Zerspanungsparameter optimieren mit KI

Das echte Ausmaß des Problems

Werkzeugkosten machen in Zerspanungsbetrieben typischerweise 3–8 % der Fertigungskosten aus, das klingt wenig, addiert sich aber bei 20 Maschinen im Dreischichtbetrieb auf einen signifikanten Betrag. Wichtiger als die direkten Werkzeugkosten ist der Folgeeffekt: Ein zu früh gewechseltes Werkzeug kostet 5–15 Euro, ein zu spät gewechseltes Werkzeug kann ein Bauteil zerstören, das 200–2.000 Euro Bearbeitungszeit in sich trägt.

Das grundlegende Problem ist Parameterkonservativismus. Wer selbst für Ausschuss verantwortlich ist, fährt lieber auf Nummer sicher: niedrigerer Vorschub, geringere Schnittgeschwindigkeit, häufigerer Plattenwechsel. Das Mittelstand-Digital Zentrum Ilmenau hat in einem Versuch mit 64 identischen Bohrern gezeigt, wie dramatisch das tatsächliche Werkzeugverschleißverhalten streut: Die mittlere Standzeit lag bei 2.850 Bohroperationen, aber die Standardabweichung betrug 1.005 Operationen, also 40 Prozent. Wer vorsorglich bei 1.800 Bohroperationen tauscht, verschenkt im Schnitt über 1.000 Bohroperationen pro Werkzeug.

Das ist kein Nischenproblem. Das ist strukturelle Überkonservativität, die in jedem Zerspanungsbetrieb täglich passiert:

• Materialchargenvariation: Stahl derselben Norm kann innerhalb der Toleranz in der Härte um 10–15 % schwanken, genug, um Standzeiten erheblich zu verändern
• Maschinenzustand: Lagerverschleiß und thermische Drift verändern das Schwingungsverhalten über Zeit, ohne dass es jemand systematisch erfasst
• Kühlmittelkonzentration: Abweichungen im Kühlmittel wirken auf Wärmeabfuhr und Standzeit, aber niemand protokolliert die tägliche Konzentration gegen Werkzeugstandzeiten
• Erfahrungswissen als Einzelpersonenrisiko: Wenn Markus krank ist oder kündigt, geht sein Gefühl für “wie die Maschine heute klingt” verloren

Betriebe, die systematisch optimieren, berichten von 10–15 % kürzeren Zykluszeiten und 20–35 % weniger Werkzeugkosten (Schätzwert aus Praxisberichten, u. a. pos.de 2025). Die Quelle dieser Einsparung ist nicht ein neues Werkzeug, es ist ein besseres Gedächtnis für das, was gerade wirklich passiert.

Mit vs. ohne KI, ein ehrlicher Vergleich

Die Werte in der linken Spalte stammen aus branchenüblichen Erfahrungswerten; die rechten Werte beziehen sich auf Betriebe, die seit mindestens 6 Monaten systematisch Prozessdaten erfassen und auswerten.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) 10–15 % kürzere Zykluszeiten sind real, aber kein täglicher Hebel für Mitarbeitende, die Einsparung entsteht im Prozess, nicht auf dem Schreibtisch. Die Zeitersparnis liegt nicht im Suchen oder Tippen, sondern in kürzeren Bearbeitungszeiten je Bauteil. Verglichen mit anderen Anwendungsfällen im Metallbereich, die Rüstzeiten oder Dokumentationsaufwand direkt senken, ist der spürbare persönliche Effekt geringer.

Kosteneinsparung, hoch (4/5) Werkzeugkostensenkung von 20–35 % in der Serienproduktion ist ein direkter, messbarer Effekt. Anders als bei Energie- oder Rüstzeitoptimierungen lässt sich dieser Wert pro Bauteil und pro Maschinenstunde genau beziffern. Laut einer Analyse von pos.de amortisiert sich ein adaptives Schnittdaten-System bei Jahreseinsparungen von ~31.600 Euro in 6–18 Monaten.

Schnelle Umsetzung, gering (2/5) 10–16 Wochen bis zum produktiven Pilotbetrieb sind realistisch: Sensorik installieren, Maschinendaten sammeln, Werkstoffgruppen definieren, Modell trainieren, testen. Das ist deutlich mehr Vorlauf als bei dokumentenbasierten KI-Anwendungen. Der Einrichtungsaufwand ist vergleichbar mit der Umrüstplanung Maschinenpark, beide brauchen Dateninfrastruktur als Voraussetzung.

