KI-gestützte Prozessoptimierung in der Fertigung

Das echte Ausmaß des Problems

In einer deutschen Spritzgussfertigung mit 20 Maschinen und 3 % Ausschussrate fallen pro Schicht hunderte fehlerhafte Teile an. Kosten: Materialverlust, Maschinenbelegung ohne nutzbaren Output, Prüfaufwand, Entsorgung. Je nach Materialwert und Stückzahl können 3 % Ausschuss 200.000 bis 800.000 Euro Jahreskosten bedeuten.

Das Problem ist systematisch: Prozessparameter driften über die Schicht, Temperatur, Druck, Zykluszeit, Viskosität. Einzelne Abweichungen sind oft harmlos. Kombinationen von zwei oder drei gleichzeitig driftenden Parametern führen zu Qualitätsproblemen, aber diese nichtlinearen Zusammenhänge sind für Menschen ohne Datenbasis nicht erkennbar.

Moderne SPS-Steuerungen speichern bis zu 100 Datenpunkte pro Sekunde je Maschine. In einer Anlage mit 20 Maschinen entstehen täglich Milliarden von Messpunkten, die fast alle ungenutzt in Datenbanken verschwinden. Das Wissen, wie Prozessparameter zusammenspielen, steckt in den Köpfen erfahrener Maschinenführer, die 20 Jahre Intuition aufgebaut haben. Wenn sie in Rente gehen, geht dieses Wissen mit.

Wie stark sich die Ausschussrate mit datengetriebener Optimierung senken lässt, hängt an der Ausgangslage, und eine belastbare Erhebung dazu haben wir nicht gefunden. Die Zahl, die zählt, entsteht ohnehin im eigenen Betrieb: Nimm die Ausschussquote je Maschine und Artikel aus der Qualitätssicherung der letzten zwölf Monate als Baseline und miss jede Prozessänderung dagegen.

Mit vs. ohne KI, ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Weniger Ausschuss bedeutet weniger Nacharbeit und weniger Aussortierprozesse. Das spart Zeit, aber nicht so direkt wie Zeiterfassungs- oder Dokumentationsautomatisierung. Maschinenführer arbeiten nicht weniger, sie machen weniger Fehler. Wie viel Nacharbeitszeit tatsächlich wegfällt, liest du an euren Nacharbeitsaufträgen ab, vor und nach der Umstellung. Im Branch-Vergleich Mittelfeld.

Kosteneinsparung, hoch (4/5) Ausschusskosten sind direkt messbar. Materialeinsparung, weniger Maschinenstillstand für Nacharbeiten, geringerer Energieverbrauch pro Gut-Teil, alles konkret berechenbar. Rechne mit deinen eigenen Zahlen: Ein Prozentpunkt weniger Ausschuss ist ein Drittel dessen, was drei Prozent heute kosten. Liegen die bei 600.000 Euro im Jahr, sind das 200.000 Euro je Prozentpunkt. Knapp unter dem Maximum, weil die erreichbare Reduktion stark von der Ausgangslage und Datenqualität abhängt.

Schnelle Umsetzung, gering (2/5) Datenvorbereitung, Sensor-Anbindung, Modelltraining und Kalibrierung brauchen 3–6 Monate. Das ist kein Quick-Win. Aber es ist kein Hindernisprojekt, es ist zeitaufwändig, weil Datenqualität und Modellvalidierung Zeit brauchen, nicht weil es technisch unlösbar wäre.

ROI-Sicherheit, hoch (4/5) Ausschusskosten vor und nach Implementierung sind direkt vergleichbar. Ausschussreduktion um 1 % bei einer Anlage mit dokumentierten Kosten ist ein klarer Business Case. Nach einer vollständigen Produktionssaison hat man die Daten für eine saubere ROI-Berechnung. Kleiner Vorbehalt: Neue Materialchargen oder Werkzeugwechsel können die Baseline verschieben.

Skalierbarkeit, maximal (5/5) Das Modell wird mit jeder Maschine besser, mit jeder Schicht genauer, mit jeder Prozessänderung adaptiver. Es gibt keine natürliche Wachstumsgrenze, im Gegenteil: je mehr Maschinen, desto mehr Korrelationseffekte zwischen Maschinen erkennbar. Stärkster Skalierer in diesem Branch.

