Wie INFORM Optimierung und KI zu einer neuen Entscheidungsintelligenz verbindet 

Interview

Frage: Herr Lehnen, was fasziniert Sie grundsätzlich daran, KI für reale operative Prozesse zu entwickeln?

Antwort: Die KI ermöglicht es uns, komplexe und dynamische Abläufe so abzubilden, wie Menschen sie intuitiv erfassen – nur mit der Geschwindigkeit und Präzision eines modernen Softwaresystems. Viele Herausforderungen der industriellen Praxis ließen sich bisher softwareseitig nur unvollständig modellieren. Jetzt können wir die nächsten Schritte gehen: weg von Systemen, die nur mit den schon bekannten Informationen planen, hin zu Systemen, die vorhersagen welche Auswirkung eine Entscheidung auf unsere Prozesse hat. Diese Entwicklungsarbeit ist sehr spannend, gerade bei einem Unternehmen wie INFORM. Die Optimierung beherrschen wir hier seit vielen Jahren. Aber jetzt stehen wir an der Schwelle zu einer neuen Generation von Systemen, die immer näher an das herankommen, was in realen Abläufen tatsächlich passiert.

Frage: KI für industrielle Prozesse unterscheidet sich also von dem, was Menschen im Alltag als KI wahrnehmen. Worin liegt der Unterschied, etwa zu Tools wie ChatGPT?

Antwort: ChatGPT ist ein Modell, das darauf trainiert ist, Sprache zu verarbeiten und plausible Formulierungen zu erzeugen. In industriellen Prozessen geht es aber nicht darum, Sätze zu generieren, sondern Entscheidungen zu treffen. Und diese Entscheidungen sind immer an harte Randbedingungen geknüpft. Dazu zählen etwa verfügbare Ressourcen, gesetzliche Vorgaben und physikalische Abhängigkeiten.

Was wir brauchen, ist KI, die verstehen und erklären kann, was in einem Prozess gerade passiert und welche Folgen eine bestimmte Entscheidung wahrscheinlich hat.

Frage: Consumer-KI kann also nur Antworten formulieren. Industrie-KI dagegen muss Entscheidungen unterstützen?

Antwort: Ja, und zwar so, dass sie fachlich tragfähig und verantwortbar sind. Ein Fehlgriff kann teuer werden oder ganze Abläufe ins Stocken bringen. Deshalb brauchen wir Modelle, die Unsicherheiten sichtbar machen, Zusammenhänge klar strukturieren und dem Menschen eine fundierte Entscheidungsgrundlage bieten. Gute KI trifft keine Bauchentscheidungen. Genau darin unterscheidet sich unsere Systemsicht fundamental von generativen Tools, die vor allem statistische Muster fortschreiben, aber keine physikalisch-logischen Zusammenhänge abbilden.

Frage: INFORM arbeitet seit Jahrzehnten mit Optimierungsverfahren. Viele Prozesse wurden schon vor der KI-Ära algorithmisch gesteuert. Wie arbeiten solche Verfahren und warum ergänzt KI diesen Ansatz so gut?

Antwort: Optimierungsmodelle berechnen Entscheidungen innerhalb eines fest definierten Rahmens: Ziele, Restriktionen, verfügbare Ressourcen und deren Beziehungen werden mathematisch exakt beschrieben. Innerhalb dieses Modells finden sie die bestmögliche Lösung – schnell, zuverlässig und transparent. Doch sie stoßen an Grenzen, sobald Prozesse unvollständig beschrieben sind, sich häufig ändern oder zusätzliche Muster und Risiken eine Rolle spielen.

Frage: Und an diesem Punkt kommen moderne KI-Verfahren wie Process Mining oder Machine Learning ins Spiel?

Antwort: Richtig! Sie erkennen Trends, Unsicherheiten und Wechselwirkungen, die im Modell nicht explizit definiert sind, und liefern damit eine vorausschauende Einschätzung des Prozesskontextes. Das ist ein echter Qualitätssprung, weil die KI genau die Muster erkennt, die klassische Optimierungsmodelle nicht abbilden können. Die Kombination aus beidem schafft Systeme, die optimal rechnen und Zusammenhänge verstehen. Das liefert die Grundlage, um in komplexen Situationen die bestmögliche Entscheidung zu treffen.

Frage: Sie gestalten bei INFORM mit der beschriebenen Kombination aus Optimierung und KI eine Produktvision namens Process AI. Was steckt dahinter?

Antwort: Process AI bedeutet im Kern, der KI ein mentales Modell des gesamten Prozessflusses zu geben – also ein Verständnis dafür, was im Ablauf passiert, warum es passiert und welche Folgen einzelne Entscheidungen haben. Klassische Planungssysteme konzentrieren sich häufig auf einzelne Teilaufgaben, etwa darauf, wann ein Transportauftrag ausgeführt wird, wer ihn übernimmt und welches Fahrzeug dafür geeignet ist. Das kann man festlegen. Aber was macht man, wenn ein Lkw auf seiner Tour in einen Stau gerät, bevor der den avisierten Auftrag durchführen kann und deshalb zu spät kommt? Process AI erweitert deshalb den Blick: Wahrnehmen, Interpretieren, Planen, Ausführen und Lernen greifen als kontinuierlicher Kreislauf ineinander.

Frage: Das klingt abstrakt.

