Zwischen Datenpunkten und Schutzversprechen Wo KI im Textilservice funktioniert

Kann künstliche Intelligenz vorhersagen, wann persönliche Schutzausrüstung (PSA) versagt? Wo stößt das ­Konzept an seine Grenzen? Klar ist: Der Schutz der Trägerinnen und Träger muss Priorität haben. Ein ­Gastbeitrag von Oliver Mäske, Chief Operating Officer bei CWS Workwear.

Beim Mietmodell für Arbeitskleidung entstehen täglich Millionen von Datenpunkten: Waschzyklen, Reparaturhistorien, Verschleißmuster, Trägerfeedback. Die Vision klingt verlockend: KI, die kritischen Verschleiß erkennt, bevor die Schutzfunktion versagt. Predictive Maintenance für PSA – ein Versprechen, das Sicherheit und Effizienz vereinen könnte. Doch wie realistisch ist diese Vision tatsächlich? Wo liefert KI bereits heute messbaren Mehrwert, und wo stoßen selbst die cleversten Algorithmen an ihre Grenzen?

Bei PSA steht vor allem im Fokus, dass die Schutzfunktion zuverlässig ihre Aufgabe erfüllt und Trägerinnen und Träger bei der Arbeit umfassend schützt. Das verändert die Anforderungen an jede Technologie fundamental.

Status quo: Daten und KI-Einsatz heute

Die Grundlage jeder KI-Anwendung sind Daten, und davon werden im modernen Arbeitskleidungsservice eine große Menge erfasst. Systematisch dokumentiert werden Alter der Kleidungsstücke, Wasch­zyklen, Reparaturhistorien, Ausscheidungsgründe und Lebenszeitanalysen über Produktkategorien. Diese Daten bilden das Rückgrat der Qualitätssicherung und ermöglichen datenbasierte Entscheidungen zu Produktauswahl und Service. Sie unterstützen zudem gezielte Produktoptimierungen, etwa die Auswahl anderer Reflexstreifen, robusterer Materialien oder verstärkter Nähte an identifizierten Schwachstellen.

Die Radio-Frequency-­Identification-Technologie (RFID) spielt dabei eine unterstützende, aber keineswegs zwingende Rolle. RFID beschleunigt die kontaktlose Massenlesung und ermöglicht wirtschaftliches Track-and-Trace entlang der kompletten und umfangreichen Servicekette. Der Lebenszyklus lässt sich aber auch ohne RFID lückenlos dokumentieren; die Technologie verkürzt Prozesse, senkt Kosten und steigert die Effizienz.

Während KI bislang vor allem zur Analyse von Prozess- und Nutzungsdaten eingesetzt wurde, rückt nun die bildgestützte Interpretation in den Vordergrund. Was vor wenigen Jahren noch Pilotprojekt war, gehört heute zum Standard und wird europaweit ausgerollt. Bereits bei der Warenannahme durchleuchtet KI-gestützte Röntgentechnik die eingehende Schmutzwäsche. Vergessene Werkzeuge, Schlüsselbunde oder andere Fremdkörper werden erkannt, bevor sie Mitarbeitende in den Wäschereien verletzen und Maschinen beschädigen.

Im nächsten Schritt können bildbasierte Systeme auch die Sortierung übernehmen: Sie erkennen, welches Teil in welches Waschprogramm gehört, und leiten es automatisch dorthin. Für PSA besonders entscheidend ist die abschließende Qualitätskontrolle. Kamerabasierte KI-Systeme können das Erkennen von Defekten und Restverfleckung sowie die Überprüfung der Normkonformität bei Warnschutzkleidung unterstützen. Die Technologie ergänzt die optische Prüfung durch geschulte Fachkräfte und erhöht so die Zuverlässigkeit der Qualitätssicherung.

Wo Vorhersagen an ihre Grenzen stoßen

Bei der Vorhersage von PSA-Versagen stößt die Branche an Grenzen. Die Funktionsfähigkeit von PSA hängt von vielen Faktoren ab: Anzahl der Waschzyklen, reale Tragebelastung und Einsatzbedingungen. Maximale Waschumläufe definiert der Konfektionär oder werden durch eigene Tests ermittelt. Die laufende Funktionssicherheit stellen geschulte Mitarbeitende über interne Prüfverfahren sicher.

