aiMOOC

Industrielle KI-Projekte erfolgreich planen

QR-Code

Einleitung

Du planst ein industrielles KI-Vorhaben, bevor ein Modell entwickelt oder Geld ausgegeben wird. Ziel ist ein entscheidbarer Projektsteckbrief mit Problem, Ausgangslage (Baseline), Vergleich zu einer Lösung ohne KI, Datenfreigabe, Kosten-Nutzen-Rechnung, Verantwortlichkeiten und klaren Abbruchkriterien. Die Übung richtet sich an Auszubildende im 3. bis 4. Ausbildungsjahr. Voraussetzung sind Z1 bis Z3 oder vergleichbare Kompetenzen; stimme Projektziel und Umfang mit deinen Ausbildenden ab. Eine vorhandene Grundlage erreichst du unter diesem MOOCwiki-Lernangebot; dessen aktueller Wortlaut konnte bei der Recherche nicht abgerufen werden. Aktiviere deshalb nur kurz dein Vorwissen zu Datentabellen, Kennzahlen und Modellgrenzen. Du benötigst weder ein kostenpflichtiges KI-Konto noch Zugriff auf Betriebsdaten.

Arbeitsregel: Sämtliche Zahlen, Personen, Artikel, Varianten und Aufträge im Fallbeispiel sind frei erfunden. Alle Entscheidungen betreffen Papier-, Tabellen- oder Offline-Simulationen. Nichts steuert reale Maschinen, gibt Sicherheitsfunktionen frei oder ersetzt betriebliche Prüfverfahren. Dies ist ein unabhängiges Bildungsangebot, keine offizielle Liebherr- oder IHK-Zertifizierung.

Lernweg: Verstehen → geführter Modellfall → vergleichende Entscheidung → eigener, überprüfbarer Projektsteckbrief. Wenn Medien blockiert sind, genügen die jeweils beigefügten Textbeschreibungen, Datentabellen und Arbeitsaufträge.

Ein Problem beschreiben, bevor du KI auswählst

Ausgangspunkt und Baseline

Ein Problem beschreibt eine beobachtbare Abweichung, nicht schon eine Wunschlösung. Im erfundenen Betrieb VariForm werden kleine Serien in vielen Varianten montiert. Manche Baugruppen fehlen zum geplanten Start; bei anderen treten Maßabweichungen auf. Produktionsplanung, Lager und Qualitätssicherung haben nur begrenzt Zeit. Formuliere daher: „Von 200 simulierten Aufträgen pro Woche starten 24 verspätet; wir prüfen, ob die Zahl durch bessere Planung sinkt, ohne Qualitätsfehler oder Mehrarbeit zu erhöhen.“ Das ist überprüfbarer als „Wir brauchen ein KI-System“.

Baseline bedeutet dokumentierter Ausgangswert aus einem abgegrenzten, möglichst repräsentativen Zeitraum, einschließlich Nenner und Erfassungsregel. Die hier folgenden Werte sind ausschließlich synthetisch.

Messgröße	Ausgangswert pro Woche	Erfassungsregel	Warum wichtig?
Aufträge	200	alle vollständig dokumentierten, simulierten Aufträge	Bezugsgröße
Verspätete Starts	24 (12 %)	Start später als vereinbarter Planzeitpunkt	primäre Zielgröße
Qualitätsabweichungen	10 (5 %)	Abweichungen laut fiktivem Prüfblatt	Schutzgröße: nicht verschlechtern
Nicht verfügbare Teile	15 Fälle	Teil zum Start nicht am simulierten Bereitstellort	möglicher Engpass
Planungsaufwand	12 Stunden	dokumentierte Bearbeitungszeit pro Woche	Ressourcenbedarf

Achtung: Fälle können sich überschneiden. Addiere die Häufigkeiten nicht unkritisch zu einem einzigen Schadenswert. Die Baseline stammt aus einer angenommenen achtwöchigen Beobachtung; ein Einwochenwert allein wäre störanfällig.

Abbildung (englisch beschriftet): Datenaufbereitung und Auswertung gehören zum Modellprozess; der Projektauftrag beginnt bereits davor bei der Problemdefinition. Falls das Bild fehlt: Daten importieren → bereinigen → prüfen → modellieren → bewerten. Commons: Datei, Brylie Christopher Oxley, CC0 1.0.

