KI für die industrielle Produktion: vorausschauende Instandhaltung, Qualitätskontrolle, Dokumentation

Ein Betrieb mit drei Produktionslinien, mehreren hundert Sensoren an Maschinen, Qualitätskontrolle durch stichprobenartige Prüfung durch einen Kontrolleur und ein Stapel Dokumentation, der am Schichtende manuell ins ERP-System übertragen wird. Dieses Bild sehen wir regelmäßig. Es fehlt nicht an Daten – es fehlt an einer Methode, diese Daten rechtzeitig in Entscheidungen umzusetzen. Hier macht KI Sinn. Doch derselbe Betrieb wird oft mit dem Versprechen einer „intelligenten Fabrik, die sich selbst steuert“ gelockt – das ist eine andere Diskussion: über Sicherheit, Verantwortung und Recht. Im Folgenden trennen wir das eine vom anderen, ehrlich und ohne Versprechungen, die nicht gehalten werden können.

Vorausschauende Instandhaltung (predictive maintenance) bedeutet, Maschinenausfälle vorherzusagen, bevor sie eintreten, basierend auf Sensordaten: Vibrationen, Temperatur, Stromverbrauch, Druck, Geräusche. Das Modell lernt, wie ein „gesunder“ Maschinenbetrieb aussieht, und signalisiert Abweichungen, die historisch einem Ausfall vorausgingen.

Wichtig ist, nicht zu viel zu versprechen. KI „weiß“ nicht, dass ein Lager in 11 Tagen ausfällt. KI erkennt, dass sich das Vibrationsprofil in eine Richtung verschiebt, die in historischen Daten mit einem nahenden Ausfall korrelierte, und löst einen Alarm mit einer bestimmten Wahrscheinlichkeit aus. Die Entscheidung, die Maschine anzuhalten und das Teil auszutauschen, trifft die Instandhaltung – denn sie trägt die Konsequenzen eines Fehlers.

Der reale Nutzen hängt von der Datenqualität und davon ab, ob überhaupt eine Ausfallhistorie zum Trainieren des Modells existiert:

• Reduzierung ungeplanter Stillstände: In Betrieben mit guter Instrumentierung ist meist eine Verbesserung von 10-30 % sichtbar, seltener mehr. Das sind Richtwerte, keine Garantie.
• Verlängerung des Austauschzyklus: Der Wechsel von „alle X Stunden“ zu „wenn Daten Verschleiß anzeigen“ kann vorzeitige Austausche reduzieren.
• Voraussetzung: Sensoren, die tatsächlich ein Signal mit ausreichender Frequenz erfassen, sowie zeitlich markierte Ausfallereignisse. Ohne diese kann das Modell nichts lernen.

Fehlen historische Daten, ist der ehrliche Weg zunächst das Sammeln und Aufbereiten der Signale, erst danach die Modellierung. Wie man diese Daten aufbereitet, beschreiben wir in Vorbereitung von Firmendaten für KI.

Die visuelle Qualitätskontrolle ist der Bereich, in dem KI am weitesten ausgereift ist. Eine Kamera fotografiert das Produkt auf der Linie, ein Bildklassifikator bewertet, ob ein Mangel (Kratzer, fehlendes Element, Verformung, Druckfehler) vorliegt, und markiert Exemplare zur Aussortierung oder manuellen Prüfung.

Hier sind zwei ehrliche Einschränkungen entscheidend. Erstens ist das Modell so gut wie die Trainingsdaten – wenn es einen bestimmten Fehlertyp nicht gesehen hat, erkennt es ihn nicht. Zweitens ist die Einstellung der Empfindlichkeitsschwelle eine betriebswirtschaftliche, keine technische Entscheidung: Eine niedrigere Schwelle erfasst mehr Mängel, generiert aber mehr Fehlalarme; eine höhere Schwelle lässt mehr gute Stücke durch, riskiert aber das Übersehen von Mängeln.

Daher arbeitet ein gut konzipiertes System als Vorfilter, nicht als endgültige Instanz. KI identifiziert Kandidaten für Mängel, der Mensch bestätigt in Grenzfällen. Dasselbe Muster „KI siebt vor, Mensch entscheidet“ diskutieren wir im Kontext von Meldungen in Klassifizierung und Routing von Meldungen durch KI.

Der am wenigsten spektakuläre, oft aber rentabelste Bereich ist die Administration. Die Produktion generiert eine Vielzahl von Dokumenten: Kontrollkarten, Schichtberichte, Qualitätszertifikate, Protokolle, Lieferscheindokumentation. Vieles davon ist manuelles Übertragen von Zahlen von einem Ort zum anderen.

Hier bewährt sich KI als Datenextraktion: Sie liest Werte aus Formularen, Etiketten, Lieferantenbescheinigungen und überträgt sie in strukturierter Form ins System. Ein Sprachmodell kann auch eine erste Version des Schichtberichts aus Rohdaten der Linie generieren – mit dem Vorbehalt, dass die Version von einem Menschen unterzeichnet wird.

Die Grenze ist hier einfach: KI bereitet vor und ordnet, der Mensch bestätigt Dokumente, die rechtliche oder qualitative Bedeutung haben. Ein Agent kann Daten sammeln und einen Bericht erstellen, aber die Unterschrift unter einem Qualitätszertifikat ist die Verantwortung einer Person, nicht des Modells.

Hier muss man präzise sein, denn die Produktion ist ein Bereich, in dem KI die Sicherheit von Menschen und Eigentum beeinflussen kann.

