June 11, 2026
Artificial Intelligence in Manufacturing: Why Your Smart Factory Is Failing Because of Master Data—and How to Fix It
By Philipp Seibald
Vice President Sales
22 min read
Share this post
Artificial intelligence in manufacturing can help predict machine breakdowns, adjust plans, and detect defects before a part leaves the factory. In many cases, however, it remains at the pilot project stage. The reason rarely lies in the algorithm itself, but in material numbers, bills of materials, and equipment data, which mean something different in every system. This guide shows which data the most important AI use cases actually need—and how you can turn a pilot project into a scalable operation.
But AI is like a new, highly talented employee—it can only do a good job if it isn’t given conflicting instructions. In many companies, AI projects fail precisely because of this: a chaotic mess of data. For the manufacturing sector in the DACH region, Master Data Management (MDM) is therefore becoming a critical strategic factor for ROI and competitiveness.
The problem: When systems speak different languages
Current analysis show: While companies are investing heavily in AI pilot projects, only a few applications make it into production. The reason is often the „digital chaos“. In a modern production environment, data from ERP systems (such as SAP), PLM solutions, and IoT sensors is consolidated.
For example, imagine that your factory has three different names for the same component. The inventory system calls it “Screw A,” accounting lists it as “Part 123,” and production refers to it as “Silver Fastener.”
This is already challenging for a human. For an AI, it’s impossible. When data is stored differently across various systems (such as SAP, Excel, or production software), the AI doesn’t know which information to trust. The result? Incorrect predictions, logistics errors, and costly downtime.
Without a definitive source - the Golden Source - conflicting information arises. If the AI doesn’t know which material number is currently valid, the “smart factory” remains nothing more than a vision. This is where Goldright comes in: We bring clarity to the chaos.
The Solution: The “Golden Source”
To resolve this chaos, companies need what’s known as a “golden source.” This isn’t some new, complicated IT hurdle, but a simple principle: a single source of truth for your data.
Goldright does exactly that. We bring clarity by organizing and consolidating data from all departments. This offers three concrete benefits for everyone in the company:
Smart planning without the headaches: When all systems speak the same “language,” the AI knows exactly when, where, and what materials are needed.
This saves time and reduces stress.
Fix it before it breaks: AI can only predict when a machine will break down if it knows the machine’s full history. We bring all this data together seamlessly.
Respond faster: When the market changes, you need to be able to make quick decisions. That’s only possible if you can trust your numbers completely.
Why this matters to you—no matter what your role is
Modern master data management in the manufacturing industry is not merely an IT project, but a business enabler:
For management: The goal is to ensure that costly investments in digitalization finally deliver results and that operations run smoothly.
For IT leadership: Less time spent “patching together” data fields, more time for real innovation.
For production teams: A system that simply works and delivers reliable information, instead of constantly generating error messages.
Conclusion: Achieving Scalable AI with Golden Source
Digital transformation doesn’t have to be complicated. When you have your data under control, you lay the foundation for everything that comes next—whether it’s AI, robotics, or new business models. With a clear data foundation (our Golden Source), you can turn chaos into a real competitive advantage.
Take the first step away from data chaos. We’ll show you just how easy it can be.
But AI is like a new, highly talented employee—it can only do a good job if it isn’t given conflicting instructions. In many companies, AI projects fail precisely because of this: a chaotic mess of data. For the manufacturing sector in the DACH region, Master Data Management (MDM) is therefore becoming a critical strategic factor for ROI and competitiveness.
The problem: When systems speak different languages
Current analysis show: While companies are investing heavily in AI pilot projects, only a few applications make it into production. The reason is often the „digital chaos“. In a modern production environment, data from ERP systems (such as SAP), PLM solutions, and IoT sensors is consolidated.
For example, imagine that your factory has three different names for the same component. The inventory system calls it “Screw A,” accounting lists it as “Part 123,” and production refers to it as “Silver Fastener.”
This is already challenging for a human. For an AI, it’s impossible. When data is stored differently across various systems (such as SAP, Excel, or production software), the AI doesn’t know which information to trust. The result? Incorrect predictions, logistics errors, and costly downtime.
Without a definitive source - the Golden Source - conflicting information arises. If the AI doesn’t know which material number is currently valid, the “smart factory” remains nothing more than a vision. This is where Goldright comes in: We bring clarity to the chaos.
The Solution: The “Golden Source”
To resolve this chaos, companies need what’s known as a “golden source.” This isn’t some new, complicated IT hurdle, but a simple principle: a single source of truth for your data.
