Die Ausgangslage in der Fertigung

Der Sprung vom Pilotprojekt in den Produktivbetrieb ist die Stelle, an der KI in der Fertigung am häufigsten hängenbleibt. Der Grund, der uns dabei am häufigsten begegnet: Der Pilot wurde auf „perfekte" Datensätze ausgerichtet, die im echten Fertigungsalltag nicht existieren. Dieser Artikel zeigt vier Anwendungsfälle, die auch unter realen Bedingungen (mit lückenhaften Sensordaten, heterogener Maschinenlandschaft und begrenzten IT-Ressourcen) tragen.

KI in der Fertigung scheitert selten an der Technologie. Sie scheitert daran, dass der Pilot für ideale Bedingungen gebaut wurde, die im Alltag nicht existieren.

Anwendungsfall 1: Predictive Maintenance auf Sensordaten

Die Idee ist nicht neu, aber die Umsetzung wird erst jetzt für mittelständische Fertiger tragfähig. Frühere Ansätze erforderten Spezialisten und monatelange Implementierungen. Moderne KI-Agenten arbeiten mit dem, was vorhanden ist.

Die zwei Reifestufen, die in der Praxis relevant sind:

  • Tool-Stufe: Ein KI-Modell analysiert periodisch Vibrations-, Temperatur- und Druckdaten aus vorhandenen Sensoren und flaggt Abweichungen vom Normalmuster. Du bekommst eine tägliche Liste kritischer Maschinen. Ein Mensch entscheidet, ob eine Wartung ausgelöst wird.
  • Agenten-Stufe: Der Agent überwacht kontinuierlich, erkennt kritische Schwellenwerte, erstellt automatisch einen Wartungsauftrag im ERP, sendet eine Benachrichtigung an den Instandhaltungsleiter und protokolliert den gesamten Vorgang. Das Protokoll unterstützt die Nachvollziehbarkeit und die Erfüllung einschlägiger Nachweispflichten. Rollenklärung, Risikoeinstufung und Kompetenzmaßnahmen nach dem EU AI Act werden davon getrennt umgesetzt.

Illustrative Rechnung für den Gesamtbetrieb: Ein Maschinenbauer mit 60 Produktionsmaschinen hat im Jahr vier ungeplante Stillstände im gesamten Betrieb. Werden davon jährlich 2,5 Stillstände mit jeweils zehn Stunden Dauer vermieden und werden 3.500 Euro vermeidbare Kosten pro Stillstandsstunde angenommen, ergibt sich ein rechnerischer Bruttovorteil von 87.500 Euro pro Jahr:

2,5 vermiedene Stillstände × 10 h je Stillstand × 3.500 EUR/h = 87.500 EUR/Jahr

Investition und laufende Kosten sind darin noch nicht abgezogen. Alle drei Werte (Anzahl, Dauer und Stundensatz) sind Annahmen und gehören durch deine eigenen Zahlen ersetzt. Als Größenordnung für eine Predictive-Maintenance-Lösung auf vorhandener Sensorinfrastruktur zirkulieren im Markt fünfstellige Beträge im ersten Jahr; belastbar wird das erst mit einem Angebot, das Sensorik, Anbindung, Modellierung und Betrieb ausweist.

Voraussetzung: eine historische Baseline je Maschine. Ohne sie kann das Modell kein Normalmuster erlernen. Wie lang der Zeitraum sein muss, hängt von Taktung, Saisonalität und Fehlerhäufigkeit ab. Plane den Aufbau der Baseline deshalb als eigenen Schritt vor dem Produktivstart, nicht parallel dazu.

Anwendungsfall 2: Qualitätsprüfung per Vision-KI in der Linie

Visuelle Qualitätsprüfung per Kamera ist in der Großindustrie Standard. Im Mittelstand hat sie sich lange nicht gerechnet. Das hat sich geändert: Edge-Hardware-Kosten sind gefallen, und vortrainierte Vision-Modelle lassen sich auf spezifische Fehlerbilder feinabstimmen, ohne dass jemand ein Modell von Grund auf trainieren muss.

Typischer Aufbau für einen mittelständischen Fertiger:

Produktionslinie
 |
 ├→ Kamera-Einheit (Edge-Hardware, vierstelliger Betrag je Station)
 |
 ├→ Vision-KI-Agent (klassifiziert: OK / Nacharbeit / Ausschuss)
 |
 ├→ ERP: Gut-Stück-Zählung wird automatisch aktualisiert
 |
 └→ Qualitäts-Dashboard: Fehlerquote, Fehlertyp, Schicht, Maschine

Die Klassifikation läuft im Millisekundenbereich pro Bauteil. Der genaue Wert hängt an Hardware, Modellgröße und Bildauflösung und gehört im Pilot gemessen. Sehr seltene Fehlerbilder sind schwerer zu trainieren und sollten in einer ersten Stufe von der automatischen Klassifikation ausgenommen und einer manuellen Nachkontrolle zugeführt werden.

