KI in der Produktion: Qualitätskontrolle, Vorhersage, Automatisierung

Eine Produktionslinie generiert Datenmengen, die kein Ingenieurteam manuell verarbeiten kann. Temperatursensoren, Vibrations- und Druckmessgeräte liefern tausende Messwerte pro Stunde. Kameras an den Inspektionslinien machen hunderte Fotos pro Minute. MES-Systeme protokollieren jedes Produktionsereignis. Dieser Datenberg existiert seit Jahren und bleibt ungenutzt, weil die Tools zur Echtzeitverarbeitung für alle außer den größten Konzernen unerreichbar waren.

2026 ist die Situation anders. Visuelle Modelle laufen auf einem einfachen Server mit einer Grafikkarte. Serielle Sensordaten werden durch einen Open-Source-Analysestack verarbeitet. KI-Agenten koordinieren den Informationsfluss zwischen Systemen ohne maßgeschneiderte Integrationen. Das Problem ist nicht mehr technologisch – es ist organisatorisch: Welche Prozesse zuerst angehen, wie Daten vorbereitet werden und wie man keine fantastisch gestaltete Demo kauft, die im Produktionsumfeld scheitert.

Nicht jedes Produktionsproblem eignet sich für die KI-Implementierung im ersten Schritt. Drei Bereiche zeichnen sich dadurch aus, dass sie klar messbare Kosten und fertige Implementierungsmuster haben.

Für die meisten deutschen Produktionsbetriebe ist die Qualitätskontrolle der schnellste Weg zum Erfolg – sichtbar bereits nach 6–10 Wochen nach der Implementierung. Die Ausfallvorhersage erfordert mehrere Monate historischer Daten, aber der Return on Investment ist proportional höher.

Ein klassischer visueller Inspektor am Ende der Linie hat mehrere Schwachstellen: Ermüdung nach 2–3 Stunden Arbeit, subjektive Kriterien für „Fehler“, Geschwindigkeit begrenzt auf einige Dutzend Teile pro Minute. Ein visuelles Modell hat keine dieser Probleme und bietet einen Bonus: Jede Entscheidung wird mit einem annotierten Foto als Beweis dokumentiert.

Typischer Stack für die Qualitätskontrolle:

1. Industriekamera an der Linie (GigE Vision oder USB3) mit geeigneter Beleuchtung. Die Bildqualität ist entscheidender als das KI-Modell.
2. Fehlererkennungsmodell, trainiert auf Fotos Ihrer Produkte. 200–500 Fotos pro Fehlerklasse sind das Minimum. Ohne eigene gelabelte Daten gibt es kein auf Ihr Produkt zugeschnittenes Modell.
3. Inferenzserver an der Linie. Die Latenz muss unter der Zykluszeit liegen (normalerweise 100–500 ms). Die Cloud funktioniert hier nicht, da die Netzwerklatenz die zeitlichen Anforderungen übersteigt.
4. Entscheidungsebene – das Modell signalisiert einen Fehler, das Liniensteuerungssystem stoppt oder verwirft das Teil. Ein Mensch bestätigt neue Fehlerklassen, nicht jede einzelne Entscheidung.

Wo es nicht funktioniert: Produkte mit hoher visueller Variabilität natürlicher Rohstoffe (Holz, Naturleder, saisonale Lebensmittel) erfordern deutlich mehr Trainingsdaten und regelmäßige Nachschulungen des Modells. Es lohnt sich, mit weniger variablen Komponenten zu beginnen und den Umfang schrittweise zu erweitern.

Vorausschauende Instandhaltung (Predictive Maintenance, PdM) bedeutet, Ausfälle vorherzusagen, bevor sie auftreten. Das grundlegende Muster: Sensoren sammeln Daten über den Zustand der Maschine, ein Anomalieerkennungsmodell erkennt Abweichungen von der Norm und generiert einen Alert mit ausreichend Vorlauf, damit der Techniker die Wartung in einem geplanten Zeitfenster durchführen kann – nicht mitten in der Schicht.

Drei notwendige Bedingungen, ohne die PdM nicht funktioniert:

Historische Daten mit Ausfallkennzeichnungen. Das Modell muss wissen, wie die Daten einige Stunden oder Tage vor früheren Ausfällen aussahen. Ohne Ausfallhistorie ist nur eine allgemeine Anomalieerkennung möglich, keine Vorhersage spezifischer Schadensmodi.

