KI in der Produktion: Qualitätsprüfung, Wartung und Planung mit Plan

KI in der Produktion ist in der deutschen Industrie angekommen: In der Bitkom-Umfrage 2026 unter 555 Industrieunternehmen ab 100 Beschäftigten geben 40 Prozent an, Künstliche Intelligenz in der Produktion bereits zu nutzen, weitere 38 Prozent planen es. Welche Anwendung sich für einen bestimmten Betrieb lohnt, sagt diese Zahl nicht. Hier lesen Sie, wie Qualitätsprüfung, vorausschauende Wartung und Produktionsplanung mit KI funktionieren, welche Voraussetzungen jede Anwendung braucht und wo Projekte typischerweise hängen bleiben.

Wo KI in der Produktion heute steht

Die Bitkom-Studie zeigt ein geteiltes Bild. 51 Prozent der befragten Industrieunternehmen sehen sich bei KI in der Produktion als Vorreiter oder an der Spitze, 46 Prozent als Nachzügler oder sagen, sie hätten den Anschluss verpasst. 79 Prozent erwarten, dass KI künftig entscheidend für die Wettbewerbsfähigkeit der deutschen Industrie wird.

Der Maschinenbau ist vorsichtiger. Nach der VDMA-Umfrage vom April 2026 setzen rund 31 Prozent der Unternehmen KI-Lösungen produktiv ein, weitere 37 Prozent stecken in Pilotprojekten. Als Bremsen nennt die Branche vor allem Veränderungsmanagement, Umsetzungstempo und fehlendes Personal, dazu fehlende digitale Ausgangsdaten.

Kleinere Betriebe liegen deutlich zurück. Laut Statistischem Bundesamt nutzten 2025 insgesamt 26 Prozent der Unternehmen ab zehn Beschäftigten KI, bei 10 bis 49 Beschäftigten waren es 23 Prozent, ab 250 Beschäftigten 57 Prozent. Bilderkennung, die Grundlage der automatischen Sichtprüfung, setzten nur 17 Prozent der KI-nutzenden Unternehmen ein.

Drei Anwendungsfälle für KI in der Produktion

Die meisten Projekte in der Fertigung fallen in eines von drei Feldern. Sie unterscheiden sich vor allem darin, welche Daten sie brauchen und wie schnell ein Ergebnis sichtbar wird.

Jeder Anwendungsfall braucht andere Daten und scheitert an einer anderen Stelle.

Qualitätsprüfung mit Bildverarbeitung

Kameras erfassen Bauteile oder Baugruppen, ein trainiertes Modell erkennt Abweichungen. Das Mittelstand-Digital Zentrum Chemnitz beschreibt einen mittelständischen Hersteller von Hochspannungsversorgungen, bei dem vertauschte Kabel, fehlende Kondensatoren oder mangelhafte Silikonnähte bisher erst bei der elektrischen Endprüfung auffielen. Nach Workshops zu den Fehlerbildern und einer Machbarkeitsstudie entstand ein Prüfstand mit mehreren Kameras und je einem Modell pro Fehlerbild, das direkt an der Anlage läuft. Die Beschäftigten sehen einen Fehler unmittelbar nach dem Arbeitsschritt, die bestehende Endprüfung bleibt erhalten.

Voraussetzungen: klar beschriebene Fehlerbilder, gleichmäßige Beleuchtung, eine Kameraposition je Prüfmerkmal und ein Weg, das Ergebnis am Arbeitsplatz anzuzeigen.

Stolperstein: In einem eingespielten Prozess gibt es zu wenige Bilder echter Fehler. Das Fraunhofer ITWM erzeugt deshalb synthetische Trainingsbilder aus mathematischen Modellen; Modelle, die nur damit trainiert wurden, erreichten in einer Studie vergleichbare Ergebnisse wie mit echten Bildern.

Vorausschauende Wartung

Sensoren an Antrieben, Spindeln oder Pumpen liefern Schwingung, Temperatur oder Stromaufnahme. Ein Modell lernt, wie der Normalzustand aussieht, und meldet, wenn sich ein Verlauf ändert. Die Instandhaltung kann dann planen, bevor eine Anlage ungeplant steht.

Voraussetzungen: Messdaten über einen längeren Zeitraum, dokumentierte Ausfälle und Wartungen mit Datum und Ursache sowie eine Instandhaltung, die auf Warnungen auch reagieren kann.

Stolperstein: Gut gewartete Anlagen fallen selten aus, dem Modell fehlen also Beispiele. Und eine Warnung ohne festgelegten Ablauf, wer sie prüft und was dann passiert, wird nach einigen Fehlalarmen ignoriert.

Produktionsplanung und Absatzprognose

KI kann Aufträge, Rüstzeiten und Kapazitäten gegeneinander abwägen oder den Bedarf der nächsten Wochen schätzen. Der Schlussbericht des Forschungsprojekts PrABCast (2025) hält fest, dass Absatzdaten gerade in kleinen und mittleren Unternehmen oft lückenhaft, in unterschiedlicher Granularität und teils manuell erfasst sind. Ohne Bereinigung und Vereinheitlichung trägt keine Prognose.

Voraussetzungen: saubere Auftrags- und Absatzhistorie im ERP-System, gepflegte Stammdaten zu Arbeitsplänen und Rüstzeiten.

Stolperstein: Planer übernehmen Vorschläge nicht, die sie nicht nachvollziehen können. Der Bericht nennt fehlende Erklärbarkeit ausdrücklich als Grund für geringe Akzeptanz in KMU.

Daten und Verantwortung entscheiden über den Erfolg

Alle drei Anwendungsfälle hängen an denselben Grundlagen. Die Daten müssen aus Maschinensteuerung, Messtechnik oder ERP zugänglich sein, und jemand muss die Ergebnisse fachlich bewerten. Die VDMA-Ergebnisse bestätigen, dass Entscheidungsstrukturen und fehlende Einbindung der Beteiligten Projekte oft stärker bremsen als die Technik.

Klären Sie deshalb vor jedem Pilotprojekt drei Fragen: Wem gehören die Daten, und wer darf sie nutzen? Wer entscheidet, wenn das Modell und die erfahrene Fachkraft unterschiedlicher Meinung sind? Und woran messen Sie nach drei Monaten, ob sich der Aufwand gelohnt hat, etwa an Ausschuss, Nacharbeit oder ungeplanten Stillständen?

Bewährt hat sich ein kleiner Zuschnitt. Beginnen Sie mit einer Linie, einem Fehlerbild oder einer Maschinengruppe und lassen Sie die KI einige Wochen parallel zur bisherigen Prüfung oder Planung laufen. So sehen Sie, wie oft Modell und Mensch übereinstimmen, wo das Modell danebenliegt und ob die Beschäftigten mit der Anzeige arbeiten können. Erst wenn diese Ergebnisse stimmen, lohnt die Ausweitung auf weitere Linien oder Standorte.

Was die KI-Verordnung für KI in der Produktion heißt

Die meisten Werkzeuge zur Sichtprüfung, Wartung oder Planung gelten nach der KI-Verordnung nicht als hochriskant. Anders ist es, wenn KI als Sicherheitsbauteil einer Maschine dient. Mit der Digital-Omnibus-Verordnung (EU) 2026/1744 ist die Maschinenverordnung (EU) 2023/1230 in Anhang I Abschnitt B der KI-Verordnung gewandert. Die Anforderungen an solche KI-Systeme kommen damit über delegierte Rechtsakte zur Maschinenverordnung, und die Pflichten für Hochrisiko-Systeme nach Anhang I gelten ab dem 2. August 2028.

Für alle anderen Anwendungen bleibt Artikel 4 in neuer Fassung: Anbieter und Betreiber ergreifen Maßnahmen, um die KI-Kompetenz ihres Personals zu unterstützen. Welche Pflichten für Ihre Rolle gelten, erklärt die Schwesterseite zur KI-Verordnung. Ob ein bestimmtes System als Sicherheitsbauteil zählt, lassen Sie im Einzelfall prüfen.

Wie Sie KI in der Produktion priorisieren

Der Engpass in den meisten Werken ist die Auswahl: Welcher Anwendungsfall bringt bei den vorhandenen Daten den größten Nutzen, und welcher scheitert absehbar an fehlenden Fehlerbildern oder lückenhaften Stammdaten? Sammeln Sie dazu alle Ideen aus Qualität, Instandhaltung und Planung und bewerten Sie jede nach Nutzen, Datenlage und Aufwand.

Genau diese Bewertung leistet ein KI-Audit. Es erfasst die KI-Werkzeuge, die schon im Einsatz sind, ordnet ihre Pflichten zu und legt in einem Fahrplan fest, welcher Anwendungsfall für KI in der Produktion zuerst kommt. Wie das abläuft, zeigt der Ablauf des Audits; weitere Beispiele aus anderen Abteilungen sammelt der Beitrag zu KI-Anwendungsfällen.

Mehr dazu: KI-Audit