Die meisten produktiven Anlagen sind nicht grüne Wiese.
Brownfield bedeutet: SPS-Systeme, Historian-Datenbanken, CSV-Exporte, proprietäre Protokolle, manuelle Schichtbücher, alte Gateways, neue APIs und Maschinen, die seit Jahren produktiv laufen. Genau dort soll Industrial AI Nutzen stiften.
Die technische Versuchung ist groß, zuerst ein perfektes Zielmodell zu entwerfen. In der Praxis ist das oft zu langsam. Erfolgreiche Projekte starten mit einem konkreten Betriebsproblem und arbeiten sich dann zu den Datenquellen vor, die dieses Problem wirklich erklären.
Das gilt auch für Ladeinfrastruktur. Auch dort existieren gewachsene Landschaften: bestehende CPMS, OCPP 1.6 und 2.0.1, Roaming-Systeme, Zähler, Flottenportale, Installateursprozesse und Herstellerlogik. Integration ist der eigentliche Realitätscheck.
Der Edge ist eine Übersetzungsschicht zwischen OT und IT.
Ein Industrial Edge Device kann Daten lokal normalisieren, puffern, validieren und mit Anlagenkontext anreichern. Aus vielen Quellen entsteht ein gemeinsames Ereignismodell, das für Monitoring, KI, APIs und Cloud-Synchronisierung nutzbar ist.
Diese Übersetzung ist keine Nebensache. Sie entscheidet, ob eine KI später belastbare Aussagen treffen kann. Falsche Einheiten, verschobene Zeitstempel oder fehlender Kontext führen zu Modellen, die technisch funktionieren und betrieblich enttäuschen.
- OPC UA, MQTT, Modbus, Dateien, Datenbanken und APIs zusammenführen.
- Zeitstempel, Einheiten, Maschinenkontext und Qualitätskennzeichen harmonisieren.
- Daten lokal puffern, damit Netzwerkprobleme nicht zu Datenverlust werden.
- Nur relevante Ereignisse und verdichtete Signale zentral übertragen.
- Schnittstellen versionieren und überwachen, statt einmalige Skripte zu hinterlassen.
Datenintegration ist Produktarbeit.
Viele KI-Piloten scheitern beim Übergang in den Betrieb, weil Datenintegration als Projektaufgabe behandelt wurde. Ein Skript liest Daten, ein Dashboard sieht gut aus, aber niemand merkt, wenn eine Quelle ausfällt, ein Tag umbenannt wird oder eine Einheit plötzlich anders interpretiert wird.
Produktive Integration braucht dieselben Eigenschaften wie gute Software: Monitoring, Fehlerbehandlung, Tests, Versionierung, klare Ownership und nachvollziehbare Datenverträge. Das ist vertrautes Terrain für NeLeSo, weil OCPP- und CPMS-Integrationen genau diese Disziplin verlangen.
Pipelet-Prinzipien helfen auch im Industrial-AI-Kontext.
Pipelet ist aus Ladeinfrastruktur entstanden, aber einige Prinzipien sind allgemeiner: Bausteine statt monolithischer Plattform, klare Connectoren, lokaler State, Ereignisjournal, Simulatoren, Diagnose und saubere Synchronisierung.
In Industrial-AI-Projekten übertragen wir diese Denkweise auf OT/IT-Integration. Ein Edge-Baustein kann eine Maschine anbinden, ein anderer Daten normalisieren, ein weiterer AI-Inference oder Copilot-Funktionen bereitstellen. So wird aus einem Pilot schrittweise eine robuste Betriebsarchitektur.
Der richtige Startpunkt ist ein Datenpfad, nicht ein Modellkatalog.
Die Frage sollte nicht lauten: Welches Modell wollen wir einsetzen? Die bessere Frage lautet: Welcher Datenpfad muss stabil sein, damit ein Betreiber eine bessere Entscheidung treffen kann?
Wenn dieser Pfad steht, werden KI-Modelle austauschbarer. Dann kann ein einfaches Regelwerk bereits Nutzen schaffen, ein ML-Modell später ergänzen und ein Copilot technische Ereignisse verständlich erklären. Ohne stabilen Datenpfad bleibt jedes Modell fragil.