zur Bewertung von KI-Lösungen vorgestellt und mit drei KI-Anwendungsfällen aus der Produktion evaluiert und diskutiert.
Die Bedeutung von Nachhaltigkeit für Unternehmen wächst. Dieser Trend wird durch neue EU-Regelungen verstärkt, die Unternehmen dazu anhalten, ihre Nachhaltigkeitspraktiken zu intensivieren und transparenter zu gestalten [1]. Künstliche Intelligenz (KI) und digitale Technologien bieten innovative Möglichkeiten zur Erreichung von Nachhaltigkeitszielen [2]. Für produzierende Unternehmen ist es entscheidend, betriebliche Prozesse und Produkte nachhaltig zu gestalten, um sowohl wirtschaftliche Ziele zu erreichen als auch soziale und ökologische Verantwortung zu übernehmen [3]. Damit die doppelte (digitale und ökologische) Transformation gelingt, ist es ebenso wichtig, Methoden zu entwickeln, die den Einfluss von KI-Anwendungen auf die betriebliche Nachhaltigkeit bewerten. Das erlaubt es Unternehmen, KI und digitale Technologien einzusetzen und dabei alle Bereiche der Nachhaltigkeit zu berücksichtigen.
Dieser Beitrag zeigt zunächst beispielhaft auf, welches Potenzial KI besitzt, um die Nachhaltigkeit von Arbeitssystemen bzw. Unternehmen zu steigern. Hierbei fokussiert der Beitrag sich auf Methoden der schwachen KI, also aktuell marktreife Systeme, die spezifische Aufgaben durch vorprogrammierte Algorithmen und datengestützte Modelle effizient ausführen können. Danach werden potenzielle Risiken und Herausforderungen bezogen auf die Nachhaltigkeit genannt.
Anschließend wird eine Methode zur Bewertung der Nachhaltigkeit von KI-Anwendungen im produzierenden Gewerbe vorgestellt, die zunächst auf die Bewertung der Nachhaltigkeit in der Auswahlphase von KI-Einführungsprojekten fokussiert. Die Methode basiert auf einem literaturbasiert abgeleiteten KI-spezifischen Kriterienkatalog, welcher ebenso vorgestellt wird. Die Ergebnisse der Methodenanwendung können genutzt werden, um KI-Systeme nach den Prinzipien der Nachhaltigkeit zu bewerten.
KI für Nachhaltigkeit im produzierenden Gewerbe
Eine kürzlich durchgeführte Studie zeigt, dass die Bedeutung der Nachhaltigkeit von produzierenden Unternehmen aller Größen in Deutschland hoch bewertet wird. Die Rolle von KI wird hierbei als vielversprechend angesehen. Über verschiedene Unternehmensbereiche hinweg wird das Potenzial von KI zur Förderung der Nachhaltigkeit als hoch eingeschätzt. In derselben Studie berichten Teilnehmende aus Unternehmen, die KI bereits nutzen, dass diese Systeme zur Erreichung ihrer Nachhaltigkeitsziele beitragen [4]. Mehrere Studien bestätigen die Einschätzungen der Befragten: KI kann zur Erreichung von Nachhaltigkeitszielen im produzierenden Gewerbe beitragen [5-7].
Ein konkretes Beispiel für das ökologische Potenzial von KI ist die Einsparung von Ressourcen und die damit verbundene Reduzierung von Umweltschäden: Durch intelligente Algorithmen können Unternehmen den Verbrauch von elektrischer Energie sowie von Materialien und Treibhausgasemissionen reduzieren [7]. Auf wirtschaftlicher Ebene ermöglicht KI unter anderem eine Steigerung der Produktivität, was eine effizientere Nutzung von Ressourcen und eine Optimierung der Betriebsabläufe mit sich bringt [6]. Sozial betrachtet, kann KI z. B. dazu beitragen, die Arbeitsbedingungen zu verbessern, indem monotone Tätigkeiten reduziert und die physische Sicherheit am Arbeitsplatz erhöht wird [8]. In technologischer Hinsicht bietet KI das Potenzial, Prozesse transparenter zu gestalten und die Produktqualität zu erhöhen [9].
