KI in der Produktion: Was Mittelständler wirklich umsetzen können — und was nicht

40 % der mittelständischen Unternehmen nutzen bereits KI — aber nur 6 % setzen sie in der Produktion in hohem Maße ein. Das zeigt die ILIN-Studie der Hochschule Karlsruhe, basierend auf 517 befragten Unternehmen. Was die Studie nicht erklärt: warum der produzierende Mittelstand so weit hinterherhinkt, obwohl Maschinenbau, Metallverarbeitung und Kunststoff die größten Industriezweige Deutschlands sind. Dieser Ratgeber schließt die Lücke zwischen Fraunhofer-Studien und Shopfloor-Realität. Für produzierende Unternehmen mit 50 bis 500 Mitarbeitenden. Preise ab €290 monatlich.

Warum KI in der Produktion scheitert — und wie es anders geht

Die deutsche Industrie ist weltweit anerkannt für Präzision, Qualität und Ingenieurskunst. Der produzierende Mittelstand — Unternehmen mit 50 bis 500 Mitarbeitenden — bildet das Rückgrat dieser Industrie. Doch wenn es um KI geht, hinkt dieser Kernbereich hinterher. Die ILIN-Studie der Hochschule Karlsruhe belegt es: Während 40 % der befragten Unternehmen KI einsetzen, sind es in der Produktion nur 6 %, die dies in hohem oder sehr hohem Maße tun. Im Vergleich: Im Vertrieb und Marketing sind es 15 %.

Warum dieser Rückstand? Die Studie nennt drei Gründe: Fast zwei Drittel der KI-Nutzer haben keine KI-Strategie. 64 % experimentieren, ohne strukturiert vorzugehen. Und nur 21 % der befragten Unternehmen verfügen überhaupt über eine KI-Strategie. Das ist keine Technologie-Schwäche. Das ist eine Umsetzungs-Schwäche.

Das Mittelstand-Digital Zentrum Chemnitz — gefördert vom Bundesministerium für Wirtschaft — nennt die harte Zahl: Bis zu 80 % des Aufwands einer KI-Einführung fließen in die Datenakquise und Datenvorbereitung. Für einen Mittelständler mit 80 Mitarbeitenden bedeutet das: Monate der Datenerfassung, bevor das erste Ergebnis kommt. CRISP-DM und ML4P sind wertvolle Forschungsmodelle — aber sie sind für den produzierenden Mittelstand zu akademisch, zu lang und zu ressourcenintensiv.

Der produzierende Mittelstand scheitert an vier konkreten Hindernissen:

• Daten-Fragmentierung: Maschinendaten in der SPS, Qualitätsdaten auf Papier, Wartungsdaten im Kalender des Meisters, Lieferantendaten in Excel. Jedes System für sich ist nützlich. Keines spricht mit dem anderen.
• Integrationsaufwand: Ein neues MES kostet €50.000 bis €200.000. Die Produktion darf nicht stehen. Der Mittelstand hat weder das Budget noch die Zeit für einen Systemwechsel.
• Unsicherheit: Fraunhofer zeigt 20+ Use Cases. Der Mittelstand weiß nicht, welcher zuerst kommt. Predictive Maintenance? Qualitätskontrolle? OEE-Optimierung? Oder alles gleichzeitig?
• Fachkräftemangel: 44,8 % der Unternehmen sagen "fehlende Zeit und Ressourcen" (Creditreform). Der Meister hat keine Zeit, sich um KI zu kümmern. Der Geschäftsführer hat keine technische Expertise. Die Buchhaltung hat kein Mandat.

Die Antwort ist nicht mehr Infrastruktur. Die Antwort ist eine Middleware, die vorhandene Daten nutzbar macht — ohne Systemwechsel, ohne IT-Abteilung, ohne Monate der Datenerfassung.