Richtwerte, stark abhängig von Datenqualität der SPS und Ausgangslage der Ausschussrate.

Was das KI-System konkret macht

Datenbasis aufbauen: Voraussetzung ist der Zugang zu SPS/SCADA-Daten, historisch (mindestens 6 Monate, besser 12 Monate) und in Echtzeit. Gleichzeitig müssen Qualitätsprüfungsdaten (welches Teil war Ausschuss, welcher Fehlertyp) zeitlich den Prozessdaten zugeordnet werden. Diese Verknüpfung ist oft der schwierigste Schritt.

Feature Engineering: Nicht alle Sensordaten sind gleich relevant. Das KI-Modell lernt, welche Parameterkombinationen historisch zu Ausschuss geführt haben, Druckdrift über 30 Minuten kombiniert mit Temperatur über Grenzwert in Zone 3 ist ein Beispiel. Erklärbare KI (XAI) stellt sicher, dass die Erkenntnisse nicht in einer Black Box verschwinden.

Echtzeit-Monitoring und Alarm: Das Modell überwacht Parameter-Kombinationen in Echtzeit und schlägt Alarm, wenn die Wahrscheinlichkeit für einen Qualitätsfehler steigt, bevor er entsteht. Der Maschinenführer bekommt: “Nachdruck erhöhen, Kühlzeit verlängern”, nicht nur “Alarm ausgelöst”.

Kontinuierliches Lernen: Jeder neue Produktionszyklus ist neue Trainingsdaten. Das Modell wird über die Zeit besser, besonders wenn neue Materialchargen, Werkzeugverschleiß oder saisonale Temperatureffekte neue Muster einführen.

Konkrete Werkzeuge, was wann passt

Siemens Industrial Edge , integrierte OT/IT-Plattform mit KI-Analytik-Modulen für Siemens-SPS-Umgebungen. Gut für Betriebe, die bereits auf Siemens-Automation laufen. Direkter Zugang zu SPS-Daten ohne zusätzliche Middleware. Preise auf Anfrage, typisch ab 1.000–3.000 €/Monat je nach Anlagenumfang.

C3.ai , Enterprise-KI-Plattform mit Fertigungsmodulen und vorgefertigten Prozessoptimierungs-Modellen. Teurer Enterprise-Ansatz, ab ca. 5.000 Euro/Monat. Sinnvoll für Betriebe mit eigenem Data-Science-Team und hohem Anlagenvolumen.

Julius AI , für erste explorative Analysen ohne eigenes Data-Science-Know-how: Prozessdaten als CSV-Export hochladen, erste Zusammenhänge und Ausreißer identifizieren lassen. Kein Echtzeit-System, aber praktischer kostenloser Einstieg. Kostenloser Plan zum Testen, Plus 20 USD/Monat.

ChatGPT oder Claude (kostenlos als erster Schritt): Wer Prozessdaten als CSV-Export hat, kann erste Zusammenhänge explorativ analysieren lassen. “Analysiere diese Prozessdaten und identifiziere Parameterkombinationen, die bei Ausschuss-Teilen anders waren als bei Gut-Teilen.” Kein Echtzeit-System, aber wertvoller erster Blick in die Daten. Ab 0 €.

Make.com , für Alert-Workflows: Wenn das Überwachungssystem per API einen Alarm ausgibt, kann Make automatisch eine Nachricht an den Maschinenführer und den Schichtleiter senden. Ab 9 €/Monat.

Datenschutz und Datenhaltung

Maschinendaten sind in der Regel keine personenbezogenen Daten, datenschutzrechtlich unkritisch. Wenn das System jedoch Leistungsdaten von einzelnen Maschinenführern auswertet (Schicht A vs. Schicht B, Bediener X vs. Y), greift § 87 BetrVG (technische Überwachung von Beschäftigten). Eine Betriebsvereinbarung ist empfehlenswert, sobald individuelle Maschinenführer-Performance im System sichtbar wird.

Datenhaltung: SPS-Daten sollten On-Premise oder in einer deutschen/EU-Cloud bleiben. Für die KI-Analyse-Schicht (Modelltraining, Anomalieerkennung) sind EU-DSGVO-konforme Dienste nutzbar. Siemens Industrial Edge und vergleichbare Plattformen bieten EU-Datenhaltung standardmäßig an.

