Strategische Audits für mittelständische Fertigungsunternehmen

Ein strategisches KI-Audit für mittelständische Fertigungsunternehmen ist eine Bewertung mit festem Umfang. Sie zeigt, wo sich KI in Ihren Linien realistisch auszahlt, prüft, ob die nötigen Maschinendaten überhaupt existieren und erreichbar sind, und liefert einen priorisierten Plan mit einem klar benannten ersten Projekt. Sie unterscheidet sich bewusst von einer allgemeinen KI-Bewertung, denn in der Fertigung entscheiden andere Randbedingungen über Erfolg als im Büro: Daten liegen in Steuerungen statt in Data Warehouses, Anlagen umfassen drei Jahrzehnte Baujahre, und die Menschen, deren Arbeit sich ändert, stehen in der Produktion statt am Schreibtisch.

Mittelständische Fertiger scheitern bei KI selten an fehlenden Ideen. Die meisten haben eine Liste: Fehler früher erkennen, ungeplante Stillstände vermeiden, Ausschuss senken, besser planen, weniger Energie verbrauchen. Sie scheitern, weil die erste finanzierte Idee aus Begeisterung statt aus Evidenz gewählt wurde, auf Daten traf, die nie zugänglich waren, und als Pilot endete, den niemand skalieren konnte. Das Audit sorgt dafür, dass dieses Scheitern früh und günstig passiert statt spät und teuer.

Was ist ein strategisches KI-Audit in der Fertigung?

Es ist eine strukturierte Bewertung Ihrer Produktionsdaten, Systeme, Prozesse, Menschen und regulatorischen Exposition, die mit einer priorisierten Liste von Use Cases endet, bewertet nach Wirkung, Machbarkeit, Risiko und Aufwand. In einer Fabrik muss diese Bewertung Orte erreichen, die eine allgemeine Analyse auslässt: die PLC- und SCADA-Ebene, den Historian, die Grenze zwischen MES und ERP, Alter und Anbindung einzelner Maschinen sowie Instandhaltungs- und Qualitätsaufzeichnungen, die womöglich noch in Tabellen oder auf Papier liegen.

Das Ergebnis ist keine Technologieempfehlung. Es ist eine Entscheidung über die Reihenfolge: welche Linie, welcher Prozess, welches messbare Problem, und was zutreffen müsste, damit sich der Start lohnt. Die allgemeine Form dieser Bewertung haben wir in Geschäftsmodelle validieren, bevor Code entsteht beschrieben. Dieser Artikel behandelt, was sich ändert, wenn der Gegenstand ein mittelständischer Fertiger ist.

Warum brauchen mittelständische Fertiger ein anderes Audit als Konzerne?

Weil die bindenden Randbedingungen andere sind und ein Audit für Konzerne die falschen Dinge misst. Fünf Unterschiede wiegen am schwersten.

• Es gibt kein Datenteam. Ein Großkonzern hat Data Engineers, eine Plattformgruppe und eine Analytics-Funktion. Ein Mittelständler hat oft eine einzige IT-Allrounderin, die zugleich das ERP am Laufen hält und das Netzwerk betreut. Jeder Plan, der interne Data-Engineering-Kapazität voraussetzt, ist Fiktion.
• Die Daten liegen in der OT, nicht in der IT. Die relevanten Signale (Taktzeiten, Temperaturen, Vibration, Drehmoment, Ausschusszählungen) entstehen in Maschinensteuerungen, nicht in Business-Software. Sie zu erreichen ist selbst ein Engineering-Projekt, und genau dieser Schritt fehlt in den meisten Plänen.
• Die Anlage ist Brownfield. Eine Linie kombiniert vielleicht eine Maschine von 1998, eine von 2012 und eine aus dem letzten Jahr. Jede hat eine andere Steuerung, ein anderes Protokoll und einen anderen Grad an Offenheit. Einheitliche Datenerfassung über eine Linie hinweg ist eine Leistung, keine Selbstverständlichkeit.
• Investitionszyklen sind lang und Margen knapp. Sie können keine funktionierende Maschine ersetzen, damit ein Modell sie besser lesen kann. Das Audit muss mit den Anlagen arbeiten, die Sie haben, und zwar für die Jahre, die Sie sie haben werden.
• Nähe zur Sicherheit. KI in der Fabrik steht physischen Risiken näher als die meiste Büro-KI. Das verändert sowohl den Engineering-Standard als auch das regulatorische Bild.

Nichts davon macht KI für den Fertigungsmittelstand ungeeignet. Mehreres macht sie sogar besonders passend, denn repetitive, hochvolumige, physisch messbare Prozesse sind genau das, worin diese Systeme stark sind. Diese Punkte müssen nur berücksichtigt werden, bevor das Budget gebunden ist, statt danach entdeckt zu werden.

Was prüft ein strategisches Audit konkret?

1. Die Maschinen- und Prozessdaten in der OT

Die erste Frage lautet nicht "wie viele Daten haben Sie", sondern "worauf können Sie tatsächlich zugreifen, in welcher Auflösung und wie weit zurück". Das Audit inventarisiert die Quellen: welche Maschinen Daten bereitstellen, über welches Protokoll (OPC UA, Modbus, MQTT, einen proprietären OEM-Kanal oder gar keines), ob ein Historian bereits erfasst, in welcher Abtastrate und wie lange die Historie aufbewahrt wird.

Zwei Befunde wiederholen sich. Erstens werden Daten erfasst, aber verworfen, in einer Auflösung oder Aufbewahrungsdauer, die für alles Vorausschauende zu grob ist. Zweitens ist ausgerechnet die kritische Maschine diejenige, die nichts bereitstellt, weil der OEM sie nie geöffnet hat oder die Nachrüstung nie finanziert wurde. Beides lässt sich auf dem Papier günstig klären und mitten im Projekt nur brutal teuer. Unsere Bewertung der Dateninfrastruktur vertieft diese Dimension allgemein; hier ist sie der Angelpunkt, an dem der gesamte Plan hängt.

2. Die Ökonomie der Linie

Ein Use Case lohnt sich nur, wenn er eine Kennzahl bewegt, die das Unternehmen bereits verfolgt. In der Fertigung sind diese Zahlen ungewöhnlich konkret, und das ist ein Vorteil: Ausschussquote, Nacharbeitsstunden, ungeplante Stillstandzeit, OEE, Rüstzeit, Gewährleistungsfälle, Energie pro Stück. Das Audit ermittelt den aktuellen Ausgangswert für die konkrete Linie und schätzt, wie viel der Lücke ein Modell plausibel schließen kann.

Die Disziplin liegt im Abziehen. Vermiedene Stillstandzeit zählt nur, wenn die Linie tatsächlich am Kapazitätslimit lief; wer unter der Nachfrage produziert, verwandelt gesparte Stunden nicht in Umsatz. Freigewordene Arbeitsstunden sind keine Einsparung, solange sie nicht zu Kapazität oder Kosten werden. Über diese Lücke zwischen Modellmetriken und Geschäftsergebnissen haben wir in ROI von Machine Learning geschrieben, und sie ist die häufigste Stelle, an der ein Business Case in der Fabrik still aufgebläht wird.

3. Integrationsrealität und Herstellerbindung

Das Audit prüft, wie ein Modell den Prozess überhaupt erreicht: wo die Inferenz läuft (Edge oder Zentrale), welche Latenz die Entscheidung verlangt, wie die Ausgabe vor eine Bedienerin oder in einen Regelkreis gelangt und was passiert, wenn Netzwerk oder Modell nicht verfügbar sind. Ein Qualitätsmodell, das eine Linie in unter einer Sekunde stoppen muss, ist ein anderes Engineering-Problem als eines, das über Nacht eine Charge zur Prüfung markiert.

Herstellerbindung verdient besondere Aufmerksamkeit. Maschinen-OEMs liefern zunehmend eigene Analytics- und Condition-Monitoring-Pakete, teils mit vertraglichen Grenzen für den Zugriff auf Rohdaten aus Anlagen, die Ihnen gehören. Zu klären, was Sie mit Ihren eigenen Maschinendaten tun dürfen, gehört ins Audit und nicht in eine Verhandlung zwölf Monate später. KI-Integration als Nachgedanken zu behandeln ist genau die Stelle, an der die letzte Meile zum ganzen Projekt wird.

4. Menschen: Produktion, Betriebsrat und die fehlende Zuständigkeit

Ein Modell, das die Bedienmannschaft umgeht, bringt nichts. Wenn ein Bildverarbeitungssystem Fehlausschleusungen erzeugt und das Team lernt, die Meldung wegzuklicken, ist das Projekt vorbei, unabhängig von seiner Genauigkeit. Das Audit fragt, wer auf die Ausgabe reagiert, ob das Schichtmodell dafür Zeit lässt und ob diese Menschen vor dem Start beteiligt oder erst danach informiert wurden.

In Deutschland und weiten Teilen der EU kommt eine formale Dimension hinzu: Systeme, die Daten erheben, mit denen sich individuelle Leistung überwachen ließe, lösen in der Regel Mitbestimmungsrechte des Betriebsrats aus. Das ist gut machbar, und es läuft deutlich besser, wenn es in der Entwurfsphase angesprochen wird statt eine Woche vor dem Go-live. Das Audit markiert, wo Beteiligung nötig wird, damit der Projektplan das abbildet.

Dann die Frage, die still über die Lebensdauer entscheidet: Wer betreut das in einem Jahr? Ohne benannte Zuständigkeit, Monitoring und eine Kadenz für das Nachtrainieren verschlechtert sich ein funktionierendes Modell, während Werkzeuge, Materialien und Produktmix driften, und niemand merkt es, bis die Qualität es zeigt.

5. Sicherheit und regulatorische Exposition

Nach dem EU AI Act richten sich die Pflichten nach einer Risikoklassifizierung, die vom Verwendungszweck abhängt, und dieser Zweck wird beim Entwurf festgelegt. Eine KI-Komponente, die als Sicherheitsfunktion in Maschinen wirkt, oder ein System zur Überwachung oder Bewertung von Beschäftigten kann erheblich schwerere Pflichten zu Dokumentation, Protokollierung, Aufsicht und Konformität tragen als ein Modell, das lediglich ein Wartungsfenster vorschlägt. Die neuen Maschinenvorschriften greifen hier direkt ineinander, sobald Produkte auf dem EU-Markt bereitgestellt werden.

Der Sinn, das im Audit anzusprechen, ist nicht, das Projekt zu bremsen. Es geht darum, dass die Klassifizierung am Anfang günstig einzuplanen und nach dem Einfrieren der Architektur teuer nachzurüsten ist. Dies ist Vorbereitungs- und Sensibilisierungsarbeit, keine Rechtsberatung, und sollte für Ihr konkretes Produkt mit qualifizierter juristischer Beratung bestätigt werden.

Welche Use Cases tauchen zuerst auf?

In mittelständischen Werken steigt meist eine bekannte Auswahl nach oben, und die Reihenfolge ergibt sich eher aus der Datenverfügbarkeit als aus dem Wunschdenken.

• Automatisierte optische Prüfung. Oft der stärkste erste Kandidat, weil das Label (gut oder fehlerhaft) im Qualitätsprozess bereits existiert und sich der Nutzen direkt in Ausschuss und Durchschlüpfern zeigt. Die realistischen Grenzen behandelt Computer Vision zur Qualitätsprüfung für den Fertigungsmittelstand.
• Predictive Maintenance. Am häufigsten gewünscht und am häufigsten enttäuschend, weil dafür Ausfallhistorien nötig sind, die viele Werke nie erfasst haben. Lohnend, wenn die Daten existieren und der Ausfall zugleich teuer und allmählich ist, wie in wann Predictive Maintenance funktioniert beschrieben.
• Optimierung von Prozessparametern. Sollwerte gegen Ausbeute oder Energie justieren, wenn ein Historian bereits genug Prozesshistorie zum Lernen enthält.
• Planung und Rüstzeitverkürzung. Oft mit Operations Research statt Machine Learning lösbar, was das Audit klar sagen sollte, wenn es zutrifft.
• Automatisierung von Dokumenten und Qualitätspapieren. Unglamourös, risikoarm und in einem dokumentationslastigen Werk häufig der schnellste messbare Gewinn.

Ein gutes Audit ist ebenso nützlich für das, was es von dieser Liste streicht, wie für das, was es behält. Den teuren Favoriten früh auszuschließen ist ein Ergebnis, kein Misserfolg.

Was liefert das Audit?

Ergebnisse, mit denen Sie arbeiten und die Sie vor der Geschäftsführung vertreten können:

• Ein Daten- und Anbindungsinventar über die relevanten Linien: was existiert, was erreichbar ist, wo eine Nachrüstung oder ein Gateway nötig wäre.
• Eine priorisierte Chancenkarte, die jeden Use Case nach Wirkung, Machbarkeit, Risiko und Aufwand bewertet, samt Begründung.
• Ein Ausgangswert und eine Erfolgskennzahl je Kandidat, gebunden an Zahlen, die das Werk ohnehin verfolgt.
• Eine Empfehlung zu Eigenentwicklung, Zukauf oder Abwarten für jeden Fall, einschließlich der Stellen, an denen ein OEM-Paket oder ein Standardsystem die Eigenentwicklung schlägt.
• Hinweise zu Compliance und Sicherheit, die Berührungspunkte mit dem EU AI Act, das Zusammenspiel mit der Maschinensicherheit, GDPR bei personenbezogenen oder Leistungsdaten sowie die Fälle abdecken, in denen der Betriebsrat zu beteiligen ist.
• Eine sequenzierte Roadmap mit einem definierten ersten Projekt, ausgewählt, weil es wertvoll, beweisbar und klein genug zum Abschließen ist.

Wie lange dauert ein strategisches Audit?

