KI in der Fertigung — ohne Ihre Daten aus dem Haus zu geben
Künstliche Intelligenz ist in der Fertigung angekommen — nicht als Zukunftsvision, sondern als konkretes Werkzeug. Predictive Maintenance sagt Maschinenstillstände vorher. KI-gestützte Qualitätsprüfung erkennt Fehler, bevor sie in den nächsten Prozessschritt gelangen. Planungsalgorithmen optimieren Reihenfolgen in Millisekunden, für die menschliche Planer Stunden bräuchten.
Die Frage ist nicht mehr ob KI, sondern wie KI — und insbesondere: wie KI, ohne die Kontrolle über das wertvollste Asset des Unternehmens zu verlieren: die eigenen Produktionsdaten.
Das Versprechen von Cloud-KI — und seine Grenzen
Die einfachste Art, KI in die Fertigung zu bringen, ist die Nutzung von Cloud-KI-Diensten. Daten werden an einen Anbieter übertragen, dort verarbeitet, und Ergebnisse werden zurückgesendet. Der Vorteil: keine eigene KI-Infrastruktur, sofortige Verfügbarkeit, kontinuierliche Modellverbesserungen.
Die Grenzen dieser Architektur sind für Fertigungsunternehmen jedoch erheblich:
Datenschutz und Compliance: Produktionsdaten enthalten oft schützenswerte Betriebsgeheimnisse — Fertigungsparameter, Qualitätskennzahlen, Auftragsinformationen. Wer diese Daten an externe Cloud-Dienste überträgt, muss sich fragen, ob dies mit Kunden-NDA, Betriebsgeheimnisschutzgesetz und DSGVO vereinbar ist.
Verfügbarkeit: Cloud-KI ist von einer stabilen Internetverbindung abhängig. In vielen Fertigungsumgebungen ist diese nicht garantiert. Ein KI-System, das bei Netzwerkausfall seinen Dienst einstellt, ist für produktionskritische Anwendungen ungeeignet.
Latenz: Für Echtzeit-Qualitätsprüfung im Millisekunden-Bereich ist die Latenz einer Cloud-Verbindung oft zu hoch.
Edge-KI: Intelligenz direkt an der Maschine
Die Alternative ist Edge-KI: KI-Modelle, die direkt auf Hardware in der Produktion — an der Maschine, im Werk, im lokalen Server — laufen. Die Daten verlassen die Produktionsumgebung nicht. Die Entscheidungen werden lokal getroffen.
Edge-KI war lange eine Domäne von Großunternehmen mit eigenen KI-Teams. Das hat sich verändert. Vortrainierte Modelle für typische Fertigungsaufgaben — Anomalie-Erkennung, Qualitätsklassifikation, Wartungsprognosen — sind heute als einsatzfertige Module verfügbar, die auf Standard-Hardware laufen und in bestehende Fertigungssoftware integriert werden können.
Die Voraussetzung dafür ist eine Plattformarchitektur, die die Datenpunkte aus der Maschine, dem MES und dem ERP zusammenführt und für KI-Verarbeitung zugänglich macht — ohne dass jede Datenquelle einzeln integriert werden muss.
Wofür KI in der Fertigung heute schon zuverlässig eingesetzt werden kann
Predictive Maintenance: Durch die Analyse von Maschinensensordaten (Vibration, Temperatur, Stromaufnahme) können Ausfälle mit einem Vorlauf von Stunden bis Tagen vorhergesagt werden. Die Trefferquote gut trainierter Modelle liegt bei 75–90 % für die relevanten Fehlerklassen.
Qualitätsprognose: KI-Modelle können auf Basis von Prozessparametern (Temperaturen, Drücke, Geschwindigkeiten) vorhersagen, ob ein Teil die Qualitätsanforderungen erfüllen wird — noch bevor es die Qualitätsprüfstation erreicht. Das reduziert Ausschuss und ermöglicht proaktive Prozessanpassungen.
Planungsoptimierung: Für die Feinplanung können KI-Algorithmen Reihenfolgen optimieren, die Rüstzeiten minimieren und Liefertermine einhalten — unter Berücksichtigung von Maschinenauslastungen, Materialverfügbarkeit und Qualifikationen der Mitarbeiter.
Energieoptimierung: KI kann Lastspitzen identifizieren und Fertigungsaufträge so planen, dass Energiekosten minimiert werden — ein zunehmend relevanter Faktor bei steigenden Energiepreisen.
Der richtige Ansatz: Datenhoheit vor KI-Funktionalität
Die Entscheidung für eine KI-fähige Fertigungsplattform sollte zuerst die Frage der Datensouveränität klären — dann erst die KI-Funktionalität bewerten. Die beste KI nützt nichts, wenn sie das Unternehmen in Datenschutz- oder Compliance-Probleme bringt.
Konkret bedeutet das:
- KI-Verarbeitung muss wahlweise lokal (On-Premise, Edge) oder in kontrollierter Umgebung (Private Cloud) stattfinden können
- Trainingsdaten des Unternehmens dürfen nicht für das Trainieren von Modellen genutzt werden, die auch Wettbewerber nutzen
- Die Ergebnisse der KI-Verarbeitung müssen nachvollziehbar und erklärbar sein — für interne Entscheidungen und für Auditoren
hornetOS wurde mit diesem Ansatz entwickelt: KI-Module laufen lokal oder in der privaten Infrastruktur des Unternehmens. Die Produktionsdaten bleiben dort, wo sie hingehören — im Unternehmen.