Was es kostet, realistisch gerechnet

Industrielle KI-Plattform (z. B. Siemens Industrial Edge):

• Einrichtung: 3–6 Monate, 100–300 Stunden intern/extern
• Laufend: 1.000–4.000 Euro/Monat je nach Anlagenumfang
• ROI-Break-Even: 6–18 Monate bei messbarer Ausschussreduktion

Data-Science-Projekt (eigenes Team oder externer Partner):

• Initialprojekt: 30.000–80.000 Euro für Konzept und Implementierung
• Laufende Wartung: 8.000–20.000 Euro/Jahr

ROI-Kalkulation, Annahmen offen: Angenommen, die Ausschussrate geht von 3 % auf 2 % zurück, also um ein Drittel. Bei 600.000 Euro Ausschusskosten im Jahr sind das 200.000 Euro. Dagegen stehen 50.000 Euro Projektkosten plus 12.000 bis 48.000 Euro laufende Plattformkosten, im ersten Jahr also 62.000 bis 98.000 Euro. Der Break-Even liegt damit im ersten Jahr. Der wacklige Wert ist nicht die Rechnung, sondern die Annahme an ihrem Anfang: Ob ein ganzer Prozentpunkt erreichbar ist, weiß vor der Datenanalyse niemand. Setz deine eigene Ausschussquote und deine eigenen Ausschusskosten ein, bevor du das Ergebnis weiterreichst.

Typische Einstiegsfehler

Schlechte Datenqualität ignoriert: Wenn Sensor-Daten lückenhaft, falsch kalibriert oder nicht zeitlich mit Qualitätsdaten synchronisiert sind, lernt das Modell Rauschen. “Garbage in, garbage out” gilt nirgends stärker als in der Prozess-KI.

Black-Box-Modell ohne Erklärbarkeit: Wenn das Modell “Alarm” schlägt, aber der Maschinenführer nicht versteht warum, wird er es ignorieren. Erklärbare KI (welche Parameter haben den Ausschlag gegeben?) ist für die Akzeptanz entscheidend.

Nur historische Analyse, kein Echtzeit-Feedback: Eine nachträgliche Analyse ist wertvoll, aber nicht das eigentliche Ziel. Der Wert liegt in der Vorwarnung, die erfordert Echtzeit-Anbindung an das SPS-System.

Prozessänderungen nicht ins Modell übertragen: Werkzeugwechsel, Materialcharge-Wechsel, Umbau einer Maschine, wenn das Modell das nicht weiß, erzeugt es falsche Alarme oder übersieht neue Muster. Jede relevante Prozessänderung muss dokumentiert und dem Modell mitgeteilt werden.

Modell nach Inbetriebnahme einfrieren: Das Modell braucht regelmäßige Neukalibrierung, bei Produktänderungen, Maschinenwartungen und mindestens alle sechs Monate. Wer das als “Einmal einrichten und dann laufen lassen” behandelt, hat nach einem Jahr ein Modell, das auf veralteten Daten basiert und systematisch falsche Alarme produziert.

Was mit der Einführung wirklich passiert, und was nicht

Maschinenführer reagieren auf die ersten Prozess-Alerts oft skeptisch: “Das ist normal bei dieser Maschine.” Das ist kein Widerstand, das ist Erfahrungswissen. Der Abgleich zwischen KI-Alert und Maschinenführer-Intuition ist der wertvollste Kalibrierschritt. Wenn das Modell behauptet, eine Anomalie zu sehen, die der Maschinenführer nicht für relevant hält, muss das untersucht werden, nicht ignoriert, nicht automatisch umgesetzt.

Was oft überrascht: In den ersten Wochen zeigt das System Parameterdrifts, die erfahrene Maschinenführer als “normal” eingestuft haben, die aber statistisch mit leicht erhöhter Ausschussrate korrelieren. Das erzeugt produktive Diskussionen: “Wir dachten immer, Zone-3-Temperaturen über 220 Grad sind okay. Das Modell sagt, bei 221 Grad steigt die Fehlerrate um 0,3 %.”