Goldright does exactly that. We bring clarity by organizing and consolidating data from all departments. This offers three concrete benefits for everyone in the company:
Smart planning without the headaches: When all systems speak the same “language,” the AI knows exactly when, where, and what materials are needed.
This saves time and reduces stress.
Fix it before it breaks: AI can only predict when a machine will break down if it knows the machine’s full history. We bring all this data together seamlessly.
Respond faster: When the market changes, you need to be able to make quick decisions. That’s only possible if you can trust your numbers completely.
Why this matters to you—no matter what your role is
Modern master data management in the manufacturing industry is not merely an IT project, but a business enabler:
For management: The goal is to ensure that costly investments in digitalization finally deliver results and that operations run smoothly.
For IT leadership: Less time spent “patching together” data fields, more time for real innovation.
For production teams: A system that simply works and delivers reliable information, instead of constantly generating error messages.
Conclusion: Achieving Scalable AI with Golden Source
Digital transformation doesn’t have to be complicated. When you have your data under control, you lay the foundation for everything that comes next—whether it’s AI, robotics, or new business models. With a clear data foundation (our Golden Source), you can turn chaos into a real competitive advantage.
Take the first step away from data chaos. We’ll show you just how easy it can be.
But AI is like a new, highly talented employee—it can only do a good job if it isn’t given conflicting instructions. In many companies, AI projects fail precisely because of this: a chaotic mess of data. For the manufacturing sector in the DACH region, Master Data Management (MDM) is therefore becoming a critical strategic factor for ROI and competitiveness.
The problem: When systems speak different languages
Current analysis show: While companies are investing heavily in AI pilot projects, only a few applications make it into production. The reason is often the „digital chaos“. In a modern production environment, data from ERP systems (such as SAP), PLM solutions, and IoT sensors is consolidated.
For example, imagine that your factory has three different names for the same component. The inventory system calls it “Screw A,” accounting lists it as “Part 123,” and production refers to it as “Silver Fastener.”
This is already challenging for a human. For an AI, it’s impossible. When data is stored differently across various systems (such as SAP, Excel, or production software), the AI doesn’t know which information to trust. The result? Incorrect predictions, logistics errors, and costly downtime.
Without a definitive source - the Golden Source - conflicting information arises. If the AI doesn’t know which material number is currently valid, the “smart factory” remains nothing more than a vision. This is where Goldright comes in: We bring clarity to the chaos.
The Solution: The “Golden Source”
To resolve this chaos, companies need what’s known as a “golden source.” This isn’t some new, complicated IT hurdle, but a simple principle: a single source of truth for your data.
Goldright does exactly that. We bring clarity by organizing and consolidating data from all departments. This offers three concrete benefits for everyone in the company:
Smart planning without the headaches: When all systems speak the same “language,” the AI knows exactly when, where, and what materials are needed.
This saves time and reduces stress.
Fix it before it breaks: AI can only predict when a machine will break down if it knows the machine’s full history. We bring all this data together seamlessly.
Respond faster: When the market changes, you need to be able to make quick decisions. That’s only possible if you can trust your numbers completely.
Why this matters to you—no matter what your role is
Modern master data management in the manufacturing industry is not merely an IT project, but a business enabler:
For management: The goal is to ensure that costly investments in digitalization finally deliver results and that operations run smoothly.
For IT leadership: Less time spent “patching together” data fields, more time for real innovation.
For production teams: A system that simply works and delivers reliable information, instead of constantly generating error messages.
Conclusion: Achieving Scalable AI with Golden Source
Digital transformation doesn’t have to be complicated. When you have your data under control, you lay the foundation for everything that comes next—whether it’s AI, robotics, or new business models. With a clear data foundation (our Golden Source), you can turn chaos into a real competitive advantage.
Take the first step away from data chaos. We’ll show you just how easy it can be.
