KI in der Fertigung hat ein selbstverschuldetes Glaubwürdigkeitsproblem: Ein Jahrzehnt „Industrie 4.0“-Folienware versprach menschenleere Fabriken, während viele Werke Stillstandsgründe noch auf Papier erfassen. Die pragmatische Wahrheit liegt zwischen Hype und Skepsis. Eine kleine Menge von Produktions-Use-Cases funktioniert inzwischen verlässlich im Realbetrieb, aber jeder einzelne wird vom selben unglamourösen Faktor begrenzt: ob Maschinen- und Prozessdaten erfasst, historisiert und vertrauenswürdig sind. Dieses Playbook behandelt die lohnenden Use Cases, die Daten- und OT/IT-Realitäten, die über Erfolg entscheiden, und warum mittelständische Fertiger ausgerechnet hier bessere Karten halten als die Tech-Konzerne.
Das Use-Case-Set der Produktion, und was jeder Fall braucht
| Use Case | Was er leistet | Benötigte Daten | Typisches Nutzen-Signal |
|---|---|---|---|
| Predictive Maintenance | Sagt Verschleiß und Ausfälle aus Vibrations-, Temperatur-, Strom- und Akustiksignalen voraus, vor dem ungeplanten Stillstand | Historisierte Sensordaten plus ehrliche Ausfall- und Reparaturprotokolle, über Monate bis Jahre | Weniger ungeplante Stillstandsstunden an den Pilotanlagen, weniger Not-Ersatzteilbestellungen |
| Visuelle Qualitätsprüfung | Kamerabasierte Fehlererkennung in Liniengeschwindigkeit, findet Defekte, die menschliche Prüfer:innen übersehen oder ermüdet durchwinken | Gelabelte Bilder von Gut- und Schlechtteilen, genügend Beispiele seltener Fehlerklassen | Geringere Durchschlupf- und Ausschussquote an der geprüften Station |
| Produktionsplanung & Reihenfolge | Optimiert Sequenzen, Rüstwechsel und Auslastung über Linien hinweg gegen reale Restriktionen, und plant um, wenn die Realität dazwischenkommt | Korrekte Arbeitspläne, Rüstmatrizen, Auftragsdaten und tatsächliche (nicht theoretische) Taktzeiten | Höhere Termintreue, kürzere Rüstverluste |
| Energieoptimierung | Verschiebt flexible Lasten, justiert Prozessparameter und meldet auffälligen Verbrauch | Gemessener Verbrauch je Maschine oder Bereich, Prozessparameter, Tarifdaten | Messbare kWh- und Lastspitzenreduktion pro produzierter Einheit |
Datenreife: der Torwächter, an dem sich niemand vorbeireden kann
Jeder Produktions-Use-Case ist ein Datenprojekt mit Helm. Predictive Maintenance braucht Monate an Sensorhistorie, verknüpft mit ehrlichen Ausfallprotokollen, und „ehrlich“ ist der schwierige Teil: Wenn die Hälfte der Stillstände als „Sonstiges“ erfasst wurde, lernt das Modell Rauschen. Visuelle Prüfung braucht gelabelte Fehlerbeispiele, gerade der seltenen Klassen, die am wichtigsten sind und am seltensten vorkommen. Eine Reihenfolgeoptimierung auf theoretischen Taktzeiten produziert mit voller Überzeugung undurchführbare Pläne. Die praktische Konsequenz: Vor jeder Festlegung ein Datenreife-Audit je Use Case, was wird gemessen, was wird historisiert, was ist gelabelt, worauf vertrauen die Menschen, die damit arbeiten. Wo das Audit scheitert, ist die erste Projektphase Instrumentierung und Historisierung, nicht Modellierung. Das verzögert die KI-Transformation nicht, es ist ihre erste Etappe, und wer sie explizit budgetiert, unterscheidet tragfähige Pläne von Foliensätzen.
OT/IT-Integration: wo Projekte wirklich stecken bleiben
- Der Maschinenpark ist naturgemäß heterogen: eine zwei Jahre alte Linie mit OPC UA neben einer 25 Jahre alten Presse ganz ohne digitale Schnittstelle. Nachrüst-Sensorik und Edge-Gateways sind gängige Praxis, sie gehören eingeplant und budgetiert statt als Einzelüberraschung behandelt.
- OT-Netze sind (zu Recht) isoliert: Produktionsnetze sind aus Sicherheitsgründen von der Büro-IT segmentiert. Daten herauszubekommen erfordert eine Architektur, die OT-Leitung und IT-Security tatsächlich freigeben, typischerweise Edge-Erfassung mit einem gerichteten Datenfluss in einen Historian oder die Cloud, niemals ein schneller VPN-Hack.
- Latenz- und Autonomieanforderungen sind real: Qualitätsprüfung in Liniengeschwindigkeit kann nicht auf einen Cloud-Roundtrip warten, und ein Werk muss weiterlaufen, wenn das Internet es nicht tut. Edge-Inferenz mit zentralem Training ist das Standardmuster, keine Optimierung.
- Instandhaltung und Steuerungstechnik entscheiden über die Adoption: Wenn die Menschen, denen die SPSen gehören, das KI-Projekt als Fremde erleben, die an ihren Maschinen herumfummeln, bleibt es stecken, egal wie gut das Modell ist. Sie gehören ins Scoping, nicht erst in den Rollout.
- Vendor-Lock-in verdient frühe Aufmerksamkeit: Maschinenbauer verkaufen zunehmend eigene Analytics-Clouds. In jedem neuen Maschinenvertrag auf Rohdatenzugriff und Exportierbarkeit bestehen, Ihre Prozessdaten sind das Asset.
Der Datenvorteil des Mittelstands, und warum er echt ist
Bei Consumer-KI gewinnt Skalierung, und die Tech-Konzerne halten alle Karten. Die Fertigung kehrt das um. Ein spezialisierter Mittelständler besitzt oft Jahrzehnte an Prozessdaten, Qualitätsaufzeichnungen und implizitem Expertenwissen zu einem Nischenprozess, den es weltweit vielleicht in ein paar Dutzend Unternehmen gibt. Kein Foundation Model hat diese Daten je gesehen; kein Hyperscaler kann sie kaufen; kein Wettbewerber kann sie scrapen. Wer diese proprietären Prozessdaten mit moderner, weitgehend kommodifizierter KI-Werkzeugkette kombiniert, baut etwas wirklich Verteidigungsfähiges: Modelle des eigenen Prozesses, die niemand sonst replizieren kann. Das Zeitfenster zählt allerdings. Der Vorteil gehört den Firmen, die diese Daten jetzt historisieren und strukturieren, und sie mit den Veteran:innen zusammenbringen, die erklären können, was die Daten bedeuten, bevor sie in Rente gehen. Wer fünf Jahre wartet, riskiert beides zu verlieren: den Vorsprung und die Menschen, die die Vergangenheit labeln können.
Das pragmatische Playbook, Schritt für Schritt
- 1Eine Linie, ein Schmerz: ein einzelner teurer Fehlermodus, eine defektanfällige Station oder ein Engpass in der Planung. Der werksweiten Plattform am ersten Tag widerstehen.
- 2Das Datenreife-Audit für genau diesen Fall durchführen und das Ergebnis den Plan bestimmen lassen: erst instrumentieren, wenn nötig, direkt modellieren, wenn die Daten existieren.
- 3Den dünnsten End-to-End-Kreislauf bauen: Datenerfassung, Modell, eine Empfehlung, auf die tatsächlich jemand handelt (ein Instandhaltungsauftrag, eine Ausschleusung, ein angepasster Plan). Wert entsteht bei der Handlung, nicht beim Dashboard.
- 4Gegen die vor dem Start dokumentierte Baseline messen, Stillstandsstunden, Durchschlupfquote, Termintreue, kWh pro Einheit, und den Pilot sich seine Ausweitung verdienen lassen.
- 5Horizontal skalieren: derselbe Use Case, nächste Linie oder nächster Standort, bevor vertikal in neue Use-Case-Familien skaliert wird. In der Wiederholung dreht die Wirtschaftlichkeit.
- 6Das interne Team beim Skalieren aufbauen: ein:e Data Engineer, die OT spricht, ein:e Prozessexpert:in, die den Use Case verantwortet, und dort, wo Einstellungszeiten schmerzen, eingebettete externe KI-Engineers, die den Aufbau tragen, während Interne im gemeinsamen Arbeiten lernen.