Was nicht passiert: Automatische Maschinensteuerung. Das Modell schlägt vor, der Maschinenführer entscheidet und handelt. Vollautomatische Parameteranpassung ohne Menschenkontrolle ist in der Praxis nur in wenigen hochstandardisierten Prozessen sinnvoll.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Maschinenführer haben 20 Jahre Erfahrung, die brauchen keine KI.” Für ungewöhnliche Ausfallmuster und Grenzfälle stimmt das. Für die systematische Analyse von 100 Parametern gleichzeitig über drei Schichten hinweg: nicht. Das Modell ersetzt die Erfahrung nicht, es ergänzt sie mit Mustern, die kein Mensch im Kopf behalten kann.

„Unsere SPS-Daten sind zu alt und zu unstrukturiert.” In den meisten Fällen lösbar. Auch ältere Siemens S7 und Beckhoff-Steuerungen können über OPC-UA oder Edge-Gateways angebunden werden. Was wirklich problematisch ist: wenn Qualitätsdaten nicht zeitlich zugeordnet sind. Das ist ein Datenprozess-Problem, kein Hardware-Problem.

„Was ist, wenn das Modell Alarm schlägt und wir produzieren trotzdem, und das Teil ist gut?” Das ist die Kalibrierungsphase. Jeder False-Positive-Fall wird dokumentiert und verbessert das Modell. Entscheidend ist dabei nicht ein bestimmter Prozentwert, sondern die Richtung: Die Rate muss von Monat zu Monat sinken, und die Maschinenführer müssen das an ihren eigenen Fällen sehen. Führt drei Monate lang eine Strichliste über bestätigte und widerlegte Alarme. Das ist die einzige Zahl, die an dieser Stelle zählt, und ab wann euer Team dem System vertraut, sagt euch kein Benchmark.

Woran du merkst, dass das zu dir passt

• Deine Ausschussrate liegt über 1 % und ihr habt keine befriedigende Antwort, warum sie schwankt.
• Eure SPS-Steuerungen speichern historische Daten, auch wenn niemand sie auswertet.
• Erfahrene Maschinenführer haben Daumenregeln (“nach dem Werkzeugwechsel immer 10 Minuten Warmfahren”), die nirgends dokumentiert sind.
• Ein Ausschuss-Batch kostet euch im Schnitt mehr als 1.000 Euro an Material und Nacharbeit.
• Die Qualität schwankt zwischen Schichten oder Maschinenführern, ohne dass ihr wisst, warum.

Wer noch nicht bereit ist:

• Eure Ausschussrate liegt unter 0,5 %, der Optimierungshebel ist zu gering für den Projektaufwand.
• Keine historischen Prozessdaten vorhanden oder der Datensatz ist stark lückenhaft, zuerst Datenbasis aufbauen.
• Manuelle Fertigung ohne Sensor-Infrastruktur, Hardware-Investitionen nötig, die über den Software-Scope hinausgehen.
• Ihr habt keine Kapazität für 3–6 Monate Datenprojekt, dieser Use Case ist kein SaaS-Einstieg.

Das kannst du heute noch tun

Exportiere aus eurem ERP oder MES die Produktionsdaten der letzten drei Monate: Auftragsnummer, Maschine, Datum, Schicht, Stückzahl gut, Stückzahl Ausschuss, Fehlergrund (falls vorhanden). Lade die Datei in ChatGPT oder Claude hoch und stelle folgende Frage:

Quellen & Methodik

• Bitkom, „Industrie 4.0 Benchmark”, 2024, Datennutzung in deutschen Fertigungsbetrieben
• Die Rechenbeispiele auf dieser Seite sind Modellrechnungen mit offen genannten Annahmen, keine Messwerte.
• Nicht belegbar und deshalb nicht mehr auf dieser Seite: eine Ausschussreduktion von 20 bis 50 Prozent, angeblich aus einer Fraunhofer-IPT-Studie „Datengetriebene Fertigungsoptimierung” (2022), eine daraus abgeleitete Zielrate von 1 bis 2,5 Prozent, eine Nacharbeitsersparnis von 20 bis 40 Minuten je Anlage und Tag sowie eine False-Positive-Rate unter 8 Prozent nach drei Monaten. Weder die IPT-Publikation noch ein VDMA-Band „KI in der Produktion, Praxisberichte” (2023) ließen sich auffinden. Frühere Fassungen nannten außerdem eigene Projekterfahrungen als Quelle. Diese Projekte gibt es nicht.