Use Case | Kritische Stammdaten | Typischer Datenfehler | Folge im KI-Modell | Stammdaten-Hebel |
KI in der Instandhaltung | Equipment, Equipment-Hierarchie, Baureihe, Ersatzteile, Standort | Sensor ist keiner Anlage eindeutig zugeordnet; gleiche Anlage in MES und Instandhaltungssystem unterschiedlich benannt | Fehlalarme, nicht übertragbare Modelle zwischen Linien | Golden Record pro Anlage mit verbindlicher Hierarchie |
KI in der Produktionsplanung | Material, Stückliste, Arbeitsplan, Arbeitsplatz, Lieferant, Wiederbeschaffungszeit | Veraltete Stücklistenpositionen; abweichende Mengeneinheiten zwischen ERP und MES | Unrealistische Pläne, Fehlreservierungen, Planer übersteuern das System | Synchronisierte Material- und Stücklistendaten über PLM, ERP und MES |
KI in der Qualitätssicherung | Materialvariante, Prüfmerkmale, Toleranzen, Lieferant, Linie | Varianten mehrfach angelegt; Toleranzen nur lokal gepflegt | Falsch-positive und falsch-negative Prüfentscheidungen | Eindeutige Variantenlogik und zentral gepflegte Prüfmerkmale |
Fertigungsoptimierung und Energie | Anlage, Kostenstelle, Standort, Material, Auftrag | Energiezähler nicht eindeutig Anlagen oder Kostenstellen zugeordnet | Verbrauch nicht verursachungsgerecht zuordenbar | Konsistente Organisations- und Anlagenstruktur |
Generative KI und KI-Agenten (z. B. Instandhaltungs-Assistent) | Alle oben genannten plus Dokumente und Handbücher je Anlage | Dokumente nicht mit dem richtigen Equipment verknüpft | Antworten zur falschen Maschine oder Revision | Golden Record als Referenz für Dokumentenverknüpfung |
But AI is like a new, highly talented employee—it can only do a good job if it isn’t given conflicting instructions. In many companies, AI projects fail precisely because of this: a chaotic mess of data. For the manufacturing sector in the DACH region, Master Data Management (MDM) is therefore becoming a critical strategic factor for ROI and competitiveness.
The problem: When systems speak different languages
Current analysis show: While companies are investing heavily in AI pilot projects, only a few applications make it into production. The reason is often the „digital chaos“. In a modern production environment, data from ERP systems (such as SAP), PLM solutions, and IoT sensors is consolidated.
For example, imagine that your factory has three different names for the same component. The inventory system calls it “Screw A,” accounting lists it as “Part 123,” and production refers to it as “Silver Fastener.”
This is already challenging for a human. For an AI, it’s impossible. When data is stored differently across various systems (such as SAP, Excel, or production software), the AI doesn’t know which information to trust. The result? Incorrect predictions, logistics errors, and costly downtime.
Without a definitive source - the Golden Source - conflicting information arises. If the AI doesn’t know which material number is currently valid, the “smart factory” remains nothing more than a vision. This is where Goldright comes in: We bring clarity to the chaos.
The Solution: The “Golden Source”
To resolve this chaos, companies need what’s known as a “golden source.” This isn’t some new, complicated IT hurdle, but a simple principle: a single source of truth for your data.
Goldright does exactly that. We bring clarity by organizing and consolidating data from all departments. This offers three concrete benefits for everyone in the company:
Smart planning without the headaches: When all systems speak the same “language,” the AI knows exactly when, where, and what materials are needed.
This saves time and reduces stress.
Fix it before it breaks: AI can only predict when a machine will break down if it knows the machine’s full history. We bring all this data together seamlessly.
Respond faster: When the market changes, you need to be able to make quick decisions. That’s only possible if you can trust your numbers completely.
Why this matters to you—no matter what your role is
Modern master data management in the manufacturing industry is not merely an IT project, but a business enabler:
For management: The goal is to ensure that costly investments in digitalization finally deliver results and that operations run smoothly.
For IT leadership: Less time spent “patching together” data fields, more time for real innovation.
For production teams: A system that simply works and delivers reliable information, instead of constantly generating error messages.
Conclusion: Achieving Scalable AI with Golden Source
Digital transformation doesn’t have to be complicated. When you have your data under control, you lay the foundation for everything that comes next—whether it’s AI, robotics, or new business models. With a clear data foundation (our Golden Source), you can turn chaos into a real competitive advantage.
Take the first step away from data chaos. We’ll show you just how easy it can be.
Lösungsansatz: In sechs Schritten vom Pilot zur skalierbaren KI in der Fertigung
Der folgende Ansatz setzt beim Anwendungsfall an, nicht bei der Plattform. Er folgt der Logik, die auch Gartner für KI-fähige Daten empfiehlt: Daten an konkreten Use Cases ausrichten, Governance festlegen, Datenqualität laufend absichern.
