KI-Chancen entlang der Wertschöpfungskette in der Fertigung kartieren

# KI-Chancen entlang der Wertschöpfungskette in der Fertigung kartieren

Ein mittelständischer Kunststoffhersteller in Ohio setzte sich 2025 zusammen, um seine KI-Roadmap zu planen. Der erste Impuls war, in der Produktion anzufangen: predictive maintenance an den Spritzgießmaschinen. Doch als das Führungsteam die KI-Chancen über Konstruktion, Einkauf, Planung, Qualität und After-Sales-Service hinweg kartierte, zeigte sich, dass die größte Kostenlücke nicht bei Maschinenstillständen lag. Es war der Ausschuss aus Konstruktionsvorgaben, die nicht zu dem passten, was die eigenen Formen tatsächlich herstellen konnten. Das wertvollste KI-Projekt lag in der Konstruktion, nicht in der Produktion.

Das ist die zentrale Lektion: KI-Potenzial in der Fertigung beschränkt sich nicht auf die Fabrik. Es zieht sich über die gesamte Wertschöpfungskette, und der Use Case mit dem höchsten ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen → (return on investmentreturn on investmentReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →) liegt selten dort, wo man zuerst hinschaut.

Warum „Shop Floor first“ eine Verzerrung ist und keine Strategie

Führungskräfte in der Fertigung greifen standardmäßig zur Produktion, weil sie sichtbar ist, weil Maschinen dort schon Daten erzeugen und weil Anbieter genau dort massiv vermarkten (predictive maintenance, Computer Vision zur Fehlererkennung). Das ist echter Wert. Aber es ist ein Knoten in einer längeren Kette.

Ein nützliches Denkmodell ist Michael Porters Wertschöpfungskette, angepasst an die Fertigung:

Konstruktion und Engineering → Einkauf und Sourcing → Produktionsplanung und -steuerung → Fertigungsbetrieb → Qualitätskontrolle → Logistik und Distribution → After-Sales-Service.

KI hat auf jeder Stufe plausible, belegte Anwendungen. Die Aufgabe ist nicht, „einen KI-Use-Case“ zu finden. Sie besteht darin, herauszufinden, wo der value pool (die Konzentration vermeidbarer Kosten oder ungenutzter Erlöse) in Ihrem Geschäft tatsächlich liegt, und ihn dann mit einer ausreichend reifen KI-Fähigkeit zusammenzubringen.

Wo KI wirklich greift, Stufe für Stufe

Konstruktion und Engineering. Generative-Design-Tools (z. B. Autodesk Fusion, nTopology) nutzen KI, um tausende Bauteilgeometrien gegen Randbedingungen wie Gewicht, Material und Herstellbarkeit zu durchsuchen. In der Kunststoff- und Metallverarbeitung fängt das „nicht herstellbare“ Designs ab, bevor sie in den Werkzeugbau gehen, und vermeidet teure Nacharbeit an Formen.

Einkauf und Sourcing. KI-gestützte Nachfrageprognosen und Lieferantenrisiko-Scoring (mit Nachrichten, Versanddaten, Finanzsignalen) helfen, Lieferstörungen früh zu erkennen. Das ist eine Anwendung von Natural Language Processing (NLP) und Predictive Analytics, keine aus der Produktion.

Produktionsplanung und -steuerung. Hier kann KI-basierte Optimierung (manchmal „Digital Twin“-Simulation genannt) Aufträge über Maschinen hinweg neu sequenzieren, um Umrüstzeiten zu senken. Siemens und Dassault Systèmes verkaufen beide Tools in diesem Bereich.

Fertigungsbetrieb. Das bekannte Terrain: predictive maintenance (Sensordaten zu Vibration und Temperatur, um Ausfälle vorherzusagen, bevor sie eintreten) und Computer Vision zur Prozessüberwachung in Echtzeit.

Qualitätskontrolle. Computer-Vision-Modelle, die auf Bildern von Bauteilen trainiert sind, erkennen Oberflächenfehler, Fehlausrichtung oder Verunreinigungen schneller und konsistenter als menschliche Prüfer, besonders bei hohen Bandgeschwindigkeiten. Das ist Stand 2026 einer der reifsten und belegbarsten KI-Use-Cases in der Fertigung.

