Foto: Google Gemini · KI-generiert
Die Diskussion über KI in der Fertigung läuft seit Jahren. Vieles davon war Lärm. Was sich jetzt ändert: Der Lärm weicht echten Produktivdeployments — und die Unterschiede zwischen den Anwendungsfällen, die funktionieren, und denen, die es nicht tun, werden deutlicher.
Was heute funktioniert
Anomalieerkennung auf Sensordaten der Produktionslinie ist auch mit überschaubaren Datenmengen genuinen Nutzen. Es braucht keine Millionen von Datensätzen, um ein Modell zu trainieren, das ungewöhnliche Vibrationsmuster an einer CNC-Spindel erkennt. Ein gut trainiertes Modell auf Basis von sechs Monaten Schichtdaten kann die manuelle Überwachung um 3 Uhr morgens an einem Freitag zuverlässig übertreffen.
Predictive Maintenance ist aus gutem Grund der meistgenannte Anwendungsfall: Er liefert messbaren ROI, und die Daten sind in der Regel bereits vorhanden. Was bei den meisten Herstellern fehlt, ist nicht das Modell — sondern die Pipeline. Sensormesswerte zuverlässig und nahezu in Echtzeit in ein Format zu überführen, das das Modell verarbeiten kann — und das bei einer Anlage mit 30 Jahre alten SPSen — das ist die eigentliche Ingenieuraufgabe.
Dokumentenintelligenz — das automatische Auslesen von Bestellungen, Lieferscheinen oder technischen Spezifikationen — ist ein praxistauglicher KI-Einsatz, den mittelständische Unternehmen bereits heute ausrollen. Er erfordert keine besondere Infrastruktur. Er reduziert manuelle Erfassungsfehler und beschleunigt einen Prozess, der in vielen Betrieben echten Aufwand verursacht.
Was noch nicht funktioniert
Autonome Entscheidungsfindung in der Produktionsplanung. Die Modelle existieren, aber die Integration in bestehende ERP-Systeme ist aufwändig, die Haftungsfrage ist ungeklärt, und Werksleiter vertrauen ihr nicht. Das ist kein technisches Problem — sondern ein Akzeptanz- und Governance-Problem, das gelöst sein muss, bevor die Technologie sinnvoll eingesetzt werden kann.
Universelle Chatbots, die auf interne Wissensdatenbanken aufgesetzt werden. Das Versprechen klingt gut; die Realität ist ein Retrieval-Qualitätsproblem, das die meisten Standardimplementierungen noch nicht gelöst haben.
Was das für Ihre Projektplanung bedeutet
Beginnen Sie mit einem Problem, dem bereits saubere Daten zugeordnet sind. Wenn die Daten nicht vorhanden oder nicht strukturiert sind, bauen Sie zuerst die Dateninfrastruktur auf. Eine KI-Schicht über schlechten Daten produziert selbstsichere falsche Antworten — das ist schlimmer als gar keine KI.
Definieren Sie präzise, was das System entscheiden oder melden soll, und was weiterhin ein Mensch beurteilen muss. Die erfolgreichsten Deployments halten Menschen bei folgenreichen Entscheidungen im Regelkreis und nutzen KI, um das Volumen routinemäßiger Aufgaben zu reduzieren.
Die Technologie ist in klar abgegrenzten Anwendungsfällen produktionsreif. Die Integrationsarbeit bleibt die eigentliche Herausforderung.