Warum Workshops und KI-Readiness-Checks nicht reichen

Die Mittelstand-Digital Zentren bieten kostenlose Beratung, Workshops und KI-Readiness-Checks an. Das ist wertvoll für die Orientierung. Aber ein Workshop zeigt, wo Sie stehen — er verbindet nicht Ihre Systeme. Ein KI-Readiness-Check gibt eine Einschätzung — er liefert keine Alerts aus Ihrem realen Betrieb. ERP-Hersteller wie proalpha sagen, KI brauche eine neue Systemlandschaft. Wir sagen: KI braucht eine Schicht, die Ihre bestehende Systemlandschaft verbindet. Sie brauchen kein neues ERP. Sie brauchen keine neue MES-Software. Sie brauchen eine Intelligenz-Schicht, die liest, was bereits existiert.

Was bedeutet KI in der Produktion wirklich?

KI in der Produktion ist kein Roboter, der allein die Nachtschicht übernimmt. Es ist eine Intelligenz-Schicht zwischen Ihren Maschinen, Ihren Systemen und Ihren Entscheidungen. Sie liest Signale aus Ihrer SPS, Ihrem MES, Ihrem ERP, Ihren Wartungsprotokollen und Ihren Qualitätsberichten. Sie erkennt Muster. Und sie sagt Ihnen, was morgen entscheidet.

Die Architektur baut auf drei Ebenen auf:

Rules Engine: Harte Schwellen, die Sie selbst definieren. „Wenn OEE unter 65 % fällt und gleichzeitig drei Aufträge mit Liefertermin in unter 48 Stunden anstehen, dann Alarm an den Produktionsleiter." „Wenn die Spindeltemperatur der CNC-Fräse 3 über 85 °C steigt und der letzte Wartungseintrag länger als 30 Tage zurückliegt, dann Eskalation." Das ist deterministisch, nachvollziehbar und vom Meister konfigurierbar — ohne Programmierung.

Muster-Erkennung: Machine Learning, das aus Ihren historischen Daten lernt. Es erkennt, dass CNC-Fräse 3 historisch alle 180 Betriebsstunden einen Spindeldefekt hat. Dass Materialcharge B von Lieferant Müller in 30 % der Fälle zu Maßabweichungen führt. Dass Aufträge über €50.000 in 78 % der Fälle Terminüberschreitungen haben, wenn bestimmte Kombinationen aus Maschine, Material und Schicht auftreten.

Empfehlungsschicht: Formuliert konkret: „CNC-Fräse 3 zeigt Anomalie in der Spindeltemperatur. Historisches Muster: Bei ähnlichen Verläufen folgte in 82 % der Fälle ein Stillstand innerhalb von 48 Stunden. Empfohlene Aktion: Wartung vorziehen, Auftrag 4711 auf Fräse 7 umlegen. Umlegungszeit: 15 Minuten." Das ist keine automatische Umlegung. Das ist eine begründete Empfehlung.

Middleware statt MES-Upgrade oder ERP-Wechsel

Ein MES-Upgrade kostet €50.000 bis €200.000 einmalig. Ein ERP-Wechsel noch mehr. Und am Ende haben Sie neue Software — aber noch immer keine Cross-Prozess-Intelligenz über Maschine, Material, Qualität und Lieferant hinweg. Eine Middleware verbindet sich mit Ihrem bestehenden System. Sie liest Daten aus der SPS, dem MES und dem ERP — ohne sie zu verschieben. Sie verändert keine Prozesse. Sie ergänzt.

Manuell, MES/ERP-Upgrade oder Intelligenz-Schicht: Ein ehrlicher Vergleich

Der produzierende Mittelstand arbeitet heute meist mit einer Kombination aus SPS, MES, Excel und Papier. Das reicht für die Dokumentation. Für die Frühwarnung nicht. Der folgende Vergleich zeigt, warum.

Die 5 Use Cases, die den Produktions-Mittelstand wirklich bewegen

Nicht jedes produzierende Unternehmen braucht dieselben Use Cases. Doch in über 200 Gesprächen mit Mittelständlern zeigen sich fünf Anwendungsfelder, die fast immer relevant sind — vom Maschinenbau über die Metallverarbeitung bis zum Kunststoff.