Logistik und Distribution. Routenoptimierung und Demand-Sensing-Modelle senken Lagerhaltungskosten und Fehlbestände.

After-Sales-Service. Prognosemodelle für Ausfälle an Feldgeräten (auf Basis von IoT-Sensordaten (Internet of Things)) ermöglichen Serviceverträge nach tatsächlichem Verschleiß statt nach festen Intervallen. Rolls-Royce mit „power by the hour“ für die Wartung von Flugzeugtriebwerken ist ein häufig zitiertes Beispiel für diesen Wechsel vom Produktverkauf zum Verkauf von Ergebnissen.

Ein einfaches Framework zur Kartierung von Chancen

Bevor Sie ein Projekt auswählen, bewerten Sie jede Stufe der Wertschöpfungskette auf zwei Achsen:

1. Größe des value pool: Wie viel Kosten, Ausschuss, Stillstand oder entgangener Umsatz steckt hier aktuell? (In Dollar oder Stunden schätzen, nicht in vagen Begriffen.)

2. KI-Readiness: Haben Sie saubere, ausreichende historische Daten, und existiert eine bewährte KI-Methode für dieses Problem?

Ein kurzes Rechenbeispiel mit illustrativen Schätzwerten für einen mittelständischen Hersteller:

| Stufe | Jährlicher value pool (Schätzung) | KI-Readiness (1-5) | Priorität |

|---|---|---|---|

| Nacharbeit/Ausschuss Konstruktion | 1,2 Mio. $ | 3 | Hoch |

| Predictive maintenance | 400 KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →$ | 4 | Mittel |

| Prüfpersonal Qualität + Rückläufer | 600 KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →$ | 5 | Hoch |

| Einkaufsrisiko (Fehlbestände) | 300 KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →$ | 2 | Niedrig (Datenlücke) |

Priorität = value pool gewichtet mit Readiness, nicht value pool allein. Ein 1,2-Mio.-$-Problem mit schlechter Datenlage kann zwei Jahre brauchen, nur um einen nutzbaren Datensatz aufzubauen. Ein 600-KKThe average number of new users each existing user generates through referrals. Above 1.0, growth compounds on itself and becomes exponential.Vollständige Definition ansehen →$-Problem mit reifem Computer-Vision-Tooling kann in einem Quartal live gehen.

Genau diesen Fehler hat der Kunststoffhersteller aus Ohio vermieden: ErErThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → hat nicht die größte Zahl gewählt, sondern die größte Zahl, die ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → in 12 bis 18 Monaten realistisch umsetzen konnte.

Ein minimaler technischer Blick: was „KI-Readiness“ tatsächlich prüft

Für nicht-technische Leser lässt sich „sind unsere Daten bereit“ auf einige konkrete Fragen reduzieren. Ein einfaches Datenaudit-Skript prüft das (konzeptionell), bevor irgendein Modell gebaut wird:

# Pseudocode: basic data readiness check
import pandas as pd

df = pd.read_csv("machine_sensor_log.csv")

print("Missing values per column:\n", df.isnull().mean() * 100)
print("Date range covered:", df["timestamp"].min(), "to", df["timestamp"].max())
print("Number of labeled failure events:", df["failure_flag"].sum())

Wenn Ausfallereignisse selten sind (etwa unter 50 im historischen Log) oder Zeitstempel große Lücken haben, wird ein Predictive-Maintenance-Modell unterdurchschnittlich abschneiden, unabhängig von den Aussagen des Anbieters. Diese Prüfung, an einem Tag erledigt, erspart Monate fehlgeleiteter Pilotarbeit.

