KI in der Produktion: Wie kleine Betriebe künstliche Intelligenz nutzen
· 5 Min. Lesezeit
Wenn von künstlicher Intelligenz in der Fertigung die Rede ist, denken viele an vollautomatisierte Werkshallen großer Konzerne. Die interessantere Entwicklung findet jedoch woanders statt: in Betrieben mit zwanzig oder fünfzig Beschäftigten, die einzelne, klar umrissene Probleme mit lernenden Systemen lösen. Dort entscheidet sich gerade, ob KI in der Produktion ein Werkzeug für alle wird oder ein Privileg derer, die sich eigene Datenabteilungen leisten können.
Der Blick auf die Praxis lohnt sich, weil er die Debatte erdet. Zwischen den Ankündigungen der Anbieter und dem, was auf dem Hallenboden tatsächlich funktioniert, liegt eine Lücke. Sie zu kennen, schützt vor teuren Fehlkäufen und vor der ebenso teuren Entscheidung, das Thema komplett zu ignorieren.
Drei Anwendungsfelder, die sich bewährt haben
Die Bandbreite möglicher KI-Anwendungen in der Fertigung ist groß, aber drei Felder haben sich als Einstiegspunkte etabliert. Sie haben gemeinsam, dass der Nutzen messbar ist und die Technik nicht mehr experimentell.
Vorausschauende Instandhaltung
Maschinenstillstand ist für kleine Betriebe oft schmerzhafter als für große, weil es keine Ausweichkapazitäten gibt. Predictive Maintenance setzt genau hier an: Sensoren erfassen Schwingungen, Temperaturen oder Stromaufnahme einer Maschine, und ein lernendes System erkennt Abweichungen vom Normalzustand, bevor ein Lager tatsächlich ausfällt. Statt nach festem Kalender oder erst nach dem Schaden zu warten, wird gewartet, wenn die Daten es nahelegen.
Die Voraussetzung dafür ist weniger die KI selbst als die Messtechnik davor. Wer verstehen will, welche Sensorik sich für den eigenen Maschinenpark eignet und wie aus Messwerten verwertbare Daten werden, findet im Beitrag zur Anwendungskompetenz Sensorik die Grundlagen. Ohne saubere Datenerfassung bleibt jedes Vorhersagemodell blind.
Qualitätsprüfung mit Bilderkennung
Die optische Prüfung von Werkstücken ist ein zweites Feld, in dem KI schnell konkret wird. Kamerasysteme mit trainierten Bilderkennungsmodellen erkennen Kratzer, Lunker, fehlende Bohrungen oder falsch montierte Teile, und zwar konsistenter als das menschliche Auge in der achten Stunde einer Schicht. Anders als klassische regelbasierte Bildverarbeitung müssen solche Systeme nicht für jede Fehlervariante einzeln programmiert werden; sie lernen aus Beispielen guter und schlechter Teile.
Für kleine Betriebe ist das interessant, weil die Einstiegshürde gesunken ist. Industriekameras sind bezahlbar geworden, und viele Anbieter liefern Software, bei der das Anlernen über eine Oberfläche geschieht statt über Programmcode. Der Aufwand steckt im Sammeln und Beschriften der Beispielbilder, und genau dort wird das Erfahrungswissen der Fachkräfte gebraucht: Wer entscheidet, was ein Fehler ist, prägt das Modell.
Produktionsplanung und Auftragssteuerung
Das dritte Feld ist unscheinbarer, aber im Alltag oft am wirksamsten. Reihenfolgeplanung, Maschinenbelegung und Liefertermin-Prognosen sind klassische Optimierungsprobleme, bei denen lernende Verfahren aus historischen Auftragsdaten Muster ziehen: Welche Rüstzeiten fallen wirklich an, welche Aufträge verzögern sich typischerweise, wo entstehen Engpässe. In vielen Betrieben steckt dieses Wissen bislang im Kopf einer einzelnen Person, die die Plantafel führt. Ein System, das diese Erfahrung ergänzt, macht die Planung robuster und weniger personenabhängig.
