Warum Digital-Twin-Projekte scheitern und wie Sie das vermeiden

Transparenzhinweis: M365.FM-Host Mirko Peters arbeitet bei der iFAKT GmbH. Diese Seite beschreibt das Unternehmen sachlich; bezahlte Partnerschaften und Links sind als Anzeige gekennzeichnet.

Von Mirko Peters · 2026-11-11

Warum Digital-Twin-Projekte scheitern: Keine Entscheidung stützt sich auf sie, die Daten sind schlecht, niemand ist verantwortlich und der Umfang ist zu groß. Lesen Sie fünf Lösungsansätze und ein Praxisbeispiel für Werkleiter.

Automatisch mit KI aus dem Originalbeitrag übersetzt. Englisches Original lesen

Warum Digital-Twin-Projekte scheitern, ist vor allem eine Führungsfrage und keine Softwarefrage. Typische Ursachen sind: keine Entscheidung, die vom Digital Twin abhängt, Daten, denen niemand vertraut, kein Verantwortlicher für das Modell und ein Umfang, der für den ersten Schritt zu groß ist. Dieser Leitfaden richtet sich an Werkleiter, die gebeten wurden, einen Digital Twin zu unterstützen, oder die erlebt haben, dass ein solches Projekt ins Stocken geraten ist. Sie erfahren die fünf häufigsten Fehlerquellen, ein Praxisbeispiel mit Zahlen, eine Routine, um sie zu vermeiden, und die Fehler, auf die Sie achten sollten.

Das Wichtigste in Kürze

• Digital-Twin-Projekte scheitern selten an der Software. Sie scheitern, weil sich keine Entscheidung auf den Digital Twin stützt, den Daten nicht vertraut wird oder niemand das Modell verantwortet.
• Benennen Sie vor dem Start die Entscheidung, die der Digital Twin verändern soll, wer sie trifft und bis wann. Können Sie das nicht, ist das Projekt noch nicht reif.
• Prüfen Sie zuerst die Daten: Ermitteln Sie für jedes Element, das der Digital Twin benötigt, die Quelle, den Verantwortlichen, den Aktualisierungsrhythmus und ob zwei Systeme übereinstimmen.
• Ein Digital Twin ist ein lebendiges Modell. Ohne einen Prozess, der ihn bei Änderungen in der Anlage aktualisiert, driftet er von der Realität ab, und die Menschen hören auf, ihn zu nutzen.
• Starten Sie mit einer Linie und einer Entscheidung, weisen Sie den Nutzen innerhalb weniger Wochen nach und erweitern Sie den Umfang erst danach.

Warum Digital-Twin-Projekte scheitern: die kurze Antwort

Ein Digital Twin ist eine gepflegte digitale Abbildung einer physischen Ressource, die anhand von Beobachtungen aktuell gehalten wird, etwa mit Live-Daten von Maschinen in nahezu Echtzeit. Die entscheidenden Wörter sind „gepflegt“ und „aktuell gehalten“. Ein Digital Twin ist kein einmaliges Modell und auch kein 3D-Modell oder eine Sammlung von CAD-Dateien der Anlage. Er ist ein System, das dauerhaft die Realität der Anlage abbilden muss, und genau dort scheitern Projekte.

Mehrere Quellen beschreiben dasselbe Muster. Ein Beitrag der Winter Simulation Conference 2023 von Siyuan Chen und Co-Autoren untersucht die Herausforderungen von Digital Twins in der Instandhaltung in der Fertigung. Er ordnet sie in organisatorische Herausforderungen, etwa Unternehmenskultur, hohe Anfangskosten und die Angst vor Arbeitsplatzverlust, methodische, etwa unklarer Nutzen und unklare Geschäftsziele, und technische, etwa die Datenerfassung von Altmaschinen und Interoperabilität, ein. Die Studie ist klein, mit sechs Interviewpartnern aus der Industrie. Die Autoren weisen deshalb darauf hin, dass die Ergebnisse möglicherweise nicht für alle Unternehmen gelten.

Auch die Softwareanbieter sehen das aus ihrer Perspektive ähnlich. Simio, ein Anbieter von Simulationssoftware, argumentiert in einem Blogbeitrag, dass Projekte häufiger an Datenproblemen als an der Technik ins Stocken geraten. Informatica, ein Anbieter von Datenmanagement, schreibt in seinem Artikel über Datengrundlagen, dass ein Digital Twin ohne vertrauenswürdige Daten eingeschränkt ist und in die Irre führen kann. Beide verkaufen Werkzeuge für das Datenproblem, lesen Sie sie daher als eine Sichtweise.