Schritt 1: Einen Use Case mit belastbarem Business Case wählen
Starten Sie mit einem Anwendungsfall, dessen Nutzen sich in Euro ausdrücken lässt: ungeplante Stillstandsstunden, Ausschusskosten, Bestandswert, Rüstzeiten. KI in der Instandhaltung ist oft ein guter Einstieg, weil Stillstandskosten in den meisten Werken bekannt sind.
Wichtig ist die Auswahl eines Use Cases, der auf mehrere Werke oder Linien übertragbar ist. Nur dann zahlt sich die Arbeit an den Stammdaten mehrfach aus.
Schritt 2: Die Datenlandkarte für diesen Use Case erstellen
Halten Sie fest, welche Objekte das Modell kennen muss – zum Beispiel Anlage, Baureihe, Ersatzteil, Standort.
Dann prüfen Sie für jedes Objekt: In welchen Systemen ist es angelegt? Unter welcher Nummer? Wer pflegt es? Wie vollständig ist es?
Diese Landkarte macht sichtbar, wo die eigentlichen Brüche liegen. Häufig zeigt sich, dass nicht die Sensordaten fehlen, sondern die Zuordnung zwischen IoT-Plattform, Instandhaltungssystem und ERP.
Schritt 3: Golden Records für die kritischen Objekte aufbauen
Konsolidieren Sie die Objekte aus der Datenlandkarte zu Golden Records. Das bedeutet: Dubletten erkennen und zusammenführen, Pflichtattribute definieren, Klassifizierungen vereinheitlichen und festlegen, welches System für welches Attribut führend ist.
Beginnen Sie mit den Objekten, die der Use Case wirklich braucht. Ein vollständiges Materialstamm-Projekt über alle Werke ist ein Mehrjahresvorhaben. Ein sauberer Anlagenstamm für eine Linie ist in Wochen machbar – und sofort nutzbar.
Schritt 4: Governance im Werk verankern
Legen Sie für jedes Objekt einen Data Owner fest, der fachlich verantwortlich ist. Definieren Sie Freigabe-Workflows für neue Materialien, Anlagen und Änderungen. Hinterlegen Sie Qualitätsregeln, die automatisch geprüft werden.
Governance funktioniert in der Fertigung nur, wenn sie nah am Werk ist. Ein zentrales Datenteam setzt die Regeln, die Pflege passiert dort, wo das Wissen liegt. Wie solche Workflows konkret aussehen, beschreibt unser Beitrag zu den vier Datendimensionen für dauerhaft hohe Stammdatenqualität.
Schritt 5: Den Stammdaten-Kontext in die KI-Pipeline integrieren
Jetzt verbinden Sie die Golden Records mit den Systemen, aus denen das Modell lernt und in die es zurückschreibt: IoT-Plattform, MES, Data Lake, ERP. Über Schnittstellen erhält jede Zeitreihe und jedes Prüfergebnis den verbindlichen Objektbezug.
Für generative KI und KI-Agenten bietet sich ein zusätzlicher Weg an. Über das Model Context Protocol (MCP) können KI-Assistenten direkt und kontrolliert auf geprüfte Stammdaten zugreifen, statt auf Kopien in Dokumenten. Wie Goldright das umsetzt, zeigt die native MCP-Integration für Enterprise-KI.
Schritt 6: Messen, nachweisen, skalieren
Messen Sie zwei Dinge parallel: die Wirkung des Use Cases (etwa vermiedene Stillstände) und die Qualität der zugrunde liegenden Stammdaten (etwa Vollständigkeit, Dublettenquote, Aktualität). Beide Werte gehören in dasselbe Reporting.
Wenn der erste Use Case stabil läuft, übertragen Sie ihn auf das nächste Werk. Der Aufwand sinkt deutlich, weil die Objekte bereits sauber geführt sind. Mit jedem weiteren Use Case wächst die gemeinsame Datenbasis – und mit ihr der Return on Investment.
AI-Data Foundation Check 2026
Where does your company stand on the path to AI readiness? This assessment uses 10 targeted questions to show you where you stand today—and how you can make rapid progress.
9-page practical guide as a ready-to-use PDF
Evaluation score for all data dimensions
Ready-to-use roadmap template
100% free
Was das für Ihre Rolle bedeutet
KI in der Fertigung ist kein reines IT-Projekt. Sie verändert, wie Geschäftsführung, Werk und IT zusammenarbeiten. Die Perspektiven unterscheiden sich, das Fundament ist dasselbe.