Angemessene Abtastfrequenz. Die Erkennung von Lagererschütterungen erfordert eine Abtastung alle paar Dutzend Millisekunden. Die Öltemperatur kann minütlich abgetastet werden. Die Anpassung der Frequenz an die Physik der Degradation ist entscheidend.

Integration mit dem Auftragsmanagementsystem für Wartung. Ein Alert ohne automatische oder halbautomatische Erstellung eines Wartungsauftrags ist nur eine weitere Benachrichtigung, die ignoriert werden kann. Ein KI-Agent sollte den Kreislauf schließen: Anomalie → Wartungsauftrag → Bestätigung durch den Techniker → Reparaturprotokoll.

Erwarteter Effekt im ersten Jahr: Reduzierung ungeplanter Stillstände um 20–40 %, Verlängerung der mittleren Zeit zwischen Ausfällen um 15–25 %. Die genauen Zahlen hängen davon ab, wie regelmäßig die Maschinen zuvor gewartet wurden und wie sauber die historischen Daten sind.

Die Produktionshalle generiert täglich Stapel von Dokumenten: Schichtberichte, Produktionsaufträge, NCR-Karten (Nichtkonformitäten), Reklamationen, Messprotokolle. Die meisten davon füllt ein Mensch auf Basis von Daten aus, die bereits in den Systemen vorhanden sind. Das ist eine klassische Aufgabe für einen KI-Agenten mit Tools.

Typische Automatisierungen mit kurzer Amortisationszeit:

• Schichtbericht, automatisch aus MES-Daten generiert, mit Leistungsdiagramm und Ereignisliste – der Techniker bestätigt nur, schreibt nicht von Grund auf.
• NCR-Karte, sofort nach Ablehnung eines Teils durch die Qualitätskontrolle erstellt, mit Fehlerfoto, Linie, Schicht und Bediener – ohne manuelles Formular.
• Antwort auf Reklamation, verfasst von einem RAG-Assistenten basierend auf Auftragshistorie, Produktspezifikation und früheren Antworten auf ähnliche Reklamationen.
• Produktionsplan, optimiert nach Aufträgen, Materialverfügbarkeit und Wartungsfenstern der Maschinen.

Ein Agent wie n8n oder eine ähnliche Plattform für Workflows ermöglicht die Verbindung dieser Automatisierungen ohne maßgeschneiderten Code für jede Integration.

Der häufigste Grund, warum KI-Projekte in der Produktion enttäuschen: Die Daten sind nicht in einem Zustand, der Training oder Inferenz ermöglicht. Es handelt sich nicht um ein technisches Problem, das ein KI-Anbieter löst. Das ist eine eigene Arbeit, die vor der Implementierung erledigt werden muss.

Wenn Ihre Daten in den ersten drei Zuständen sind, sollte das erste Projekt die Datenvorbereitung sein, nicht die Implementierung eines Modells. Eine solide Datengrundlage zahlt sich bei jedem weiteren Projekt aus.

KI-Systeme, die Produktionsprozesse steuern, fallen unter den AI Act als Hochrisikosysteme, wenn sie die Sicherheit von Menschen oder die Qualität regulierter Produkte beeinflussen. Drei Anforderungen, die erfüllt sein müssen:

Human-Oversight. Das KI-System kann das Anhalten der Linie oder das Ablehnen einer Charge empfehlen, aber eine irreversible Entscheidung (z. B. Verschrottung von Material im Wert von >X EUR) sollte eine menschliche Bestätigung erfordern. Ein Human-Gate für Hochrisikoaktionen ist nicht optional.

Protokollierung und Erklärbarkeit. Jede Entscheidung des Modells muss mit Modellversion, Eingabedaten und Ergebnis protokolliert werden. Wenn ein Kunde oder Auditor fragt, warum eine Charge abgelehnt wurde, muss die Antwort konkret und überprüfbar sein.

Sicherheit von Agenten. Agenten mit Zugriff auf Liniensteuerungssysteme oder ERP müssen nach dem Prinzip der minimalen Berechtigungen arbeiten. Guardrails blockieren Anweisungen außerhalb des definierten Bereichs. Jede irreversible Aktion erfordert ein Bestätigungstoken.

Für regulierte Produkte (Medizinprodukte, Lebensmittel, Automobilindustrie) sind die Anforderungen strenger. Vor der Implementierung lohnt es sich, eine DPIA für Systeme durchzuführen, die Daten von Bedienern oder Kunden verarbeiten.

