Produktion trifft KI – und es ist kein Laborversuch mehr
Wer über KI in der Produktion spricht, bekommt oft zwei Reaktionen: Entweder enthusiastisches Nicken von jemandem, der gerade eine Konferenz besucht hat, oder skeptisches Augenrollen von jemandem, der das seit Jahren hört und noch keine relevante Umsetzung gesehen hat.
Ich komme aus der Automotive- und Industriewelt. Als jemand, der bei der Bilstein Group gearbeitet hat, kenne ich beide Seiten: die industrielle Realität mit Schichtbetrieb, Fertigungstoleranzen und Kostendruck – und die technologischen Möglichkeiten, die sich heute bieten. Eines kann ich sagen: KI in der Produktion ist kein Hype mehr. Es ist eine operative Notwendigkeit, die sich immer mehr Unternehmen kaum noch leisten können, zu ignorieren.
Dieser Beitrag geht konkret auf drei Bereiche ein: visuelle Qualitätskontrolle, vorausschauende Wartung und KI-gestützte Produktionsplanung.
Visuelle Qualitätskontrolle: Das Auge der Maschine
Qualitätskontrolle ist in der industriellen Fertigung eine der teuersten und fehleranfälligsten Tätigkeiten. Menschliche Prüfer ermüden. Bei Sichtprüfungen nach acht Stunden Schicht liegt die Fehlererkennungsrate signifikant niedriger als am Schichtbeginn. Das sind keine Vorwürfe an die Mitarbeiter – das ist Biologie.
KI-gestützte Bildverarbeitungssysteme kennen diese Einschränkung nicht. Kameras nehmen jedes Bauteil auf, ein trainiertes neuronales Netz analysiert es in Millisekunden und entscheidet: in Ordnung oder Fehler. Die Fehlerarten – Kratzer, Risse, Maßabweichungen, Fehldrucke, Lötfehler – werden vorab definiert und mit Beispielbildern trainiert.
Was das in der Praxis bedeutet
Ein konkretes Beispiel aus der Leiterplattenproduktion: Dort werden typischerweise Hunderte oder Tausende von Lötstellen pro Platine geprüft. Manuell ist das bei hohen Stückzahlen kaum leistbar – also wird entweder stichprobenartig geprüft (Fehlerrisiko) oder automatisiert. Industrielle Bildverarbeitungssysteme von Anbietern wie COGNEX, Keyence oder Basler erkennen Defekte im Submillimeterbereich bei Produktionsgeschwindigkeit.
Das Besondere an modernen KI-Systemen: Sie lernen dazu. Wenn ein neues Fehlermusters auftaucht, kann das System mit neuen Beispielen nachtrainiert werden, ohne die Produktionslinie zu stoppen. Die klassische regelbasierte Bildverarbeitung musste für jeden neuen Fehlertyp manuell neu programmiert werden.
Zahlen, die relevant sind
Laut einer Studie des Fraunhofer IPA reduzieren KI-basierte Qualitätsprüfsysteme die Fehlerrate in der Produktion um 30 bis 70 Prozent im Vergleich zur manuellen Prüfung. Die Investitionskosten amortisieren sich in vielen Fällen innerhalb von zwölf bis achtzehn Monaten – je nach Stückzahl und bisheriger Ausschussquote.
Vorausschauende Wartung: Vor dem Ausfall reagieren
Eine Produktionslinie steht still. Nicht weil der Wartungsplan es vorsieht, sondern weil eine Komponente ungeplant ausgefallen ist. Jede Stunde Stillstand kostet – je nach Branche und Auslastung zwischen wenigen Tausend und mehreren Zehntausend Euro.
Predictive Maintenance – zu Deutsch: vorausschauende Wartung – ist einer der am besten untersuchten und nachgewiesenen Anwendungsfälle für KI in der Produktion.
Wie es funktioniert
Maschinen senden kontinuierlich Signale aus: Vibrationsmuster, Temperaturen, Stromaufnahme, Druckwerte, Geräuschpegel. Diese Daten werden von Sensoren erfasst und in Echtzeit analysiert. Ein KI-Modell, das auf historischen Betriebsdaten trainiert wurde, erkennt Abweichungen vom Normalzustand – und zwar bevor diese Abweichungen zu einem Ausfall führen.
Das Modell sagt nicht nur "Etwas ist falsch", sondern auch "Diese Abweichung deutet auf einen Lagerdefekt hin, der erfahrungsgemäß in 7 bis 14 Tagen zum Ausfall führt". Das gibt dem Wartungsteam ein konkretes Zeitfenster, um die Wartung geplant durchzuführen – im nächsten Wartungsfenster, ohne ungeplante Produktionsunterbrechung.
Der Unterschied zur geplanten Wartung
Klassische Wartungskonzepte folgen Zeitplänen: alle 3 Monate, alle 500 Betriebsstunden, jährlich. Das Problem: Manche Komponenten halten länger, andere versagen früher. Zeitplanbasierte Wartung führt entweder zu unnötigen Austauschen (Verschwendung) oder zu ungeplanten Ausfällen (wenn die Komponente früher versagt als erwartet).
