UX für KI-gestützte Industrieoberflächen: Wo Interfaces über Sicherheit, nicht über Conversion entscheiden

Ein Bediener steht vor einer Anlage, die unter Volllast läuft. Sensoren melden Auffälligkeiten, ein KI-Modell empfiehlt eine Drosselung, die Schichtleitung will erst den Auftrag fertigstellen. Es bleiben Sekunden, nicht Minuten. In solchen Momenten entscheidet die Gestaltung des Interfaces über Sicherheit, Stabilität und Kostentreiber – nicht ein abstrakter “Nutzwert”.

Dieser Beitrag beschreibt praxisnahe Muster, Architekturen und Trade-offs für UI/UX in industriellen, sicherheitskritischen Systemen. Der Fokus liegt auf KI-gestützten Entscheidungssystemen, Dashboards für IoT-Daten, robustem Design unter Umweltbelastungen (Handschuhe, Staub, Sonnenlicht) und der Frage, wie man Governance, Observability und On-Premise-Randbedingungen in die UX einschreibt. Er ist problemorientiert: Welche Entscheidung muss wann getroffen werden, mit welchem Risiko, basierend auf welcher Evidenz, und was ist die sichere Voreinstellung, wenn etwas ausfällt?

1) Randbedingungen industrieller UX

Bevor wir über Komponenten sprechen, müssen die technischen und betrieblichen Zwänge explizit gemacht werden. In unseren Projekten tauchen diese immer wieder auf:

  • Latenzbudgets sind real: Manche Aktionen müssen <1 s reagieren, andere dürfen 10–30 s brauchen. Das UI muss beides abbilden, ohne den Bediener zu verwirren.
  • Netz und Cloud sind keine Konstanten: Air-gapped Netze, On-Premise-Pflicht, Inter-Segment-Firewalls, manchmal sporadische WAN-Tunnel. Offline-First ist ein UX-Thema, kein DevOps-Thema.
  • Auditierbarkeit ist Pflicht: Jede Empfehlung, jeder Klick, jede Parametrisierung braucht Zeitstempel, Version, Quelle. Das UI muss das lesbar, prüfbar, exportierbar machen.
  • Umgebung schlägt Ästhetik: Handschuhe, Staub, Vibration, Ölfilm, Lärm, direkte Sonneneinstrahlung. Kleine Touch-Ziele, pastellige Farben und leise Signaltöne sind dort wertlos.
  • Sicherheitskonzepte sind integraler Bestandteil: 4-Augen-Freigaben, rollenbasierte Sichtbarkeit, reversible vs. irreversible Aktionen, physische Interlocks.

Erst wenn diese Zwänge im Anforderungskatalog stehen, lohnt sich die Diskussion über Visualisierungen, Komponentenbibliotheken oder “KI-Features”.

2) UX für KI-gestützte Entscheidungssysteme

KI in der Industrie ist oft Entscheidungsunterstützung, seltener vollautonom. Die UX-Frage lautet: Wie kalibrieren wir Vertrauen und Verantwortung so, dass Menschen in kurzer Zeit die richtige Entscheidung treffen?

Kernprinzipien:

  • Empfehlung, nicht Orakel: Das UI soll Empfehlungen mit Handlungsalternativen, Kosten und Risiken zeigen, nicht „Antworten“. Formulieren Sie konsequent als “Empfohlen: Drosselung um 15% innerhalb der nächsten 10 min” statt “Anomalie erkannt”.
  • Ungewissheit explizit: Ein blanker Konfidenzwert isoliert ist gefährlich. Zeigen Sie Bandbreiten, Unsicherheitsquellen und Datenabdeckung. Beispiel: “Sensor B fehlt seit 8 min, Empfehlung basiert auf A/C, Modell zuletzt kalibriert vor 7 Tagen.”
  • Begründete Evidenz: Warum-Schnellansicht statt Textwände. Drei bis fünf beitragende Faktoren mit Richtung (erhöht/vermindert Risiko) und relativer Stärke reichen, tiefergehende Details drilldown-fähig.
  • Ablehnungsrecht und Eskalation: Jeder KI-Vorschlag muss ablehnbar sein, inklusive Grundauswahl (z. B. “Produktionsfenster kritisch”). Ablehnungen werden protokolliert und fließen in die Verbesserung ein.
  • Domänenvalidierung vor Modellausgabe: Zeigen Sie klar, wenn Eingabedaten außerhalb des Trainingsbereichs liegen. “Außerhalb des bekannten Bereichs” als gelbe Warnung ist wertvoller als eine grüne 0,83-Confidence.
  • Handlungssicherheit: Gefährliche Aktionen brauchen gestufte Bestätigung (Hold-to-Confirm, zweite Person, PIN/Token). Sichere Aktionen (Stop, Not-Aus) müssen sofort gehen.