Ursache, Einfluss und Nicht-KI-Alternative

Eine Ursachenhypothese ist eine begründete, noch zu prüfende Vermutung: Verspätungen könnten durch veraltete Teilelisten, späte Änderungsmeldungen oder ungünstige Reihenfolgen entstehen. Erst ein Ursachenbild trennt beobachtete Symptome von veränderbaren Abläufen. Frage: Was lässt sich durch eine einfache Prüfliste, ein digitales Warnfeld, eine feste Regel oder eine verbesserte Lagerbuchung lösen?

Nicht-KI-Alternative A: Ein Tabellenblatt markiert, wenn ein benötigtes Teil am geplanten Termin fehlt; tägliche Übergaben und eine Prioritätsregel klären die nächsten Aufträge. KI-Alternative B: Ein trainiertes Prognosemodell schätzt anhand früherer fiktiver Aufträge das Verspätungsrisiko. B braucht mehr Datenqualität, Nachweise und laufende Überwachung. Ein datenbasiertes Verfahren ist nicht automatisch wirtschaftlicher oder präziser. Die Alternative A darf gewinnen.

Mini-Entscheidung: Liegt die Ursache erkennbar in nicht gepflegten Stammdaten, verbessere zuerst den Prozess. Ein ML-Modell heilt keine falschen Eingangsdaten. Fehlerfall: Eine hohe Trefferquote in Trainingsdaten überzeugt nicht, wenn kritische Varianten im Test fehlen und Risiken unterschätzt werden.

Video (deutsch): Fraunhofer IAO, „KI in der Produktion verstehen“ (2023); Lernfrage: Welche Anwendungsfälle werden beschrieben und welche Betriebsdaten würden jeweils benötigt? Offline-Alternative: Ordne „Objekterkennung“, „Teileverfügbarkeit“ und „Reihenfolgeplanung“ jeweils dem benötigten Eingangsdatum und einer möglichen Nicht-KI-Lösung zu. YouTube-Angebote können später entfernt oder regional beschränkt sein.

Machbarkeit und erlaubte Daten prüfen

Technische und organisatorische Machbarkeit

Machbarkeit prüft, ob ein Vorhaben unter realistischen Bedingungen überhaupt durchgeführt werden kann. Unterscheide (1) Datenqualität und ausreichende Fälle je Variante, (2) erforderliche IT-Mittel und Zeit, (3) betriebliche Abläufe und menschliche Prüfung, (4) Rechte, Datenschutz und Geheimhaltung sowie (5) Risiken bei falschen Ergebnissen. Kennzeichne Unbekanntes als offen; fehlende Daten sind kein bestandenes Gate.

Beispiel: Von acht Wochen fiktiver Aufträge fehlen bei 30 % die Zeitstempel der Teilbereitstellung. Ein Risikomodell könnte fälschlich „pünktlich“ lernen. Erst Datenbereinigung und dokumentierte Stichprobe, dann ggf. eine Offline-Simulation. Bei seltenen Varianten sind Zufallsschwankungen groß. Teile Trainings- und Testzeitraum zeitlich, damit spätere Informationen nicht im Training stecken (Datenleck).

Datenfreigabe ist eine dokumentierte Zustimmung der zuständigen Stelle zu konkretem Zweck, Datenumfang, Aufbewahrung, Weitergabe und Schutzmaßnahmen. Eine bloße technische Zugriffsmöglichkeit ist keine Freigabe. Verwende in diesem Kurs ausschließlich die synthetische Tabelle. Für echte Betriebsdaten gilt: erst nach interner Freigabe und fachlicher Prüfung weiterdenken; hier wird nichts hochgeladen.

Animation: Der Entscheidungsrand eines einfachen Lernverfahrens verändert sich. Das illustriert die Abhängigkeit von Daten, nicht einen Nachweis für die Tauglichkeit der VariForm-Anwendung. Falls die Animation fehlt: Ein Lernmodell passt aus Beispielen schrittweise eine Trennregel an; eine Prüfung mit unabhängigen Fällen bleibt nötig. Commons: Datei, Miquel Perelló Nieto, CC BY 4.0.