Antwort: Ja, wird aber in der Praxis schnell konkret: Eine KI soll erkennen, wo ein Prozess ins Stocken gerät, wie sich Störungen ausbreiten und welche Anpassung den Ablauf stabiler macht. Um beim Beispiel zu bleiben: Kann ich aufgrund der Tageszeit und der erwarteten Verkehrslage den Stau vorhersagen und den Lkw frühzeitig auf eine alternative Route schicken? Oder gibt es keine geeignete Ausweichstrecke und ich muss ich den Transportauftrag verschieben? Und was bedeutet das für diejenigen, die auf die Lieferung warten? Die KI soll abschätzen, welche Optionen die besten sind und die Grundlage liefern, damit der Mensch entscheiden kann.

Frage: Wird man diese KI auch per Sprache bedienen und mit ihr wie mit einem Chatbot reden können?

Antwort: Ja, das ist wahrscheinlich. Unsere Anwendungen sind unter der Oberfläche sehr komplex. Gerade deshalb muss die Bedienung möglichst intuitiv sein. Sprache erleichtert den Zugang und senkt Einstiegshürden. Gleichzeitig arbeiten wir an KI-Agenten, also Modulen, die Prozesszustände wahrnehmen, Entscheidungen vorbereiten, Aktionen anstoßen und aus Rückmeldungen lernen können. Aber eines bleibt unverändert: Die Verantwortung liegt beim Menschen. KI-Agenten sollen unterstützen, nicht automatisiert entscheiden.

Frage: Um der Vision der "Process AI" näher zu kommen, führt INFORM mehrere Pilot- und Forschungsprojekte durch. Können Sie an Beispielen erläutern, wie KI heute in sehr unterschiedlichen Prozesswelten eingesetzt wird?

Antwort: In der Bodenabfertigung an Flughäfen, einem Umfeld, das sich durch hohe Dynamik und kurze Entscheidungsfenster auszeichnet, verfolgen wir einen technologisch neuen Ansatz: Die Kombination von Prognose und Planung in einem integrierten Modell. Konkret geht es bei diesem Projekt um die Planung von Frachtmitnahmen in Passagierflugzeugen. Bisher wurden verfügbare Laderaumkapazitäten per Machine-Learning prognostiziert, während man anschließend die Verladung der Fracht in einem separaten Prozess plante. Doch gerade hier ändern sich die Rahmenbedingungen kurzfristig, abhängig von Passagierzahlen, Gepäckmengen oder Verschiebungen im Flugplan. Wenn Prognose und Planung getrennt laufen, entstehen schnell Brüche im Ablauf. Unser integrierter Ansatz führt beides zusammen

Frage: Wie genau geschieht das?

Antwort: Die KI prognostiziert verfügbare Kapazitäten und verarbeitet diese Information unmittelbar in einem gemeinsamen Planungsmodell. So kann das System auf Unsicherheiten reagieren, bevor sie operative Probleme erzeugen. Das Ergebnis: stabilere Verladeentscheidungen und deutlich weniger kurzfristige Umplanungen.

Frage: Gibt es noch weitere Projekte?

Antwort: Ein zweites Beispiel kommt aus der Automotive-Logistik. Hier geht es darum, Transporte zu planen, welche die Neuwagen von den Herstellern zu den Händlern bringen. Ein großer Teil der operativen Arbeit läuft über täglich über zahlreiche E-Mail, die gesichtet und priorisiert werden müssen. Wir entwickeln hier einen Kommunikationsassistenten, der Anliegen automatisch erkennt, einordnet und passende Antwortvorschläge liefert. Das entlastet die Mitarbeitenden und hilft, kritische Anfragen schneller zu erkennen.

Frage: Um eine Art Kommunikationsassistent geht es auch bei einem ihrer weiteren Pilotprojekte?

Antwort: Ja, wir entwickeln gerade einen spezialisierten Chatbot, der technische Fragen zu Datenstandards präzise beantworten kann. Das ist wichtig für Bereiche, in denen sehr präzise Informationen benötigt werden. Ein weiteres Projekt beschäftigt sich mit einem Available-to-Promise-Modell, das automatisch prüft, ob ein Auftrag realistisch angenommen werden kann und welche Ressourcen dafür benötigt werden. Außerdem entwickeln wir eine Demand-AI-Lösung für die Absatzplanung im Supply-Chain-Management. Die Modelle nutzen neuronale Netze, um Nachfrageverläufe und Trends vorherzusagen. Ziel ist es, Schwankungen frühzeitig zu erkennen und Produktions- sowie Nachschubprozesse stabiler und vorausschauender zu planen.

Frage: Wenn man sich all diese Projekte anschaut – wo stehen die größten Hürden?

Antwort: Ganz klar bei der Datenqualität und beim Zugang zu operativen Prozessdaten. Viele Prozesse sind historisch gewachsen und die Datenstrukturen entsprechend heterogen oder lückenhaft. Außerdem tun sich viele Unternehmen schwer damit, ihre Daten herauszugeben, was absolut nachvollziehbar ist. Gleichzeitig brauchen KI-Modelle genau diese reale Grundlage. Ohne sie lernt das System nicht das, was später im Alltag tatsächlich passiert, und dann treffen Modelle Entscheidungen, die an der Realität vorbeigehen.

Frage: Wie könnte man dieses Problem lösen?

Antwort: Mein Vorschlag wäre: Wir müssen Formate schaffen, in denen Unternehmen sicher sein können, dass ihre Daten geschützt sind und klar geregelt ist, wofür sie genutzt werden. Also echte, vertrauensvolle Datenpartnerschaften. Nur dann können wir KI so entwickeln, dass sie in der Realität belastbar funktioniert. Daran arbeiten wir bei INFORM.