Visualmuster für KI-Empfehlungen:

  • Aktionskarte: Oben eine klare Empfehlung mit Zeitfenster, darunter Kosten/Nutzen-Schätzung, dann die Top-3-Evidenzpunkte. Ein “Warum?”-Icon öffnet Details: Sensortimeline mit Markierungen, Merkmalsbeiträge, Datenlücken, Modellversion.
  • Was-wäre-wenn-Schieber: Ein einfacher Schwellen-/Zeitfenster-Schieber zeigt, wie sich Risiko und Output bei abweichender Entscheidung verändern. So werden Neigungen zu “noch abwarten” sichtbar gemacht.
  • Zustandsbalken im Header: Ein persistent sichtbarer Zustandsbereich zeigt Betriebsmodus (Auto/Manuell), KI-Verfügbarkeit (OK/Degradiert/Offline), Datenintegrität (OK/Lücken) und Interlocks aktiv. Dadurch vermeiden Sie Mode-Confusion.

Funktionen zur Vertrauenskalibrierung:

  • Schattenmodus: Führen Sie KI-Empfehlungen eine Zeit lang im Schatten, zeigen Sie sie aber nicht operativ an. Danach können Sie die Trefferqualität im UI für Supervisors einsichtig machen.
  • Abweichungsprotokoll: Zeigen Sie nach der Tatsache, ob die befolgte oder abgelehnte Empfehlung zu Störungen führte. Keine Schuldzuweisung, nur Lernschleife.

3) Dashboard-Design für industrielle IoT-Daten

Die verbreitetste Fehlannahme ist “ein großes Dashboard für alles”. In der Praxis brauchen Sie Zustandsübersichten mit Drilldowns, abgestimmt auf Rollen und Zeithorizonte.

Daten-Typologie und Konsequenzen:

  • Zeitreihen (Sensoren): brauchen Verdichtung (Rollen, Downsampling), Rate-of-Change und Ereignismarker. Rohdaten nur im Detail.
  • Ereignisse (Alarme, Schaltvorgänge): brauchen Sequenzsicht und Gruppierung (Deduplication, Latching).
  • Zustände (Modi, Rezepturen, Aufträge): gehören in Header/Sidepanels, nicht in die Mitte.

Architektur, die zum UI passt:

  • Edge-Agenten lesen Sensoren/PLCs, validieren und verdichten lokal.
  • Ein Streaming-Bus verteilt Daten; eine Stream-Verarbeitung erzeugt Alarme, Anomalien, KPIs.
  • Ein zustandsbehafteter Cache (In-Memory + persistente Timeseries) versorgt das UI über WebSockets/SSE.
  • Backpressure-Strategien: Bei Überlast wird die UI priorisiert mit State-Änderungen, während Trends grob verdichtet werden. Anzeigen “aktualisiert alle 2 s” statt “Live” vermeiden falsche Erwartungen.

Anti-Patterns vermeiden:

  • KPI-Friedhof: 20 Kacheln mit Ampeln helfen niemandem. Zeigen Sie pro Rolle 3–5 Kernmetriken, verlinken Sie den Rest ins Detail.
  • Regenbogen-Alarme: Reservieren Sie starke Farben für echte Alarme. Informative Hinweise sind neutral oder dezent.
  • Alarmfluten: Gruppieren Sie Kaskaden (gleiche Ursache) zu einem Vorfall mit Zählern. Oberste Ebene zeigt Anzahl betroffener Assets, Drilldown bricht auf Sensor-/Komponentenebene.

Gute Muster: