KI-Anwendungsfälle in der Produktion: die sieben Felder im Überblick
KI-Anwendungsfälle in der Produktion lassen sich in sieben Felder ordnen: Predictive Maintenance, Qualitätsprüfung, Planung und Supply Chain, Energie und Prozess, Wissen und Assistenz, Engineering und Backoffice sowie agentische Systeme. Sie unterscheiden sich stark in Reifegrad, typischer Wirkung und Datenbedarf. Den Einstieg bestimmt deshalb die eigene Datenlage, nicht die Technik.
Für Entscheider in Kürze
- Aufwand: Hängt fast vollständig an den Daten. Backoffice braucht keine Anbindung an Maschinen, Predictive Maintenance braucht Ausfallhistorie, agentische Systeme brauchen zusätzlich ein Rechtekonzept.
- Kosten: Belastbare öffentliche Benchmarks für Projektkosten je Anwendungsfall im Mittelstand gibt es laut Branchenreport nicht. Vergleichen Sie Felder deshalb über Datenbedarf und Messbarkeit.
- Nutzen: Am besten belegt sind Predictive Maintenance, Qualitätsprüfung und Backoffice. Agentische Systeme sind stark fallabhängig und am wenigsten reif.
- Risiko: Mehrere Felder gleichzeitig zu starten. Die belegte Reihenfolge lautet: ein Fall, ein Referenzwert, drei bis sechs Monate.
Die Landkarte: sieben Felder nach Reife und Hebel
Der Branchenreport ordnet die Use Cases in der Fertigung nach Reifegrad, typischer Wirkung und Datenvoraussetzung. Die Bandbreiten stammen aus internationalen Benchmarks und dokumentierten Fällen. Sie zeigen, was erreichbar ist, nicht, was jedes Vorhaben erreicht.
| Feld | Anwendungsfeld | Typische Wirkung | Reifegrad | Datenvoraussetzung |
|---|---|---|---|---|
| A | Predictive Maintenance | Stillstand um 30 bis 50 % gesenkt | hoch | Sensorik oder Steuerungsdaten plus historische Ausfalldaten |
| B | Qualitätsprüfung | Ausschuss um 30 bis 70 % gesenkt | hoch | Bilddaten mit gelabelten Fehlerbildern, stabile Optik |
| C | Planung und Supply Chain | Bestände um 10 bis 50 % gesenkt | mittel | saubere ERP-Stammdaten, Auftrags- und Absatzhistorie |
| D | Energie und Prozess | Energie um 10 bis 42 % gesenkt | mittel | Zählerdaten im Minutentakt, Prozessparameter |
| E | Wissen und Assistenz | Instandhaltungszeit um 25 bis 40 % gesenkt | hoch | technische Doku, Arbeitsanweisungen, Störfallhistorie in digitaler Form |
| F | Engineering und Backoffice | Bearbeitungszeit um 50 bis 90 % gesenkt | sehr hoch | E-Mails, PDFs, Zeichnungen, ERP-Schnittstelle |
| G | Agentische Systeme | stark fallabhängig | gering | alles oben Genannte plus Governance und Rechtekonzept |
Wo die Industrie heute tatsächlich ansetzt
Die Studienlage zeigt eine klare Verteilung. Laut Deloitte 2026 (Beratungsstudie, über 140 befragte Hersteller) setzen 62 % der Hersteller KI in der Qualität ein, 57 % in der Produktion und 49 % in Logistik und Supply Chain. Beim Technologiemix liegen klassische Prognose- und Erkennungsmodelle mit 42 % vorn, generative KI und agentische Systeme folgen mit 40 %. KI, die direkt in die Anlagensteuerung eingreift, kommt auf 18 %, wächst aber am schnellsten.
Gleichzeitig bleibt die Linie hinter dem Büro zurück. Im Maschinen- und Anlagenbau nutzen 43 % KI im Unternehmen (VDMA 2025), aber nur 13 % in der eigenen Produktion (Fraunhofer ISI 2024). Der Einstieg passiert in Softwareentwicklung, Marketing und Service. Erfolge dort sind kein Beleg für Fertigungsreife, für die Linie beginnt die Rechnung von vorn.
Die sieben Felder im Einzelnen
A: Predictive Maintenance
Das am besten belegte Feld. Modelle erkennen Verschleißmuster in Schwingungs-, Strom-, Temperatur- oder Steuerungsdaten und verlagern Reparaturen in geplante Fenster. Eng geschnittene Fälle amortisieren sich in drei bis zwölf Monaten (Deloitte 2025). Ein dokumentierter Fall aus der Industrie: Bosch Rexroth nennt für Pilotprojekte 70 bis 80 % weniger Stillstandszeit (Unternehmensangabe, eigene Auswertung). Warum solche Modelle ohne laufende Pflege nachlassen, erklärt unser Beitrag Modelldrift erkennen.
B: Qualitätsprüfung
Bildverarbeitung übernimmt die Sichtprüfung, klassifiziert Fehlerbilder und filtert die Bildmenge für die menschliche Endkontrolle vor. KI in der Qualitätsprüfung reduziert zudem Pseudoausschuss, also gutes Material, das die Prüfung fälschlich aussortiert. Faurecia senkte laut WEF 2026 (verifiziert) die Ausschusskosten um 75,8 % und die Reklamationen um 94 %. Aufwandstreiber sind meist die gelabelten Fehlerbilder. Sobald die KI eine Sicherheitsfunktion übernimmt, greifen nach unserer Lesart Maschinenverordnung und AI Act gemeinsam.
C: Planung und Supply Chain
Hier ist der Hebel das gebundene Kapital, nicht die Maschinenstunde. Unilever Hefei steigerte die Prognosegüte laut WEF 2026 (verifiziert) um 39 %. Auffällig: Die stärksten Zahlen aus dem DACH-Raum stammen aus Prozessarbeit. RUWAC halbierte Durchlaufzeit und Umlaufbestand durch die Umstellung von Push auf Pull (Unternehmensangabe, eigene Auswertung). Kein anderes Feld verzeiht schlechte Stammdaten so wenig. Für die Bedarfsprognose in Fertigung und Einkauf haben wir mit der Prognoseplattform Orpheon ein eigenes Werkzeug gebaut.
D: Energie und Prozess
Bei 19,22 ct/kWh für Nicht-Haushaltskunden im zweiten Halbjahr 2025 (Destatis) schlägt jede Einsparung direkt auf das Ergebnis durch. Die Spanne ist groß: Minus 42 % bei Siemens Erlangen (WEF 2024, verifiziert) ist ein Werksumbau, minus 1,5 % in sechs Monaten bei InfraServ Wiesbaden (Anbieterangabe) der realistischere Wert für ein einzelnes Optimierungsmodul. Ohne Verbrauchsbaseline ist jede Einsparung strittig.
E: Wissen und Assistenz
Sprachmodelle mit Zugriff auf Wartungshandbücher, Normen und Störfallhistorie, fachlich RAG genannt. Die Wissensassistenz für die Instandhaltung beantwortet Fragen mit Fundstelle, statt dass jemand 400 Seiten PDF durchsucht. Covestro betreibt seinen Assistenten auf eigener Infrastruktur und nennt 4.500 wöchentliche Nutzer (Unternehmensangabe). Kein anderes Feld berührt so viel schützenswertes Material, deshalb entscheidet sich hier, ob ein Modell KI im eigenen Rechenzentrum läuft oder in einer öffentlichen Cloud.
F: Engineering und Backoffice
Anfragen per E-Mail und PDF, Angebote von Hand kalkuliert, Lieferscheine abgetippt. Bei Antalis sank die Bearbeitung je Vorgang von 4 Minuten auf 15 Sekunden (Fachpresse). Dieses Feld braucht keine Anbindung an Maschinen, keine Sicherheitsbetrachtung und keine Sensorik. Es liefert Effekte in wenigen Monaten und schafft die Akzeptanz, die spätere Projekte in der Halle brauchen.
G: Agentische Systeme
Agentische KI in der Produktion führt mehrstufige Aufgaben eigenständig aus: Fehler analysieren, Ursachen eingrenzen, Tickets anlegen. Ein dokumentierter Fall aus der Industrie ist der Bosch Shopfloor Agent mit rund 850.000 Euro Einsparung je Werk und Jahr und bis zu zehnmal schnellerer Störungsbehebung im Pilot bei SICK (Unternehmensangabe). Vor dem ersten Agenten muss geklärt sein, welche Aktionen er ausführen darf, wer verantwortet und wie jede Aktion protokolliert wird. Wie das aussehen kann, beschreiben wir auf der Seite zu KI-Agenten für Unternehmen.
Welche KI-Anwendungsfälle in der Produktion sich zum Start eignen
Die Landkarte ist kein Menü, aus dem man drei Gerichte gleichzeitig bestellt. Wer KI-Anwendungsfälle in der Produktion priorisiert, sollte mit genau einem Fall beginnen. Der Branchenreport nennt drei Kriterien für den ersten Fall: vorhandene Daten, ein klarer Referenzwert und ein Nutzen, der in Monaten messbar ist. Nach diesen Kriterien sind Backoffice und Predictive Maintenance die üblichen Startpunkte.
| Kriterium | Gut geeignet | Eher später |
|---|---|---|
| Daten vorhanden | F Backoffice, A mit Ausfallhistorie | G ohne dokumentierte Historie |
| Referenzwert messbar | A Stillstandsminuten, F Bearbeitungszeit, B Ausschussquote | E ohne Nutzungsmessung |
| Nutzen in Monaten | A, D mit Baseline, F | C bei unsauberen Stammdaten |
| Governance geklärt | A, B im Schattenbetrieb | G mit Schreibrechten |
Zwei Regeln helfen bei der Auswahl. Erstens: Anlagen und Prozesse nach Geschäftskritikalität auswählen, nicht danach, wo zufällig Daten liegen. Zweitens: den Pilot so bauen, dass er auf Werk zwei und Linie zwei übertragbar ist. Skalierung heißt Wiederholung, nicht Verbreiterung. Viele KI-Anwendungsfälle in der Produktion scheitern nicht am Modell, sondern daran, dass sie als Einzelstück gebaut wurden.