Aus diesen Quellen und aus gängiger Projektpraxis ordnen wir die Fehlerquellen in fünf Gruppen. Diese Einteilung ist unsere eigene Zusammenfassung und kein Standard.

Fehler 1: Keine Entscheidung stützt sich auf den Digital Twin

Die größte Herausforderung ist, dass niemand sagen kann, wofür der digitale Zwilling eigentlich da ist. „Wir wollen ein Industrie-4.0-Werk sein“ ist eine Richtung, aber kein Anwendungsfall. Das Chen-Paper nennt unklare Geschäftsziele und unklaren Nutzen als methodische Herausforderungen. Als Hürden führt es das Identifizieren von Anwendungsfällen und die fehlende Zusage des Managements auf.

Ein einfacher Test hilft. Stellen Sie dem Sponsor eine direkte Frage: Welche konkrete Entscheidung wird durch diesen Zwilling anders getroffen, von wem und bis zu welchem Datum? Gute Antworten sind konkret. „Wir entscheiden im März zwischen einer zweiten Schicht und einer neuen Maschine für Linie 3.“ – „Wir legen die Puffergrößen fest, bevor das neue Layout gebaut wird.“ Eine schwache Antwort ist „Wir werden bessere Transparenz haben“.

Wenn die Antwort vage ist, fehlt dem Projekt ein Stoppsignal. Es läuft, bis das Budget aufgebraucht ist, und dann kann niemand ein Ergebnis vorweisen.

Fehler 2: schlechte Datenqualität und eine schwache Datenbasis

Ein digitaler Zwilling ist nur so gut wie seine Daten. Simio nennt drei Datenprobleme, die mit dem übereinstimmen, was Werke tatsächlich erleben:

• Fehlende Daten. Prozesszeiten, Ressourcenverfügbarkeit oder Qualitätsaufzeichnungen weisen Lücken auf. Simio empfiehlt, mit erfahrungsbasierten Schätzungen für die kritischen Parameter zu beginnen, die Annahmen zu dokumentieren und über die Zeit echte Daten zu sammeln.
• Qualitätsprobleme. Die Daten wirken vollständig, enthalten aber Ausreißer, zeitliche Fehler oder Werte, die sich zwischen Systemen widersprechen. Simio empfiehlt Validierungsregeln, automatisierte Ausreißerprüfungen und eine Prüfung durch Prozessexperten.
• Integrationsprobleme. Die Daten liegen in ERP-, MES- und Qualitätssystemen, die nicht miteinander sprechen. Simio empfiehlt, die Arbeit zu staffeln: von geplanten Dateiexporten über Datenbankverknüpfungen bis hin zu späteren Schnittstellen.

Informatica ergänzt die Themen Stammdaten und Datenfundament. Ohne eine verlässliche Erfassung der Anlagen, ihres Standorts, ihrer Servicehistorie und ihrer Kritikalität hat ein Zwilling zwar Zahlen, aber wenig Kontext. Jede KI- oder Predictive-Funktion darauf arbeitet dann auf einer schwachen Datenschicht. Der Artikel warnt, dass falsche Daten zu verpassten Wartungsmeldungen oder falschen Ersatzteilbestellungen führen können.

Für ein Werk ist die praktische Form dieses Problems einfach. Erfasst das Manufacturing Execution System dieselben Stillstandsgründe wie das Instandhaltungssystem? Verwenden beide dieselbe Maschinenkennung? Entsprechen die physischen Anlagen im Instandhaltungsmanagement den Linien im MES, und stimmen die Zykluszeiten im ERP mit dem überein, was die Linie tatsächlich fährt? Widersprechen sich zwei Systeme, wählt der digitale Zwilling eines aus, und die Beteiligten finden später heraus, welches falsch war.

Fehler 3: niemand ist für die Daten oder das Modell verantwortlich

Ein digitaler Zwilling braucht zwei Arten von Verantwortlichen, und oft fehlen beide. Jedes Datenelement braucht einen Verantwortlichen, der bestätigen kann, ob es korrekt ist. Das Modell braucht einen Verantwortlichen, der es aktualisiert, wenn sich das Werk verändert.

Das Chen-Paper ist in diesem Punkt eindeutig. Es hält fest, dass organisatorische Herausforderungen Prozesse erfordern, die regelmäßige Aktualisierungen sicherstellen, und es empfiehlt, das Modell immer dann zu aktualisieren, wenn sich das physische System ändert. Die befragten Personen betonten zudem die Bedeutung von Fachwissen, um den Zwilling zu pflegen, seine Ergebnisse zu verstehen und zu überprüfen. Ein digitaler Zwilling, den niemand pflegt, ist eine Momentaufnahme. Nach der ersten Layoutänderung oder dem ersten neuen Produkt passt er nicht mehr zum Werk, und die Mitarbeitenden in der Produktion, die das bemerken, hören auf, ihm zu vertrauen.

Dasselbe Paper stellt fest, dass die meisten Befragten digitale Zwillinge nur auf der Stufe des digitalen Schattens nutzen. Ein vollständig vernetzter, sich selbst aktualisierender Zwilling ist ein langfristiges Ziel. Die erste nützliche Version ist oft ein einfacheres Modell mit einem klaren Verantwortlichen.

Fehler 4: der Umfang ist für den ersten Schritt zu groß

Die nächste Falle ist der Ehrgeiz. Ein Projekt für einen digitalen Zwilling, das mit „das gesamte Werk“ beginnt, muss Daten von jeder Linie, jedem System und jedem Team abgleichen, bevor es irgendetwas zeigt. Die Zahl der Datenelemente wächst mit jeder Linie, und mit ihr die Zahl der Widersprüche.

Ein enger Umfang, ein Pilotprojekt für einen digitalen Zwilling auf einer Linie, bringt das Modell früh vor echte Nutzer. Eine Linie, eine Entscheidung und eine Gruppe von Nutzern reichen aus, um herauszufinden, ob die Daten tragen und ob Menschen die Antworten tatsächlich nutzen. Das Chen-Paper nennt die Sicherung der Managementzusage und den Aufbau von Vertrauen als Hürden, und ein schnelles, korrektes erstes Ergebnis hilft bei beidem.

Fehler 5: das Projekt wird als IT-Projekt behandelt

Wenn IT oder ein externes Team das Modell allein entwickelt, werden die Menschen, die die Anlage kennen, spät eingebunden. Sie stellen dann fest, dass das Modell einen manuellen Schritt, ein gemeinsam genutztes Werkzeug oder eine informelle Regel ignoriert. Das Chen-Paper nennt Unternehmenskultur, Kommunikationsprobleme und die Angst vor Arbeitsplatzverlust als Herausforderungen. Behandeln Sie das Projekt als Change-Management, mit einem messbaren Business Case, den die Anlage überprüfen kann. Beziehen Sie Bediener, Instandhaltung und Planung dabei ein, festzulegen, was das Modell abbilden soll.

Beispiel: Prüfen Sie eine Linie, bevor Sie skalieren

Dies ist eine veranschaulichende Rechnung mit angenommenen Zahlen, kein gemessener Fall. Ein Werk plant einen Zwilling für 12 Linien. Es möchte zunächst über die Puffergrößen der ersten Linie entscheiden, daher verlangt der Sponsor vorab eine Datenprüfung dieser Linie. Der digitale Zwilling benötigt 30 Datenpunkte pro Linie, etwa Taktzeiten, Stillstandsgründe und -dauern, Auftragsmix, Personalbesetzung und Rüstzeiten.

Das Prüfergebnis für Linie 1:

• 11 Datenpunkte sind verfügbar und vertrauenswürdig.
• 9 Datenpunkte liegen in zwei Systemen vor, die sich widersprechen, zum Beispiel Stillstandsgründe im MES und im Instandhaltungssystem.
• 6 Datenpunkte existieren nur auf Papier oder im Kopf der Schichtleiter.
• 4 Datenpunkte existieren überhaupt nicht.

Damit müssen 19 von 30 Datenpunkten nachgearbeitet werden, und nur 11 von 30, also rund 37 %, sind einsatzbereit.

Großer Umfang. Wenn das Werk ähnliche Zahlen für alle 12 Linien annimmt, müssen 12 × 19 = 228 Datenpunkte nachgearbeitet werden. Nehmen wir als eigene Planungsgröße an, dass ein Analyst pro Woche 5 Datenpunkte bereinigen kann. Dann dauert die Datenarbeit 228 ÷ 5 = rund 46 Wochen, also fast ein Jahr, bevor das erste Ergebnis vorliegt.

Enger Umfang. Die Puffer-Entscheidung benötigt nur 12 der 30 Datenpunkte, und die Prüfung zeigt, dass 5 dieser 12 Probleme haben. Bei 5 Datenpunkten pro Woche sind das 1 Woche Datenarbeit. Die erste Antwort liegt nach wenigen Wochen vor, und das Team erfährt, welche Datenprobleme am meisten schaden.

Ihre Zahlen werden anders aussehen, aber die Prüfung zeigt, in welchem Fall Sie sich befinden.

So vermeiden Sie das Scheitern: ein Pilotprojekt für den digitalen Zwilling in sechs Schritten

1. Legen Sie die Entscheidung fest. Halten Sie schriftlich fest, welche Entscheidung der digitale Zwilling verändert, wer sie trifft und bis zu welchem Termin.
2. Prüfen Sie die Daten. Ermitteln Sie für jeden Datenpunkt, den der digitale Zwilling benötigt, die Quelle, den Verantwortlichen, den Aktualisierungsrhythmus und ob zwei Systeme übereinstimmen. Zählen Sie die Lücken.
3. Weisen Sie Verantwortliche zu. Je eine Person für jeden Datenbereich und eine Person für das Modell. Tragen Sie die Namen im Projektplan ein.
4. Beginnen Sie eng. Wählen Sie eine Linie oder einen Prozessschritt und nur die Datenpunkte, die die Entscheidung braucht.
5. Planen Sie die Aktualisierungen. Legen Sie fest, wie sich das Modell ändert, wenn sich das Werk ändert, und wer die Aktualisierung auslöst. Nehmen Sie das in die Bereitstellung auf, nicht danach, und dokumentieren Sie den Workflow.
6. Prüfen Sie das Ergebnis anhand der Entscheidung. Prüfen Sie nach einigen Wochen, ob die Entscheidung anders getroffen wurde. Erweitern Sie den Umfang erst, wenn die Antwort Ja lautet.

Häufige Fehler

• Plattform kaufen, bevor der Anwendungsfall feststeht. Das Tool sagt Ihnen nicht, was Sie entscheiden sollen.
• Daten vertrauen, nur weil sie vorhanden sind. Ein Wert in einer Datenbank ist nicht dasselbe wie ein Wert, der korrekt und aktuell ist.
• Zwei widersprüchliche Systeme nebeneinander bestehen lassen. Der digitale Zwilling wählt eines aus, ohne es Ihnen zu sagen.
• Kein Verantwortlicher nach dem Go-live. Ein digitaler Zwilling ohne Verantwortlichen ist nach der ersten Änderung veraltet.
• Mit dem gesamten Werk beginnen. Der Datenaufwand wächst schneller als der Nutzen, und digitale Zwilling-Initiativen verlieren ihren Sponsor.
• Den Shopfloor außen vor lassen. Wenn Bediener und Instandhaltung dem Zwilling nicht vertrauen, werden sie ihn nicht nutzen.

Wie Software helfen kann

Die Datenprüfung und das Modell brauchen beide eine einheitliche, konsistente Beschreibung von Produkten, Prozessschritten und Ressourcen. iFAKT's Polaris Designer ist ein Modul von iFAKT Polaris, das einen Produkt-Prozess-Ressourcen-Wissensgraphen (PPR) als einzige Quelle der Wahrheit für Produkte, Prozessschritte und Ressourcen aufbaut. Eine gemeinsame Beschreibung dieser Art löst das Problem widersprüchlicher Daten, ersetzt aber nicht die Entscheidung, die Verantwortlichen oder die Aktualisierungsroutine. Software hilft, sobald diese stehen.

Nächster Schritt

Wählen Sie für das nächste Quartal eine Linie und eine Entscheidung aus und bitten Sie Ihr Team, die 10 bis 20 Datenpunkte zu prüfen, die diese Entscheidung benötigt. Wenn die Prüfung zeigt, dass die meisten Datenpunkte nicht bereit sind, haben Sie herausgefunden, warum digitale Zwilling-Projekte scheitern, bevor Sie das Budget ausgeben, und Sie wissen, wo Sie anfangen müssen.