Predictive Maintenance: Bevor die Fräse steht

CNC-Fräse 3 läuft seit 165 Betriebsstunden ohne Wartung. Der Hersteller empfiehlt alle 200 Stunden. Die Intelligenz-Schicht erkennt: Historisch trat bei ähnlichen Lastprofilen der Spindeldefekt bereits nach 178 Stunden auf. Die Temperaturkurve zeigt eine leichte, aber signifikante Abweichung. Die Empfehlung: Wartung vorziehen, Auftrag 4711 auf Fräse 7 umlegen. Umlegungszeit: 15 Minuten. Stillstandszeit vermieden: 4 Stunden. Kosten vermieden: €2.800 für Ersatzspindel plus €4.500 für verzögerte Lieferung.

Qualitätskontrolle: Das Auge, das nicht müde wird

Die manuelle Sichtprüfung von Oberflächen ist ermüdend und fehleranfällig. Die Intelligenz-Schicht analysiert Kamerabilder in Echtzeit und erkennt Anomalien: Kratzer, Poren, Maßabweichungen, Farbabweichungen. Nach einer Anlernphase mit 500 Bildern pro Fehlerklasse erreicht das System eine Erkennungsrate von 98,5 %. Der entscheidende Vorteil: Es erkennt Muster über Chargen hinweg. Materialcharge B von Lieferant Müller führte in den letzten drei Monaten zu 30 % mehr Oberflächenfehlern. Das ist keine Zufälligkeit. Das ist Muster-Erkennung.

OEE-Optimierung: Wenn die Zahlen zusammenhängen

OEE (Overall Equipment Effectiveness) misst Verfügbarkeit, Leistung und Qualität. Die meisten Unternehmen erfassen diese Werte getrennt — wenn überhaupt. Die Intelligenz-Schicht verknüpft sie in Echtzeit. Sie erkennt: Wenn Maschine A am Montagmorgen nach dem Wochenende 15 % langsamer läuft und gleichzeitig die Qualitätsrate sinkt, dann liegt das nicht an der Maschine, sondern an der Aufheizphase. Empfohlene Aktion: Wochenend-Abschaltung verzögern, Aufwärmprogramm vor Schichtbeginn. OEE-Steigerung: 8 Prozentpunkte — ohne Investition in neue Hardware.

Ausschuss-Reduktion: Die versteckte Kaskade

Die Ausschussquote liegt bei 4,2 %. Der Meister sagt: "Das liegt am Material." Der Einkäufer sagt: "Das liegt an der Maschine." Die Intelligenz-Schicht korreliert beides: Ausschuss tritt gehäuft auf bei Maschine 3 + Materialcharge B + Schichtwechsel um 22 Uhr. Die Kaskade: Der neue Schichtleiter kennt die Einstellparameter nicht optimal. Bei Materialcharge B — die eine höhere Härte hat — führt das zu Maßabweichungen. Die Empfehlung: Digitale Übergabe der Maschineneinstellungen bei Schichtwechsel plus Warnung bei Charge B. Ausschussquote sinkt von 4,2 % auf 2,8 %.

Lieferanten-Frühwarnung: Drei Wochen vor dem Engpass

Auftrag 4711 erfordert Material X. Lieferant Müller hat dieses Material in den letzten sechs Monaten bei 40 % der Bestellungen mit zwei bis fünf Tagen Verzug geliefert. Die Intelligenz-Schicht erkennt: Die Bestellung liegt bei Müller. Der Auftrag hat einen Liefertermin in drei Wochen. Gleichzeitig zeigt die Wissensbasis: Alternative Lieferant Schneider hat das Material 15 % teurer, aber 98 % Termintreue. Empfohlene Aktion: Teillieferung bei Müller, Rest bei Schneider. Der Engpass wird abgewendet, bevor er entsteht.