Für die Geschäftsführung geht es um den Return on Investment. Investitionen in Smart-Factory-Technologie sollen messbar wirken – in Anlagenverfügbarkeit, Liefertreue und Kosten pro Stück. Die zentrale Frage lautet: Skaliert das, was im Pilot funktioniert hat, auf alle Werke? Eine verbindliche Stammdatenbasis ist die Voraussetzung dafür, dass diese Antwort „Ja“ lautet.
Für die Werksleitung und das Operations-Management geht es um Verlässlichkeit. Ein Planungssystem, dem die Schichtleiter nicht trauen, wird übersteuert. Ein Instandhaltungsalarm, der dreimal falsch lag, wird ignoriert. Saubere Material- und Anlagendaten sind deshalb kein Selbstzweck, sondern die Grundlage für Akzeptanz im Werk.
Für die IT-Leitung geht es um Architektur und Aufwand. Jede Punkt-zu-Punkt-Schnittstelle zwischen ERP, MES, PLM und IoT-Plattform, die Daten umschlüsselt, ist eine potenzielle Fehlerquelle. Eine zentrale Golden Source reduziert diese Mappings und schafft Zeit für neue Use Cases statt für Datenreparaturen.
Für Instandhaltung, Qualität und Arbeitsvorbereitung geht es um den Alltag. Ein System, das die richtige Anlage, die richtige Variante und den richtigen Stand kennt, nimmt Arbeit ab. Ein System, das ständig korrigiert werden muss, erzeugt neue. Wer hier als Data Steward mitwirkt, gestaltet die Werkzeuge mit, mit denen er künftig arbeitet.
Best Practices: Was bei KI in der Fertigung wirklich funktioniert
Aus erfolgreichen Projekten lassen sich einige Muster ableiten, die unabhängig von Branche und Unternehmensgröße gelten.
Mit dem Stillstand anfangen, nicht mit der Technologie.
Projekte, die mit einer konkreten Kennzahl starten – Stillstandsstunden, Ausschussquote, Liefertreue – gewinnen schneller Rückhalt im Werk. Die Technologieauswahl folgt dem Problem, nicht umgekehrt.
Stammdaten als Teil des KI-Projekts budgetieren.
Datenbereinigung ist keine Vorarbeit, die „nebenbei“ passiert. Planen Sie sie als eigenes Arbeitspaket mit Verantwortung, Zeit und Budget ein. Wer das nicht tut, verlagert die Kosten in eine spätere Projektphase, in der sie teurer werden.
Das Werk zum Mitgestalter machen.
Instandhalter und Schichtleiter wissen, welche Anlage im System falsch zugeordnet ist. Binden Sie sie früh ein, etwa als Data Stewards für ihre Linie. Das erhöht die Datenqualität und die Akzeptanz der KI-Ergebnisse.
Eine Referenz für alle Systeme schaffen.
Lassen Sie nicht jedes System seine eigene Wahrheit führen. Eine zentrale Golden Source für Material, Anlage und Lieferant verteilt verbindliche Daten an ERP, MES, PLM und IoT-Plattform. So entsteht der „gemeinsame Wortschatz“, den eine Smart Factory braucht.
Standards nutzen, wo sie existieren.
Klassifizierungsstandards wie ECLASS und das Konzept der Verwaltungsschale (Asset Administration Shell) der Plattform Industrie 4.0 erleichtern den Datenaustausch mit Lieferanten und Maschinenherstellern. Ein Golden Record ist der natürliche Ort, um diese Standards intern verbindlich zu machen.
Regulatorik von Anfang an mitdenken.
Seit 12. September 2025 gilt der EU Data Act. Er regelt den Zugang zu Daten vernetzter Produkte, ausdrücklich auch von Industriemaschinen.
Für KI in regulierten Produkten wie Maschinen greifen die Hochrisiko-Pflichten des EU AI Act nach der Digital-Omnibus-Einigung ab 2. August 2028.
Artikel 10 verlangt dann nachweisbare Daten-Governance für Trainings-, Validierungs- und Testdaten. Wer seine Stammdaten heute dokumentiert und versioniert, hat diesen Nachweis später in der Hand. Einen Überblick über die Fristen gibt unser Leitfaden zum EU AI Act 2026.
Drei Wege zur Datenbasis für KI in der Fertigung im Vergleich
Unternehmen wählen in der Praxis meist einen von drei Wegen, um ihre KI-Use-Cases mit Daten zu versorgen. Die folgende Übersicht zeigt die Unterschiede.