ROI-Sicherheit, gering (2/5) Hier ist Ehrlichkeit wichtiger als Optimismus: Der ROI tritt erst ein, wenn eine ausreichende Datenbasis für eine stabile Teilefamilie vorliegt, das dauert mindestens 6 Monate. Wer viele verschiedene Werkstoffe und kleine Lose fertigt, wird möglicherweise nie die Datendichte erreichen, die für verlässliche Modelle nötig ist. Ergebnis erst beurteilbar, wenn genug Wiederholungen pro Konfiguration vorhanden sind.

Skalierbarkeit, gering (2/5) Das ist die wichtigste Einschränkung: Jede Kombination aus Maschine, Werkzeugtyp und Werkstoffgruppe braucht ihr eigenes Modell. Eine neue Stahlsorte oder ein Wechsel der Werkzeugmarke macht bisher gelernte Zusammenhänge teilweise ungültig. Das System skaliert gut in der Breite (mehr Bauteile derselben Art), aber kaum in der Tiefe (mehr Varianten). Für Lohnfertiger mit hoher Teilvielfalt und kleinen Losen bleibt der Nutzen stark begrenzt.

Richtwerte, stark abhängig von Losgröße, Anzahl der Maschinentypen und Werkstoffhomogenität.

Was das System konkret macht

Das Prinzip heißt adaptive Prozessoptimierung, und es unterscheidet sich fundamental von einer Tabelle mit empfohlenen Schnittdaten.

Eine reine Schnittdatentabelle sagt: “Bei 42CrMo4, Vorschub f = 0,25 mm/U, Schnittgeschwindigkeit vc = 220 m/min.” Das ist ein Startwert für einen Durchschnitt. Die Wirklichkeit ist komplexer: Die aktuelle Charge ist etwas härter, die Maschine hat gerade Lagerspiel, das Kühlmittel ist zu konzentriert, der Dreher hat die Aufspannung anders gewählt als letzte Woche.

Ein KI-gestütztes Optimierungssystem arbeitet anders:

1. Datenbasis aufbauen. Sensoren an Maschine und Spindel erfassen Schnittdaten, Vibration, Spindellast und Temperatur. Jeder Bearbeitungsvorgang wird protokolliert, Werkzeug-ID, Bauteil-ID, Maschinenparameter, Ergebnis (Standzeit, Maßhaltigkeit, Oberfläche).

2. Zusammenhänge lernen. Machine Learning-Modelle analysieren, welche Parameterkombinationen unter welchen Bedingungen die besten Ergebnisse liefern. Das Modell lernt: “Wenn die Spindellast in den ersten drei Minuten 12 % über dem Durchschnitt liegt, endet das Werkzeug im Mittel 15 % früher.”

3. Empfehlung oder Eingriff. Das System empfiehlt angepasste Parameter (Mensch entscheidet) oder greift bei klaren Anomalien automatisch ein (Vorschub drosseln, Alert auslösen). In der Praxis der meisten mittelständischen Betriebe: Empfehlung mit Bestätigung durch den Maschinenführenden, nicht vollautonomer Eingriff.

4. Reststandzeit schätzen. Statt nach Intervall zu wechseln, schätzt das System, wann das aktuelle Werkzeug die zulässige Verschleißgrenze erreicht, und gibt eine Vorwarnung, damit der nächste Wechsel geplant statt reaktiv erfolgt.

Was das System nicht kann: Es ersetzt kein CNC-Programmierfachwissen, trifft keine Entscheidungen über Werkzeugauswahl für Neuprojekte und funktioniert nicht ohne ausreichende Datenhistorie.

Welche Sensoren ihr wirklich braucht

Das ist der Abschnitt, den die meisten Anbieter überspringen, und genau deshalb scheitern viele Projekte an dieser Stelle.

Für eine brauchbare Prozessüberwachung braucht ihr mindestens:

Spindelleistungsmessung: Die meisten modernen CNC-Steuerungen (Siemens SINUMERIK, Fanuc, Heidenhain) geben Spindellastwerte direkt aus, ohne externe Sensorik. Das ist der einfachste Einstieg und reicht für eine erste Verschleißschätzung aus.