Die Produktions-Kaskade: Wenn Maschine, Material und Lieferant gleichzeitig alarmieren

Das Alleinstellungsmerkmal einer Intelligenz-Schicht ist nicht die isolierte Betrachtung einzelner Signale. Es ist die Erkennung von Kaskaden über Prozessgrenzen hinweg. Das ist der Unterschied zwischen einem Dashboard und einer Wissensbasis.

Stellen Sie sich folgendes Szenario vor: CNC-Fräse 3 zeigt eine Anomalie in der Spindeltemperatur. Gleichzeitig signalisiert das ERP, dass Materialcharge B für Auftrag 4711 nicht verfügbar ist — der Ersatzstoff hat andere Toleranzen. Die Qualitätskontrolle meldet erste Maßabweichungen bei Prototypen mit diesem Ersatzstoff. Der Lieferant für das Originalmaterial meldet eine Verzögerung von drei Tagen. Der Kunde von Auftrag 4711 hat eine Konventionalstrafe von €500 pro Tag vereinbart.

Jedes System für sich kennt die Fakten. Keines erkennt das Muster: Maschinenanomalie plus Materialengpass plus Qualitätsrisiko plus Lieferverzug gleich Terminüberschreitung plus Konventionalstrafe plus Imageverlust.

Die Wissensbasis verknüpft diese Entitäten. Sie speichert nicht nur aktuelle Werte, sondern historische Muster. Nach zwölf Monaten weiß das System: „Wenn CNC-Fräse 3 eine Temperaturanomalie zeigt und gleichzeitig Materialcharge B eingesetzt wird, dann folgt in 78 % der Fälle eine Maßabweichung innerhalb von 24 Stunden." Das ist keine Spekulation. Das ist Muster-Erkennung auf Basis Ihrer eigenen Daten.

Wie die Wissensbasis Prozesse über Grenzen hinweg verknüpft

Die Entity-Registry verknüpft Maschinen, Materialien, Aufträge, Lieferanten, Schichtpläne und Qualitätsberichte über alle Module hinweg. Eine Maschine ist nicht nur ein Eintrag im MES. Sie ist verknüpft mit ihrer Wartungshistorie, ihren Störungsmustern, den damit gefertigten Chargen und den resultierenden Qualitätswerten. Diese Vernetzung ermöglicht erst die Kaskaden-Erkennung — und zwar nicht nur innerhalb einer Halle, sondern über Fertigung, Montage, Qualitätssicherung und Versand hinweg.

Beispiel-Kaskade: €35.000 Terminüberschreitung in Woche 6 verhindert

Die Bauer Präzisionsteile GmbH ist ein Maschinenbauunternehmen mit 80 Mitarbeitenden, zwölf CNC-Maschinen und einem Jahresumsatz von €12 Millionen. Sie nutzen die Intelligenz-Schicht seit vier Monaten. In Woche 6 signalisiert das System eine Kaskade: CNC-Fräse 3 zeigt Temperaturanomalie. Gleichzeitig ist Materialcharge B für Auftrag 4711 bestellt, aber nicht verfügbar. Das System erkennt ein historisches Muster: Diese Kombination trat vor sechs Monaten auf und führte zu einer vierstündigen Stillstandszeit, teurem Ersatzmaterial und einer Terminüberschreitung von drei Tagen. Die Konventionalstrafe betrug €35.000.

Die Empfehlung: Wartung der Fräse 3 vorziehen. Auftrag 4711 auf Fräse 7 umlegen. Alternative Materialcharge C aktivieren — 5 % teurer, aber sofort verfügbar und mit ähnlichen Toleranzen. Der Produktionsleiter handelt. Die Umlegung dauert 15 Minuten. Die Wartung erfolgt am Samstag. Der Auftrag wird termingerecht fertig. Die €35.000 bleiben im Unternehmen.

Vom ersten Maschinendatum zum laufenden Betrieb: Der 30-Tage-Einstieg

Die größte Hürde für KI-Projekte im Mittelstand ist nicht die Technologie. Es ist die Unsicherheit, wie lange es dauert und was am Ende herauskommt. Das Mittelstand-Digital Zentrum Chemnitz nennt 80 % Aufwand für Datenakquise. NaveSight bricht diesen Teufelskreis: Der Einstieg ist in vier konkrete Phasen unterteilt — mit messbarem Ergebnis nach jeder Phase.

Connect (Tag 1–5): Bestehende Systeme anbinden

Die Middleware verbindet sich mit Ihren vorhandenen Systemen: SPS/SCADA von Siemens, Beckhoff oder Bosch Rexroth. MES wie SAP ME, PSI oder eigene Lösungen. ERP wie SAP, proalpha oder ABAS. Wartungsprotokolle, Qualitätsberichte und Schichtpläne. Es findet kein Datenimport statt. Es findet eine Verbindung statt. Ihre Daten bleiben dort, wo sie sind. Die Intelligenz-Schicht liest sie aus, bereinigt sie und speichert die Ergebnisse in der Signal-Historie. Keine Migration. Kein Data Cleaning. Keine 80-%-Hürde.

Configure (Tag 6–14): Erste Alerts konfigurieren

Gemeinsam mit Ihrem Team definieren wir die Rules Engine. Sie legen die Schwellen fest, die für Ihre Produktion relevant sind. Nicht ein Data Scientist in einem fernen Büro. Sie. Zusammen mit unserem Team. Beispiel: „Wenn OEE unter 65 % fällt und gleichzeitig drei Aufträge mit Liefertermin in unter 48 Stunden anstehen, dann Alarm an den Produktionsleiter." Diese Regeln sind sofort aktiv. Ab Tag 10 erhalten Sie erste Warnsignale aus Ihrem realen Betrieb.

Deliver (Tag 15–21): Erste prädiktive Empfehlung

Ab der dritten Woche schaltet die Muster-Erkennung hinzu. Sie erkennt erste Muster in Ihrer Signal-Historie. Die Empfehlungsschicht formuliert konkrete Handlungen: „CNC-Fräse 3 zeigt saisonales Muster: Im Winter ist die Störungsrate historisch um 40 % höher. Empfohlene Aktion: Wartungsintervall von 12 auf 8 Wochen verkürzen." Das ist keine automatische Terminänderung. Das ist eine begründete Empfehlung, die Sie annehmen oder modifizieren können.

Sustain (Tag 22–30): Wissensbasis aufbauen

In der vierten Woche werden Wartungsprotokolle, Qualitätsberichte und Schichtpläne indexiert. Das System dokumentiert, welche Empfehlungen angenommen wurden und wie sie ausgingen. Dieser Decision-Log bildet die Grundlage für zunehmend präzisere Muster. Nach drei Monaten kennt die Wissensbasis Ihre Maschinen, Ihre Materialien und Ihre Abläufe besser als jeder einzelne Mitarbeiter. Nach zwölf Monaten ist sie die zentrale Erinnerung Ihrer Produktion.

Was kostet KI in der Produktion wirklich?

Preis-Transparenz ist in diesem Markt die Ausnahme. Die meisten Anbieter verlangen „auf Anfrage". Das ist für den Mittelstand keine Option. Deshalb hier die ehrliche Kostenaufstellung.

Ein eigenes Data-Science-Team kostet €150.000 bis €400.000 pro Jahr. Plus Infrastruktur. Plus Rekrutierung. Für einen Mittelständler mit 80 Mitarbeitenden keine realistische Option.

Ein MES-Upgrade oder ein neues ERP kostet €50.000 bis €200.000 einmalig. Plus 6 bis 18 Monate Implementierung. Plus Schulung. Am Ende haben Sie eine neue Insel — aber noch immer keine Cross-Prozess-Intelligenz über Maschine, Material, Qualität und Lieferant hinweg.

Eine Intelligenz-Schicht startet ab €290 monatlich für ein Modul (Starter). Für produzierende Unternehmen mit mehreren Gewerken typischerweise €590 bis €990 monatlich (Business-Paket, 3 Module). Größere Produktionen mit vollständiger Vernetzung: Business+ ab €2.490 monatlich (7 Module). Einmalige Einrichtung: €2.000 bis €8.000 je nach Systemlandschaft. Die Einrichtung ist einmalig und richtet sich nach dem Umfang: Wie viele Maschinen sollen angebunden werden? Wie viele historische Daten sollen indexiert werden?

Praxisbeispiel: Wie die Bauer Präzisionsteile GmbH 15 Stunden pro Woche einsparte

Die Bauer Präzisionsteile GmbH ist ein Maschinenbauunternehmen mit 80 Mitarbeitenden, zwölf CNC-Maschinen und einem Jahresumsatz von €12 Millionen. Kernkompetenz: Präzisionsteile für den Sondermaschinenbau. Die Fertigung läuft über ein MES, die Buchhaltung über SAP, die Wartung über Excel-Listen und den Kalender des Meisters.

Vorher: Der Produktionsleiter verbringt jeden Montagmorgen damit, Status aus drei Schichten zu sammeln — aus Zetteln, Excel-Tabellen und mündlichen Übergaben. Die OEE liegt bei 58 %. Ungeplante Ausfälle treten zweimal pro Monat auf. Die Ausschussquote liegt bei 4,2 %. Die Dokumentensuche für Wartungsprotokolle dauert 12 Minuten im Durchschnitt.

Einführung: Operations-Modul, angebunden an SPS, MES, SAP und den digitalisierten Wartungskalender. Preis: €590 monatlich (Business-Paket, 2 Module). Einrichtung: €4.200.

Nach 90 Tagen:

• OEE: 58 % → 71 % (13 Prozentpunkte Steigerung)
• Ungeplante Ausfälle: 2 pro Monat → 0,5 pro Monat
• Ausschussquote: 4,2 % → 2,8 %
• Wartungsprotokoll-Suche: 12 Min. → 2 Min. Durchschnitt
• Montags-Status-Meeting: 90 Min. → 25 Min.

Die Kaskade in Woche 6: CNC-Fräse 3 zeigt Temperaturanomalie. Gleichzeitig signalisiert die Wissensbasis: Materialcharge B ist nicht verfügbar. Historisches Muster: Diese Kombination führte vor sechs Monaten zu vier Stunden Stillstand, €2.800 Ersatzkosten und einer €35.000 Konventionalstrafe durch Terminüberschreitung.

Der Produktionsleiter handelt. Wartung vorziehen. Auftrag auf Fräse 7 umlegen. Alternative Charge C aktivieren. Die Umlegung dauert 15 Minuten. Der Auftrag wird termingerecht fertig. Die €35.000 bleiben im Unternehmen. Das ist keine Automatisierung. Das ist informierte Entscheidungsfindung.

Verwandte Inhalte

• Predictive Maintenance im Mittelstand — Stillstand vermeiden statt reparieren
• KI in der Qualitätskontrolle — Mängel erkennen, bevor die Nacharbeit kommt
• OEE verbessern im Mittelstand — Anlageneffektivität um 10–15 Prozentpunkte steigern
• KI im Einkauf und Beschaffung — Automatisierung ohne SAP-Zwang
• Lieferantenrisiko frühzeitig erkennen — Delays 3 Wochen vorher erkennen
• Ausschussrate senken — Die versteckte Kaskade, die kein ERP sieht
• KI im Energiemanagement — Warum 64 % der Industrieunternehmen jetzt planen
• Excel-Reporting ersetzen — Wenn die Kalkulation endlich skaliert
• KI gegen den Fachkräftemangel — Wissen sichern, wenn der Meister in Rente geht
• KI-Strategie für den Mittelstand — Ein 90-Tage-Plan ohne Data Scientists