Für Tesla könnte es derzeit besser laufen. Das mit der vollautomatisierten Model-3-Produktion funktioniert nicht. Das räumte Tesla-Chef Elon Musk am Wochenende erst gegenüber CBS und dann auf Twitter ein: „Ja, die übertriebene Automatisierung bei Tesla war ein Fehler. Um genau zu sein, mein Fehler. Menschen sind unterbewertet.“ Nun setzt der Elektrobauer die Produktion seines Model 3 im Werk in Fremont für mehrere Tage aus, um „die Automation zu verbessern“. Anschließend soll nach Informationen des US-Blogs „Electrek“ bis Juni rund um die Uhr produziert werden, um die ehrgeizigen Produktionszahlen bestmöglich wieder aufzuholen. Musks glänzende Vision von der vollautomatisierten Fabrik bekommt Risse. Das überrascht Experten wie Michael Schenk nicht. Im Interview mit WirtschaftsWoche Online erklärt der Leiter des Fraunhofer-Instituts für Fabrikbetrieb und -automatisierung IFF Magdeburg, warum eine vollautomatisierte Fabrik noch Zukunftsmusik und die Automatisierung nicht unbedingt die wirtschaftlichste Lösung ist.
Herr Schenk, Elon Musk hat eingeräumt, dass seine Vision von der „Maschine, die Maschinen baut“ nicht so funktioniert, wie er es immer behauptet hat. Hat Sie das überrascht?
Michael Schenk: Nein, das hat mich überhaupt nicht überrascht. Hinter dieser Idee steht ein sehr hoher Anspruch an die Adaptionsfähigkeit und Künstliche Intelligenz von Maschinen oder gar ganzer Produktionssysteme. Der damit verbundene Grad an Komplexität der einander bedingenden Faktoren ist immens. Das können wir in dieser Form heute noch nicht umsetzen.
Die vollautomatisierte Produktion hat deshalb also noch ihre Grenzen.
Natürlich. Wir arbeiten intensiv daran, stehen aber erst am Anfang. Bevor wir eine Fabrik vollständig automatisieren, müssen wir sie erst einmal umfassend digitalisieren. Das bedeutet auch, dass möglichst alle relevanten Daten aus den Produktionsprozessen und zu den Produkten erhoben werden müssen. Dafür braucht es die notwendige Technologie für das möglichst lückenlose Monitoring aller produktionsrelevanten Prozesse und der Daten zu den Produkten. Und es braucht die Werkzeuge und das Wissen für die anschließende Analyse. Erst, wenn unser Wissen über alle Prozesse in einer Produktion, diverse Einflussfaktoren und Rahmenbedingungen möglichst keine Näherungswerte mehr sind, sondern auf einer präzisen und in Echtzeit erhobenen Datenbasis beruhen, können wir auch großzügiger automatisieren. Leider sind wir noch nicht in allen Bereichen soweit.
Das impliziert wir könnten es möglicherweise sein. Woran liegt das?
Nicht zuletzt daran, dass in der Vergangenheit die Bemühungen der meisten Unternehmen in Richtung Digitalisierung nicht gerade überschwänglich waren. Um heute die Digitalisierung systematisch voranzutreiben, müssen Forscher und Ingenieure deshalb ihr Wissen aus der Betriebsphase der Maschinen ziehen. Daraus lernen sie, wie eine möglichst autarke Produktion funktionieren könnte und was dafür nötig ist. Hier jedoch befinden wir uns noch in einer Entwicklungsphase.
Ähnliches gilt für eine lernende Maschine. Die vollautomatisierte Fabrik braucht eine Maschine, die mitdenkt und sich dadurch selbstständig auf veränderte Bedingungen einstellen und flexibel reagieren kann. Hier spielt jedoch ergänzend die ethische Frage nach der Begrenzung von Künstlicher Intelligenz eine wichtige Rolle. Die Fachwelt ist sich heute weitgehend darüber einig, dass wir eigentlich keine autarken, selbstständig denkenden Maschinen wollen. Der Mensch muss immer die Kontrolle behalten. Wenn sich die Maschine aber der Kontrolle entziehen und selbstständig entscheiden kann, haben wir fast keinen Einfluss mehr auf ihr Handeln. Und so – aus heutiger Sicht und rein ökonomisch gesehen – lässt sich eine Produktion nicht mehr zu einhundert Prozent prognostizieren und steuern. Das können wir, zumindest im Produktionsumfeld, nicht wollen. Unter diesen Gesichtspunkten ist eine vollautomatisierte Fabrik derzeit unrealistisch – auch bei Elon Musk.
Der hat sich übrigens, wenn man der Presse glauben darf, selber besorgt gezeigt bereits angesichts der Erfolge der Vorläufersysteme des KI-Systems AlphaGo Zero. Sie erinnern sich bestimmt an die Software, die sich im vergangenen Jahr das Spiel Go nur anhand der Regeln und ohne zusätzlich gespeichertes Wissen selbst beigebracht hat und anschließend besser wurde als sämtliche Großmeister des Spiels. Sie beruhte auf der sogenannten DeepMind-Technologie und arbeitet auf der Grundlage neuronaler Netze. Die Lerneffekte, die dieses System zeigt, sind überaus beeindruckend, aber auch beängstigend. Sie haben etwas Mystisches. Für mich ähnelt das noch zu sehr einer Black Box, in die man vorn etwas hineinwirft, und nicht weiß, was hinten herauskommt.