Kriterium | Projektlokale Datenaufbereitung | Zentrale IoT- oder Datenplattform ohne MDM | MDM-gestützte Golden Source |
Grundidee | Jedes KI-Projekt bereinigt seine Daten selbst | Alle Rohdaten an einem Ort sammeln | Verbindliche Stammdaten für alle Systeme bereitstellen |
Zeit bis zum ersten Ergebnis | Kurz | Mittel | Mittel |
Übertragbarkeit auf weitere Werke | Gering – Bereinigung beginnt von vorn | Mittel – Daten liegen zentral, Bedeutung bleibt uneinheitlich | Hoch – Objekte sind werksübergreifend eindeutig |
Konsistenz zwischen ERP, MES, PLM | Nicht adressiert | Teilweise, abhängig von Mapping-Regeln | Systematisch über Golden Records |
Aufwand pro weiterem Use Case | Bleibt hoch | Sinkt bei Bewegungsdaten, nicht bei Stammdaten | Sinkt deutlich |
Governance und Verantwortlichkeit | Liegt beim Projektteam | Liegt meist bei der IT | Fachliche Data Owner mit Workflows |
Nachweisfähigkeit (AI Act, Data Act) | Schwach | Mittel | Stark – Herkunft und Änderungen dokumentiert |
Typischer Einsatz | Proof of Concept | Datensammlung und Monitoring | Skalierung über Werke und Use Cases |
Die Wege schließen sich nicht aus. Eine IoT-Plattform ist für Sensordaten unverzichtbar. Ein Proof of Concept darf pragmatisch sein.
Entscheidend ist, dass die Stammdaten-Ebene nicht in jedem Projekt neu erfunden wird. Wer skalieren will, braucht die dritte Spalte als Fundament unter den beiden anderen.
Praxis-Szenario: Wie ein Maschinenbauer seinen Predictive-Maintenance-Pilot skaliert
Das folgende Szenario ist anonymisiert und aus typischen Projektverläufen in der Fertigungsindustrie verdichtet. Es enthält bewusst keine Kennzahlen eines einzelnen Kunden.
Die Ausgangslage.
Ein mittelständischer Maschinenbauer aus der DACH-Region betreibt drei Werke, zwei davon aus Übernahmen. Ein Pilot zur KI in der Instandhaltung läuft an einer Fräslinie im Stammwerk erfolgreich. Das Modell erkennt Lagerschäden an Spindeln mehrere Tage im Voraus. Die Geschäftsführung möchte das Modell auf alle Werke ausrollen.
Das Problem.
Im zweiten Werk liefert das Modell kaum brauchbare Ergebnisse.
Die Analyse zeigt: Dieselben Maschinentypen sind dort unter anderen Bezeichnungen angelegt. Die Equipment-Hierarchie ist anders aufgebaut, Ersatzteile sind mit werksspezifischen Materialnummern hinterlegt. Ein Teil der Sensoren ist keiner Anlage im Instandhaltungssystem eindeutig zugeordnet. Das Modell lernt also nicht „Spindel Baureihe X“, sondern „Sensor mit unklarer Herkunft“.
Der Ansatz.
Statt das Modell für jedes Werk neu zu trainieren, setzt das Unternehmen bei den Stammdaten an. Es erstellt eine Datenlandkarte für den Use Case und definiert vier Kernobjekte: Anlage, Baureihe, Ersatzteil, Standort. Für diese Objekte entstehen werksübergreifende Golden Records mit einheitlicher Klassifizierung. Jedes Werk erhält einen Data Steward aus der Instandhaltung, der neue Anlagen und Änderungen freigibt.
Das Ergebnis.
Die Golden Records werden an IoT-Plattform, Instandhaltungssystem und ERP verteilt. Jede Zeitreihe trägt nun eine eindeutige Anlagen- und Baureihen-Referenz. Das Modell lässt sich auf vergleichbare Maschinen in den anderen Werken übertragen, ohne die Datenbasis jeweils neu aufzubereiten. Der zweite Use Case – eine KI-gestützte Ersatzteilplanung – nutzt dieselben Golden Records und startet mit deutlich geringerem Vorlauf.
Die Lektion.
Der Durchbruch kam nicht durch ein besseres Modell. Er kam durch die Entscheidung, die Identität der Objekte einmal verbindlich zu klären. Genau das meinen wir, wenn wir von Klarheit im Datenchaos sprechen.
Wie Fertigungsunternehmen diesen Weg mit Goldright gehen, zeigt unsere Seite MDM für die Fertigung.
