Das eigentliche Problem in der Produktion
Die meisten mittelständischen Fertigungsunternehmen haben kein Datenproblem, sie haben ein Datenzugriffsproblem. Die Daten existieren: in der ERP-Lösung, in den Maschinenlogs, in den Qualitätsprotokollen auf dem Klemmbrett. Aber sie liegen fragmentiert vor und müssen manuell zusammengeführt werden, bevor jemand eine Entscheidung treffen kann.
Das Ergebnis: Ein Schichtführer verbringt 90 Minuten täglich damit, Statusberichte aus drei verschiedenen Quellen zusammenzustellen. Ein Qualitätsmanager prüft Chargenberichte manuell, obwohl 80% der Anomalien einem einfachen Schwellenwertmuster folgen. Die Kalkulation für eine Kundenanfrage dauert zwei Tage, weil Kapazitäts- und Materialdaten nicht automatisch zusammenfließen.
Die Marktlage verstärkt den Druck
Der Business Case für Automatisierung in der Fertigung ist längst nicht mehr nur Effizienz. Bei über 100.000 unbesetzten Stellen in der deutschen Fertigung wird der Arbeitsmarkt das Kapazitätsproblem nicht lösen. Wer qualifizierte Stunden durch Automatisierung freisetzt, hält Liefertermine, die andere reißen.
Quelle: Agenovation DACH-Marktanalyse Fertigung & Logistik (2026).
Vier Bereiche mit dem größten KI-Hebel in der Fertigung
1. Angebotserstellung automatisieren
In vielen Fertigungsunternehmen ist die Angebotserstellung ein Engpass: Ein erfahrener Mitarbeiter zieht Materialpreise, prüft Kapazitäten, schlägt nach, wie ähnliche Aufträge kalkuliert wurden, und baut das Angebot manuell zusammen. Zwei bis vier Arbeitstage sind die Regel, nicht die Ausnahme.
Ein KI-gestütztes Angebotssystem konsolidiert diese Quellen automatisch: aktueller Materialindex, Kapazitätsauslastung aus dem ERP, historische Kalkulationen für ähnliche Teilegeometrien. Das System liefert dem Vertrieb einen strukturierten Entwurf zur Prüfung und Freigabe. Ergebnis: Angebotsdurchlaufzeit von Tagen auf Stunden, im Marktdurchschnitt 50 bis 70% schneller.
2. Qualitätssicherung und Prüfprotokollierung
Papiergebundene Qualitätsprüfungen sind fehleranfällig bei der Erfassung und machen systematische Auswertung aufwendig. Werden Prüfprotokolle digital und strukturiert erfasst, erkennt ein KI-System Anomaliemuster in Echtzeit, nicht erst beim nächsten Wochenaudit.
Das ersetzt nicht den Prüfer. Das System zeigt ihm sofort, wenn eine Messung außerhalb der Toleranz liegt und ob das Muster für diese Maschine ungewöhnlich ist. Die Dokumentation entsteht automatisch, was in regulierten Umgebungen (AS9100D, IATF 16949, ISO 13485) besonders zählt: Dort bindet Dokumentation 40 bis 60% der QS-Zeit. Bei sensiblen Fertigungsworkflows gehören Datenhaltung, EU-AI-Act-Risikoklasse und ISO/IEC-42001-nahe Governance deshalb von Anfang an zur Architekturentscheidung, nicht erst zur nachträglichen Compliance-Prüfung.
3. Produktionsplanung und Kapazitätssteuerung
Die manuelle Produktionsplanung in Excel spiegelt immer den Zustand beim letzten Speichern wider. Kurzfristige Auftragsänderungen, Maschinenausfälle oder Materialverzögerungen erfordern eine neue manuelle Iteration. In einem Betrieb mit 30 aktiven Aufträgen passiert das mehrmals täglich.
Ein KI-Planungsassistent verbindet ERP-Daten, Maschinenkapazität und Lagerbestand in einer Ansicht und berechnet automatisch, welche Aufträge wann auf welcher Maschine realistisch durchlaufen. KI-gestützte Planung bringt typischerweise 10 bis 20% mehr Durchsatz.
4. Lieferkettenvisibilität und Beschaffung
Viele Mittelständler arbeiten mit mehreren Lieferanten ohne zentrale Sicht auf Lieferstatus, Bestandsreichweiten und Engpassrisiken. Die Information existiert, in E-Mails, Lieferantenportalen und ERP-Bestellungen, aber sie ist nicht aggregiert.
Ein KI-System konsolidiert diese Daten und löst strukturierte Alerts aus: welcher Artikel in drei Wochen den Mindestbestand unterschreitet, bei welchem Lieferanten sich Verzögerungen häufen, welche Bestellungen jetzt Nachverfolgung brauchen. Nur die relevanten Ausnahmen, keine manuelle Durchsicht von 40 offenen Bestellungen.
Typischer Implementierungsweg
Der erste Schritt ist immer der KI-Potenzial-Check: eine 30-minütige strukturierte Analyse eines konkreten Workflows. Dabei wird der Prozess kartiert, der Wert beziffert und eine klare Empfehlung gegeben, ob ein Datenkonsolidierungs-Sprint, ein vollständiges KI-Agentensystem oder laufende KI-Verantwortung der richtige nächste Schritt ist.
Praxisbeispiel: Ein Metallverarbeitungsbetrieb mit 80 Mitarbeitenden reduzierte die wöchentliche Produktionskapazitätsauswertung von 4 Stunden auf 20 Minuten durch einen einzigen Datenkonsolidierungs-Sprint. Die ERP-Daten lagen bereits vor, sie mussten nur strukturiert zusammengeführt werden.
Warum KI-Projekte in der Fertigung scheitern
Der häufigste Fehler: ein System aufbauen, bevor die Datenschicht bereit ist. ERP-Daten in unterschiedlichen Formaten, Maschinenprotokolle in proprietären Standards, Qualitätsdaten auf Papier. Sind die Eingaben nicht sauber, produziert das System unzuverlässige Ausgaben und das Team hört auf, es zu nutzen.
Der zweite Fehler: ein allgemeines KI-Tool einführen statt ein spezifisches System zu bauen. Ein Produktionsplaner braucht keinen Chatbot, sondern ein System, das seine Planungsdaten kennt und seine Priorisierungsregeln versteht.
Das dritte Problem: kein klares Erfolgskriterium. Wenn niemand definiert hat, was "besser" konkret bedeutet (in Stunden, Euro oder Fehlerrate), ist nach drei Monaten unklar, ob das System funktioniert.