Der Begriff „KI in der Produktion“ ist breit – und genau darin liegt die Verwirrung. Gemeint ist nicht ein einzelnes Produkt, sondern eine Familie von Anwendungen entlang der gesamten Wertschöpfung: vorausschauende Wartung verhindert ungeplante Stillstände, visuelle Qualitätsinspektion erkennt Fehler, die das menschliche Auge übersieht, Bedarfs- und Produktionsplanung reagiert schneller auf Schwankungen, und der digitale Zwilling erlaubt das Durchspielen von Szenarien, bevor in der realen Fabrik etwas verstellt wird. Jede dieser Anwendungen hat eigene Voraussetzungen und eigene Wirtschaftlichkeit.
Drei Eigenschaften kennzeichnen KI in der Fertigung – und unterscheiden sie deutlich von Büro-KI wie Chatbots oder Assistenzwerkzeugen:
Industrie 4.0 beschreibt die Vernetzung von Maschinen, Werkstücken und Systemen zu einer durchgängig digitalen Fabrik. Das Industrial Internet of Things (IIoT) ist die technische Schicht darunter: Sensoren, Gateways und Konnektivität, die Maschinendaten überhaupt erst erfassbar machen. KI ist die Auswertungsschicht obendrauf – sie verwandelt rohe Datenströme in Vorhersagen, Klassifikationen und Entscheidungsempfehlungen. Ohne IIoT keine Daten, ohne Daten keine KI. Diese Reihenfolge zu respektieren, ist die häufigste Lehre aus gescheiterten Projekten.
Wichtig für den Mittelstand: KI in der Produktion ist kein Alles-oder-Nichts-Projekt. Niemand muss die Fabrik in einem Schritt zur „Smart Factory“ umbauen. Die erfolgreichen Einführungen beginnen mit einem klar umrissenen Use Case an einer einzelnen kritischen Anlage und wachsen von dort. Wer mit einer Vision von der vollvernetzten Fabrik startet, verliert sich meist in Datenintegration und Budget.
In der Praxis sehen wir ein gespaltenes Bild. Auf der einen Seite gibt es Vorreiter, die einzelne KI-Anwendungen produktiv betreiben – meist im Bereich Qualitätssicherung oder Wartung. Auf der anderen Seite steht eine große Mehrheit, die KI für sinnvoll hält, aber an drei Stellen hängt: an einer fragmentierten Datenlandschaft, an fehlendem internem Know-how und an der Unsicherheit, welcher Use Case sich wirklich lohnt. Genau hier setzt strukturierte Beratung an – nicht beim Modell, sondern bei der nüchternen Frage, wo der erste Euro am sichersten Wirkung zeigt.
Der wirtschaftliche Hebel ist unmittelbar: Ein ungeplanter Anlagenstillstand kostet im Maschinenbau und in der Prozessindustrie schnell tausende Euro pro Stunde – durch Produktionsausfall, Eilreparaturen, Vertragsstrafen bei Lieferverzug und Folgeschäden an Werkzeugen. Predictive Maintenance setzt genau hier an: Sie verschiebt Wartung von „reaktiv“ oder „starr geplant“ hin zu „bedarfsgerecht“. Das reduziert sowohl ungeplante Ausfälle als auch unnötige Wartung intakter Bauteile.
Um Predictive Maintenance einzuordnen, hilft die klassische Stufenleiter der Instandhaltung. Sie zeigt, dass KI nicht der Anfang, sondern eine spätere Stufe ist:
Für den Mittelstand ist diese Reihenfolge entscheidend: Wer noch keine zustandsbasierte Überwachung hat, sollte nicht direkt zur Vorhersage springen. Condition Monitoring ist oft schon der wirtschaftlich sinnvollste erste Schritt – und liefert gleichzeitig die Datengrundlage, auf der später echte Vorhersagemodelle aufbauen.