Fallstricke: Was Sie bei KI in der Fertigung vermeiden sollten
Den Pilot mit dem Produkt verwechseln.
Ein Pilot beweist, dass ein Modell unter kontrollierten Bedingungen funktioniert. Er beweist nicht, dass die Datenbasis skaliert. Planen Sie die Übertragung auf ein zweites Werk von Beginn an mit – als Test für die Datenqualität.
Daten im Projekt bereinigen und danach verfallen lassen.
Viele Teams bereinigen Stammdaten einmalig für das Training. Sechs Monate später sind neue Dubletten entstanden, und das Modell verliert an Genauigkeit. Ohne laufende Governance ist jede Bereinigung ein Verfallsdatum.
Alles auf einmal lösen wollen.
Das Gegenteil ist ebenso riskant: ein Mammutprojekt, das alle Stammdaten aller Werke harmonisieren soll, bevor die erste KI startet. Solche Vorhaben verlieren Rückhalt, bevor sie Nutzen zeigen. Arbeiten Sie Use Case für Use Case.
Die IT allein lassen.
Stammdaten in der Fertigung sind Fachwissen. Wenn die IT Anlagen-Hierarchien ohne Instandhaltung definiert oder Materialklassen ohne Konstruktion, entstehen Strukturen, die im Werk niemand pflegt.
Generative KI auf ungeprüfte Dokumente setzen.
KI-Assistenten für Instandhaltung oder Arbeitsvorbereitung sind attraktiv. Greifen sie auf Handbücher und Wartungsberichte zu, die keiner Anlage eindeutig zugeordnet sind, liefern sie überzeugend formulierte Antworten zur falschen Maschine. Mehr dazu, warum über 80 % der KI-Projekte an schlechter Datenqualität scheitern, lesen Sie in unserem Grundlagenbeitrag.
Regulatorik als späteres Problem behandeln.
Die Pflichten aus Data Act und AI Act kommen schrittweise. Wer Herkunft und Änderungen seiner Daten erst dokumentiert, wenn eine Prüfung ansteht, rekonstruiert unter Zeitdruck. Ein versionierter Golden Record macht diesen Nachweis zum Nebenprodukt des Regelbetriebs.
AI-Data Foundation Check 2026
Where does your company stand on the path to AI readiness? This assessment uses 10 targeted questions to show you where you stand today—and how you can make rapid progress.
9-page practical guide as a ready-to-use PDF
Evaluation score for all data dimensions
Ready-to-use roadmap template
100% free
Fazit: Künstliche Intelligenz in der Fertigung beginnt bei den Stammdaten
Künstliche Intelligenz in der Fertigung ist kein Zukunftsthema mehr. 40 % der deutschen Industrieunternehmen setzen sie in der Produktion ein. Doch nur ein Bruchteil der Initiativen erreicht den erwarteten Return on Investment, und noch weniger werden unternehmensweit skaliert. Die Lücke zwischen Pilot und Regelbetrieb ist selten eine Frage des Modells.
Sie ist eine Frage der Identität. Eine KI kann nur dann vorhersagen, wann eine Maschine ausfällt, wenn sie weiß, welche Maschine sie gerade betrachtet. Sie kann nur dann einen Plan optimieren, wenn die Stückliste stimmt. Und sie kann nur dann Fehler erkennen, wenn klar ist, welche Variante auf dem Prüfstand liegt.
Für die Geschäftsführung bedeutet das: Investitionen in KI in der Instandhaltung, Produktionsplanung und Qualitätssicherung zahlen sich erst dann vollständig aus, wenn die Stammdaten für Material, Anlage und Lieferant verbindlich geklärt sind. Für die IT heißt es: weniger Zeit für das Zusammenflicken von Datenfeldern, mehr Zeit für neue Use Cases. Für die Teams im Werk heißt es: Systeme, deren Empfehlungen man vertrauen kann.
Der Weg dorthin ist kein Großprojekt. Er beginnt mit einem Use Case, einer Datenlandkarte und dem Entschluss, die kritischen Objekte einmal sauber zu führen. Daraus entsteht Schritt für Schritt die Golden Source, auf der Ihre Smart Factory skaliert.
Machen Sie den ersten Schritt: Mit dem AI Data Foundation Check sehen Sie, wo Ihre Datenbasis heute steht und welcher Use Case als erster skalieren kann. Oder sprechen Sie direkt mit uns – wir zeigen Ihnen, wie Goldright Klarheit in Ihre Fertigungsdaten bringt.
