Warum moderne Fabriken Edge benötigen: KI mit niedriger Latenz, resiliente Abläufe, intelligenterer Datenfluss

Eine moderne Produktionslinie kann einen völlig soliden Eindruck machen, der aber oftmals täuscht. Die Maschinen laufen weiter, die Dashboards werden weiter aktualisiert – aber dann fällt eine Roboterzelle aus oder ein Qualitätsproblem rutscht durch, weil das Signal eines KI-gesteuerten Überwachungssystems zu spät eintrifft, unvollständig ist oder aus dem Kontext gerissen ist.

Es ist die Art von Ausfall, die immer häufiger auftritt, da Fabriken immer autonomer werden. Weniger Personen in der Halle und mehr softwaregesteuerte Entscheidungen bedeuten, dass sich Verzögerungen schnell auf Produktion, Qualität und Terminplanung auswirken können.

Deloittes Umfrage zu Smart Manufacturing 2025 ergab, dass 46 % der Hersteller industrielle Internet-of-Things-(IoT)-Lösungen und 57 % Datenanalysen nutzen – das bedeutet, dass mehr Werke jetzt in der Lage sind, Betriebsdaten zu erfassen und darauf zu reagieren. Aber dieses wachsende Volumen schafft seine eigenen Druckpunkte.

Die Verlagerung großer Datenmengen über Netzwerke hinweg kann Kosten und Verzögerungen verursachen, und wenn Reaktionen auf Probleme verlangsamt werden, eskaliert die betriebliche Auswirkung schnell. Siemens schätzt, dass Ausfallzeiten in den 500 größten Unternehmen der Welt für bis zu 11 % des jährlichen Umsatzverlusts verantwortlich sind. Die Infrastruktur, die Daten mit Entscheidungen verbindet, ist keine Hintergrundüberlegung mehr – sie ist eine wettbewerbsentscheidende.

Warum AI die Gleichung der Infrastruktur verändert

Edge Computing – das die Verarbeitung nahe daran platziert, wo Werksdaten erstellt und verwendet werden – wird für die Datenstrategien von Herstellern zunehmend zentral, da die Implementierung von künstlicher Intelligenz (AI) zunimmt. Gartner prognostizierte, dass bis Ende 2025 75 % der von Unternehmen generierten Daten außerhalb traditioneller Rechenzentren oder der Cloud erstellt und verarbeitet würden, was die Notwendigkeit unterstreicht, Daten näher an den Betriebsabläufen zu verarbeiten. Das hilft Herstellern, bei Bedarf Entscheidungen zu treffen und dabei mit den Core- und Cloud-Systemen verbunden zu bleiben, auf die sie sich verlassen.

Wir sehen auch das Aufkommen von physischer AI in der Fertigung: Systeme, die über die Analyse von Daten hinausgehen, um auf diese zu reagieren – indem sie Maschinen steuern, Prozesse anpassen oder in Echtzeit Entscheidungen an Live-Produktionslinien treffen. Dies erhöht den Einsatz erheblich in Bezug darauf, wo Daten verarbeitet werden und wie schnell diese Entscheidungen getroffen werden können. Anders als viele digitale Bereitstellungen arbeitet AI in der Fabrikhalle unter strengen Einschränkungen, da seine Ergebnisse sich direkt auf das auswirken, was auf der Produktionslinie passiert. Ein AI-gesteuerter Workflow könnte eine Linie anhalten, einen Sollwert anpassen oder einen Defekt markieren, der ein Eingreifen erfordert – und diese Entscheidungen müssen oft innerhalb von Mikrosekunden getroffen werden.

Das macht die Infrastruktur zur Grundlage. Daten müssen zuverlässig genug erfasst, ausgetauscht und kontextualisiert werden, um Entscheidungen in Echtzeit zu unterstützen. Distanz – ob physisch oder netzwerkbezogen – ist der Feind dieser Zuverlässigkeit. Für Hersteller, die AI in großem Maßstab einsetzen, ist Cloud-Anbindung eine der effektivsten Möglichkeiten, diesen Distanznachteil zu beseitigen und die volle Leistung hybrider IT-Umgebungen freizusetzen.

Die Bausteine für eine Edge-fähige Produktion

Edge Computing bildet die Grundlage für den Wandel hin zu einer autonomeren, mehr datengesteurten Produktion, aber seine Wirkung hängt davon ab, wie die Infrastruktur über die Standorte hinweg entworfen und verbunden ist.

Eine erfolgreiche Edge-Bereitstellung erfordert einige entscheidende Zutaten: Nähe zu den Abläufen, die Möglichkeit, Daten effizient zwischen Umgebungen zu bewegen, und die Flexibilität, Workloads zu skalieren, ohne die Architektur jedes Mal neu aufbauen zu müssen. Es bedarf außerdem der richtigen unterstützenden Fähigkeiten – von lokaler Rechenleistung und Speicherung bis hin zu sicheren Hochgeschwindigkeitsverbindungen zwischen der Produktionshalle und den übergeordneten Unternehmenssystemen.

Bei Digital Realty helfen wir Herstellern, ihre Edge- und Core-Rechenzentrum-Standorte mit starker Konnektivität über Regionen, Partner und Cloud-Plattformen hinweg zu verbinden. Über PlatformDIGITAL®– unsere globale Rechenzentrumsplattform – und unsere Methode der Pervasive Datacenter Architecture (PDx®) bringen wir kritische Workloads näher an die Werke, während wir sie in Unternehmenssysteme und Partner-Ökosysteme integrieren. Unser PDx-Ansatz erstellt Profile von Workloads, um Latenzzeiten zu reduzieren, Grenzen der Datengravitation zu überwinden und Konfigurationen für Leistung, Sicherheit und Skalierbarkeit zu optimieren.

