KI in der Produktion: Anwendungsfälle im Mittelstand

Wo KI in der Produktion heute wirklich steht

Kaum ein Thema wird produzierenden Unternehmen derzeit so oft verkauft wie Künstliche Intelligenz – und kaum eines so oft mit Leuchtturm-Beispielen, die mit dem eigenen Alltag wenig zu tun haben. Wenn Bosch in seinen Werken jeden Fertigungsschritt mit Sensordaten überwacht und Modelle im Sekundentakt Prüfdaten auswerten [2], ist das beeindruckend – aber ein Konzern mit eigener KI-Abteilung ist kein Maßstab für einen mittelständischen Fertiger mit 80 oder 300 Beschäftigten.

Die gute Nachricht: Die Technologie dahinter ist längst keine Forschung mehr, sondern verfügbar und bezahlbar. Einrichtungen wie das Fraunhofer IGCV begleiten den Transfer in produzierende Unternehmen seit Jahren systematisch [1], und die Werkzeuge – vom maschinellen Lernen auf Sensordaten bis zur Bilderkennung in der Prüflinie – sind ausgereift. Was im Mittelstand über Erfolg und Misserfolg entscheidet, ist deshalb selten die KI selbst. Es sind die Daten, auf denen sie arbeiten soll, und die Auswahl des richtigen ersten Anwendungsfalls.

Genau darum geht es in diesem Beitrag: welche Anwendungsfälle sich in der Praxis zuerst rechnen, welche Voraussetzungen Ihre Produktion dafür mitbringen muss – und wie Sie einsteigen, ohne sich an ein Großprojekt zu binden.

Die Anwendungsfälle mit dem schnellsten Nutzen

Über alle Branchen hinweg haben sich vier Familien von KI-Anwendungen in der Produktion etabliert, die auch im Mittelstand wiederkehrend funktionieren:

| Anwendungsfall | Datenquelle | Typischer Nutzen | |---|---|---| | Anomalie-Erkennung & vorausschauende Wartung | Sensordaten, Maschinensteuerungen | Ungeplante Stillstände sinken, Wartung nach Zustand statt Kalender | | Qualitätskontrolle mit Bilderkennung | Kameras in der Prüflinie | Ausschuss und Nacharbeit sinken, Prüfung wird lückenlos statt stichprobenartig | | Energie-Optimierung | Zähler, Maschinen- und Auftragsdaten | Lastspitzen und Verbrauch sinken – oft der schnellste messbare Euro-Effekt | | Produktionsplanung & Durchlaufzeiten | MES-/ERP-Daten, Rückmeldungen | Bessere Reihenfolgen, weniger Rüstzeiten, verlässlichere Termine |

Zwei Beobachtungen aus der Praxis dazu. Erstens: Die spektakulären Fälle (Roboter, autonome Systeme) sind selten die wirtschaftlichsten – die unspektakulären (Energie, Ausschuss, Stillstände) tragen fast immer zuerst. Zweitens: Alle vier Familien haben dieselbe Abhängigkeit. Sie funktionieren exakt so gut, wie die Daten es zulassen, die Ihre Maschinen, Ihr MES und Ihr ERP heute liefern.

Welcher Anwendungsfall trägt bei Ihnen zuerst? Wir beantworten das nicht mit einer Folienschlacht, sondern mit einem Blick in Ihre Daten- und Systemlandschaft – pragmatisch und herstellerneutral. Einstieg über unsere Seite Produzierendes Gewerbe oder direkt bei den Leistungen zu Prozesse automatisieren. Am schnellsten geht es im direkten Gespräch: 30-Minuten-Kennenlernen buchen.

Die Voraussetzung, über die niemand gern spricht: die Datenbasis

Wer Anbieter-Präsentationen zu KI in der Produktion sieht, könnte meinen, der Einstieg sei eine Frage der Software-Auswahl. Unsere Erfahrung ist eine andere: Die meisten gescheiterten KI-Vorhaben im Mittelstand scheitern vor dem ersten Modell – an der Datenbasis.

Das typische Bild sieht so aus: Die Maschinen liefern Daten, aber jede in ihrem eigenen Format. Das MES erfasst Rückmeldungen, aber nicht durchgängig. Das ERP kennt Aufträge und Stücklisten, ist aber nicht mit den Maschinendaten verknüpft. Und dazwischen leben Excel-Listen – Schichtbücher, Störgrund-Listen, Energieauswertungen –, die nie für eine maschinelle Auswertung gedacht waren. Warum solche Tabellen als Datenfundament nicht taugen, haben wir im Beitrag Excel als Datenbank beschrieben; in der Produktion kommt erschwerend hinzu, dass sie oft die einzige Verbindung zwischen den Systemen sind.

