KI in der Produktion: Wann sich der Einsatz für Industriebetriebe wirklich lohnt

Früher hieß es Industrie 4.0, heute heißt es KI in der Produktion. Ernst Dummer, Geschäftsführer von Stubai KSHB, hat beide Wellen kommen und andere Begriffe wieder verschwinden sehen. Seine Haltung dazu ist unbequem für alle, die auf den nächsten Hype warten. KI in der Produktion ist für ihn keine Revolution, sondern eine normale technische Weiterentwicklung, die nur dann etwas bringt, wenn sie ein konkretes Problem löst. Sein Unternehmen verarbeitet über 10.000 Tonnen Stahl im Jahr zu Bauteilen für Asphaltfräsen und KTM-Motorräder, trotzdem ist KI dort bislang kaum im Einsatz. Kein Zufall, sondern eine bewusste Entscheidung. In diesem Artikel erfährst du, nach welchen Kriterien Industriebetriebe entscheiden sollten, wann sich der Einsatz von KI in der Produktion tatsächlich lohnt, und wo Dummer selbst konkretes Potenzial sieht.

Warum viele Industriebetriebe bei KI in der Produktion zögern

In der Fertigung ist die Einstiegshürde für KI in der Produktion höher als im Büro. Anders als bei der automatisierten Rechnungsverarbeitung gibt es in einem Schmiedebetrieb keine fertigen Standardtools von der Stange. Jeder Prozess, jedes Bauteil, jede Materialkombination ist speziell. Stubai KSHB etwa verarbeitet neben Stahl auch Aluminium, eine Kombination, die laut Dummer "eher seltener" ist, weil sie zwei völlig unterschiedliche Werkstoffe mit unterschiedlichem Fließ- und Erwärmungsverhalten im selben Haus erfordert.

Dummer bringt die Herausforderung auf den Punkt: "Ich kann dafür kein Modell entwickeln, dem nichts beibringen, dem ich sage, jeder Aufwand dafür ist dreimal zu groß und bringt nicht den Mehrwert, den ich brauche." Für ihn ist die entscheidende Frage nicht, ob KI grundsätzlich funktioniert, sondern ob der Entwicklungsaufwand in einem vernünftigen Verhältnis zum Nutzen steht. Bei kleinen Stückzahlen oder hochspezialisierten Bauteilen kippt diese Rechnung schnell ins Negative.

Das Praxisbeispiel: KI-gestützte Materialoptimierung beim Schmieden

Trotz seiner Zurückhaltung nennt Dummer ein konkretes Feld, in dem er echtes Potenzial für KI in der Produktion sieht, die Optimierung von Schmiede-Vorformen. Die klassische Aufgabe eines Schmiedebetriebs besteht darin, aus möglichst wenig Materialeinsatz möglichst viele gute Teile zu fertigen. Das gelingt über die richtige Aufteilung der einzelnen Umformschritte, die nötig sind, um vom Rohling zum fertigen Bauteil zu kommen.

Genau hier sieht Dummer den Hebel: "Das ist so die Geschichte, dass heute mit KI es möglich ist, aus vorhandenen Datenstrukturen lernend, in Summe Vorformen zu entwickeln." Ein lernendes System könnte aus bestehenden Fertigungsdaten Vorschläge für optimierte Zwischenschritte ableiten und so den Materialeinsatz senken, ohne dass ein Ingenieur jeden Schritt manuell durchrechnen muss. Stubai KSHB ist an diesem Punkt "noch nicht oder mit am Weg", wie Dummer es formuliert. Das zeigt, wie ernsthaft er das Thema verfolgt, ohne vorschnell zu handeln.

Die Einordnung: Muss man selbst entwickeln oder auf fertige Tools warten?

Für Dummer ist die zentrale strategische Frage bei jedem neuen Anwendungsfall für KI in der Produktion dieselbe. Muss ich das für mein Unternehmen selbst entwickeln, oder greife ich auf einen Anwender zurück, der es bereits umgesetzt hat? Seine Antwort ist klar und für einen Zulieferer bemerkenswert selbstbewusst: "Als Zulieferer muss man nicht immer der Erste sein. Der Letzte zu sein, ist nicht wahnsinnig gut. Der Erste zu sein, ist meistens ziemlich teuer."

Das ist eine Haltung, die vielen Industriebetrieben gut täte, gerade weil der Druck durch aggressiv beworbene KI-Startups hoch ist. Dummer berichtet, dass er "einige eingeladen" habe, sich Angebote anzuschauen, aber "keiner aufgefallen" sei, der einen Mehrwert geliefert hätte, der den Aufwand rechtfertigt. Aus Berater-Perspektive ist genau das der Punkt, an dem viele Unternehmen Geld verbrennen. Sie kaufen ein Tool, weil es modern wirkt, nicht weil es ein reales Problem löst. Eine gezielte Bestandsaufnahme der eigenen Prozesse, bevor man ein KI-Projekt startet, spart Zeit und Budget.

Checkliste: Lohnt sich KI in der Produktion für euren Anwendungsfall?

• Gibt es eine wiederkehrende, datenintensive Entscheidung, die heute manuell getroffen wird?
• Stehen genug historische Daten zur Verfügung, aus denen ein System lernen kann?
• Steht der Entwicklungs- oder Lizenzaufwand in einem vernünftigen Verhältnis zum erwarteten Materialeinsparungs- oder Effizienzgewinn?
• Gibt es bereits am Markt verfügbare Tools, die das Problem lösen, oder ist Eigenentwicklung wirklich nötig?
• Ist im Unternehmen jemand in der Lage, den KI-Vorschlag fachlich zu prüfen, bevor er umgesetzt wird?

Fazit: Die wichtigsten Learnings für Industriebetriebe

• KI in der Produktion lohnt sich nur, wenn der Nutzen den Entwicklungsaufwand klar übersteigt, nicht weil das Thema gerade im Trend liegt.
• Materialoptimierung durch lernende Systeme ist ein reales Anwendungsfeld für Schmiede- und Fertigungsbetriebe, auch wenn die Umsetzung Zeit braucht.
• Zulieferer müssen nicht die Ersten sein, die eine Technologie einsetzen. Abwarten, bis Tools ausgereift sind, ist eine legitime und oft klügere Strategie.
• Vor jeder KI-Investition sollte eine ehrliche Bestandsaufnahme stehen, ob ein reales Problem gelöst wird oder ob nur ein Trend bedient wird.
• Fachliche Prüfkompetenz im eigenen Haus bleibt Voraussetzung, egal wie ausgereift das eingesetzte System ist.

Jetzt handeln

Du willst wissen, wo in deiner Produktion der Einsatz von KI wirklich Mehrwert bringen würde, statt nur ein weiteres Tool zu sein? In einer KI-Engpass-Analyse mit digitalisiert.io identifizieren wir gemeinsam, welcher Prozess in deinem Betrieb den größten Hebel für KI in der Produktion bietet.