Die Ausgangslage in der Fertigung 2025

Laut einer Studie des VDMA zur KI-Nutzung im Maschinenbau (2024) haben 38 Prozent der befragten Maschinenbauunternehmen KI-Pilotprojekte gestartet, aber nur 12 Prozent davon laufen produktiv. Der häufigste Grund für das Scheitern: Piloten wurden auf „perfekte“ Datensätze ausgerichtet, die im echten Fertigungsalltag nicht existieren. Dieser Artikel zeigt vier Anwendungsfälle, die auch unter realen Bedingungen — mit lückenhaften Sensordaten, heterogener Maschinenlandschaft und begrenzten IT-Ressourcen — tragen.

KI in der Fertigung scheitert selten an der Technologie. Sie scheitert daran, dass der Pilot für ideale Bedingungen gebaut wurde, die im Alltag nicht existieren.

Anwendungsfall 1: Predictive Maintenance auf Sensordaten

Die Idee ist nicht neu, aber die Umsetzung wird erst jetzt für mittelständische Fertiger tragfähig. Frühere Ansätze erforderten Spezialisten und monatelange Implementierungen. Moderne KI-Agenten arbeiten mit dem, was vorhanden ist.

Die zwei Reifestufen, die in der Praxis relevant sind:

  • Tool-Stufe: Ein KI-Modell analysiert periodisch Vibrations-, Temperatur- und Druckdaten aus vorhandenen Sensoren und flaggt Abweichungen vom Normalmuster. Du bekommst eine tägliche Liste kritischer Maschinen. Ein Mensch entscheidet, ob eine Wartung ausgelöst wird.
  • Agenten-Stufe: Der Agent überwacht kontinuierlich, erkennt kritische Schwellenwerte, erstellt automatisch einen Wartungsauftrag im ERP, sendet eine Benachrichtigung an den Instandhaltungsleiter und protokolliert den gesamten Vorgang für die EU AI Act-Dokumentationspflicht.

Realistischer ROI: Ein Maschinenbauer mit 60 Produktionsmaschinen und durchschnittlich 4 ungeplanten Stillständen pro Jahr bei 3.500 Euro Stillstandskosten pro Stunde rechnet bei einer Reduzierung auf 1,5 ungeplante Stillstände einen Jahresvorteil von rund 87.000 Euro. Die Implementierungskosten einer tragfähigen Predictive-Maintenance-Lösung auf vorhandener Sensorinfrastruktur liegen realistisch bei 25–40.000 Euro im ersten Jahr.

Voraussetzung: Mindestens 6 Monate historische Sensordaten je Maschine. Ohne historische Baseline kann das Modell kein Normalmuster erlernen.

Anwendungsfall 2: Qualitätsprüfung per Vision-KI in der Linie

Visuelle Qualitätsprüfung per Kamera ist in der Großindustrie Standard. Im Mittelstand hat sie sich lange nicht gerechnet. Das hat sich geändert: Edge-Hardware-Kosten sind gefallen, und vortrainierte Vision-Modelle lassen sich auf spezifische Fehlerbilder feinabstimmen, ohne dass jemand ein Modell von Grund auf trainieren muss.

Typischer Aufbau für einen mittelständischen Fertiger:

```
Produktionslinie
|
├→ Kamera-Einheit (Edge-Hardware, ~1.500 Euro)
|
├→ Vision-KI-Agent (klassifiziert: OK / Nacharbeit / Ausschuss)
|
├→ ERP: Gut-Stück-Zählung wird automatisch aktualisiert
|
└→ Qualitäts-Dashboard: Fehlerquote, Fehlertyp, Schicht, Maschine
```

Die Klassifikation passiert in unter 200 Millisekunden pro Bauteil. Fehlerbilder mit einer Häufigkeit unter 0,3 Prozent sind schwerer zu trainieren und sollten in einer ersten Stufe von der automatischen Klassifikation ausgenommen und einer manuellen Nachkontrolle zugeführt werden.

Realistischer ROI: Ein Hersteller von Metallbauteilen mit einer Ausschussquote von 2,8 Prozent, der diese auf 1,4 Prozent drückt, rechnet bei 10 Millionen Euro Jahresumsatz einen direkten Materialvorteil von ca. 140.000 Euro. Hinzu kommen Einsparungen bei der Nacharbeit.