Für ein KI-Vorhaben heißt das: Der erste Schritt ist fast nie das Modell, sondern die Zusammenführung – Maschinendaten, MES und ERP so verbinden, dass ein Anwendungsfall durchgängig mit Daten versorgt ist. Das muss keine monatelange Plattform-Einführung sein; für einen fokussierten Piloten reicht oft eine schlanke Datenstrecke für genau die benötigten Signale. Wie man eine solche Datenbasis pragmatisch aufbaut, zeigt unser Beitrag zu Datenmanagement-Lösungen für KI-Projekte.

Ist Ihre Produktion bereit? Der ehrliche Check

Bevor Sie mit Anbietern sprechen, lohnt ein nüchterner Blick auf fünf Fragen:

1. Gibt es die Daten überhaupt? Für den gewünschten Anwendungsfall: Werden die relevanten Signale (Sensorwerte, Prüfergebnisse, Störgründe, Verbräuche) heute erfasst – oder müssten sie erst erhoben werden?
2. Kommen Sie an die Daten heran? Liegen sie in zugänglichen Systemen mit Schnittstellen – oder in geschlossenen Steuerungen und persönlichen Tabellen?
3. Stimmt die Qualität? Lückenhafte Rückmeldungen und uneinheitliche Störgrund-Kataloge machen jedes Modell wertlos. Datenbereinigung ist unspektakulär, aber sie ist der Kern der Arbeit.
4. Gibt es einen messbaren Business Case? „Wir wollen KI machen" trägt kein Projekt. „Wir wollen die ungeplanten Stillstände an Linie 3 halbieren" schon – und lässt sich rechnen, wie wir es im Beitrag zum ROI von IT-Modernisierung beschreiben.
5. Machen die Mitarbeiterinnen und Mitarbeiter mit? Instandhalter, Schichtführerinnen und Werker kennen die Anlagen besser als jedes Modell. Ohne ihr Wissen fehlen den Daten die Zusammenhänge – und ohne ihre Akzeptanz bleibt jedes Dashboard ungenutzt.

Wer drei dieser fünf Fragen nicht mit Ja beantworten kann, hat kein KI-Problem, sondern ein Datenproblem – und sollte genau dort beginnen. Das ist keine schlechte Nachricht: Diese Vorarbeit zahlt sich auch ohne KI aus, weil sie Transparenz in die Produktion bringt.

Der Einstieg: Pilot statt Plattform

Der verlässlichste Weg zu KI in der Produktion, den wir kennen, ist unspektakulär: ein einziger Anwendungsfall, ein begrenzter Bereich, ein messbares Ziel, drei bis sechs Monate. Ein solcher Pilot beweist den Nutzen mit echten Zahlen, baut intern Wissen auf und zeigt nebenbei schonungslos, wo die Datenbasis noch Lücken hat.

Wichtig dabei: Den Piloten von Anfang an so bauen, dass er skalieren kann – mit sauberen Schnittstellen statt Einmal-Exporten, mit dokumentierten Datenflüssen, mit den Fachleuten aus der Halle im Projektteam. Und die Ergebnisse ehrlich messen, auch wenn sie ernüchtern: Ein Pilot, der zeigt, dass der erhoffte Effekt klein ist, hat seinen Zweck ebenfalls erfüllt – er hat eine teure Fehlinvestition verhindert.

Die Zukunftsthemen – generative KI für Arbeitsanweisungen, Assistenzsysteme, autonome Optimierung – werden diesen Weg nicht abkürzen, sondern darauf aufbauen [3]. Wer heute seine Daten- und Systemlandschaft ordnet, kann jede kommende KI-Generation schneller nutzen als der Wettbewerb, der noch Tabellen zusammenkopiert.

Fazit

KI in der Produktion ist für den Mittelstand kein Zukunftsthema mehr – aber auch kein Software-Einkauf. Die Anwendungsfälle mit dem schnellsten Nutzen sind bekannt: Anomalie-Erkennung, Qualitätsprüfung, Energie-Optimierung, bessere Planung. Was fehlt, ist selten die Technologie, sondern fast immer die verbundene, saubere Datenbasis aus Maschinen, MES und ERP. Wer dort beginnt, einen fokussierten Piloten mit messbarem Ziel aufsetzt und die eigenen Leute einbindet, holt aus KI genau das heraus, was sie im Mittelstand sein sollte: kein Prestigeprojekt, sondern ein Werkzeug, das sich rechnet.

References

1. (Fraunhofer IGCV – Künstliche Intelligenz in der Produktion)
2. (Bosch – KI in der Produktion)
3. (Plattform Lernende Systeme – KI-Plattform von acatech)