Technisch arbeitet Predictive Maintenance meist mit Zeitreihendaten: Schwingungssignaturen von Lagern und Getrieben, Temperaturverläufe, Stromaufnahme von Antrieben, Drücke und Durchflüsse. KI-Modelle lernen aus historischen Daten das „Normalverhalten“ einer Anlage und erkennen Abweichungen (Anomalieerkennung), oder sie werden mit dokumentierten Ausfällen trainiert, um konkrete Fehlerbilder vorherzusagen. In der Praxis kombiniert man beides: Anomalieerkennung für den Einstieg, weil sie ohne viele dokumentierte Ausfälle auskommt, und spezifische Vorhersagemodelle dort, wo genug historische Schadensfälle vorliegen.
Eine ehrliche Einordnung gehört dazu: Verlässliche Restlebensdauer-Prognosen brauchen Daten über mehrere Verschleiß- und idealerweise Ausfallzyklen. Bei einer Anlage, die selten ausfällt, dauert es entsprechend, bis das Modell tragfähig wird. Deshalb startet man sinnvollerweise mit Anomalieerkennung, die schon nach wenigen Wochen Normalbetrieb erste Frühwarnungen liefert, und entwickelt die Vorhersagegüte über die Zeit.
Aus Projekten lässt sich grob sagen: Predictive Maintenance lohnt sich am stärksten an kritischen Engpassanlagen mit hohen Ausfallkosten und an Anlagen mit charakteristischem, sensorisch erfassbarem Verschleiß – Antriebe, Lager, Pumpen, Getriebe, Werkzeuge. Realistisch erreichbar sind eine deutliche Reduktion ungeplanter Ausfälle, eine spürbar verlängerte Lebensdauer von Verschleißteilen durch bedarfsgerechten Tausch und eine bessere Ersatzteil-Bevorratung. Wichtig ist die Auswahl: An einer unkritischen Anlage mit geringen Ausfallkosten rechnet sich der Aufwand selten. Die Kunst liegt nicht in der Technik, sondern in der Frage, welche Anlage es wert ist.
Manuelle Sichtprüfung hat strukturelle Grenzen: Sie ermüdet, sie ist subjektiv, sie schwankt zwischen Prüfern und Schichten, und bei hohen Taktraten ist eine Vollprüfung schlicht nicht machbar. KI-gestützte visuelle Inspektion hebt diese Grenzen auf. Sie prüft konstant in gleicher Qualität, dokumentiert jeden geprüften Teil und liefert eine objektive, nachvollziehbare Bewertung. Gerade in Branchen mit Nachweispflichten – Automotive-Zulieferung, Medizintechnik, Elektronik – ist diese lückenlose Dokumentation ein eigener Wert.
Ein wichtiger Unterschied, der in der Praxis oft verwischt wird: Nicht jede automatisierte Sichtprüfung ist KI. Die klassische, regelbasierte Bildverarbeitung (Machine Vision) misst feste Merkmale – Kantenlängen, Bohrungsdurchmesser, Anwesenheit eines Bauteils – mit deterministischen Algorithmen. Sie ist seit Jahrzehnten bewährt, schnell und gut erklärbar, stößt aber an Grenzen, sobald Fehlerbilder variabel sind: Kratzer, Lunker, Verfärbungen, Texturfehler, die nie exakt gleich aussehen.
Genau hier spielt KI-basierte Bildverarbeitung ihre Stärke aus. Über trainierte neuronale Netze lernt sie aus Beispielbildern, wie „gut“ und „schlecht“ aussehen, und erkennt auch Fehler, die sich nicht in feste Regeln fassen lassen. Die richtige Wahl ist oft eine Kombination: klassische Bildverarbeitung für klar messbare Geometrie, KI für die variablen, schwer beschreibbaren Oberflächen- und Strukturfehler. Wer pauschal „nur KI“ fordert, verschenkt die Robustheit und Erklärbarkeit der klassischen Verfahren dort, wo sie überlegen sind.