Anwendungsfall 3: Produktionsplanung mit KI-Agenten statt Excel-Master-Planer

In vielen mittelständischen Fertigungsbetrieben hängt die Produktionsplanung an einer Person: dem Excel-Master-Planer. Er kennt alle Wechselwirkungen zwischen Maschinen, Aufträgen, Lieferzeiten und Kapazitäten. Wenn er krank ist oder das Unternehmen verlässt, ist die Planung in echter Gefahr.

Ein KI-Agent für Produktionsplanung löst dieses Problem auf zwei Ebenen gleichzeitig:

  1. Kapazitätssimulation. Der Agent berechnet für jeden eingehenden Auftrag, wie er sich in die bestehende Maschinenauslastung einfügt, welche Engpässe entstehen und welche Liefertermin-Alternativen möglich sind. Das dauert Sekunden statt Stunden.
  2. Anomalie-Erkennung. Wenn ein Lieferant einen Materialtermin verpasst oder eine Maschine ausfällt, berechnet der Agent sofort, welche Aufträge davon betroffen sind, und schlägt priorisierte Umplanungsoptionen vor.
  3. Wissens-Kodierung. Die Regeln des Excel-Master-Planers — „Maschine 7 läuft nicht zusammen mit Maschine 3 auf dem gleichen Fundament“ — werden einmalig in den Agenten eingebettet und sind danach im System verfügbar, unabhängig davon, wer die Schicht leitet.

Wichtige Einschränkung: Ein KI-Planungs-Agent ersetzt nicht den Planer. Er befreit ihn von der Rechenarbeit und gibt ihm mehr Zeit für die Ausnahmen, die kein Algorithmus allein lösen kann. Die finale Freigabe bleibt beim Menschen.

Anwendungsfall 4: Wissens-Sicherung bei Rente des Produktions-Experten

Ein 30-jähriger Maschinenbau-Veteran, der in zwei Jahren in Rente geht, trägt mehr Produktions-Wissen im Kopf als jedes Handbuch erfasst. Welche Toleranzen bei welchem Material wirklich gelten. Welche Konfiguration die Maschine bei hoher Luftfeuchtigkeit braucht. Warum Auftrag-Typ B immer zuerst rüsten lassen.

Dieses Wissen ist nicht strukturiert, aber es ist erfassbar. Ein Domain-Expertise-Agent wird in einem strukturierten Prozess aufgebaut:

  • Phase 1 – Erfassung: Der Experte führt wöchentlich 45-minütige Gespräche mit einem KI-Interviewer-Agenten, der gezielt Wenn-dann-Fragen stellt: „Was tust du, wenn Maschine 4 dieses Geräusch macht?“
  • Phase 2 – Kodierung: Die Antworten werden in strukturierte Entscheidungsbäume überführt und mit historischen Wartungsprotokollen verknüpft.
  • Phase 3 – Validierung: Der Experte bestätigt oder korrigiert die kodifizierten Regeln. Erst dann werden sie im Agenten aktiv.
  • Phase 4 – Betrieb: Neue Mitarbeitende können den Agenten fragen. Der Agent antwortet mit den hinterlegten Regeln und der Quellenangabe, aus welchem Gespräch die Regel stammt.

Die Laufzeit von Phase 1 bis Phase 4 beträgt realistisch 3 Monate bei einem halben Tag Aufwand pro Woche für den Experten.

Beispiel: Zeitplan für einen Maschinenbauer mit 80 MA

```
Quartal 1 Sensor-Baseline aufbauen, Vision-KI Pilot an 1 Linie
Quartal 2 Predictive Maintenance auf 10 kritischsten Maschinen live
Quartal 3 Wissens-Sicherung Experte starten, Planungs-Agent Pilot
Quartal 4 Vision-KI auf volle Linie ausrollen, Planungs-Agent live
```

Diese Reihenfolge ist nicht die einzig mögliche, aber sie baut Abhängigkeiten sauber auf: Sensordaten aus Quartal 1 speisen das Predictive-Maintenance-Modell in Quartal 2.

Weiterlesen im Wissen-Hub

Den Unterschied zwischen einem KI-Werkzeug und einem echten KI-Agenten — und warum er für die Fertigungspraxis entscheidend ist — erklärt Was sind KI-Agenten, und was unterscheidet sie von ChatGPT?. Wie agentische Applikationen im Mittelstand über reine Piloten hinauswachsen, liest du in Agentische Applikationen im Mittelstand.

Für Fertigungsbetriebe, die Produktionsdaten in ein zentrales Cockpit bringen und dort mit KI-Analyse verbinden wollen: Individualsoftware von AthenaRun zeigt, wie das technisch aussieht.