Kennzahlen, Fehlerfolgen und Grenzen

Lege Erfolgskriterien vor dem Experiment fest: Bei 200 fiktiven Aufträgen pro Woche sollen höchstens 14 Starts verspätet sein (höchstens 7 %). Qualitätsabweichungen dürfen nicht über 10 pro Woche steigen, und die zusätzliche manuelle Prüfzeit soll höchstens 2 Stunden pro Woche betragen. Miss die Werte über mindestens vier simulierte Testwochen; dokumentiere auch ungewöhnliche Varianten. Vergleiche dieselben Voraussetzungen bei A und B, statt bequeme Teilmengen zu wählen.

Bei einem Klassifikator bedeutet falsch negativ: Ein tatsächlich gefährdeter Auftrag wird als unauffällig markiert. Falsch positiv: Ein unkritischer Auftrag löst unnötige Nachprüfung aus. Die betriebliche Bewertung hängt von den jeweiligen Folgen ab; eine Gesamtgenauigkeit kann beide verdecken. Menschliche Kontrolle ist obligatorisch, automatisches Freigeben ist ausgeschlossen.

Abbildung (englisch): Vier Felder einer Konfusionsmatrix. Offline-Alternative: Zeichne ein Quadrat mit „wirklich verspätet“/„wirklich pünktlich“ und „Warnung“/„keine Warnung“ und trage selbst vier Beispielzahlen ein. Commons: Datei, Jackverr, CC BY-SA 3.0 oder GFDL.

Prüffrage mit Beispiel: Von 20 wirklich gefährdeten Aufträgen werden 6 nicht gewarnt. Das kann eine kritische Fehlleistung sein, auch wenn 90 % aller Prognosen richtig wären. Trage Fehlwarnungen, verpasste Warnungen, Auswirkungen auf Personen sowie Grenzen der Stichprobe in den Steckbrief ein.

Kosten, Nutzen und Ressourcen entscheiden

Vergleich in Euro statt KI-Vermutung

Nutzen ist eine nachprüfbare Verbesserung gegenüber der Baseline, nicht das bloße Vorhandensein eines Modells. Einfache Modellrechnung: Eine vermiedene Startverspätung spart angenommen 15 Euro; 40 Produktionswochen werden angesetzt. Rechne einheitlich und ohne die Qualitätsabweichungen doppelt zu bewerten.

Größe	Ohne KI: Prüftabelle A	KI: Prognose B
Erwartete vermiedene Verspätungen pro Woche	8	12
Jährlicher Bruttonutzen	8 × 15 € × 40 = 4.800 €	12 × 15 € × 40 = 7.200 €
Einmaliger Aufwand	1.200 €	3.600 €
Laufender Aufwand im ersten Jahr	500 €	1.500 €
Saldo im ersten Jahr	3.100 €	2.100 €

Dies sind Annahmen, keine Messergebnisse. Der Erwartungswert für B ist unsicher. Schon hier erscheint die Nicht-KI-Alternative A unter den getroffenen Annahmen günstiger. Dokumentiere Entwicklung, Datenaufbereitung, Tests, Schulung, Wartung, Fehlwarnungen und menschliche Prüfung. Rechne bei Nutzenabweichung, etwa nur 6 vermiedenen Fällen mit B: 6 × 15 € × 40 = 3.600 €; der Saldo wird −1.500 €. Ein negativer Saldo ist ein mögliches Abbruchsignal, kein Argument zum Schönrechnen.

Sensitivitätsanalyse heißt: Prüfe, welche Entscheidung bei anderen plausiblen Annahmen entsteht. Wer 40 statt 50 Wochen rechnet, muss dieselbe Regel für beide Varianten verwenden. Qualitative Risiken wie Datenschutz, Akzeptanz und Betriebsstörungen bleiben zusätzlich zu bewerten; sie sind nicht durch eine einzige Eurozahl erledigt.

Abbildung (englisch): Die Aufteilung nach Zeit hilft, Einmalkosten und laufende Kosten zu trennen. Offline-Alternative: Erstelle die Spalten „Phase“, „Stunden“, „Kosten“, „verantwortlich“. Commons: Datei, Practicalpm, CC BY-SA 4.0.

Engpassmanagement

Nicht jede Ressource ist jederzeit verfügbar. Der simulierte Betrieb hat nur 6 Personenstunden pro Woche für Datenprüfung, 2 Personenstunden für fachliche Abnahme und einen Test-PC. Ein Engpass begrenzt, wie schnell ein Projekt glaubwürdig Ergebnisse liefern kann. Priorisiere kritische Datenprüfung vor Modelloptimierung; baue Puffer in den Wochenplan. Halte Zuständigkeiten fest: Ausbildungsbetreuung, Planungsfachkraft, Qualitätsprüfung und Projektkoordination. Keine Rolle darf allein fachliche Risiken übergehen.