Solange KI die Entscheidung unterstützt – Alarm für die Instandhaltung, Identifizierung von Mängeln zur Prüfung, Entwurf eines Berichts – und der Mensch in der Entscheidungsschleife bleibt, sind rechtliche und operative Risiken begrenzt. Das Problem beginnt, wenn das System selbst Maßnahmen ergreift, die die Sicherheit beeinflussen: Maschine ohne Aufsicht anhalten, Prozessparameter steuern, Charge ohne Prüfung freigeben.

Der AI Act klassifiziert unter anderem Systeme als hohes Risiko, die Bestandteil der Sicherheit eines Produkts oder einer Maschine sind. Wenn KI eine Sicherheitskomponente ist (z. B. eine Presse abschaltet, wenn sie die Hand eines Bedieners „sieht“) oder über die Freigabe eines sicherheitsrelevanten Produkts entscheidet, gelten Pflichten: technische Dokumentation, Risikobewertung, menschliche Aufsicht mit realer Interventionsmöglichkeit, Protokolle und Qualitätsmonitoring in Echtzeit.

Drei Prinzipien, die wir immer anwenden:

• Mensch in der Schleife bei sicherheitsrelevanten Entscheidungen. KI signalisiert, der Mensch bestätigt das Anhalten, die Aussortierung einer Charge, die Freigabe eines Produkts.
• Protokollierung und Qualitätsüberwachung des Modells. Das Modell driftet mit der Zeit (Rohmaterial, Werkzeuge, Beleuchtung ändern sich); ohne Monitoring sinkt seine Effektivität stillschweigend. Wie man das misst, beschreiben wir in Monitoring der Qualität eines KI-Agenten.
• Audit vor der produktiven Einführung. Bevor das System an die Linie geht, lohnt sich ein Sicherheitsaudit des KI-Assistenten, um Berechtigungen, Datenzugriff und Missbrauchsszenarien zu prüfen.

Die ehrliche Reihenfolge der Einführung in der Produktion sieht weniger spektakulär aus, als die Folien versprechen.

Zuerst ein eng definiertes Problem mit messbaren Kosten – meist entweder vorausschauende Instandhaltung einer kritischen Maschine, bildgestützte Kontrolle eines Fehlertyps oder Automatisierung eines Berichts. Dann die Überprüfung, ob überhaupt Daten zum Trainieren des Modells existieren. Anschließend ein Pilotprojekt neben dem aktuellen Prozess (KI identifiziert, der Mensch entscheidet weiterhin), um die Effektivität mit realen Daten zu messen, bevor etwas eigenständig funktioniert. Erst wenn die Zahlen stimmen – schrittweise Erweiterung, mit beibehaltener Aufsicht dort, wo Sicherheit im Spiel ist.

Das ist kein Abkürzungsweg. Aber es ist ein Weg, der nicht mit einem teuren System endet, dem niemand vertraut, weil es sich bei einer Charge geirrt hat, die mehr wert war als die gesamte Einführung.

Nein. Vorausschauende Instandhaltung erkennt Abweichungen, die historisch ähnlichen Ausfällen vorausgingen – sie funktioniert dort, wo das Sensorsignal tatsächlich ein Problem ankündigt (Lagerverschleiß, Unwucht, Überhitzung). Plötzliche Ausfälle ohne vorherige Symptome oder Fehlertypen, die in historischen Daten nicht vorkommen, bleiben außerhalb der Reichweite des Modells. Deshalb sprechen wir von einer Reduzierung der Stillstände in Bandbreiten, nicht von ihrer Beseitigung.

In der Praxis ersetzt sie ihn nicht, sondern verschiebt die Rolle des Menschen. Der Bildklassifikator siebt die meisten Stücke automatisch aus und identifiziert Kandidaten für Mängel, während sich der Kontrolleur auf Grenzfälle und Entscheidungen konzentriert, die Verantwortung mit sich bringen. Eine vollständige Automatisierung ohne menschliche Kontrolle ist nur bei sehr ausgereiften, gut validierten Prozessen und einfachen, wiederholbaren Mängeln sinnvoll.

Das hängt von der gewählten Architektur ab – und ist eine Entscheidung, keine Notwendigkeit. Sensible Daten (Rezepturen, Prozessparameter, Liniendaten) können in der Infrastruktur des Betriebs bleiben, dank lokal ausgeführter Modelle oder bei einem Anbieter mit Garantie für Datenlokation in der EU und einem Auftragsverarbeitungsvertrag. Diese Entscheidung sollte bewusst zu Beginn getroffen werden, da sie das gesamte Projekt bestimmt.

Manchmal ja. Wenn KI eine Sicherheitskomponente einer Maschine ist oder über die Freigabe eines sicherheitsrelevanten Produkts entscheidet, kann es sich um ein Hochrisikosystem gemäß AI Act handeln – mit Pflichten wie Dokumentation, Risikobewertung und menschlicher Aufsicht. Rein administrative Systeme (Berichte, Datenextraktion für ERP) fallen meist nicht in diese Kategorie, aber die Klassifizierung sollte für den konkreten Anwendungsfall bestätigt werden.

Die ehrliche Antwort lautet „kommt auf die Daten an“, nicht auf das Modell. Wenn Sensoren bereits Signale erfassen und eine Ausfallhistorie existiert, dauert ein Pilotprojekt für eine Maschine meist einige Wochen bis Monate. Muss erst die Instrumentierung aufgebaut und eine Ereignishistorie erstellt werden, kann die Datensammelphase länger dauern als die Modellierung selbst – und lässt sich nicht durch Versprechungen verkürzen.