Vibrationserfassung: Ein 3-Achs-Beschleunigungssensor am Spindelgehäuse oder Werkstückspanner. Wichtig: Abtastrate mindestens 5 kS/s, idealerweise 25 kS/s für Ratterfrequenzen. Nachrüstkosten pro Maschine: ca. 500–2.000 Euro für Sensor + Mounting. Das Mittelstand-Digital Zentrum Ilmenau hat gezeigt, dass bereits zwei 3-Achs-Sensoren (Spindelgehäuse + Aufspannung) ausreichen, um Werkzeugverschleiß zuverlässig zu prädizieren.

Temperaturmessung (optional für den Einstieg): Ein Infrarot-Sensor auf Schneidzone oder Kühlmitteltemperaturmessung. Sinnvoll für Werkstoffe, bei denen Wärmeentwicklung kritisch ist (Titan, Inconel, austenitische Stähle).

Was ihr noch braucht, und oft unterschätzt wird:

• Maschinendatenanbindung (OPC UA, Ethernet), ohne digitale Schnittstelle zur Steuerung läuft gar nichts. Ältere Maschinen ohne Netzwerkanschluss müssen nachgerüstet werden (Nachrüstkosten je nach Steuerung: 1.500–8.000 Euro pro Maschine).
• Stabile Netzwerkinfrastruktur im Shop Floor, kein Consumer-WiFi, sondern Industrienetzwerk oder kabelgebundene Verbindung.
• Werkzeugidentifikation, NFC-Chips oder Barcode-Scanner für Werkzeuge ermöglichen die genaue Zuordnung Messdaten → Werkzeug → Standzeit. Ohne das bleibt die Datenbasis fragmentiert.

Die ehrliche Kostenrechnung für die Sensorik-Nachrüstung: 3.000–10.000 Euro pro Maschine, je nach Ausgangszustand. Das ist die Grundinvestition, bevor die erste Zeile KI-Code sinnvoll ist.

Konkrete Werkzeuge, was wann passt

Es gibt drei grundlegend verschiedene Ansätze, je nach Ausgangssituation und Ambitionsniveau.

CoroPlus ToolGuide, kostenloser Einstieg Sandviks Browser-Tool liefert sofort Schnittdaten-Empfehlungen auf Basis von Werkstoff und Bearbeitungsaufgabe. Kein ML, kein lernendes System, aber ein hervorragender Ausgangspunkt, um aktuelle Parametersätze gegen Herstellerempfehlungen zu benchmarken. Wer heute noch mit Katalogwerten von 2015 arbeitet, findet hier oft 15–25 % Optimierungspotenzial, ohne einen Cent auszugeben.

Walter GPS, kostenloser Einstieg mit Wirtschaftlichkeitsrechnung Walters kostenloser Werkzeugnavigator ergänzt Schnittdaten mit einer Kostenrechnung pro Bauteil. Wenn du Walter-Werkzeuge einsetzt oder evaluierst, ist GPS der schnellste Weg, um Schnittstrategien zu vergleichen. Kein lernendes System, aber strukturierter als reine Katalogarbeit.

CloudNC CAM Assist, KI-gestützte CAM-Optimierung Wenn das Hauptproblem nicht die Parameteranpassung während der Produktion ist, sondern die CAM-Programmierung selbst (Zeit, Konsistenz), dann ist CloudNC der richtige Ansatz. Das System generiert physikbasierte Bearbeitungsstrategien und Schnittdaten direkt in Fusion 360 oder Mastercam. Frühe Einsätze zeigen laut CloudNC bis zu 20 % Produktivitätssteigerung. Preise auf Anfrage.

MachineMetrics, Shop-Floor-Monitoring und OEE Für Betriebe, die erst verstehen wollen, wo die größten Verluste im Maschinenpark entstehen, bevor sie in Parameteroptimierung investieren. MachineMetrics verbindet heterogene CNC-Maschinen, liefert OEE-Kennzahlen und erkennt Anomalien, eine gute Grundlage für die Entscheidung, wo Parametersysteme den meisten Nutzen bringen. Achtung: US-Hosting, DSGVO-Prüfung erforderlich.