Was für einen Betrieb mit zwanzig Beschäftigten realistisch ist
Die ehrliche Antwort auf die Frage nach dem Einstieg lautet: weniger, als die Werbebroschüren versprechen, aber mehr, als viele Betriebe sich zutrauen. Eine grobe Orientierung gibt die folgende Übersicht.
| Anwendung | Voraussetzung | Realistischer Einstieg |
|---|---|---|
| Vorausschauende Instandhaltung | Sensorik an kritischen Maschinen, einige Monate Messdaten | Nachrüst-Sets für eine oder zwei Schlüsselmaschinen |
| Optische Qualitätsprüfung | Beispielbilder guter und fehlerhafter Teile, stabile Beleuchtung | Ein Prüfplatz für ein Serienteil mit klarem Fehlerbild |
| Planungsunterstützung | Digital erfasste Auftrags- und Rückmeldedaten | Auswertung der vorhandenen ERP- oder BDE-Daten |
Auffällig ist, dass in allen drei Fällen die Datenbasis über den Erfolg entscheidet, nicht der Algorithmus. Ein Betrieb, der Rückmeldungen noch auf Laufzetteln erfasst, sollte zuerst dort ansetzen. Die Auswahl passender Basissysteme, von der digitalen Betriebsdatenerfassung bis zur Werkzeugverwaltung, behandelt unsere Übersicht zu digitalen Tools für kleine und mittlere Unternehmen. KI ist in dieser Reihenfolge der zweite Schritt, nicht der erste.
Ein brauchbarer Test vor jeder Investition: Lässt sich das Problem in einem Satz beschreiben, und gibt es dazu bereits Daten im Betrieb? Wenn beides zutrifft, ist ein Pilotprojekt mit überschaubarem Budget möglich. Wenn nicht, kauft man keine Lösung, sondern ein weiteres Projekt.
Woran Projekte tatsächlich scheitern
Die Erfahrungen aus gescheiterten Einführungen ähneln sich. Selten liegt es an der Technik. Häufiger wurde ein zu großes Projekt gewählt, das alle Prozesse auf einmal verbessern sollte, statt eines kleinen mit messbarem Ergebnis. Oder der Anbieter verschwand nach der Installation, und niemand im Haus konnte das System nachtrainieren, als sich das Produktspektrum änderte. Ein Bilderkennungsmodell, das auf das alte Teilesortiment trainiert wurde, prüft das neue schlecht, und ohne internes Grundverständnis bemerkt das zunächst niemand.
Auch die Belegschaft entscheidet mit. Ein Assistenzsystem, das von den Maschinenbedienern als Kontrollinstrument wahrgenommen wird, liefert schlechte Daten, weil es umgangen wird. Wer die Beschäftigten früh einbezieht und klarstellt, dass Maschinendaten und keine Leistungsdaten einzelner Personen ausgewertet werden, erspart sich Konflikte, die später kaum noch zu reparieren sind.
Die Kompetenzfrage: Wer soll das können?
Kleine Betriebe werden keine Data Scientists einstellen, und sie müssen es auch nicht. Gebraucht wird etwas anderes: Fachkräfte, die ihre Prozesse kennen und zusätzlich verstehen, was ein lernendes System kann, was es braucht und wo es systematisch irrt. Diese Übersetzungskompetenz entscheidet darüber, ob ein Betrieb Anbietern auf Augenhöhe begegnet oder auf Zusagen angewiesen bleibt.
Aufbauen lässt sie sich pragmatisch. Ein Zerspanungsmechaniker, der beim Anlernen der Qualitätsprüfung mitgearbeitet hat, versteht das Prinzip danach besser als nach jedem Seminar. Ergänzend helfen kompakte Weiterbildungsformate, wie sie im Beitrag über digitale Lernwerkzeuge in der beruflichen Bildung beschrieben sind. Und wer KI zunächst risikoarm im Büro erproben will, etwa bei Angebotstexten oder der Auswertung von Reklamationen, findet im Artikel zu KI-Tools im Büroalltag einen Einstieg, der ohne Investitionen in der Halle auskommt.
Klein anfangen, aber anfangen
Künstliche Intelligenz in der Produktion ist für kleine Betriebe weder Heilsversprechen noch Zukunftsmusik. Sie ist ein Werkzeugkasten, aus dem sich einzelne, erprobte Werkzeuge herausgreifen lassen: die überwachte Schlüsselmaschine, der eine Prüfplatz, die Auswertung der eigenen Auftragsdaten. Jedes dieser Projekte ist klein genug, um es ohne Fördermittel und Beraterstab zu stemmen, und lehrreich genug, um die nächste Entscheidung besser zu treffen. Der Wettbewerbsvorteil entsteht nicht durch die Technik allein, sondern durch Betriebe, die früh gelernt haben, mit ihr umzugehen.