Trotz dieser vielversprechenden Potenziale sind mit der Implementierung von KI auch Risiken verbunden. Ökologisch kann das Training von KI-Modellen mit einem erheblichen Energieverbrauch einhergehen [10]. Ökonomische Risiken umfassen beispielsweise hohe fortlaufende Betriebskosten und hohe Investitionskosten zu Beginn eines KI-Projekts [9]. Im sozialen Bereich können mangelnder Datenschutz und die Kontrolle der Beschäftigten [11] sowie Technikstress [12] ein Risiko darstellen. Im technischen Kontext können unter anderem der Mangel an Daten [13] sowie unzureichendes Fachwissen zu KI [9] zum Hindernis werden.
Angesichts des breiten Spektrums an Chancen und möglicher Risiken ist es für eine effiziente Betrachtung von Nachhaltigkeitsauswirkungen von KI-Anwendungen essenziell, Bewertungsmethoden zu entwickeln [14]. Diese sollten Unternehmen in die Lage versetzen, den Einfluss von KI auf die betriebliche Nachhaltigkeit detailliert und doch kompakt zu quantifizieren. Diese Methoden sind gerade bei der Auswahl einer geplanten KI-Anwendung unerlässlich und lassen sich auch bei der Weiterentwicklung für die Risikobewertung verwenden. Zwar ist es herausfordernd, die Auswirkungen auf die Nachhaltigkeit bereits im Anfangsstadium zu erfassen, jedoch ist dies eine notwendige Voraussetzung, um langfristig verantwortungsvolle und effektive Technologielösungen zu implementieren [5].
Dimensionen und Bewertungskriterien von Nachhaltigkeit
In einer Literaturrecherche wurden Chancen sowie Risiken und Herausforderungen beim Einsatz von KI im Hinblick auf die Nachhaltigkeit im produzierenden Gewerbe ermittelt [15]. Dieser Ansatz ermöglicht ein tiefes Verständnis und die Analyse der komplexen Wechselwirkungen, die KI-Technologien bezogen auf die Nachhaltigkeit des produzierenden Gewerbes haben können.
Im Allgemeinen umfasst Nachhaltigkeit nach dem Drei-Säulen-Modell, wirtschaftliche, soziale und ökologische Aspekte [16]. Auf betrieblicher Ebene dient die Komponente Technik/Wissen als Fundament zur Erreichung der drei Säulen der Nachhaltigkeit. Diese umfasst die vorhandenen Technologien und das Know-how, das für die Entwicklung und Implementierung von nachhaltigen Lösungen erforderlich ist [17].
Die Potenziale aus der Literaturrecherche sowie Herausforderungen und Risiken wurden den vier Nachhaltigkeitsdimensionen zugeordnet. Anschließend wurden die Chancen sowie Herausforderungen und Risiken pro Dimension in Bewertungskriterien gruppiert (s. Bild 1). Um eine effiziente und handhabbare Bewertungsmethode zu schaffen, wurden maximal sechs Bewertungskriterien pro Dimension entwickelt.
Vorgehen zur Bewertung der Nachhaltigkeit
Für die Bewertung der Nachhaltigkeit möglicher Projektideen wird im Folgenden ein vierstufiges Vorgehen vorgestellt. Für jedes Bewertungskriterium erfolgt im ersten Schritt die Einschätzung der entsprechenden Chance. Dabei wird eine Skala von 0 bis 4 verwendet, wobei 0 keinen Nutzen und 4 einen sehr hohen Nutzen signalisiert. Anschließend wird das Risiko ebenfalls auf einer fünfstufigen Skala (0: kein Risiko bis 4: sehr hohes Risiko) bewertet.
Diese Bewertungsskala wird angewandt, um eine quantifizierte Darstellung zu ermöglichen. Auf Basis dieser Daten wird im zweiten Schritt ein Mittelwert jeweils für die Chancen und die Risiken für jede Dimension berechnet. Im dritten Schritt werden die Ergebnisse mithilfe von Harvey Balls pro Dimension visualisiert, indem die zuvor ermittelten Mittelwerte gerundet werden. Dabei verdeutlicht der Grad der Füllung die Chance der Dimension, während für das Risiko eine Farbskala verwendet wird, die die Ampelfarben aufgreift (grün: kein Risiko, rot: sehr hohes Risiko).