Siemens Industrial Edge + Apps, Edge-basierte Prozessoptimierung Für Betriebe mit Siemens SINUMERIK-Steuerungen ist Industrial Edge der natürliche Weg: Daten bleiben lokal an der Maschine, Optimierungsapps laufen im Edge-Rechner, keine Cloud-Abhängigkeit. Höherer Einrichtungsaufwand, aber maximale Datenkontrolle und niedrige Latenz. Einstieg realistisch ab 10.000–50.000 Euro.

Wann welcher Ansatz:

• Erste Orientierung, keine Investition → CoroPlus ToolGuide oder Walter GPS
• Hauptproblem ist die Programmierdauer, nicht die Laufzeit → CloudNC CAM Assist
• Shop-Floor-Transparenz vor Parameteroptimierung → MachineMetrics
• Siemens-Park, Daten lokal halten → Siemens Industrial Edge

Datenschutz und Datenhaltung

CNC-Prozessdaten sind in der Regel keine personenbezogenen Daten, sie beziehen sich auf Maschinen und Bauteile. Die DSGVO-Relevanz steigt aber, sobald Schichtdaten mit Maschinendaten verknüpft werden (wer hat wann an welcher Maschine gearbeitet). In diesem Fall gelten dieselben Regeln wie für Leistungsüberwachung von Mitarbeitenden, Betriebsrat und Datenschutzbeauftragter müssen früh eingebunden werden.

Für die Systemauswahl relevant:

• Siemens Industrial Edge: Daten bleiben lokal im Werk, kein Cloud-Upload zwingend. Maximale Datensouveränität für Unternehmen mit Geheimhaltungspflichten (Luftfahrt, Verteidigung, Medizintechnik).
• CloudNC CAM Assist: EU-Datenhosting verfügbar, AVV anfordern, bevor Produktionsdaten hochgeladen werden.
• MachineMetrics: US-Hosting ohne EU-Option, Datenschutz-Folgenabschätzung und ggf. Standardvertragsklauseln (SCC) nach Art. 46 DSGVO erforderlich.

Betriebsrat-Aspekt: Werden Maschinendaten mit Bedienerkennungen verknüpft (z. B. für Bewertung von Einrichterqualität), entsteht eine Mitbestimmungspflicht nach § 87 Abs. 1 Nr. 6 BetrVG. Wer das System einführt, sollte frühzeitig klären, welche personenbezogenen Rückschlüsse aus den Daten möglich sind, und das mit dem Betriebsrat abstimmen.

Was es kostet, realistisch gerechnet

Einmalige Investition (Sensorik + Infrastruktur)

• Sensorik-Nachrüstung pro Maschine (Vibrations- und Lastmessung): 3.000–8.000 Euro
• Netzwerk-Infrastruktur im Shop Floor (falls nicht vorhanden): 2.000–5.000 Euro
• Werkzeugidentifikationssystem (NFC oder Barcode): 1.000–3.000 Euro
• Software-Lizenz oder Pilotprojekt (je nach Anbieter): 5.000–20.000 Euro
• Gesamt für einen Piloten an 2–3 Maschinen: ca. 20.000–40.000 Euro

Diese Zahlen decken sich mit einer 2025er-Analyse für KMU von pos.de, die Adaptive-Schnittdaten-Systeme bei 20.000–40.000 Euro Erstinvestition und 6–18 Monaten Payback einordnet.

Laufende Kosten

• Software-Abonnement oder Wartung: 3.000–8.000 Euro/Jahr je nach Anbieter und Maschinenzahl
• Interne Pflegeperson: ca. 2–4 Stunden/Woche für Modellvalidierung und Parameterpflege

Realistische Nutzenrechnung Ein Betrieb mit 5 CNC-Maschinen im Dreischichtbetrieb, Werkzeugkosten von ca. 80.000 Euro/Jahr: 25 % Einsparung = 20.000 Euro jährlich. Dazu: Ausschussreduktion durch stabilere Prozesse (angenommen 1 % weniger Ausschussrate bei 500.000 Euro Umsatz = 5.000 Euro). Konservatives Jahrespotenzial: ~25.000 Euro. Das rechnet sich erst wirklich nach 18–24 Monaten, und nur dann, wenn die Teilefamilien stabil genug sind, damit das Modell etwas lernen kann.