Der Erfolg einer KI-Sichtprüfung steht und fällt mit den Trainingsbildern. Hier liegt die eigentliche Arbeit – und die häufigste Unterschätzung:
KI-Sichtprüfung entfaltet ihren Wert dort, wo geprüft werden muss, aber manuell nicht zuverlässig prüfbar ist: bei hohen Stückzahlen, schnellen Takten, kleinen oder variablen Fehlern und bei Nachweispflichten. Typische Wirkungen sind eine spürbar gesenkte Durchschlupfquote fehlerhafter Teile, der Wegfall ermüdungsbedingter Schwankungen, eine lückenlose Prüfdokumentation und die Entlastung von Mitarbeitenden für höherwertige Aufgaben. Weniger geeignet ist sie für seltene, sehr individuelle Prüfungen mit kleinen Losgrößen, bei denen sich der Trainingsaufwand nicht amortisiert.
Die klassische Produktionsplanung arbeitet mit Erfahrungswerten, statischen Stammdaten und Tabellen. Sie ist robust, aber träge: Reagiert eine Lieferkette gestört, fällt eine Maschine aus oder ändert sich kurzfristig ein Großauftrag, muss umgeplant werden – meist manuell und unter Zeitdruck. KI bringt hier zwei Fähigkeiten ein, die der Mensch in dieser Geschwindigkeit nicht leisten kann: das Erkennen von Mustern in großen historischen Datenmengen und das schnelle Durchrechnen vieler Planungsvarianten.
KI-gestützte Prognosen werten historische Absatz-, Auftrags- und Verbrauchsdaten aus und beziehen externe Einflüsse ein – Saisonalität, Markttrends, Kalender- und Feiertagseffekte, teils sogar Wetter oder Konjunkturindikatoren. Das Ergebnis sind genauere Bedarfsprognosen, die direkt in die Material- und Kapazitätsplanung einfließen. Der Nutzen: weniger Sicherheitsbestände bei gleichzeitig geringerer Gefahr von Fehlteilen, eine vorausschauende Beschaffung und eine glättere Produktionsauslastung. Gerade in Zeiten volatiler Lieferketten ist die Prognosequalität ein direkter Wettbewerbsfaktor.
Eine nüchterne Einordnung: KI-Forecasting ist dann stark, wenn es eine erkennbare Struktur in den Daten gibt – wiederkehrende Muster, Saisonalität, Korrelationen. Bei rein zufälligen oder von Einzelereignissen dominierten Bedarfen (Projektgeschäft mit wenigen großen Aufträgen) ist der Mehrwert begrenzt. Die Methode muss zum Geschäftsmodell passen.
Beim Scheduling geht es um die konkrete Belegung von Maschinen, Personal und Werkzeugen über die Zeit. Das ist mathematisch ein hartes Problem: Schon bei wenigen Maschinen und Aufträgen explodiert die Zahl möglicher Reihenfolgen. KI- und Optimierungsverfahren finden hier in kurzer Zeit gute Lösungen, die mehrere Ziele gleichzeitig austarieren – minimale Rüstzeiten durch geschickte Auftragsbündelung, Einhaltung von Lieferterminen, gleichmäßige Auslastung, Vermeidung von Engpässen. Vor allem aber können sie bei Störungen sekundenschnell neu planen, statt dass ein Planer manuell umdisponiert.
KI ersetzt den Planer nicht – sie macht ihn schneller und besser. Die sinnvolle Rolle der KI ist die eines Assistenten, der Varianten vorschlägt, Szenarien durchrechnet und Störungen frühzeitig signalisiert, während die finale Entscheidung beim Menschen bleibt. Diese Aufgabenteilung erhöht zugleich die Akzeptanz: Planer akzeptieren ein Werkzeug, das ihnen Arbeit abnimmt, deutlich eher als eine Blackbox, die ihnen Entscheidungen vorschreibt. Der wirtschaftliche Nutzen entsteht aus vielen kleinen Verbesserungen – geringfügig kürzere Rüstzeiten, ein paar Prozentpunkte bessere Termintreue, etwas niedrigere Bestände –, die sich über das Jahr zu erheblichen Beträgen summieren.
