KI im Industrieumfeld: Nüchtern statt magisch

Die Skepsis ist berechtigt

Jeder Geschäftsführer im Mittelstand, mit dem ich spreche, hat den KI-Pitch gehört. Meistens mehrfach. Meistens von Software-Anbietern, die weder industrielle Umgebungen noch sicherheitskritische Systeme noch die konkreten Anforderungen der Hardware-Software-Integration kennen.

Die Skepsis, die darauf folgt, ist keine Technikfeindlichkeit. Es ist Erfahrung. Das sind Unternehmer, die gesehen haben, wie ERP-Einführungen scheitern, Industrie-4.0-Projekte versanden und Digitalisierungsinitiativen Dashboards produzieren, die niemand nutzt. Sie haben gelernt, Technologien zu misstrauen, die versprechen, alles zu verändern.

Diese Skepsis ist gesund. Problematisch wird es erst, wenn sie auch die Fälle erfasst, in denen KI tatsächlich eingrenzbaren, messbaren Nutzen schafft — und wo Abwarten zum Wettbewerbsnachteil wird.

Die richtigen Fragen

Die Frage lautet nicht "Sollen wir KI einsetzen?" Es sind zwei getrennte Fragen:

1. Wo schafft KI in unseren konkreten Abläufen messbaren, klar abgrenzbaren Nutzen?
2. Wo erzeugt KI Risiken — Sicherheit, Zuverlässigkeit, Compliance, Betrieb — die wir uns nicht leisten können?

Die Antworten sind für jedes Unternehmen andere. Aber es gibt wiederkehrende Muster.

Wo KI im industriellen Umfeld funktioniert

Strukturierte Datenanalyse im großen Maßstab. Sensordaten, Produktionsprotokolle, Qualitätsprüfungsdaten — wenn ein Analyst Wochen bräuchte, um sie auszuwerten, kann ein gut abgegrenztes ML-Modell in Stunden Muster aufdecken. Keine Magie, sondern Statistik auf Daten, die Sie bereits haben. Der Nutzen ist real und messbar.

Dokumentenverarbeitung und -klassifizierung. Lieferantenverträge, technische Spezifikationen, Compliance-Unterlagen, Zollpapiere. Wenn Ihr Einkauf oder Ihre Entwicklung erhebliche Zeit mit dem Lesen und Sortieren von Dokumenten verbringt, kann LLM-basierte Verarbeitung diesen Aufwand bei klar definierten Dokumenttypen um 60–80 % senken. Das Risiko ist gering, weil ein Mensch das Ergebnis prüft, bevor danach gehandelt wird.

Anomalieerkennung in der Produktion. Erkennen, wenn eine Fertigungslinie aus dem Toleranzbereich driftet, bevor Ausschuss entsteht. Eine bewährte Anwendung mit klarem ROI und beherrschbarem Risiko — die KI markiert Auffälligkeiten zur menschlichen Prüfung, statt autonom einzugreifen.

Lieferantenkommunikation und Übersetzung. Für Unternehmen, die aus China beziehen, hat sich die KI-gestützte Übersetzung chinesischsprachiger technischer Dokumentation deutlich verbessert. Kein Ersatz für die qualifizierte menschliche Prüfung kritischer Dokumente — aber sie verkürzt die Zeit erheblich, um ein Arbeitswissen über ein chinesisches Datenblatt aufzubauen.

Wo KI inakzeptable Risiken erzeugt

Sicherheitskritische Steuerungssysteme. Wenn ein Fehlerfall Personen verletzen oder kritische Infrastruktur beschädigen kann, sind die Verifikationsanforderungen für KI-basierte Steuerung derzeit für die meisten KMU nicht darstellbar. Das EU-KI-Gesetz stuft solche Systeme als Hochrisiko ein — mit entsprechenden Compliance-Pflichten. Kein Grund, KI grundsätzlich zu meiden. Aber ein Grund, ehrlich über den aktuellen Stand der Verifikationswerkzeuge zu sein.

Intransparente Entscheidungen in regulierten Prozessen. Wenn Sie einem Prüfer, einem Kunden oder einer Behörde erklären müssen, warum eine bestimmte Entscheidung getroffen wurde, ist ein Black-Box-Modell das falsche Werkzeug. Nachvollziehbarkeit ist in regulierten Branchen keine Kür — sie ist Pflicht.

Menschliches Urteilsvermögen in neuen Situationen ersetzen. KI-Systeme, die auf historischen Daten trainiert wurden, funktionieren gut bei Situationen, die ihren Trainingsdaten ähneln. Industrielle Umgebungen sind voll von neuen Situationen — neue Lieferanten, neue Materialien, neue Fehlermodi. Das Risiko, dass ein KI-System in einer unbekannten Situation selbstsicher eine falsche Antwort liefert, ist real und wird unterschätzt.

Die praktische Konsequenz

Der häufigste Fehler, den ich sehe: Unternehmen versuchen, KI auf die falschen Probleme anzuwenden — entweder auf die risikoreichsten, komplexesten Prozesse (wo das Risiko zu hoch ist) oder auf die sichtbarsten, am meisten gehypten Anwendungen (wo der ROI unklar ist).

Die KI-Anwendungen mit dem besten Kosten-Nutzen-Verhältnis in industriellen KMU sind meist unspektakulär: Dokumentenverarbeitung, Datenbereinigung, Anomalieerkennung, Übersetzung. Nicht auf dem Titel der Fachzeitschrift. Aber sie schaffen messbaren Nutzen, sind überprüfbar und erfordern nicht, das Unternehmen auf eine noch reifende Technologie zu verwetten.

Fangen Sie dort an. Bauen Sie die Fähigkeit auf, KI-Systeme in risikoarmen Kontexten zu bewerten, einzuführen und zu verifizieren. Dann erweitern Sie auf anspruchsvollere Anwendungen, wenn die Werkzeuge reifen und Ihr Team das Urteilsvermögen entwickelt hat, sie richtig einzusetzen.

Das ist keine konservative Haltung. Es ist eine Ingenieurshaltung.