Predictive Maintenance ist zustandsbasiert – der tatsächliche Verschleißzustand entscheidet, wann gewartet wird. Studien zeigen, dass vorausschauende Wartung die Wartungskosten um 25 bis 30 Prozent senkt und die Maschinenverfügbarkeit um 10 bis 20 Prozent steigert.
Produktionsplanung: Komplexität beherrschbar machen
Produktionsplanung ist ein Optimierungsproblem mit hunderten von Variablen: Auftragsmengen, Rüstzeiten, Maschinenkapazitäten, Materialverfügbarkeit, Liefertermine, Schichtpläne, Engpässe. Klassische ERP-Systeme stoßen dabei schnell an ihre Grenzen – sie rechnen statisch, während sich die Realität dynamisch verändert.
KI-basierte Planungssysteme – auch APS (Advanced Planning and Scheduling) genannt – können diese Komplexität beherrschbarer machen. Sie optimieren Maschinenbelegungen in Echtzeit, berücksichtigen aktuelle Störungen und Lieferverzögerungen, und schlagen Alternativen vor, wenn ursprüngliche Pläne nicht umsetzbar sind.
Was das in der Praxis bedeutet
Ein Fertigungsunternehmen mit zehn Maschinen, 50 aktiven Aufträgen und wechselnden Prioritäten hat eine kombinatorische Komplexität, die kein Planer manuell optimal lösen kann. Selbst gute Planer arbeiten mit Faustregeln und Erfahrungswissen – was oft zu suboptimalen Lösungen führt.
Ein KI-System durchsucht den Lösungsraum systematisch und findet innerhalb von Minuten einen Plan, der Durchlaufzeiten minimiert, Engpässe berücksichtigt und Liefertermine einhält – oder zumindest transparent macht, welche Termine gefährdet sind.
NVIDIA und die industrielle KI-Infrastruktur in Deutschland
Im März 2025 kündigte NVIDIA an, die erste industrielle KI-Cloud in Deutschland aufzubauen – ein dediziertes Rechenzentrum für KI-Anwendungen in der Fertigung, betrieben nach deutschen Datenschutzstandards. Das ist ein wichtiges Signal: Die Grundinfrastruktur für KI in der Produktion wird in Deutschland verfügbar.
Das hat direkte praktische Bedeutung für Mittelständler: Datensouveränität – eines der wichtigsten Hindernisse bei der Einführung von KI-Lösungen in der deutschen Industrie – wird zunehmend gelöst. Produktionsdaten müssen nicht mehr in amerikanische oder asiatische Rechenzentren.
Praktische Beispiele aus der Fertigung
Beispiel 1: Automobilzulieferer Ein Tier-2-Lieferant setzt KI-gestützte Sichtprüfung für Stanzteile ein. Durch die automatische Prüfung jedes Teils (statt bisher 10 Prozent Stichprobe) sank die Reklamationsquote beim Kunden um 60 Prozent. Die Investition amortisierte sich in 14 Monaten.
Beispiel 2: Maschinenbauunternehmen Ein mittelständischer Maschinenbauer installierte Vibrationssensoren an den eigenen Fertigungsmaschinen. Das Predictive-Maintenance-System erkannte frühzeitig Anzeichen eines Spindellagers-Defekts. Die geplante Reparatur in einem Wartungsfenster kostete 4.000 Euro. Ein ungeplanter Ausfall hätte – inklusive Produktionsausfall und Expresslieferung – nach eigener Schätzung 40.000 Euro gekostet. Faktor zehn.
Beispiel 3: Serienfertigung Ein Elektronikhersteller mit wechselnder Auftragslage führte ein KI-basiertes Planungssystem ein. Die Rüstzeiten sanken um 18 Prozent, weil das System Aufträge mit ähnlichen Rüstanforderungen automatisch gruppiert. Die termingerechte Lieferquote stieg von 83 auf 94 Prozent.
Wo der sinnvolle Einstieg liegt
Nicht jedes Unternehmen muss sofort alle drei Bereiche angehen. Eine sinnvolle Priorisierung richtet sich nach dem größten Schmerz:
- Hohe Ausschussquoten oder Qualitätsprobleme beim Kunden → Sichtprüfung
- Ungeplante Maschinenstillstände als Hauptproblem → Predictive Maintenance
- Suboptimale Kapazitätsauslastung und verpasste Liefertermine → Produktionsplanung
In jedem Fall gilt: Die Infrastrukturvoraussetzungen müssen stimmen. Sensorik, Datenverfügbarkeit und eine verlässliche IT-Grundlage sind die Basis für alle drei Anwendungsfälle.
Fazit
KI in der Produktion ist keine Zukunftsmusik. Es sind konkrete, heute verfügbare Technologien, die messbare Ergebnisse liefern – in Qualität, Verfügbarkeit und Effizienz. Der Mittelstand muss dabei nicht bei null anfangen: Es gibt bewährte Lösungen, die schrittweise eingeführt werden können, ohne die laufende Produktion zu gefährden.
"Ich habe in der industriellen Praxis gesehen, was es bedeutet, wenn Maschinen stillstehen oder Ausschuss erst beim Kunden entdeckt wird. KI in der Produktion ist keine abstrakte Technologie – sie löst echte, greifbare Probleme. Der entscheidende Schritt ist, genau dort anzufangen, wo der Schmerz am größten ist." – Marc Böhler, Gründer infinitask.ai