Viele Fertigungsprozesse haben einen „optimalen Arbeitspunkt“, der von zahlreichen Stellgrößen abhängt – Temperaturen, Drücke, Geschwindigkeiten, Materialchargen, Umgebungsbedingungen. Erfahrene Mitarbeitende finden diesen Punkt intuitiv, aber er verschiebt sich mit Material, Verschleiß und Klima. KI kann die Zusammenhänge zwischen Prozessparametern und Ergebnisqualität aus den Daten lernen und Empfehlungen geben, wie die Parameter für minimalen Ausschuss, maximalen Durchsatz oder geringsten Energieverbrauch eingestellt werden sollten – kontinuierlich und für jede Charge neu.
Der Begriff „digitaler Zwilling“ wird inflationär gebraucht, deshalb lohnt eine Schärfung. Gemeint ist ein digitales Abbild einer realen Anlage, eines Produkts oder eines Prozesses, das mit Echtzeitdaten gespeist wird und das Verhalten des realen Gegenstücks nachbildet. Man unterscheidet grob drei Ausbaustufen: das digitale Modell (eine statische Abbildung ohne Datenverbindung), den digitalen Schatten (ein Modell, das laufend mit realen Daten aktualisiert wird, aber nicht zurückwirkt) und den vollwertigen digitalen Zwilling (der bidirektional mit der Anlage verbunden ist und Optimierungen zurückspielen kann). Für den Mittelstand ist meist der digitale Schatten der realistische und schon sehr wertvolle Einstieg.
Der praktische Nutzen liegt im risikofreien Experimentieren. Statt an der laufenden Produktion neue Parameter auszuprobieren – mit dem Risiko von Ausschuss oder Stillstand – simuliert man die Änderung am Zwilling. So lassen sich Rüst- und Umstellungsvorgänge optimieren, neue Produkte einfahren oder Engpässe analysieren, ohne die reale Anlage zu gefährden. In Kombination mit KI wird der Zwilling vom reinen Abbild zum Optimierungswerkzeug.
Ein zunehmend wichtiges Feld ist die KI-gestützte Energieoptimierung. Energieintensive Prozesse – Öfen, Kompressoren, Trocknung, Spritzguss – bieten erhebliche Einsparpotenziale, wenn KI Lastspitzen glättet, den Betrieb an günstige Tarifzeiten anpasst oder Prozessparameter auf minimalen Energieeinsatz bei gleicher Qualität trimmt. Angesichts hoher Energiepreise und steigender Berichtspflichten zur Nachhaltigkeit ist dieser Use Case für viele Mittelständler doppelt attraktiv: Er senkt Kosten und liefert zugleich belastbare Daten für das Energie- und Nachhaltigkeitsreporting.
Die unbequeme Wahrheit vorweg: Die spannenden KI-Modelle machen in einem Produktionsprojekt selten mehr als ein Fünftel des Aufwands aus. Der Löwenanteil entfällt auf das Erfassen, Zusammenführen, Bereinigen und Verfügbarmachen der Daten. Wer das unterschätzt, plant falsch. Wer es ernst nimmt, legt das Fundament, auf dem alle weiteren Use Cases aufbauen – denn eine einmal saubere Datenbasis bedient Wartung, Qualität, Planung und Prozessoptimierung gleichermaßen.
Produktionsdaten entstehen an vielen Stellen, und sie liegen typischerweise in Silos, die nicht miteinander sprechen:
Die Kunst liegt darin, diese Quellen zusammenzuführen, ohne die Produktion zu stören. Genau hier kommt das IIoT ins Spiel.