Häufige Fragen
- AI in manufacturing is primarily used in four areas: maintenance (predictive maintenance), production planning (sequencing, capacity, material requirements), quality assurance (image processing, root cause analysis), and manufacturing and energy optimization. In addition, there are generative AI assistants, such as those for maintenance knowledge or work instructions. According to Bitkom, 40% of German industrial companies already use AI in production.
- AI in manufacturing requires transaction data and master data. Transaction data includes sensor readings, orders, inspection results, and timestamps. Master data describes the objects to which these values refer: material, bill of materials, work plan, equipment, supplier, and location. Only by clearly linking these two types of data can a model be made reliable and transferable to other production lines or plants.
- The most common cause is not the algorithm, but the data set. Gartner expects that 60% of AI projects without AI-ready data will be discontinued by the end of 2026. In manufacturing, typical reasons include duplicate material records across multiple plants, sensor data without a clear reference to specific equipment, discrepancies in bill of materials (BOM) between PLM, ERP, and MES systems, and a lack of accountability for master data.
- A smart factory is a connected facility where machines, systems, and people exchange information in real time. AI in manufacturing is the analytics and decision-making layer within this smart factory: it analyzes the connected data and generates predictions, recommendations, or automated actions. Without connectivity, AI lacks data; without AI, the Smart Factory lacks intelligence.
- AI in maintenance identifies patterns in machine data that precede a failure. This enables maintenance to be planned, unplanned downtime to be reduced, and spare parts to be stocked more strategically. A prerequisite is that every sensor in a system is uniquely assigned and that the equipment hierarchy is consistent across all systems. Otherwise, false alarms occur, which undermine confidence in the maintenance process.
- Master Data Management (MDM) establishes the authoritative reference for all objects with which AI works. It consolidates material, equipment, and supplier data into golden records, defines responsibilities, and distributes validated data to ERP, MES, PLM, and IoT platforms. This eliminates the need for every AI project to cleanse its data from scratch, and models can be scaled across plants.
- Perfect master data isn’t a prerequisite. Start with a use case that has a clear business case, and create a data map only for the objects that this use case requires. Clean and consolidate these objects, assign responsibilities, and continuously measure data quality. This way, the data foundation grows with each new use case.
- Two EU regulations are particularly relevant. The EU Data Act has been in effect since September 12, 2025, and governs access to data from connected products, including industrial machinery. The EU AI Act sets requirements for AI systems; for AI as part of regulated products such as machines, the high-risk obligations under the Digital Omnibus Agreement will take effect on August 2, 2028. Article 10 then requires demonstrable data governance.
Quellenverzeichnis
Bitkom e. V.: Humanoide Roboter, KI & Co.: Die digitale Transformation der Industrie geht in die nächste Runde - bitkom.org
Bitkom e. V.: Industrie 4.0: 42 Prozent der Unternehmen setzen KI in der Produktion ein. - bitkom.org
Bitkom e. V.: Drei Viertel der Industrie lassen KI-Chancen liegen - bitkom.org
Statistisches Bundesamt (Destatis): Unternehmen mit Nutzung von Technologien der künstlichen Intelligenz nach Beschäftigtengrößenklassen - destatis.de
Statistisches Bundesamt (Destatis): Gründe gegen die Nutzung von Technologien der künstlichen Intelligenz nach Beschäftigtengrößenklassen - destatis.de
Gartner: Lack of AI-Ready Data Puts AI Projects at Risk - gartner.com
Gartner: Data Quality: Why It Matters and How to Achieve It - gartner.com
IBM Institute for Business Value: IBM Study: CEOs Double Down on AI While Navigating Enterprise Hurdles - newsroom.ibm.com
McKinsey & Company: The State of AI - mckinsey.com
Deloitte: 2025 Smart Manufacturing and Operations Survey - deloitte.com
World Economic Forum: Global Lighthouse Network Recognizes 23 New Sites, Launches AI Platform for Industrial Transformation - weforum.org
Europäische Kommission: Data Act (anwendbar seit 12.09.2025) - digital-strategy.ec.europa.eu
EU AI Act, Artikel 10: Daten und Daten-Governance - artificialintelligenceact.eu
r.at: Digital Omnibus final: Was am 2.8.2026 im EU AI Act wirklich gilt - r.at
Plattform Industrie 4.0: Verwaltungsschale und Standardisierung - plattform-i40.de
Bring clarity to your data-chaos now
Find out how Goldright can help your business overcome data management challenges.