Ein Pilotprojekt in der Produktion unterscheidet sich von einem Pilotprojekt im Dienstleistungsbereich. Die Umgebung ist anspruchsvoller: Staub, Vibrationen, wechselnde Beleuchtung, Integrationen mit alten SCADA-Systemen. Ein typischer Pilotumfang dauert 8–14 Wochen und umfasst:

• Wochen 1–2: Datenprüfung, Prozessmapping, Auswahl eines konkreten Anwendungsfalls.
• Wochen 3–6: Integration mit Quellsystemen, Vorbereitung der Trainingsdaten, Training des Basismodells.
• Wochen 7–10: Implementierung im Shadow-Modus (das Modell läuft, trifft aber keine produktiven Entscheidungen – es werden nur die menschlichen Entscheidungen verglichen).
• Wochen 11–14: Schrittweise Übernahme von Entscheidungen in einem ausgewählten Bereich, Monitoring von Metriken, Kalibrierung von Konfidenzschwellen.

Der Shadow-Modus ist hier entscheidend. Er liefert reale Daten zur Bewertung des Modells ohne Produktionsrisiko. Er zeigt den Bedienern auch, wie das Modell denkt, bevor man sie bittet, seinen Entscheidungen zu vertrauen.

Orientierende Kostenrahmen für die erste Implementierung: Der Inferenzkalkulator hilft bei der Einschätzung der Modellkosten. Die Gesamtkosten des Projekts (Daten, Training, Integration, Implementierung) hängen vom Umfang ab – Details besprechen wir im kostenlosen Pilotprojekt.

Beschreiben Sie einen Produktionsprozess, der Ihnen Probleme bereitet – Menge an Ausschuss, Häufigkeit von Ausfällen oder Zeitverlust durch Dokumentation. Das Modell zeigt, welcher Ansatz zu Ihrem Fall passt und welche Daten für den Start benötigt werden:

Nein, sie ergänzt sie. Die statistische Prozesskontrolle (SPC) überwacht Prozessparameter. Das visuelle Modell kontrolliert das fertige Produkt. Zusammen bieten sie eine vollständige Schicht: SPC erkennt Prozessabweichungen, bevor Fehler auftreten, Computer Vision erkennt Fehler, die trotz stabiler Prozesse vorkommen. Ein Unternehmen mit guter SPC implementiert Computer Vision schneller, weil die Prozesse besser beschrieben sind.

Das Minimum sind 200–500 Bilder pro Fehlerklasse, aber die Qualität ist wichtiger als die Quantität. Die Bilder müssen die reale Variabilität repräsentieren: unterschiedliche Beleuchtung, verschiedene Positionen des Teils, Fehler an der Erkennungsgrenze. Ein Modell, das mit 300 guten Bildern trainiert wurde, schlägt ein Modell, das mit 2000 Bildern schlechter Qualität trainiert wurde. Die Kennzeichnung sollte Ihr Qualitätsexperte vornehmen, nicht ein externer Anbieter, der Ihre Standards nicht kennt.

Das hängt vom Wert der Maschinen und den Kosten für Stillstände ab. Ein Betrieb mit einer kritischen Maschine im Wert von 2–5 Mio. PLN, deren Stillstand 50–100 Tsd. PLN pro Tag kostet, kann den ROI bereits nach dem ersten verhinderten Ausfall sehen, also potenziell im ersten Quartal. Ein Betrieb mit vielen Maschinen mit geringen Stillstandskosten benötigt 3–6 Monate, um eine ausreichende Stichprobe zu sammeln. Der ROI-Rechner ermöglicht die Berechnung für Ihren Fall.

Über eine Integrationsschicht, nicht durch direkte Verbindung. Die in Ihrem MES oder ERP verfügbare API ist der Einstiegspunkt für den Agenten. Wenn das MES keine API hat, ist der Datenexport über Dateien oder OPC-UA-Protokolle (für SCADA-Systeme) möglich. Ein Wechsel des MES/ERP ist keine Voraussetzung für die KI-Implementierung – die Integration über n8n oder einen ähnlichen Orchestrator ist meist schneller und kostengünstiger als eine native Integration.

Ja, und in vielen Fällen ist dies aufgrund von Produktionsgeheimnissen oder vertraglichen Anforderungen erforderlich. Visuelle Modelle und prädiktive Modelle können lokal auf einem Server an der Linie laufen. Bedienerdaten und Prozessparameter müssen den Betrieb nicht verlassen. Wenn ein Sprachassistent für die Dokumentation verwendet wird, sind PII-Maskierung und Self-Hosting des Modells Standardoptionen. Besprechen Sie die Anforderungen an die Data Residency vor der Auswahl der Infrastruktur.