Eine typische IIoT-Architektur erfasst Maschinendaten über Sensoren und Gateways, überträgt sie über industrietaugliche Protokolle und stellt sie zentral zur Verfügung. Ein verbreiteter Standard ist OPC UA als herstellerübergreifendes Protokoll für den Maschinendatenzugriff, oft kombiniert mit leichtgewichtigen Übertragungsprotokollen für Telemetrie. Ein wichtiges Architekturprinzip ist Edge Computing: Datenvorverarbeitung und teils auch KI-Auswertung finden direkt an oder nahe der Maschine statt – das reduziert Datenmengen, sichert Echtzeitfähigkeit und vermeidet, dass kritische Funktionen von einer Cloud-Verbindung abhängen. Für zeitkritische Eingriffe in den Prozess ist die Edge meist Pflicht, die Cloud dient der Speicherung, dem Training und der übergreifenden Auswertung.
Ein verbreiteter Irrtum ist, dass möglichst viele Daten automatisch zu besserer KI führen. Entscheidend ist die Qualität: Sind die Sensoren kalibriert? Sind die Zeitstempel synchron, sodass sich Ereignisse über mehrere Quellen korrelieren lassen? Sind Stillstände und Ausfälle korrekt dokumentiert und kategorisiert? Lückenhafte, falsch etikettierte oder zeitlich unsynchrone Daten produzieren KI-Modelle, die scheinbar funktionieren, aber falsch liegen. Deshalb gehört zu jedem ernsthaften Produktionsprojekt eine nüchterne Datenaufnahme am Anfang: Was wird heute schon erfasst, in welcher Qualität, und was fehlt für den geplanten Use Case?
Die wirkungsvollsten KI-Anwendungen in der Fertigung sind oft die unauffälligen Assistenzsysteme an der Werkbank und im Wartungsalltag. Sie verändern nicht die Maschine, sondern die Arbeit der Menschen an der Maschine – und stoßen deshalb auf hohe Akzeptanz, wenn sie richtig eingeführt werden. Drei Felder sind besonders relevant.
Assistenzsysteme führen Mitarbeitende Schritt für Schritt durch komplexe Montage- oder Rüstvorgänge, blenden die richtige Anleitung kontextabhängig ein und prüfen mitlaufend, ob Schritte korrekt ausgeführt wurden. Sprachgesteuerte Assistenten erlauben Abfragen mit freien Händen – etwa wenn ein Instandhalter unter einer Maschine liegt und Wartungsinformationen braucht. Der Effekt: kürzere Einarbeitungszeiten, weniger Montagefehler und die Möglichkeit, auch komplexe Arbeiten mit weniger spezialisiertem Personal zuverlässig auszuführen. In Zeiten knapper Fachkräfte ist das ein unmittelbarer Wettbewerbsvorteil.
Ein unterschätztes Problem im Mittelstand ist der Wissensverlust durch ausscheidende Mitarbeitende. Erfahrene Einrichter und Instandhalter tragen über Jahre erworbenes Wissen im Kopf – Tricks, Fehlerbilder, Ausnahmen –, das mit ihrem Ruhestand verloren geht. KI-gestützte Wissenssysteme können dieses Wissen sammeln, durchsuchbar machen und im Bedarfsfall bereitstellen: „An dieser Anlage tritt Fehler X auf – was waren bisher die Ursachen und Lösungen?“ Voraussetzung ist, dass Wissen überhaupt dokumentiert wird; KI senkt die Hürde, indem sie das Auffinden und Strukturieren übernimmt, statt starre Wikis zu verlangen.
Ein Punkt, der über Erfolg oder Scheitern entscheidet: Mitarbeitende müssen KI als Unterstützung erleben, nicht als Überwachung oder Bedrohung. Systeme, die Maschinendaten und Prozessabläufe erfassen, können technisch auch Rückschlüsse auf einzelne Personen erlauben – und genau das schürt Misstrauen. Hier sind frühe Einbindung des Betriebsrats, transparente Kommunikation der Ziele und klare Regeln zur Nutzung der Daten entscheidend. Eine in Deutschland bewährte Faustregel: KI-Systeme in der Produktion dienen der Verbesserung von Prozessen und Anlagen, nicht der Leistungs- oder Verhaltenskontrolle von Beschäftigten. Wo diese Grenze glaubwürdig gezogen und eingehalten wird, ist die Akzeptanz hoch.