Mit Stage-Gates beendbare Experimente führen

Freigabepunkte als Entscheidungen

Ein Stage-Gate ist ein vorab vereinbarter Entscheidungspunkt am Ende einer Projektphase. Mögliche Beschlüsse sind weiter, überarbeiten oder beenden. Die Gates verhindern, dass Zeit und bisher ausgegebenes Geld automatisch als Begründung für weitere Ausgaben dienen (versunkene Kosten).

Gate	Nachweis	Entscheidung und Stoppsignal
G0 Problem	Baseline, Ursache, verantwortliche Person	Stopp, wenn Ziel nicht messbar
G1 Optionen	dokumentierte Nicht-KI-Alternative und Wirkungshypothesen	Stopp, wenn einfache Lösung genügt
G2 Daten	dokumentierte Freigabe oder synthetischer Testdatensatz, Datenqualitätsprüfung	Stopp ohne legitime Datenbasis
G3 Versuch	vorher festgelegtes Testverfahren und Erfolgsschwellen	Stopp bei zu hoher Fehlerquote oder Ressourcenüberschreitung
G4 Bewertung	gleicher Maßstab für A und B, Risikobericht und Kosten-Nutzen-Abgleich	Stopp, wenn Nutzen oder Schutzkriterien verfehlt

Wichtig: Ein bestandenes Kurs-Gate ist keine Sicherheitsfreigabe für Maschinen oder reale Produktionsumgebungen. Freigaben werden im realen Betrieb durch zuständige Fachleute in gesonderten Verfahren vorgenommen. Hier endet das Projekt mit einem Bericht und einer Lernentscheidung.

Abbildung (englisch): Gantt-Diagramm zur Terminplanung. Offline-Alternative: Kalender mit „Problemaufnahme Woche 1“, „Datencheck Woche 2“, „Simulation Woche 3 bis 4“, „Auswertung Woche 5“. Commons: Datei, The LMOE, gemeinfrei.

Video (deutsch): PROJEKTFORUM, „Projektmanagement Phasen 3/5“ (2020). Beobachtungsauftrag: Welche Tätigkeiten führen zu einem echten „Stoppen oder Fortsetzen“-Entscheid? Offline-Alternative: Erläutere mit der Tabelle G0–G4 die fünf Zeitpunkte. Die externe Verfügbarkeit kann sich verändern.

Aus dem Fehlerfall lernen

Im simulierten Pilot von VariForm sinkt die Zahl verspäteter Starts von 24 auf 18 statt auf höchstens 14. Gleichzeitig steigen Qualitätsabweichungen von 10 auf 13. Die angenommene KI-Wirkung wurde überschätzt, besonders bei seltenen Varianten. Entscheid: Experiment B beenden; keine produktive Einführung. Gründe: Zielwert verfehlt, Schutzgröße verschlechtert und ein erheblicher wirtschaftlicher Vorteil gegenüber Alternative A nicht nachgewiesen. Das ist ein erfolgreicher Erkenntnisgewinn aus einem begrenzten Experiment, nicht eine Niederlage, die vertuscht werden sollte.

Vertiefung: Frage nach Verteilungsverschiebung (künftige Varianten anders als Trainingsvarianten), Datenleck, Kosten von Fehlwarnungen und einem verbleibenden Rest-Risiko. NIST beschreibt Risikomanagement mit den Funktionen GOVERN, MAP, MEASURE und MANAGE. Der NIST-Bericht AI 600-1 von Juli 2024 konzentriert sich ausdrücklich auf generative KI; er ist kein Nachweis für Güte oder Zulässigkeit eines industriellen Prognosemodells. Wende seine Prinzipien also nur reflektiert an.

Dein Projektsteckbrief als Lernprodukt

Ausfüllbare Entscheidungsvorlage

Erstelle den Steckbrief schriftlich auf Papier oder offline in einer Tabelle. Er darf ausdrücklich mit „Vorhaben nicht starten“ enden. Trage alle Felder mit Belegen, Zahlen oder „noch offen“ ein.