Was du dagegenstellen kannst: Ist Werkzeugverschleiß heute schon ein erfasster Kostenblock? Wenn ja, nimm deinen tatsächlichen Jahreskostenblock Werkzeuge, und kalkuliere 20–25 % davon als Einsparpotenzial. Das ist die ehrlichste Methode.

Der erfahrene Dreher und das Modell, Akzeptanz als Erfolgsfaktor

Das ist der Abschnitt, den kein Softwareanbieter gerne schreibt.

Markus Heller hat 18 Jahre Erfahrung an seiner Maschine. Er weiß, wie die Spindel bei zu hohem Vorschub “anders klingt”. Er kennt die Charge, die immer schwieriger zu drehen ist. Er hat ein sensorisches Gedächtnis für Parameter, das kein Datensatz vollständig abbildet. Wenn jetzt ein System kommt und sagt: “Erhöhe den Vorschub um 10 %”, gibt es zwei mögliche Reaktionen.

Reaktion A: “Die Maschine läuft gerade gut, warum soll ich das ändern?” Er fährt die Empfehlung nicht aus.

Reaktion B: “Das System hat das letzte Mal recht gehabt, ich probiere es.” Er testet und bestätigt.

Der Unterschied zwischen A und B ist nicht Technik, er ist Vertrauen. Und Vertrauen entsteht durch Transparenz: Das System muss erklären, warum es eine Empfehlung gibt, nicht nur was es empfiehlt. “Spindellast 8 % höher als bei letzten 40 vergleichbaren Bauteilen → Vorschub -8 % empfohlen” ist akzeptierbarer als ein nackter Zahlenwert.

Konkret hilft:

• Maschinenführende früh einbinden, sie sollten die Daten aus dem Pilotbetrieb selbst sehen und kommentieren, bevor das System live geht
• Empfehlungen nicht als Anweisungen formulieren, der Dreher bestätigt, er gehorcht nicht
• Nachvollziehbarkeit technisch sicherstellen, jede Empfehlung braucht eine Begründung auf Basis sichtbarer Messwerte
• Erfolgsfälle dokumentieren und teilen, “Im letzten Monat haben wir durch Systemempfehlungen 340 Euro Werkzeugkosten gespart” macht den Nutzen spürbar

Betriebe, die den Schritt zu aktiver Einbindung überspringen und das System “von oben einführen”, berichten regelmäßig von systematischen Umgehungen: Empfehlungen werden ignoriert, Parameter manuell überschrieben, das System gilt als irrelevant. Der technisch beste Algorithmus hilft nichts, wenn er nicht genutzt wird.

Typische Einstiegsfehler

1. Sensorik als letzten Gedanken behandeln. Viele Projekte starten mit Software-Evaluierung und stellen dann fest, dass die Daten fehlen. Wer die Sensorik als Nachprojekt betrachtet, verliert 3–6 Monate. Die Reihenfolge muss sein: Datenbasis planen → Sensorik installieren → Daten sammeln → Software evaluieren. Nicht umgekehrt.

2. Zu viele Maschinen und Materialien auf einmal. Der Reflex: Gleich alle 12 Maschinen und 30 Werkstoffgruppen. Das Ergebnis: Für jede Kombination zu wenig Daten, das Modell lernt nichts Brauchbares. Start mit einer Maschine, einer Werkstoffgruppe, einer Teilefamilie mit mindestens 50 Wiederholungen pro Monat. Erst skalieren, wenn der Pilot funktioniert.

3. Das Modell trainieren und vergessen. Das ist der gefährlichste Fehler, weil er still passiert. Ein Modell, das im Januar trainiert wurde, hat im September eine neue Realität: andere Materialcharge, getauschte Lager, neue Kühlmittelrezeptur. Wer das Modell nicht regelmäßig validiert und bei signifikanten Prozessänderungen nachtrainiert, bekommt nach einem Jahr zuverlässig falsche Empfehlungen, die das System mit gleicher Sicherheit liefert wie gute.

Ein Retraining-Trigger muss definiert sein: Neue Materialcharge? Werkzeugwechsel auf andere Marke oder Geometrie? Spindellager getauscht? Das Modell braucht einen Anlass, zu vergessen was es über den alten Zustand gelernt hat.