Illustrative Rechnung: Ein Hersteller von Metallbauteilen senkt die Ausschussquote von 2,8 auf 1,4 Prozent. Der wirtschaftliche Vorteil ergibt sich aus der vermiedenen Ausschussmenge, bewertet mit den tatsächlich vermeidbaren Kosten je Stück, nicht aus dem Umsatz:

Vermiedene Menge   = Jahresproduktionsmenge × 0,014
Vorteil            = vermiedene Menge × vermeidbare Kosten je Stück

vermeidbare Kosten je Stück = Material + Bearbeitung + Prüfaufwand
Gesondert zu berücksichtigen:
  + eingesparte Nacharbeit        (Einsparung)
  - entfallende Restwerterlöse    (Minderung)
  + zusätzliche Prüf-/Nacharbeitskosten durch das neue System (Minderung)

Keine Position doppelt zählen. Und: Der Umsatz ist für diese Rechnung keine geeignete Kostenbasis: Eine Ausschussquote bezieht sich auf Stückzahlen, nicht auf Erlöse.

Anwendungsfall 3: Produktionsplanung mit KI-Agenten statt Excel-Master-Planer

In vielen mittelständischen Fertigungsbetrieben hängt die Produktionsplanung an einer Person: dem Excel-Master-Planer. Er kennt alle Wechselwirkungen zwischen Maschinen, Aufträgen, Lieferzeiten und Kapazitäten. Wenn er krank ist oder das Unternehmen verlässt, ist die Planung in echter Gefahr.

Ein KI-Agent für Produktionsplanung setzt auf drei Ebenen an:

  • Kapazitätssimulation. Der Agent berechnet für jeden eingehenden Auftrag, wie er sich in die bestehende Maschinenauslastung einfügt, welche Engpässe entstehen und welche Liefertermin-Alternativen möglich sind. Das dauert Sekunden statt Stunden.
  • Anomalie-Erkennung. Wenn ein Lieferant einen Materialtermin verpasst oder eine Maschine ausfällt, berechnet der Agent sofort, welche Aufträge davon betroffen sind, und schlägt priorisierte Umplanungsoptionen vor.
  • Wissens-Kodierung. Die Regeln des Excel-Master-Planers („Maschine 7 läuft nicht zusammen mit Maschine 3 auf dem gleichen Fundament") werden einmalig in den Agenten eingebettet und sind danach im System verfügbar, unabhängig davon, wer die Schicht leitet.

Wichtige Einschränkung: Ein KI-Planungs-Agent ersetzt nicht den Planer. Er befreit ihn von der Rechenarbeit und gibt ihm mehr Zeit für die Ausnahmen, die kein Algorithmus allein lösen kann. Die finale Freigabe bleibt beim Menschen.

Anwendungsfall 4: Wissens-Sicherung bei Rente des Produktions-Experten

Ein Maschinenbau-Veteran mit 30 Jahren im Betrieb, der in zwei Jahren in Rente geht, trägt mehr Produktions-Wissen im Kopf als jedes Handbuch erfasst. Welche Toleranzen bei welchem Material wirklich gelten. Welche Konfiguration die Maschine bei hoher Luftfeuchtigkeit braucht. Warum Auftrag-Typ B immer zuerst rüsten sollte.

Dieses Wissen ist nicht strukturiert, aber es ist erfassbar. Ein Domain-Expertise-Agent wird in einem strukturierten Prozess aufgebaut:

  • Phase 1 (Erfassung): Der Experte führt regelmäßige, kurze Gespräche mit einem KI-Interviewer-Agenten, der gezielt Wenn-dann-Fragen stellt: „Was tust du, wenn Maschine 4 dieses Geräusch macht?"
  • Phase 2 (Kodierung): Die Antworten werden in strukturierte Entscheidungsbäume überführt und mit historischen Wartungsprotokollen verknüpft.
  • Phase 3 (Validierung): Der Experte bestätigt oder korrigiert die kodifizierten Regeln. Erst dann werden sie im Agenten aktiv.
  • Phase 4 (Betrieb): Neue Mitarbeitende können den Agenten fragen. Der Agent antwortet mit den hinterlegten Regeln und der Quellenangabe, aus welchem Gespräch die Regel stammt.

Nach unserer Erfahrung lässt sich der Durchlauf von Phase 1 bis Phase 4 in wenigen Monaten schaffen, wenn der Experte einen halben Tag pro Woche einplanen kann. Entscheidend ist nicht die Laufzeit, sondern dass Phase 3 nicht übersprungen wird: Ungeprüfte Regeln im Betrieb sind schlechter als gar keine.

Beispiel: Zeitplan für einen Maschinenbauer mit 80 Mitarbeitenden

Quartal 1   Sensor-Baseline aufbauen, Vision-KI Pilot an 1 Linie
Quartal 2   Vision-KI auswerten, Baseline fortschreiben
Quartal 3   Predictive Maintenance auf den kritischsten Maschinen live,
            Wissens-Sicherung Experte starten
Quartal 4   Vision-KI auf volle Linie ausrollen, Planungs-Agent Pilot

Diese Reihenfolge ist nicht die einzig mögliche, aber sie baut Abhängigkeiten sauber auf: Die Sensordaten aus Quartal 1 und 2 speisen das Predictive-Maintenance-Modell, das erst danach produktiv gehen kann.

Weiterlesen im Wissen-Hub

Den Unterschied zwischen einem KI-Werkzeug und einem echten KI-Agenten (und warum er für die Fertigungspraxis entscheidend ist) erklärt KI-Agenten und ChatGPT im Vergleich. Wie agentische Applikationen im Mittelstand über reine Piloten hinauswachsen, liest du in Agentische Applikationen im Mittelstand.

Für Fertigungsbetriebe, die Produktionsdaten in ein zentrales Cockpit bringen und dort mit KI-Analyse verbinden wollen: Individualsoftware von AthenaRun zeigt, wie das technisch aussieht.