Für einen mittelständischen Fertiger ist eine bis drei Wochen der richtige Rahmen, abhängig von der Zahl der betrachteten Linien und davon, wie gut die Datenlage bereits dokumentiert ist. Zeit vor Ort zählt: die Linie abzugehen, die Schaltschränke zu sehen und mit Instandhaltung und Qualitätssicherung zu sprechen bringt Dinge zutage, die kein Datenexport zeigt, einschließlich der Behelfslösungen, die sich die Belegschaft still gebaut hat, um die Produktion am Laufen zu halten.

Der feste Umfang ist Absicht. Eine Bewertung, die sich unbegrenzt ausdehnen kann, tut das auch, und der Zweck ist, schnell genug zu einer Entscheidung zu kommen, dass sie diese noch beeinflusst. Deutlich kürzer ist ein Workshop; deutlich länger ist kein Entscheidungsinstrument mehr, sondern bereits das Projekt.

Wann ist ein strategisches Audit verfrüht?

Wenn es keinen Prozesskandidaten mit messbaren Kosten gibt, wenn ein einzelner offensichtlicher Use Case klein, umkehrbar und bereits gut verstanden ist, oder wenn das Werk mitten in einer ERP- oder MES-Ablösung steckt, die die Datenlandschaft ändert, bevor ein Modell überhaupt in Betrieb gehen könnte. Im letzten Fall lautet die ehrliche Empfehlung meist, die KI-Arbeit nach der Systemumstellung einzuplanen und die Zwischenzeit zu nutzen, um jene Daten zu erfassen, die das künftige Projekt brauchen wird.

Daten aufzuzeichnen, die man noch nicht nutzen kann, gehört zu den lohnendsten Entscheidungen eines mittelständischen Fertigers. Modelle lassen sich später bauen; Historie lässt sich nicht rückwirkend erzeugen. Wenn ein Audit nichts weiter bewirkt, als eine disziplinierte Erfassung von Maschinen- und Qualitätsdaten zu starten, hat es sich gegenüber dem Projekt, das Sie in zwei Jahren fahren wollen, bereits bezahlt gemacht.

Die ehrliche Zusammenfassung

KI im Fertigungsmittelstand scheitert selten an der Modellierung. Sie scheitert, weil die Daten unerreichbar waren, der Business Case nie auf einer Linie gründete, die das Werk sorgfältig misst, die letzte Meile in den Prozess nicht eingeplant war oder das System in Betrieb ging und dann unbetreut verfiel. Ein strategisches Audit ist der günstige Weg herauszufinden, was davon auf Sie zutrifft, bevor das Geld gebunden ist statt danach.

Die Werke, die aus KI Wert ziehen, sind selten jene mit den ehrgeizigsten Plänen. Es sind jene, die ein gut verstandenes Problem auf einer sorgfältig gemessenen Linie gewählt, es bewiesen und erst dann ausgeweitet haben. Genau diese Reihenfolge soll ein gutes Audit erzeugen, und sie beginnt mit einem ehrlichen Blick auf das, was ohnehin in Ihrer Fertigung steht. Mehr zum Branchenkontext finden Sie in unserer Arbeit mit Fertigungsteams, und zu den übergreifenden Fehlermustern in wie Sie das Scheitern von KI-Projekten vermeiden.

Häufige Fragen

Muss für ein Audit die Produktion angehalten oder unterbrochen werden?

Nein. Die Arbeit besteht aus Gesprächen, Datenstichproben und dem Lesen dessen, was Ihre Systeme ohnehin aufzeichnen. Zeit in der Fertigung ist Beobachtung, kein Eingriff. Die einzige echte Anforderung ist Zugang zu den Menschen, die die Linien fahren, und den plant man besser bewusst ein.

Was, wenn die meisten unserer Maschinen gar keine Daten liefern?

Das ist ein Befund, keine Sackgasse. Das Audit klärt, welche Maschinen für die lohnenden Anwendungsfälle überhaupt zählen, und beziffert die Nachrüstung gezielt für diese. Oft trägt eine einzige nachgerüstete Linie das erste Projekt, und ein werksweites Datenprogramm erweist sich als überflüssig.

Nützt ein Audit, wenn wir den Anwendungsfall schon gewählt haben?

Ja, und oft nützt es dann mehr. Das Audit prüft, ob der gewählte Fall den Kontakt mit Ihren Maschinendaten, Ihrer Linienökonomie und Ihrer regulatorischen Lage übersteht. Eine Entscheidung günstig zu bestätigen ist gut; festzustellen, dass sie falsch war, ist besser.

Wer muss auf unserer Seite beteiligt sein?

Meist Produktions- oder Werkleitung, die Qualitätsverantwortung, die Person, die IT und ERP am Laufen hält, und eine Instandhaltungsleitung. Zusammen sind das üblicherweise wenige Stunden je Person. Fehlt eine davon, ist das selbst aufschlussreich, denn es sagt meist voraus, wer das System später nicht verantworten wird.