Steckbrieffeld	Was du konkret dokumentierst
Projekt und Entscheidung	VariForm-Startverspätungen; Fragestellung, keine Vorwegnahme von KI
Ausgangslage/Baseline	Zeitraum, Nenner, 24 von 200 verspätet, Qualitätsabweichungen 10 von 200
Ursache und Zielgruppe	Teilelisten, Varianten, Planungsrolle und betroffene Arbeitsschritte
Nicht-KI-Option	Prüftabelle A mit Aufwand, Nutzenannahme und Testplan
KI-Hypothese	Prognose B mit Eingangsvariablen, Annahmen und Grenzen
Datenrecht und Qualität	nur synthetische Daten im Kurs; real: Zuständigkeit, Zweck, Genehmigung offen
Erfolg vorab	höchstens 14 verspätete Starts pro 200; höchstens 10 Qualitätsabweichungen
Risiko und menschliche Kontrolle	falsche Warnungen, verpasste Fälle, manuelle Prüfung, keine Steuerung
Ressourcen, Termine und Budget	Verantwortliche, Wochenplan, Gesamtaufwand und Vergleichssaldo
Stage-Gates und Abbruch	G0–G4 samt messbaren Stoppsignalen
Bewertung und Transfer	begründeter Beschluss, Fehlerfall, offene Fragen und nächste zulässige Lernschritte

Mindestqualität: Jede Prozentangabe hat Bezugsgröße und Zeitraum, jede Nutzenzahl eine Rechenregel, jedes Gate ein Stoppsignal, jede Datenquelle eine rechtliche Einordnung und jeder Test eine vorab bestimmte Zielschwelle. Weise aus, ob eine Aussage Beobachtung, Annahme oder Simulationsergebnis ist.

Geführte Übung und selbstständiger Transfer

Geführt: Berechne 24/200 = 12 % und 14/200 = 7 %. Die erforderliche Verbesserung beträgt 5 Prozentpunkte bzw. 10 weniger verspätete Aufträge je Woche. Vergleiche den ersten Jahressaldo von A (3.100 €) und B (2.100 €). Schreibe einen vollständigen Zwei-Satz-Beschluss, der die technische, wirtschaftliche und datenschutzbezogene Unsicherheit unterscheidet. Das sind offene Rechenbeispiele, keine Antworten auf das spätere Quiz.

Selbstständig: Erfinde eine andere harmlose Variantenfertigung, z. B. Montage von Modellbau-Bausätzen aus Papier. Erhebe aus selbst erstellten Zufalls- oder Kartendaten eine Baseline, eine Nicht-KI-Regel und eine mögliche datenbasierte Hypothese. Lege Gates und Abbruchbedingungen fest, bevor du die simulierten Wochen vergleichst. Präsentiere einen begründeten Beschluss, auch wenn er „kein KI-Projekt“ lautet.

Hilfen: Starterfragen: Wer hat welches Problem? Was wird gezählt? Welcher Prozess kann ohne KI verbessert werden? Wer dürfte Daten genehmigen? Woran merken wir nach vier Wochen, dass der Versuch scheitert? Anspruchsvolle Vertiefung: Variiere die Nutzenannahmen, prüfe kleine Stichproben pro Variante, füge Kapazitätskonflikte hinzu und benenne Folgen eines falsch negativen Warnsignals.

Auditspur: Speichere Version 1 des Steckbriefs mit Datum und Annahmen; korrigiere sie nach dem simulierten Test zu Version 2 und begründe jede Änderung. Bewertet wird die Nachvollziehbarkeit, nicht die Behauptung, dass KI stets gewinnt.

Interaktive Aufgaben

Bearbeite die Aktivitäten ohne kostenpflichtigen Zugang. Antworten werden beim Quiz durch die Lernumgebung geprüft; hier steht kein separater Lösungsschlüssel im Aufgabentext.

Quiz: Wissen und Entscheidungen prüfen

Welcher Projektsatz ist am besten messbar? (Von 200 simulierten Aufträgen starten 24 verspätet und der Wert soll sinken) (!Wir setzen moderne KI ein) (!Unsere Produktion muss smarter werden) (!Alle Arbeitsschritte werden automatisiert)

Was bezeichnet Baseline im Projekt? (Einen dokumentierten Ausgangswert mit Zeitraum und Bezugsgröße) (!Eine besonders gute Modellprognose) (!Die zukünftige Zielmarke nach der Einführung) (!Die Lizenz des verwendeten Programms)

Welche Prüfung ist vor der Wahl eines KI-Modells nötig? (Eine geeignete Nicht-KI-Alternative mit Aufwand und Wirkung untersuchen) (!Zuerst die leistungsfähigste Grafikkarte bestellen) (!Nur eine Modellfamilie als möglich zulassen) (!Kosten erst nach der Einführung betrachten)

Was gilt als Datenfreigabe? (Eine dokumentierte zweckgebundene Erlaubnis durch eine zuständige Stelle) (!Ein technisch erreichbarer Ordner) (!Ein mündlicher Vorschlag ohne Zuständigkeit) (!Eine nachträgliche Genehmigungsvermutung)

Was ist ein Datenleck beim Test eines Prognosemodells? (Informationen aus der Zukunft gelangen unzulässig in die Modellentwicklung) (!Eine Tabellenkalkulation besitzt zu wenige Farben) (!Der Test umfasst auch ältere Varianten) (!Mehrere Personen kontrollieren die Ergebnisse)

Welche Kennzahl ist im Modellfall das primäre Erfolgskriterium? (Höchstens 14 verspätete Starts bei 200 Aufträgen pro Woche) (!Mindestens 40 neue Datenfelder) (!Ein besonders umfangreicher Bericht) (!Ein beliebig hoher Modellscore im Training)

Wie hoch ist der angenommene erste Jahressaldo der Nicht-KI-Option A? (3100 Euro) (!2100 Euro) (!4800 Euro) (!1700 Euro)

Was ist die beste Bedeutung eines Stage-Gates? (Ein dokumentierter Punkt für Fortsetzen Überarbeiten oder Beenden) (!Eine automatische Sicherheitsfreigabe) (!Ein Vertrag für einen bezahlten KI-Dienst) (!Ein fest vorgeschriebenes neuronales Netz)

Was bedeutet falsch negativ bei der Risikowarnung? (Ein tatsächlich gefährdeter Auftrag erhält keine Warnung) (!Ein unkritischer Auftrag erhält unnötig eine Warnung) (!Eine korrekt gewarnte Verspätung) (!Ein korrekt erkannter unkritischer Auftrag)

Welche Reaktion auf 18 Verspätungen und 13 Qualitätsabweichungen ist begründet? (Das Experiment beenden und die verfehlten Kriterien dokumentieren) (!Das Modell sofort produktiv schalten) (!Die ursprüngliche Baseline stillschweigend ändern) (!Die Qualitätsabweichungen aus der Bewertung löschen)

Memory

Finde zusammengehörige Fachbegriffe und Erklärungen, ohne die Kartenpaare vorher zu übernehmen.

Baseline	Erfasster Ausgangswert mit Nenner und Zeitraum
Abbruchkriterium	Vorab benannte Bedingung zum Beenden des Versuchs
Datenfreigabe	Dokumentierte zweckgebundene Erlaubnis zuständiger Stelle
Sensitivitätsanalyse	Vergleich der Entscheidung bei veränderten Annahmen
Stage-Gate	Entscheidungsprüfung an einem Phasenende
Falschnegativ	Kritischer Fall bleibt ohne Warnung

Drag-and-Drop

Ordne jedem Prüfschritt seine typische Unterlage zu.

Passenden Schritt zuordnen	Nachweis
Problem klären	Abweichung und Bezugsgröße dokumentieren
Alternative vergleichen	Einfache Prüftabelle gegen Prognose bewerten
Datenrechte prüfen	Zuständigkeit und erlaubten Zweck schriftlich festhalten
Erfolg festlegen	Grenzwerte vor dem Versuch vereinbaren
Versuch beenden	Verfehltes Schutzkriterium und Beschluss dokumentieren

Kreuzworträtsel

Trage die sechs einzelnen Fachwörter passend zu den Hinweisen ein.

Baseline	Wie heißt der dokumentierte Ausgangswert für einen Vergleich?
Engpass	Wie heißt die begrenzende Ressource im Ablauf?
Freigabe	Wie heißt die zuständige Erlaubnis zur vorgesehenen Datennutzung?
Kosten	Wie heißen Aufwendungen für Zeit Software und Wartung zusammengefasst?
Nutzen	Wie heißt der messbare Vorteil einer Verbesserung?
Risiko	Wie heißt die Verbindung möglicher Schäden und ihrer Eintrittsunsicherheit?

LearningApps

Offline-Alternative: Schreibe die Begriffe „Baseline“, „Datenfreigabe“, „Nicht-KI-Alternative“, „Gate“, „Abbruch“ auf fünf Zettel und ordne sie den fünf Erläuterungen aus der Drag-and-Drop-Aufgabe zu. Die Suche verweist auf externe Lernmaterialien, nicht auf eine eigens verifizierte Einzel-App.

Lückentext

Setze die jeweils passende fachliche Bezeichnung ein; der zweite Satz und alle folgenden Sätze enthalten jeweils nur eine Lücke.

Offene Aufgaben

Bearbeite genau vier Aufgaben je Niveau und dokumentiere Annahmen und Unsicherheiten. Keine echten Betriebsdaten und keine Maschinenzugriffe.

Leicht

Problemdefinition: Formuliere für VariForm einen Problemsatz mit Zahl, Zeitraum und Ziel, ohne bereits KI als Lösung einzusetzen.
Kennzahl: Berechne die Ausgangsquote 24 von 200 und die Zielquote 14 von 200; erläutere Prozentpunkte.
Datenqualität: Markiere in einer erfundenen Tabelle fünf unvollständige Teilebuchungen und begründe, warum sie eine Prognose verzerren können.
Nicht-KI-Lösung: Zeichne eine manuelle Prüfliste für fehlende Teile und beschreibe ihren Arbeitsablauf mit zwei Beispielen.

Standard

Machbarkeitsstudie: Bewerte fachliche, technische, wirtschaftliche und rechtliche Machbarkeit im Fall VariForm mit je einem Beleg und einer offenen Frage.
Wirtschaftlichkeitsrechnung: Rechne für A und B den Jahressaldo nach; variiere den erwarteten Nutzen und erkläre einen Wechsel der Entscheidung.
Projektstrukturplan: Plane G0 bis G4 über fünf Wochen auf Papier; benenne Zuständigkeiten, Abhängigkeiten und Engpässe.
Qualitätsmanagement: Entwickle ein simuliertes Testprotokoll für 200 Aufträge mit Qualitäts-Schutzwert und menschlicher Prüfroutine.

Schwer

Risikomanagement: Entwirf eine Risikomatrix mit falsch negativen Warnungen, Variantenverschiebung und Datenleck; begründe je eine Gegenmaßnahme.
Entscheidungsanalyse: Vergleiche eine regelbasierte Maßnahme und eine datenbasierte Maßnahme bei ungleichen Datenmengen mit einer gewichteten, erklärten Entscheidungsmatrix.
Projektbewertung: Begründe anhand des simulierten Fehlerfalls, warum bei 18 verspäteten Starts und 13 Qualitätsabweichungen G4 nicht bestanden wird und welche Untersuchung dennoch zulässig wäre.
Projektauftrag: Erstelle deinen vollständigen Projektsteckbrief für eine eigene fiktive Variantenfertigung einschließlich Baseline, Datenfreigabeprüfung, Erfolgsschwellen, Gate-Protokoll und begründetem Abbruch.

Lernkontrolle

Problem und Ursache: Erkläre, weshalb fehlende Teile zugleich Symptom und Folge eines anderen Planungsproblems sein können.
Auswahl der Methode: Begründe an drei Kriterien, wann eine Nicht-KI-Alternative gegenüber einem Prognosemodell vorzuziehen ist.
Datennutzung: Beschreibe, warum ein technisch verfügbares Datenfeld ohne Freigabe nicht für einen betrieblichen Versuch genutzt werden darf.
Kosten und Nutzen: Berechne die Auswirkung von nur sechs vermiedenen Verspätungen je Woche auf den KI-Saldo des ersten Jahres und folgere eine Entscheidung.
Testdesign: Lege eine zeitliche Trennung von Trainings- und Testfällen fest und benenne einen möglichen Datenleck-Fehler.
Qualitätssicherung: Prüfe an den vorab gesetzten Ziel- und Schutzwerten den Fehlerfall mit 18 Verspätungen und 13 Abweichungen.
Begründung: Erstelle einen kurzen Gate-G4-Beschluss mit Unsicherheit, Gegenargument und Verantwortung für das Stoppen.

Lernnachweis

Abgabeprodukt: Projektsteckbrief (Version 1 vor dem Versuch, Version 2 nach der Simulation) mit (a) Problem und achtwöchig angenommener Baseline samt Bezugsgrößen, (b) geprüfter Nicht-KI-Alternative, (c) Nachweisstatus einer Datenfreigabe, (d) vorab festgelegten Erfolgs- und Schutzwerten, (e) Wirtschaftlichkeitsvergleich mit Sensitivitätsrechnung, (f) Ressourcen- und Terminplan, (g) Gate-Protokoll und Abbruchbedingungen, (h) begründeter Fehlerfall-Entscheidung, (i) zwei offenen Fragen und (j) einem Transfer auf ein neues fiktives Projekt.

Bewertungsraster: Problemklarheit 20 %, fachliche Machbarkeit und Datenverantwortung 20 %, Wirtschaftlichkeit und Alternativen 20 %, prüfbare Gates und Abbruch 25 %, reflektierter Transfer und Quellenarbeit 15 %. Ein sachlich begründeter Projektabbruch kann die volle Leistung erreichen. Peer-Feedback: Andere Lernende suchen eine unbelegte Annahme, ein ungeprüftes Risiko und ein übersehenes Nicht-KI-Verfahren. Bestehe ausdrücklich auf einem nachvollziehbaren eigenen Entscheid und einer Erklärung des Fehlerfalls.

OER und Wikipedia

Quellenstand der Kursbearbeitung: 22.10.2026. Bei Änderungen an Quellen gilt die zitierte Version; Abruf bedeutet nicht, dass künftige Video- oder Seitenerreichbarkeit garantiert ist.

Liebherr: Unser Weg zur Smart Factory, Kundenmagazin 02/2025, Unternehmensperspektive auf variantenreiche Fertigung, schrittweise Automatisierung und KI. Einordnung: Praxisbeispiel, kein neutraler Wirksamkeitsbeleg für das fiktive Projekt und keine Mitwirkung am Kurs.
NIST AI 600-1, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, Juli 2024, DOI 10.6028/NIST.AI.600-1. Grenze: Profil generativer KI; keine Pflichtnorm oder industrielle Modellzertifizierung.
NIST AI RMF 1.0, Kernfunktionen, 2023, GOVERN–MAP–MEASURE–MANAGE; Aktualisierungen der NIST-Materialien prüfen.
Wikipedia: Projektmanagement, Überblick zu Rollen, Phasen und Steuerungsgrößen.
Wikipedia: Machbarkeitsstudie, technische, wirtschaftliche und organisatorische Prüfung.
Vorhandene MOOCwiki-Grundlage, als Voraussetzung verlinkt; beim Recherchieren nicht abrufbar, daher nicht inhaltlich paraphrasiert.
Datenprozess, Brylie Christopher Oxley, CC0 1.0.
Lernanimation, Miquel Perelló Nieto, CC BY 4.0.
Konfusionsmatrix, Jackverr, CC BY-SA 3.0 / GFDL.
Kostenbericht, Practicalpm, CC BY-SA 4.0.
Projektplan, The LMOE, Public Domain.
kurzes Maschinenklang-Beispiel, stephan, Public Domain; Hörbeispiel ist kein realer Fehlerdiagnose-Datensatz.
Fraunhofer IAO: KI in der Produktion verstehen, 18.10.2023, deutsch. Video-Metadaten beim Recherchieren auffindbar; Wiedergabe kann extern eingeschränkt werden.
PROJEKTFORUM: Projektmanagement Phasen 3/5, 03.02.2020, deutsch. Video-Metadaten auffindbar; direkte Abspielbarkeit nicht gewährleistet.

Audioimpuls mit Offline-Ersatz: Höre auf Wunsch das kurze gemeinfreie Klangbeispiel Maschinenklang (4,5 Sekunden). Notiere, warum ein einzelnes Geräusch ohne dokumentierten Prozesskontext weder einen Fehler noch die Qualität einer Prognose beweist. Ohne Audio: Stelle dir einen kurzen Summton beim Drücken eines Tasters vor und löse dieselbe Begründungsaufgabe.

Offline-Alternative zu sämtlichen externen Medien: Alle Tabellen, Rechenwege, Gate-Definitionen und Fallaufgaben oben sind als Text bearbeitbar; Papier und Taschenrechner genügen.