Vor diesem Hintergrund kommt KI derzeit nicht für prädiktive Verschleißmodelle bei PSA zum Einsatz. Bei Schutz­ausrüstung gilt die Null-Fehler-Toleranz. Der Einfluss des Tragens ist erheblich und schwer zu quantifizieren; gelegentliche Eigenwäsche entzieht sich der Kontrolle des Dienstleisters. Verlässliche Vorhersagemodelle sind aktuell nicht verfügbar. Stattdessen setzen Anbieter auf intensive Tests im Vorfeld, um die voraussichtliche Leistungsfähigkeit über den Nutzungszeitraum besser einzuschätzen und das Risiko von Schutzversagen durch Waschen oder Trocknen zu reduzieren. Reparaturdaten und Wasch­zyklen allein reichen dafür nicht aus. Perspektivisch kann KI-gestützte Qualitätskontrolle helfen, den Trageeinfluss besser einzuschätzen.

Die Gründe für diese Einschränkungen liegen auf zwei Ebenen. Einerseits im Prozess selbst: Der industrielle Waschvorgang ist ambivalent. Er nutzt Gewebe ab und erneuert zugleich Schutzfunktionen, etwa durch Schmutzentfernung oder Imprägnierung. Der kumulative Effekt über viele Zyklen lässt sich derzeit nicht belastbar modellieren. Andererseits auf der Datenseite: Trägerfeedback ist subjektiv, Sensordaten sind objektiv, beides hat seine Berechtigung. Die Perspektive der Tragenden verdient Beachtung. Bei PSA entscheiden am Ende jedoch objektive Messwerte, denn Sicherheit hat oberste Priorität.

Technologische Hürden und Verantwortung

Die größte Herausforderung für Predictive Maintenance bei PSA liegt in der Vielfalt der Nutzungsprofile. Zwischen Schreibtisch und Baustelle, Schweißerkabine und Fassadengerüst, Fertigungshalle und Lager liegen Welten. Jede Trägerin und jeder Träger beanspruchen die jeweilige PSA auf eigene Weise. Wie soll KI diese Unterschiede berücksichtigen, ohne in Überwachung abzudriften? Es fehlen die Informationen über individuelle Nutzungstypen, um verlässliche Prognosen zu erstellen. Und selbst wenn diese vorlägen, würde sich die Frage nach Datenhoheit und Persönlichkeitsschutz stellen.

PSA-Versagen kann lebensbedrohlich sein. Die beschriebenen Unsicherheiten werfen eine Grundsatzfrage auf: Das Rest­risiko, dass KI kritischen Verschleiß übersieht, trägt der Dienstleister. Ein hauptverantwortlicher KI-Einsatz setzt garantierte Zuverlässigkeit voraus, etwa durch präzise Messtechnik. Prognosen ergänzen etablierte Prüfverfahren, ohne sie zu ersetzen. Regulatorische Anforderungen und Verantwortlichkeiten bleiben bestehen.

Aus Kundensicht verbessern prädiktive Ansätze derzeit vor allem die Wirtschaftlichkeit von Prüfungen durch ein höheres Tempo und objektive Messergebnisse. Sicherheit und Einsatzzeiten werden hingegen weniger verbessert. Da Systeme mit hoher Streuung bei konservativen Grenzwerten schnell unwirtschaftlich werden, kommen nur Methoden zum Einsatz, die im Vergleich mit Labortests zuverlässig abschneiden.

Was bedeutet das für den Markt? Kleinere Textilserviceanbieter können solche Technologien oft nicht stemmen. Die Investitionen rechnen sich erst bei hohen Umlaufmengen – ein struktureller Vorteil für größere Anbieter. Ob sich daraus branchenweite Standards ent­wickeln, bleibt abzuwarten.

Fazit: KI verändert den Textilservice fundamental, allerdings nicht überall gleich schnell. Bei Qualitätskontrolle, Sortierung und Fremdkörpererkennung ist sie bereits Stand der Technik und liefert messbaren Mehrwert. Bei der Vorhersage von PSA-Versagen hingegen bestehen systemimmanente Grenzen: zu viele Variablen, zu hohe Sicherheitsanforderungen, zu wenig verlässliche Nutzungsdaten.

Kann künstliche Intelligenz also vorhersagen, wann PSA versagt? Stand heute: nein. Die Technologie ist nicht das Problem, wohl aber die lückenhafte Datenbasis und Sicherheitsstandards, die keine Toleranz erlauben. Die Zukunft liegt deshalb nicht in der vollautomatisierten Verschleißprognose, sondern in der intelligenten Unterstützung geschulter Fachkräfte. KI macht die Prüfung schneller, objektiver und dokumentierbarer. Die finale Entscheidung über die Einsatzfähigkeit von PSA aber bleibt dort, wo sie hingehört: beim Menschen, der die Verantwortung trägt.

cws.com