4. Prozessvariation als Modellversagen interpretieren. Wenn das System nach einem Chargenlieferantenwechsel plötzlich schlechtere Vorhersagen liefert, ist das kein Softwarefehler, es ist ein Datensignal. Der Wechsel hat die Realität verändert, auf die das Modell trainiert wurde. Der Fehler liegt nicht im Modell, sondern darin, diesen Kontextwechsel nicht als Retraining-Trigger erkannt zu haben.

Was mit der Einführung wirklich passiert, und was nicht

Die Erwartung vieler Betriebe: Nach ein paar Wochen optimiert das System selbständig, die Mitarbeitenden müssen nur noch schauen. Die Realität sieht anders aus.

Monat 1–3: Datenbasis aufbauen. Die ersten Wochen fühlen sich nicht nach KI an, es wird gemessen, aufgezeichnet, klassifiziert. Die Maschinenführenden fragen: “Wann passiert jetzt was?” Die ehrliche Antwort: noch nicht.

Monat 4–6: Erste Muster sichtbar. Das System liefert erste Empfehlungen, die getestet werden. Manche treffen zu, manche nicht. Wichtig: Jede Abweichung dokumentieren, nicht als Fehler abtun. Das Feedback verbessert das Modell.

Ab Monat 7: Stabile Empfehlungen für gut belegte Teilefamilien. Hier beginnt der messbare ROI, aber nur für die Konfigurationen mit ausreichender Datenhistorie. Die neuen Teile und Sondermaterialien stehen noch auf “Erfahrungswissen”.

Was nicht passiert: Das System löst nicht das Problem der Einzelteile, der Sonderwerkstoffe und der Prototypen. Für alles, was seltener als 10-mal im Monat gefertigt wird, bleibt das Erfahrungswissen des Drehers wichtiger als jedes Modell.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Unsere Werkzeuglieferanten geben uns doch schon Schnittdaten.” Stimmt, und das ist der Ausgangspunkt. Katalogdaten sind Startwerte für einen Normalbetrieb. Das KI-System lernt, wie sich euer spezifischer Maschinenpark, eure Werkstoffe und eure Aufspannsituationen von diesem Normalbetrieb unterscheiden. Es ist keine Alternative zu Herstellerdaten, sondern deren maschinenspezifische Kalibrierung. Tools wie CoroPlus ToolGuide oder Walter GPS sind ein sinnvoller erster Schritt, und zeigen oft schon Optimierungspotenzial, bevor ihr in ML-Systeme investiert.

“Unsere Facharbeiter optimieren das schon selbst.” Das stimmt, und es ist wertvoll. Das Problem ist Skalierbarkeit und Persistenz: Ein erfahrener Dreher optimiert eine Maschine in seiner Schicht. Er macht nichts, wenn er krank ist, nichts für die Nachtschicht, nichts für die Maschine nebenan. Das System ist kein Ersatz für Erfahrungswissen, es ist ein Gedächtnis, das dieses Wissen für alle Schichten, alle Maschinen und alle Betreiber zugänglich macht.

“Was, wenn das System die Maschine beschädigt?” Kein seriöses System empfiehlt Parameter außerhalb der Maschinenspezifikation. In der Praxis sind die Systeme konservativer als erfahrene Dreher: Sie empfehlen Anpassungen in kleinen Schritten (±5–10 %) und erfordern Bestätigung. Die eigentliche Gefahr ist nicht das System, sondern ein Modell, das auf falschen Daten basiert, deshalb ist die Datenqualität das zentrale Thema, nicht die Sicherheit.

Woran du merkst, dass das zu dir passt

Es passt, wenn:

• Ihr fertigt mindestens eine Teilefamilie mit 50+ gleichen Bauteilen pro Monat auf denselben Maschinen
• Werkzeugkosten sind ein bekannter, erfasster Kostenblock in eurer Kalkulation
• Eure CNC-Maschinen haben digitale Steuerungen (Siemens SINUMERIK ab 840D, Fanuc ab 30i, Heidenhain iTNC 530 oder neuer)
• Ihr habt eine feste Person, die Maschinendaten versteht und das Modell pflegen kann (oder pflegen lernt)
• Ihr habt schon einmal erlebt, dass ein Chargenlieferantenwechsel Probleme in der Produktion ausgelöst hat

Wann es sich (noch) nicht lohnt, drei harte Ausschlusskriterien:

1. Losgröße unter 10–20 Bauteilen pro Werkstoff-Maschinen-Kombination im Monat. Zu wenig Datenpunkte für verlässliche Modelle. In reinen Einzelteil- oder Prototypenfertigung fehlt die Wiederholung, die das System zum Lernen braucht. Kein KI-System überwindet dieses strukturelle Problem, es ist kein Softwarefehler, es ist ein statistisches Grundprinzip.