Diese Form der Darstellung bietet eine klare und intuitiv verständliche Übersicht über die Chancen und Risiken, die mit den einzelnen Nachhaltigkeitsdimensionen verbunden sind. Diese visuelle Aufbereitung ermöglicht es Unternehmensleitungen, Projektleitungen sowie Stakeholdern, im vierten Schritt Schlüsselbereiche für potenzielle Interventionen und Verbesserungen schnell und effektiv zu identifizieren.
Anwendung der Methode am Beispiel von KI-Projekten
Die entwickelte Methode wird im Folgenden anhand von drei Anwendungsfällen, in denen KI in die Produktion eingeführt wird, erprobt. Im ersten Anwendungsfall wird die Einführung einer (teil-)automatisierten und KI-gestützten Schleiflösung von Faserverbundwerkstücken betrachtet. Der bisher vollständig manuell durchgeführte Schleifprozess soll zukünftig zu größeren Teilen von einem Roboter übernommen werden. Der Einsatz von KI dient hierbei der Optimierung der Schleifwege des Roboters. Ferner ist ein KI-gestütztes Kamerasystem geplant, welches dem Werker die Stellen auf dem Bauteil anzeigt, die manuell nachgearbeitet werden müssen [18].
Im zweiten Anwendungsfall wird ein KI-gestütztes System in der Oberflächenbearbeitung eines Metallverarbeitungsunternehmens eingeführt, um das Wissen erfahrener Beschäftigter aufzunehmen und neuen, unerfahrenen Kollegen bereitzustellen. Betrachtet wird dabei der Aufhängprozess vor dem Lackieren metallischer Bauteile [19].
Beim dritten Anwendungsfall wird die Entwicklung eines Vorschlagssystems zur Einstellung von Maschinenparametern bei der Herstellung von Textilien betrachtet. Es handelt sich um ein KI-System, das basierend auf historischen Daten und mit Hilfe von maschinellem Lernen Vorschläge zur Einstellung einer Kaschiermaschine liefert. Ziel ist es dabei die Produktqualität zu erhöhen und den Produktionsprozess transparenter zu gestalten [20].
Die Bewertung der Chancen und Risiken in den vier Nachhaltigkeitsdimensionen erfolgte in der vorliegenden Entwicklungsphase durch institutsinterne Expertinnen und Experten. Die Bewertung erfolgte zunächst unabhängig voneinander. Nennenswerte Abweichungen in der Bewertung der einzelnen Kriterien, die mehr als eine Bewertungsstufe auseinander liegen, sind dabei nicht aufgetreten. Im Zuge der Reflektion der Anwendung wurde eine gemeinsame Bewertung der Anwendungsfälle abgeleitet. Das Ergebnis ist in Bild 3 zusammengefasst.
Bei den Anwendungsfällen Schleifprozess und Aufhängprozess wird der Nachhaltigkeitsdimension Umwelt kein oder nur geringer Nutzen, jedoch auch kein Risiko zugesprochen. Dahingegen wird beim Kaschierprozess der Nutzen als Mittel eingestuft, jedoch auch das Risiko etwas höher als bei den anderen Anwendungsfällen im Bereich Umwelt.
Die Dimension Wirtschaft weist beim KI-gestützten Schleifprozess einen mittleren Nutzen bei mittlerem Risiko auf. Für die Projektidee des KI-gestützten Wissensmanagement im Aufhängprozess und die Entscheidungshilfe beim Kaschierprozess werden der Nutzen sowie das Risiko in der Dimension Wirtschaft als gering eingestuft. Jeweils hoher Nutzen wird beim Schleifprozess und beim Aufhängprozess in der Dimension Soziales erwartet, während das Risiko gering bzw. mittel angesehen wird. Beim Kaschierprozess wird in der Dimension Soziales ein mittlerer Nutzen und ein niedriges Risiko erwartet. Die Dimension Technik weist für alle Projektideen einen hohen bis sehr hohen Nutzen auf, aber auch ein mittleres bis hohes Risiko.