Reine Maschinen- und Prozessdaten – Vibrationen, Temperaturen, Stückzahlen – sind in der Regel nicht personenbezogen und damit nicht direkt von der DSGVO erfasst. Vorsicht ist aber geboten, sobald sich aus den Daten Rückschlüsse auf einzelne Beschäftigte ziehen lassen: wer welche Maschine bedient hat, wie schnell jemand arbeitet, welche Fehler einem Werker zuzuordnen sind. Solche Konstellationen entstehen schneller, als man denkt – etwa wenn Schicht- und Maschinendaten kombiniert werden. Dann greifen Datenschutz und Beschäftigtendatenschutz, und in mitbestimmten Betrieben ist der Betriebsrat einzubinden. Die saubere Trennung von prozessbezogener Auswertung und personenbeziehbarer Information ist hier der Schlüssel.
Sobald Maschinen vernetzt und Daten ausgeleitet werden, vergrößert sich die Angriffsfläche. Die „Operational Technology“ – Steuerungen, SPS, Maschinennetze – war historisch von der Außenwelt getrennt und entsprechend wenig gehärtet. In der vernetzten Fabrik trifft diese verwundbare OT auf die IT-Welt, und ein Angriff kann nicht nur Daten kompromittieren, sondern die Produktion lahmlegen oder sogar Anlagen und Menschen gefährden. OT-Security ist deshalb kein Anhängsel, sondern integraler Bestandteil jedes IIoT- und KI-Projekts. Zentrale Prinzipien sind die Netzsegmentierung (Trennung von Office-IT, Produktions-IT und Maschinennetzen), kontrollierte und überwachte Datenflüsse, ein striktes Zugriffs- und Rechtemanagement sowie ein durchdachtes Update- und Notfallkonzept. Wer Maschinen ans Netz bringt, ohne OT-Security mitzudenken, schafft ein Risiko, das den Nutzen der KI bei Weitem übersteigen kann.
Mit dem EU AI Act gibt es erstmals einen umfassenden Rechtsrahmen für KI in Europa. Er folgt einem risikobasierten Ansatz und stuft KI-Systeme nach ihrem Risiko ein – von minimalem Risiko über begrenztes und hohes Risiko bis zu verbotenen Praktiken. Für Produktionsbetriebe sind zwei Aspekte besonders relevant:
Praktisch bedeutet das: Für jede KI-Anwendung sollte am Anfang eine Einordnung erfolgen, in welche Risikokategorie sie fällt und welche Pflichten – etwa Dokumentation, Transparenz, menschliche Aufsicht, Datenqualität – daraus folgen. Diese Einordnung ist kein bürokratischer Selbstzweck, sondern schützt vor späteren bösen Überraschungen. Die Anforderungen des AI Act greifen schrittweise; eine frühzeitige, dokumentierte Auseinandersetzung ist die sicherste Strategie.
Die Auswahl des Einstiegs entscheidet über den gesamten Projekterfolg. Ein guter erster Use Case erfüllt drei Kriterien gleichzeitig: Er adressiert einen echten, spürbaren Schmerz (hohe Ausfallkosten, teurer Ausschuss, chronische Planungsprobleme), er ist datentechnisch machbar (die nötigen Daten existieren oder sind mit vertretbarem Aufwand zu erfassen), und sein Nutzen ist messbar (vermiedene Stillstandsstunden, gesenkte Ausschussquote, gewonnene Termintreue). Use Cases, die nur zwei der drei Kriterien erfüllen, sind verführerisch, aber riskant – ein hoher Nutzen ohne Datenbasis führt ins Leere, eine schöne Datenbasis ohne echten Schmerz erzeugt keine Veränderung.
Bewährt hat sich ein abgestufter Vorgehensplan, der Risiko und Investition niedrig hält, bis der Nutzen belegt ist:
