900.000 Euro für eine offene KI-Planungsplattform

900.000 Euro klingen für ein Forschungsprojekt zunächst nach einer respektablen, aber überschaubaren Summe – bis man sich vor Augen führt, wofür sie reichen sollen: eine Planungsplattform, die Fließbänder, Lieferketten und irgendwann vielleicht sogar Operationssäle in Echtzeit neu sortiert, wenn irgendwo im System etwas klemmt. Die Fördermittel stammen aus dem Europäischen Fonds für regionale Entwicklung, kurz EFRE, und fließen in ein Vorhaben namens PreAIrranging. Der sperrige Name verrät schon das Programm: „Preparing an AI-Based Rearranging Hub“ – ein Hub, der lernt, Reihenfolgen neu zu arrangieren, bevor der Mensch überhaupt merkt, dass eine Umplanung nötig wäre.

Rechnen wir kurz nach, was das im Forschungsbetrieb bedeutet: Bei einer Laufzeit von rund 18 Monaten – laut DFKI-Angaben von April 2026 bis September 2027 – verteilt sich das Budget auf drei Partner, von der Konzeption bis zur ersten lauffähigen Cloud-Architektur. Das ist kein Großprojekt mit zehnstelligen Summen, sondern eine typische Machbarkeitsförderung: genug, um zu zeigen, dass eine Idee trägt, zu wenig, um sie schon flächendeckend auszurollen. Genau das macht das Projekt aus Sicht der Industrieforschung interessant, denn es zwingt die Beteiligten, von Anfang an modular statt monolithisch zu denken.

Was Sequenzierung in der Produktion wirklich bedeutet

Für alle, die nicht täglich mit Fertigungsstraßen zu tun haben: Sequenzierung ist die Kunst, in welcher Reihenfolge Bauteile, Fahrzeugvarianten oder Aufträge durch eine Produktionslinie laufen. In der Automobilindustrie ist das alles andere als trivial. Ein Werk fertigt nicht ein Auto nach dem anderen in identischer Ausstattung, sondern eine Abfolge unterschiedlicher Modellvarianten, bei der jedes einzelne Fahrzeug just in time mit den passenden Zulieferteilen versorgt werden muss – Sitzbezug in Leder hier, Lenkrad mit Heizung dort, ein bestimmter Motor an Position 47 der Tagesproduktion.

Zum Vergleich: Ein mittelgroßes Werk verarbeitet an einem Produktionstag oft mehrere hundert unterschiedliche Bauteilvarianten in wechselnder Kombination. Jede dieser Varianten hat einen eigenen Zulieferpfad, eine eigene Lagerlogik, ein eigenes Zeitfenster. Kommt jetzt eine Lieferverzögerung hinzu, etwa weil ein Zulieferteil im Stau steht oder ein Container im Hafen liegen bleibt, muss die gesamte Sequenz neu berechnet werden – und zwar so, dass die Linie möglichst nicht stillsteht. Klassische Planungssysteme lösen das oft mit starren Regelwerken oder aufwendig von Hand gepflegten Tabellen, die bei jeder neuen Störung erneut angepasst werden müssen.

Je mehr Varianten ein Werk anbietet und je kürzer die Innovationszyklen werden, desto schneller stößt dieses Vorgehen an seine Grenzen. Was am Fließband wie ein rein logistisches Problem wirkt, ist in Wahrheit ein Optimierungsproblem mit tausenden Freiheitsgraden – und genau hier setzt die neue Planungsplattform an: nicht als starres Regelwerk, sondern als lernendes System, das Umplanungen im laufenden Betrieb vorschlägt, bevor ein Mensch überhaupt die volle Tragweite der Störung überblickt.

Drei Partner, drei Rollen

Getragen wird PreAIrranging von einem Trio, das die klassische Aufgabenteilung zwischen Grundlagenforschung, angewandter KI-Forschung und Softwareentwicklung ziemlich genau abbildet. Die Universität des Saarlandes bringt über den Lehrstuhl „Modeling and Simulation“ die Expertise im tiefen Verstärkungslernen ein, das Deutsche Forschungszentrum für Künstliche Intelligenz koordiniert das Projekt über seinen Forschungsbereich Neuro-Mechanistische Modellierung, und die abat+ GmbH aus St. Ingbert liefert die Cloud- und Plattforminfrastruktur, die in der Fertigungsindustrie auch unter Hochlastbedingungen stabil laufen muss.

Diese Rollenverteilung ist kein Zufall. Während die Universität die theoretischen Grundlagen der Sequenzierungsalgorithmen liefert und das DFKI die Brücke zwischen Forschung und industrieller Anwendung baut, übernimmt abat+ mit seiner Cloud-Erfahrung genau jenen Teil, an dem viele Forschungsprojekte in der Praxis scheitern: die Frage, ob ein Prototyp auch unter realen Lastbedingungen stabil bleibt, wenn hunderte Sequenzanfragen pro Stunde verarbeitet werden müssen. Die wissenschaftliche Leitung liegt bei Prof. Dr. Verena Wolf, die an beiden Forschungseinrichtungen aktiv ist und in der Kombination von Simulation und maschinellem Lernen promoviert hat. Auf operativer Ebene steuern Timo Philipp Gros vom DFKI und Philipp Stopp von abat+ die Umsetzung. Mehr Details zur genauen Governance-Struktur nennt die Projektseite des DFKI nicht öffentlich, was bei einer Frühphase-Förderung dieser Größenordnung nicht ungewöhnlich ist. Wer sich für die institutionelle Einordnung interessiert, findet auf der Über-uns-Seite des DFKI zumindest den größeren Forschungsrahmen, in dem solche Projekte entstehen.

Die technische Architektur der Planungsplattform

Im Kern soll eine modulare Cloud-Plattform entstehen, die zwei Bausteine verbindet: hybride Sequenzierungsalgorithmen, die klassische Optimierungsverfahren mit lernenden Komponenten kombinieren, und digitale Zwillinge der realen Produktionssysteme, an denen sich neue Strategien risikofrei testen lassen, bevor sie auf die echte Fertigungslinie treffen. Das Prinzip ist längst nicht neu – wir haben bei digital-magazin.de bereits mehrfach über den Einsatz von digitalen Zwillingen in der Industrie berichtet –, aber die Kombination mit Deep Reinforcement Learning speziell für (Re-)Sequenzierungsprobleme gilt laut DFKI als neuer Ansatz in diesem Anwendungsfeld.

Der digitale Zwilling übernimmt dabei eine doppelte Funktion. Zum einen dient er als Trainingsumgebung: Der Algorithmus kann dort tausende Varianten von Störungsszenarien durchspielen, ohne dass jemals eine echte Fertigungslinie angehalten werden muss. Zum anderen fungiert er als Testfeld für neue Strategien, bevor sie überhaupt in die Nähe der realen Produktion kommen. Diese Trennung zwischen Simulation und Realbetrieb ist keine Nebensächlichkeit, sondern die Voraussetzung dafür, dass ein lernendes System in einem sicherheitskritischen Umfeld wie der Automobilfertigung überhaupt zum Einsatz kommen darf.

Deep Reinforcement Learning bedeutet vereinfacht: Ein Algorithmus lernt durch Versuch und Irrtum, in einer simulierten Umgebung Entscheidungen zu treffen, die eine bestimmte Zielgröße – etwa Durchlaufzeit oder Liefertreue – optimieren. Anders als bei klassischen Optimierungsverfahren muss niemand jede Regel explizit programmieren; das System entwickelt eigene Strategien anhand von Belohnung und Bestrafung in tausenden simulierten Durchläufen. Wie diese Trainingslogik grundsätzlich funktioniert, haben wir in unserem Grundlagentext zum Reinforcement Learning eingeordnet.

Erklärbare KI statt Blackbox am Fließband

Der eigentlich interessante Teil des Projekts liegt aber nicht im Algorithmus selbst, sondern in dem, was ihn umgibt: ein Dashboard für erklärbare KI, kurz XAI, das von Beginn an mitgedacht wird und nicht nachträglich draufgesetzt werden soll. Der Grund dafür lässt sich weniger technisch als kulturell beschreiben – und genau hier wird die Haltung der Projektleiterin greifbar, wie sie sie bereits in einem Interview mit dem Magazin „aktiv“ im Januar 2025 formuliert hat, damals im Kontext ihrer Forschung zu KI-gestützter Produktionsplanung im Allgemeinen.

„Wir können Mitarbeitern nicht einfach eine Blackbox vorsetzen und sagen: Die trifft jetzt für euch optimale Entscheidungen – vertraut der mal! So funktioniert es nicht.“

Prof. Dr. Verena Wolf, Uni Saarland / DFKI

Diese Skepsis gegenüber der Blackbox ist kein Nebensatz, sondern der Kern der Systemarchitektur. Statt einer Maschine, die stillschweigend über den Kopf der Beschäftigten hinweg entscheidet, soll das Dashboard den Ist-Zustand der Produktion sichtbar machen und zugleich erklären, warum eine bestimmte Umsequenzierung vorgeschlagen wird. Für die Menschen an der Linie bedeutet das: Die KI liefert einen Vorschlag, den Menschen nachvollziehen, korrigieren oder ablehnen können – keine Entscheidung, die einfach exekutiert wird.

Konkret dürfte das Dashboard drei Ebenen abbilden müssen: den aktuellen Zustand der Linie, die vorgeschlagene neue Sequenz und die Begründung dafür, warum genau diese Alternative gewählt wurde und nicht eine andere. Ohne diese dritte Ebene bleibt jedes noch so ausgeklügelte Optimierungssystem für die Beschäftigten an der Linie eine Blackbox, der man im Zweifel eher misstraut als folgt – ein Muster, das aus früheren Automatisierungsprojekten in der Fertigung hinreichend bekannt ist.

Wolf bringt diesen Anspruch an anderer Stelle desselben Interviews auf eine kurze Formel, die auch für PreAIrranging als Leitgedanke taugt:

„Einer KI kann man beibringen, auch in stressigen Momenten gute Entscheidungen zu treffen.“

Prof. Dr. Verena Wolf, Uni Saarland / DFKI

Der Haken an dieser Formel: „Gute Entscheidungen“ sind nur dann etwas wert, wenn die Menschen, die mit ihnen leben müssen, sie auch akzeptieren. Genau deshalb ist Explainable AI in diesem Projekt kein optionales Feature, sondern eine Voraussetzung dafür, dass die Planungsplattform überhaupt in echten Werkshallen ankommt – und nicht nur in Simulationsumgebungen glänzt.

Live-Umplanung, wenn Lieferketten stocken

Dieses Bild wurde komplett mit KI generiertProviderhiggsfieldModellgpt_image_2Prompt16:9 editorial documentary photograph of a clean industrial control room overlooking a manufacturing hall through large glass windows, soft glowing abstract schedule charts without any readable text or numbers on monitors, cool blue ambient light, no logos, no brand names, no readable text, photorealistic

Praktisch soll das System nach Angaben der Projektpartner vor allem dann greifen, wenn eine laufende Fertigungsstrecke akut umgeplant werden muss – etwa weil ein Zulieferteil verspätet eintrifft oder ein Auftrag kurzfristig priorisiert werden soll. Statt Stunden mit manueller Neuplanung zu verbringen, soll die Plattform in kurzer Zeit mehrere realistische Sequenzalternativen berechnen, deren Auswirkungen im digitalen Zwilling simulieren und dem Planungsteam die plausibelste Option samt Begründung liefern.

Man stelle sich ein typisches Szenario vor: Ein Zulieferer meldet kurzfristig, dass eine bestimmte Sitzbezugsvariante erst mit mehrstündiger Verspätung eintrifft. Bislang bedeutet das für die Planungsabteilung häufig hektisches Telefonieren, Tabellenkalkulationen wälzen und im schlimmsten Fall einen Bandstopp. Die geplante Plattform soll diesen Prozess abkürzen, indem sie automatisch alternative Sequenzen vorschlägt, die das betroffene Bauteil später einplanen und stattdessen andere, bereits verfügbare Varianten vorziehen – ohne dass am Ende des Tages ein Lieferrückstand oder ein leerer Bandabschnitt entsteht.

Besonders im Blick haben die Projektpartner dabei kleine und mittlere Unternehmen, die ihre Sequenzplanung bislang häufig noch manuell oder mit einfachen Tabellenkalkulationen erledigen. Große Automobilkonzerne verfügen oft über eigene, aufwendig entwickelte Planungssysteme; für einen Zulieferbetrieb mit dreistelliger Mitarbeiterzahl ist eine solche Individuallösung wirtschaftlich meist nicht zu stemmen. Für diese Betriebe bedeutet jede ungeplante Störung oft einen überproportional hohen Aufwand, weil schlicht die Kapazität fehlt, um in Echtzeit gegenzusteuern. Eine offene, modulare Plattform könnte hier eine Lücke schließen, die der Markt bislang kaum bedient – vorausgesetzt, sie lässt sich tatsächlich mit vertretbarem Aufwand an unterschiedliche Werkshallen anpassen, statt am Ende doch wieder eine teure Speziallösung zu werden.

Vom Fließband in den OP-Saal – eine Analogie mit Vorsicht zu genießen

Interessant wird das Projekt vollends, wenn man einen Blick auf die avisierte Übertragbarkeit wirft. Die Projektpartner nennen als mögliches zweites Anwendungsfeld den Operationssaal: Auch dort müssen Instrumente, Geräte und Fachpersonal in einer bestimmten Reihenfolge bereitstehen, und Kliniken planen häufig ähnliche Eingriffe hintereinander, um Rüstzeiten zu sparen – strukturell ein Sequenzierungsproblem, nicht ganz anders als am Fließband.

Man sollte diese Analogie allerdings nicht überdehnen. Ein verspätetes Bauteil in der Fahrzeugfertigung ist ein wirtschaftliches Problem; eine verspätete OP-Vorbereitung kann im schlimmsten Fall unmittelbare Folgen für Patientinnen und Patienten haben. Bislang handelt es sich bei der Klinik-Idee um eine im DFKI-Kontext skizzierte Übertragungsmöglichkeit, nicht um einen laufenden Pilotbetrieb in einem Krankenhaus. Dass die Grundlogik – begrenzte Ressourcen, feste Reihenfolgen, störungsanfällige Abläufe – in beiden Welten ähnlich ist, macht die Idee plausibel. Ob sich die dafür nötige Verlässlichkeit und Zulassungsfähigkeit tatsächlich herstellen lässt, ist eine andere, deutlich anspruchsvollere Frage, die mit ganz anderen regulatorischen Hürden verbunden ist als eine Sequenzänderung am Fließband.

Werkzeugkasten statt Maßanzug

Der eigentliche strategische Kniff des Projekts liegt in der bewussten Abkehr von der Individualsoftware, die in der Industrie lange Standard war. Statt für jedes Werk eine komplett neue Lösung zu entwickeln, sollen die Bausteine der Plattform – Sequenzierungsalgorithmen, digitale Zwillinge, XAI-Dashboard – so offen gestaltet werden, dass sie sich wie Module kombinieren und auf unterschiedliche Branchen übertragen lassen. Aus einem Forschungsprototyp soll damit im besten Fall ein anpassbarer KI-Werkzeugkasten für Industriekunden werden, keine Speziallösung für ein einzelnes Werk.

Diese Idee ist nicht neu, aber sie wird selten konsequent durchgehalten. Viele Digitalisierungsprojekte in der Fertigung enden als hochspezifische Insellösung, die zwar in einem Werk funktioniert, aber kaum übertragbar ist – ein Muster, das wir in unserer Berichterstattung über digitale Fertigungsprojekte großer Industriekonzerne immer wieder beobachtet haben. Ob PreAIrranging dem entgeht, wird sich erst zeigen, wenn die Plattform über den ersten Demonstrator hinaus in echten Werkshallen unterschiedlicher Größenordnung läuft.

Ein Werkzeugkasten-Ansatz hat allerdings seinen eigenen Preis: Jedes zusätzliche Modul, das flexibel austauschbar sein soll, erhöht die Komplexität der Schnittstellen. Wer schon einmal versucht hat, ein modulares System über mehrere Werksstandorte hinweg zu betreiben, weiß, dass die Übertragbarkeit auf dem Papier oft einfacher aussieht als in der Praxis, wo jedes Werk seine eigenen historisch gewachsenen IT-Systeme, Datenformate und Schnittstellenkonventionen mitbringt. Ob abat+ mit seiner Cloud-Architektur diese Reibungsverluste tatsächlich klein halten kann, dürfte einer der entscheidenden Testpunkte in der zweiten Projekthälfte sein.

Sequenzierung als Testfall für vertrauenswürdige KI

Wir bei digital-magazin.de beobachten seit einiger Zeit, wie sich der Fokus vieler KI-Projekte in der Industrie verschiebt: weg von der reinen Automatisierung, hin zu Systemen, die Menschen unterstützen, ohne sie zu entmündigen. PreAIrranging fügt sich in dieses Muster ziemlich genau ein, und das nicht nur, weil es politisch gerade opportun ist, „Erklärbarkeit“ ins Förderprofil zu schreiben. Die Entscheidung, XAI von Anfang an mitzudenken statt sie als Feature nachzurüsten, ist ein handfester Unterschied zu vielen früheren Pilotprojekten, die zunächst nur auf Optimierung getrimmt waren und erst später merkten, dass niemand den Vorschlägen der Maschine traute.

Auch mit Blick auf andere aktuelle Entwicklungen rund um KI-Agenten in Unternehmen lässt sich ein ähnliches Muster erkennen: Systeme, die autonom Entscheidungen treffen, stoßen in der Praxis schneller auf Akzeptanzprobleme als solche, die den Menschen als letzte Entscheidungsinstanz mitdenken. Ob am Fließband oder im Büro – die Frage, wer am Ende die Verantwortung trägt, entscheidet oft mehr über den Erfolg eines Systems als seine reine Rechenleistung.

Gleichzeitig sollte man die Erwartungen an eine Frühphase-Förderung von knapp 900.000 Euro realistisch halten. In 18 Monaten entsteht keine marktreife Software, sondern bestenfalls ein belastbarer Architektur- und Funktionsnachweis: ein digitaler Zwilling, ein trainierter Algorithmus, ein Dashboard-Prototyp, vielleicht ein erster Testlauf mit einem mittelständischen Zulieferer. Der eigentliche Beweis, ob sich Deep Reinforcement Learning in Kombination mit Explainable AI wirklich in den Alltag einer Werkshalle integrieren lässt, steht damit noch aus.

Unter dem Strich bleibt PreAIrranging damit ein Projekt, das man nicht an großen Ankündigungen messen sollte, sondern an kleinen, überprüfbaren Fortschritten: Läuft der digitale Zwilling stabil? Versteht ein Planer am Bildschirm, warum die KI eine bestimmte Sequenz vorschlägt? Lässt sich das System tatsächlich mit vertretbarem Aufwand auf ein zweites Werk übertragen? Wer die Ergebnisse in anderthalb Jahren nüchtern bewertet, wird vermutlich weniger auf spektakuläre Kennzahlen achten als darauf, ob die Planungsplattform tatsächlich als offener Baukasten funktioniert – oder am Ende doch wieder in einer Nische verschwindet, aus der sie eigentlich herauswollte.