2. Maschinen ohne digitale Datenschnittstelle (Analogsteuerungen vor 1995, keine OPC-UA-Fähigkeit). Ohne Maschinendaten kein Modell. Die Nachrüstung älterer Maschinen auf digitale Kommunikation ist möglich, aber teuer (3.000–15.000 Euro pro Maschine) und rechtfertigt sich nur, wenn die Maschine noch 5+ Jahre in Betrieb bleibt. Wer das nicht absehen kann, ist hier fehl am Platz.

3. Keine interne Person für Modellpflege und Datenverantwortung. Ein KI-System für Zerspanungsparameter braucht nach der Einrichtung regelmäßige Validierung: Hat sich der Prozess verändert? Stimmt das Modell noch? Welche Empfehlungen lagen daneben und warum? Ohne eine namentlich verantwortliche Person, die diese Fragen stellt und beantwortet, produziert das System nach 12–18 Monaten selbstsichere Fehler.

Das kannst du heute noch tun

Der günstigste erste Schritt kostet keinen Cent: Öffne CoroPlus ToolGuide oder Walter GPS und gib die Parameter deines meistgefertigten Bauteils ein. Vergleiche die Empfehlung mit deinen aktuellen Schnittdaten.

Wenn die Empfehlung 10 % oder mehr von deinen Istwerten abweicht, hast du zwei Erkenntnisse: Erstens gibt es Optimierungspotenzial. Zweitens weißt du jetzt, warum du abweichst, und ob das berechtigt ist (spezifische Maschinencharakteristik) oder Gewohnheit.

Der zweite Schritt: Identifiziere deine Teilefamilie mit dem höchsten Werkzeugkostenanteil. Wie viele Bauteile pro Monat? Welche Maschinen? Welche Werkstoffe? Das ist die Kandidatenfamilie für einen Piloten, wenn die Antwort “50+ Teile pro Monat, 2 Maschinen, eine Werkstoffgruppe” lautet, ist der Grundstein für einen sinnvollen Piloten gelegt.

Für die Diskussion mit eurem Maschinenlieferanten oder einem Systemintegrator ist dieser Prompt ein hilfreicher Einstieg:

Quellen & Methodik

• Mittelstand-Digital Zentrum Ilmenau + GFE Präzisionstechnik Schmalkalden: Projekt “KI-basierte Qualitätssicherung / Verschleißzustandsvorhersage für Zerspanwerkzeuge”, 64 Bohrwerkzeuge, ~130.000 Bohroperationen, Ergebnis: ~20 % verbesserte Werkzeugausnutzung, Standzeit-Standardabweichung 40 %. Quelle: zentrum-ilmenau.digital (veröffentlicht 2022/2023).
• pos.de, KI in der CNC-Fertigung für KMU (2025): Kostenanalyse für adaptive Schnittdatenoptimierung: 20.000–40.000 Euro Erstinvestition, 6–18 Monate Payback, ~31.600 Euro Jahreseinsparung. Quelle: pos.de/blog (2025).
• Sensorik-Spezifikationen: Basierend auf dem Ilmenau-Versuchsaufbau (5 kS/s Abtastrate, 3-Achs-Beschleunigungssensor, Spindelgehäuse + Aufspannung).
• Schnittdaten-Empfehlungen: Sandvik Coromant CoroPlus ToolGuide, Walter GPS, herstellerseitige Empfehlungen als Benchmarkbasis (Stand April 2026).
• Betriebsverfassungsgesetz § 87 Abs. 1 Nr. 6: Mitbestimmungsrecht bei technischen Einrichtungen zur Verhaltens- und Leistungsüberwachung, Standardkommentar (aktuell gültige Fassung).

Du willst wissen, welche Maschinengeneration und welche Teilefamilien in eurem Betrieb als erste in Frage kommen? Meld dich, das klären wir gemeinsam in einem kurzen Gespräch.