Aus der Analyse ergibt sich für alle Anwendungsfälle, dass Technologien und Methoden zur Risikominimierung eingesetzt werden sollten, um das volle Potenzial der technischen Innovationen auszuschöpfen. Im Bereich Umwelt zeigt der Kaschierprozess ein höheres Risiko und mittleren Nutzen, was nahelegt, die umweltspezifischen Risiken näher zu analysieren und zu minimieren. Die hohe Bewertung des sozialen Nutzens beim Schleif- und Aufhängprozess bei niedrigem bis mittlerem Risiko weist darauf hin, dass Investitionen in diese Bereiche nicht nur technologisch, sondern auch sozial von Vorteil sein können.
Herausforderungen und Perspektiven
Die vorgestellte Methode erlaubt durch maximal sechs Kriterien pro Nachhaltigkeitsdimension eine schnelle Gesamtbewertung der Nachhaltigkeit einer KI-Anwendung. Allerdings können durch die kompakte Form beispielsweise Umweltaspekte wie Materialeffizienz und Energieeffizienz nicht einzeln, sondern nur gemeinsam als Ressourceneffizienz betrachtet werden. Zudem basiert die Bewertung stark auf subjektiven Einschätzungen und erfordert daher die Beteiligung mehrerer Personen.
Zuletzt ist festzuhalten, dass die hier beispielhaft betrachteten KI-Projekte sich bereits in der Umsetzungsphase befinden. Obwohl die Methode anhand der genannten Beispiele erprobt wurde, kann ihre universelle Anwendbarkeit nicht garantiert werden. In weiteren Evaluationen in der betrieblichen Praxis gilt es zu untersuchen, wie weit die Kriterien in der Auswahlphase von Projekten schon adäquat beantwortet werden können. Darüber hinaus erscheinen Beispiele zur Erläuterung der Bewertungskriterien als zielführend, um eine kongruentere Bewertung zu erzielen. Weitere Evaluationen mit betrieblichen Entscheidern sind zwingend notwendig, um die praktische Relevanz sicherzustellen.
Zukünftige Entwicklungsarbeiten sollten die Visualisierung der Ergebnisse in einer Balanced Scorecard adressieren. Möglichkeiten der Aggregierung der Bewertungen gilt es zu erproben und verschiedene Darstellungsvarianten mit betrieblichen Nutzenden zu bewerten. Ferner wäre eine Erweiterung der Methode möglich, um in den gleichen Dokumenten, die Risikobewertung für ein Projekt vorzunehmen. Dafür könnte das Ausmaß der Chance und des Risikos quantifiziert werden, indem die Wahrscheinlichkeit des Eintretens des Ereignisses mit dem potenziellen Schaden multipliziert wird.
Das Kompetenzzentrum WIRKsam (FKZ: 02L19C600) wird im Rahmen der Fördermaßnahme „Regionale Kompetenzzentren der Arbeitsforschung“ vom Bundesministerium für Bildung und Forschung gefördert und vom Projektträger Karlsruhe (PTKA) betreut. Die Verantwortung für diesen Beitrag liegt bei den Autorinnen und Autoren.
Literatur
[1] The European Parliament and the Council of the European Union. Directive (EU) 2022/2464 Corporate Sustainability Reporting Directive. CSRD 2022.[2] Vinuesa, R. u. a.:: The Role of Artificial Intelligence in Achieving the Sustainable Development Goals. In: Nature Communications 11 (2020), S. 233. https://doi.org/10.1038/s41467-019-14108-y
[3] Scharmer, V. M. u. a.: Sustainable Manufacturing: A Review and Framework Derivation. In: Sustainability 16 (2024), S. 119. https://doi.org/10.3390/su16010119
[4] Link, J., Harlacher, M., Feggeler, N.: Trendbarometer: Themenschwerpunkt Künstliche Intelligenz. URL: www.arbeitswissenschaft.net/fileadmin/user_upload/KI-Trendbarometer-2023.pdf, Abrufdatum 26.06.24.