Anbieter und Pilotprojekte ohne Hype bewerten

Sobald eine Stufe priorisiert ist, bleibt die Bewertung wichtig. Drei Prüfungen, konsequent:

• Fragen Sie nach der Herkunft der Trainingsdaten. Ein Computer-Vision-Fehlerdetektor, der auf Bauteilen eines anderen Unternehmens trainiert wurde, muss auf Ihre Teile neu trainiert werden. Fragen Sie, wie viele Ihrer gelabelten Daten nötig sind, bis ererThe ratio of interactions (likes, comments, shares) to reach for a given piece of content, used to gauge how well audiences respond relative to how many people saw it.Vollständige Definition ansehen → zuverlässig arbeitet.
• Fragen Sie nach einem Baseline-Vergleich. Wie hoch ist die Fehlerquote des aktuellen menschlichen oder regelbasierten Prozesses, und wie hoch ist die Fehlerquote des KI-Systems auf Ihren echten Produktionsdaten, nicht auf einem Demo-Datensatz des Anbieters?
• Fragen Sie nach Drift. Fertigungsprozesse ändern sich (neue Materialien, neue Lieferanten, saisonale Schwankungen). Die Genauigkeit eines Modells verschlechtert sich über Zeit, wenn es nicht neu trainiert wird. Wer verantwortet dieses Retraining, Sie oder der Anbieter?

Für eine Einführung in die Bewertung von KI-Modellleistung ohne Data-Science-Hintergrund bietet MIT Sloan Management Review einen zugänglichen Überblick im Ressourcen-Hub zu KI und Unternehmensstrategie.

Realistische ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Erwartungen setzen

ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Schätzungen für KI in der Fertigung schwanken stark und sind in Anbieterunterlagen oft optimistisch. Als generelle und konservative Planungshaltung:

• Predictive-Maintenance-Pilotprojekte berichten häufig von Stillstandsreduktionen im Bereich von 10 bis 20 % (Branchenschätzung, Berichte von McKinsey und Deloitte, etwa 2023 bis 2024), aber die Ergebnisse hängen stark von der Reife der bestehenden Instandhaltung ab. Ein Werk mit schwachen Instandhaltungspraktiken sieht größere Zuwächse, ein bereits gut optimiertes Werk kleinere.
• Projekte zur Qualitätsprüfung mit Computer Vision zeigen oft eine schnellere Amortisation (6 bis 12 Monate), weil Personal- und Fehlerkosten direkter messbar sind als Verbesserungen in der Produktionsplanung.
• Generatives Design und Engineering-KI bringen reale Einsparungen bei Ausschuss und Material, brauchen aber länger bis zum Wertbeitrag (12 bis 24 Monate), da sich Engineering-Abläufe und Freigabeprozesse nur langsam ändern.

Das sind Richtwerte, keine Garantien. Prüfen Sie sie immer gegen Ihre eigenen Baseline-Daten, bevor Sie Kapital binden.

Wichtigste Erkenntnisse

• Der Wert von KI in der Fertigung verteilt sich über die gesamte Wertschöpfungskette (Konstruktion, Einkauf, Planung, Betrieb, Qualität, Logistik, Service) und konzentriert sich nicht auf die Produktion.
• Kartieren Sie Chancen auf zwei Achsen: Größe des value pool und KI-Readiness (Datenqualität und Reife bewährter Methoden), und priorisieren Sie die Schnittmenge, nicht die größte Zahl allein.
• Qualitätsprüfung mit Computer Vision und predictive maintenance sind Stand 2026 die reifsten, belegbarsten Use Cases; generatives Design und Lieferantenrisiko-Scoring sind vielversprechend, aber im großen MaMaUsing software to automate repetitive marketing tasks and campaigns, enabling personalisation at scale across channels like email, web, and social.Vollständige Definition ansehen →ßstab weniger erprobt.
• Bewerten Sie jeden KI-Anbieter an drei Punkten: Datenherkunft, Baseline-Vergleich und Verantwortung für Modell-Drift.
• Behandeln Sie alle ROIROIReturn on Investment: the ratio of net profit to the cost of an investment. A 300% ROI means each dollar invested returns $3.Vollständige Definition ansehen →-Zahlen, auch die in dieser Lektion, als Schätzungen, die vor einer Kapitalbindung gegen die Baseline-Daten Ihres eigenen Werks validiert werden müssen.