Edge-Rechenzentren sind ein Teil dieses Fundaments. Eingebettet in ein größeres Netzwerk aus Edge- und zentralen Umgebungen verringern sie Verzögerungen bei zeitkritischen Workloads und ermöglichen es gleichzeitig, Rohdaten des Betriebs nahe der Anlage zu verarbeiten, wobei ausgewählte Ergebnisse für Reporting und längerfristige Analysen stromaufwärts weitergeleitet werden. Predictive Maintenance ist ein praktisches Beispiel: Die Anomalieerkennung läuft nah an den Anlagen, während Trenddaten im Laufe der Zeit in zentrale Systeme einfließen.

Colocation ist ein weiterer wichtiger Bestandteil und bietet Herstellern Zugang zu skalierbarer, leistungsstarker Infrastruktur, ohne die Last, alles vor Ort aufbauen und verwalten zu müssen. Das wird besonders wichtig, da sich Edge-Implementierungen über dezentrale Betriebsabläufe hinweg ausweiten. Hybride Setups, die Edge-, Cloud- und On-Premises-Umgebungen umfassen, helfen, diese Systeme zu integrieren, bei wachsender Nachfrage Kapazitäten hinzuzufügen und Zugang zu den benötigten AI-Tools bereitzustellen, um anspruchsvollere Workloads zu unterstützen. Mehr dazu, wie wir verteilte Cloud-Umgebungen unterstützen, erfahren Sie in unserem Blog zu verteilter hybrider IT.

Colocation-Einrichtungen sind in der Regel ebenfalls carrier-neutral, was bedeutet, dass Kunden sich mit mehreren Netzwerk- und Cloud-Anbietern verbinden können, anstatt sich auf einen einzelnen Carrier zu verlassen. Das erhöht die Flexibilität, da sich Connected-Factory-Strategien ausweiten – Hersteller benötigen möglicherweise effiziente Wege zwischen Edge-Standorten, Cloud-Plattformen und Kernsystemen, ohne sich auf eine einzige Umgebung festzulegen. Unsere Seite zu Fertigungslösungen zeigt, wie wir Herstellern genau dabei helfen – mit nahtlos vernetzten physischen und virtuellen Umgebungen, die die Effizienz steigern und Echtzeit-Einblicke ermöglichen.

Was wir für die Zukunft sehen

Edge wird zu einer Standardschicht in der Fertigungsarchitektur, da sich Werkssysteme bei erforderlicher Echtzeitreaktion keine Verzögerungen leisten können. Da in der Fertigung immer mehr Daten erzeugt werden, werden immer mehr Workloads näher an die Quelle verlagert, insbesondere bei latenzsensiblen Vorgängen. Wiederholbare Hybridmuster werden isolierte Bereitstellungen ersetzen und Edge-, Cloud- und On-Premises-Umgebungen so verbinden, dass Fragmentierung reduziert wird und es einfacher wird, das, was funktioniert, zu skalieren.

Das bringt Klarheit in Entscheidungen darüber, was wo ausgeführt wird. Regelkreise und Sicherheitsfunktionen bleiben der Maschine am nächsten. Der On-site-Edge übernimmt Analysen nahezu in Echtzeit und Vision-Inferenz. Regionale Plattformen unterstützen standortübergreifende Optimierung und Governance. Cloud bleibt die richtige Umgebung für Modelltraining, Analysen in großem Maßstab und die Integration mit Unternehmenssystemen und Partner-Ökosystemen.

Da Fabriken autonomer werden, wird AI zunehmend Entscheidungen über Maschinen, Produktionslinien und Anlagen hinweg koordinieren. Die Hersteller, die sich absetzen, werden Edge als Betriebsmodell und nicht als Reihe von Piloten betrachten – mit standardisierten Architekturen und Datenflüssen, die in Werken wiederholt werden können, um neue Fähigkeiten im Maßstab zu skalieren, ohne sie ständig neu zu erfinden.

Für Hersteller, die resiliente, skalierbare Edge-Implementierungen aufbauen möchten, sind drei Prinzipien am wichtigsten:

Latenzsensitive Entscheidungen identifizieren: Was muss sofort passieren und was kann warten?
Ordnen Sie den Datenfluss zu: Was bleibt lokal, was wird zusammengefasst und was wird nach oben weitergeleitet?
Architekturen standardisieren: Wiederverwendbare Frameworks über Standorte hinweg bedeuten, dass die Skalierung neuer Funktionen nicht jedes Mal den Neuaufbau von Systemen erfordert.

Der nächste Schritt besteht darin, diese Prinzipien in die Tat umzusetzen – durch die Entwicklung einer Infrastruktur, die schnellere Entscheidungen, höhere Resilienz und AI unterstützt, die dort performt, wo es am wichtigsten ist.

Lassen Sie uns gemeinsam Ihre Edge-Strategie entwickeln.

Wir arbeiten mit Herstellern auf der ganzen Welt zusammen, um sie auf ihrer AI-Journey zu begleiten und zu verstehen, wo sie anfangen sollten, welche Infrastruktur erforderlich ist und wie sie AI in großem Maßstab ohne unnötige Komplexität bereitstellen können.

Entdecken Sie unsere Studien zu intelligente Produktionsunternehmen im Zeitalter von AI, oder lesen Sie mehr darüber, wie wir intelligente Produktionsunternehmen auf einer nachhaltigen und globalen Plattform neu denken. Wenn Sie bereit sind, Ihre spezifische Umgebung zu besprechen, stehen Ihnen unsere Solution Architects gerne zur Verfügung.

Entdecken Sie unsere Manufacturing-Lösungen

Das Digital Realty Innovation Lab in London: Von Konzept zu Vertrauen