[5] Koch, D. u. a.: Nachhaltigkeit durch KI. Potenziale und Handlungsleitfaden für produzierende Unternehmen. 2022.
[6] Plathottam, S. J. u. a.: A Review of Artificial Intelligence Applications in Manufacturing Operations. In: Journal of Advanced Manufacturing and Processing 5 (2023). https://doi.org/10.1002/amp2.10159
[7] Friedrich, R. u. a.: Potenziale der schwachen Künstlichen Intelligenz für die betriebliche Ressourceneffizienz. 2021.
[8] Milanez, A.: The Impact of AI on the Workplace: Evidence from OECD Case Studies of AI Implementation. OECD Social, Employment and Migration Working Papers, No. 289, Paris 2023.
[9] Kutz, J. u. a.: Implementation of AI Technologies in Manufacturing: Success Factors and Challenges: The Human Side of Service Engineering. AHFE International 2022.
[10] Strubell, E., Ganesh, A., McCallum, A.: Energy and Policy Considerations for Deep Learning in NLP. In: Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics 2020.
[11] Berg, A., Dehmel, S.: Künstliche Intelligenz. URL: www.bitkom.org/sites/default/files/2020-09/bitkom-charts-kunstliche-intelligenz-28-09-2020_final.pdf, Abrufdatum 26.06.24.
[12] Kumar, A., Krishnamoorthy, B., Bhattacharyya, S. S.: Machine Learning and Artificial Intelligence-Induced Technostress in Organizations: A Study on Automation-Augmentation Paradox With Socio-Technical Systems as Coping Mechanisms. In: International Journal of Organizational Analysis 32 (2024), S. 681–701. https://doi.org/10.1108/IJOA-01-2023-3581
[13] Peres, R. S. u. a.: Industrial Artificial Intelligence in Industry 4.0: Systematic Review, Challenges and Outlook. In: IEEE Access 8 (2020), S. 220121–220139. https://doi.org/10.1109/ACCESS.2020.3042874
[14] Stowasser, S., Harlacher, M.: Künstliche Intelligenz (KI) und Arbeit: Leitfaden zur soziotechnischen Gestaltung von KI-Systemen. Berlin, Heidelberg 2023.
[15] Link, J.: Künstliche Intelligenz und Nachhaltigkeit: Zahlen, Daten, Fakten. URL: wwww.arbeitswissenschaft.net/zdf-ki-nachhaltigkeit, Abrufdatum 14.06.24.
[16] Enquete-Kommission Künstliche Intelligenz: Gesellschaftliche Verantwortung und wirtschaftliche, soziale und ökologische Potenziale. Bericht der Enquete-Kommission Künstliche Intelligenz – Gesellschaftliche Verantwortung und wirtschaftliche, soziale und ökologische Potenziale, 2020.
[17] Eisele, O.: Nachhaltigkeit in Zahlen: Situation auf globaler, nationaler und betrieblicher Ebene. URL: www.arbeitswissenschaft.net/zdf-nachhaltigkeit, Abrufdatum 21.02.24.
[18] Hansen-Ampah, A. u. a.: Nutzung einer Mensch-Roboter-Kollaboration zum Erlernen komplexer motorischer Fertigkeiten für Tätigkeiten in der Faserverbundherstellung. In: Kompetenzzentrum WIRKsam: Wirtschaftlichen Wandel in der rheinischen Textil- und Kohlerregion mit Künstlicher Intelligenz gemeinsam gestalten. 2023, S. 22–24.
[19] Ottersböck, N. u. a.: Entlastung von Beschäftigten in komplexen Produktionsumgebungen durch informatorische, KI-basierte Assistenztechnologien. In AI:MAG: The World of Tomorrow. 2023, S. 27–28.
[20] Köse, H. u. a.: Lernförderliches KI-Varianzmanagement für die Produktion von Geweben mit kundenspezifisch veränderlich ausgeprägten Prüfmerkmalen. In: Kompetenzzentrum WIRKsam: Wirtschaftlichen Wandel in der rheinischen Textil- und Kohlerregion mit Künstlicher Intelligenz gemeinsam gestalten. 2023.
Ihre Downloads
Das könnte Sie auch interessieren
