KI-Potenziale im Mittelstand

Während Künstliche Intelligenz in Großunternehmen zunehmend etabliert ist, stehen mittelständische Unternehmen vor der Herausforderung, geeignete KI-Anwendungsfälle zu identifizieren und erfolgreich umzusetzen. Dieser Artikel präsentiert einen systematischen Ansatz zur KI-Potenzialanalyse und -implementierung, der mit einem Brandenburger Mittelständler validiert wurde. Durch die Kombination aus detaillierter Prozessanalyse, strukturiertem Kompetenzaufbau und systematischer Potenzialidentifikation konnten 21 konkrete KI-Einsatzmöglichkeiten identifiziert werden.

KI, KI, KI – Unternehmen, Privatpersonen, Verbände und große Anbieter, alle sprechen Sie über Künstliche Intelligenz [1] und versuchen dabei, möglichst viel Staub aufzuwirbeln. Auch diese Fachzeitschrift hat das Buzzword in den letzten Ausgaben nie vernachlässigt. Steht man nun als KMU oder Unternehmen aus dem Mittelstand vor dem Versuch, Künstliche Intelligenz in die eigenen Geschäftsprozesse zu integrieren, werden aus Versprechen und initialen Vorstellungen oft Projekte, die ins Nichts führen oder an die Wand gefahren werden. Unternehmen, die bei KI zaudern, riskieren das Schicksal Nokias. Der einstige Handy-Gigant verpasste den Smartphone-Umbruch und wurde vom Taktgeber zum Mitläufer [3]. Gleichzeitig stehen viele Unternehmen vor der Frage, welche von ihren Geschäftsprozessen denn überhaupt Potenzial für den Einsatz von Künstlicher Intelligenz bieten [2].

Um diesem Problem entgegenzuwirken, umfasst dieser Beitrag einen systematischen Ansatz, der es Unternehmen ermöglichen soll, Potenziale zu identifizieren und erste Proof of Concepts umzusetzen. Dieser Ansatz hat sich im Rahmen eines Projektes mit einem Mittelständler aus dem Raum Brandenburg bewährt und zur Umsetzung erster KI-Use-Cases geführt.

Identifizierte Potenziale im vierdimensionalen Bewertungsmodell

Die Identifikation und Umsetzung von KI-Potenzialen folgten einem strukturierten Prozess über mehrere Monate. Ausgangspunkt war die umfassende Erfassung der Produktions- und Geschäftsprozesse durch Vor-Ort-Besichtigungen und Interviews mit Prozessverantwortlichen. Neben den Kernprozessen der Fertigung wurden erstmals auch vor- und nachgelagerte Abläufe wie Bestandsplanung, Kommissionierung und die Qualitätssicherung detailliert in Prozessmodellen dokumentiert.

Parallel zur Prozessaufnahme investierte das Projektteam Zeit in den systematischen Aufbau von KI-Kompetenz. Dies umfasste nicht nur die theoretischen Grundlagen verschiedener KI-Technologien, von Machine Learning über Deep Learning bis zu Large Language Models [4–6], sondern auch die kritische Auseinandersetzung mit konkreten Anwendungsfällen. Dabei war ein grundlegendes Verständnis viel wichtiger als detailliertes und komplexes Know-how über neuronale Netze, deren Zusammenwirken und das Erstellen von Künstlicher Intelligenz.

Die Recherche umfasste über 20 dokumentierte KI-Implementierungen aus vergleichbaren Branchen und Produktionsumgebungen. Darunter fanden sich Anwendungen zur Optimierung von Maschinenparametern [7], Werkzeugzustandsvorhersagen [8] und automatisierte Fehlererkennungssysteme [9]. Diese Weiterbildungsphase war essenziell, um realistische von überzogenen Erwartungen an KI-Technologien unterscheiden zu können.

Nach Abschluss der Ist-Aufnahme folgte ein intensiver Brainstorming-Workshop zur systematischen Potenzialidentifikation. In offener Workshop-Atmosphäre wurde jeder einzelne Prozessschritt kritisch hinterfragt. Wo könnte KI Tätigkeiten unterstützen? Welche Datenströme ließen sich intelligent verknüpfen? Wo entstehen Fehler, die durch Mustererkennung vermeidbar wären? Dieser strukturierte Brainstorming-Prozess resultierte in 21 konkreten KI-Einsatzmöglichkeiten. 14 dieser Potenziale ließen sich den Prozessen, wie Bestandsplanung, Kommissionierung oder Produktionsplanung zuordnen. Sieben Potenziale waren übergeordneter Natur und hatten keinen direkten Prozessbezug.

Die identifizierten Potenziale wurden anhand eines vierdimensionalen Bewertungsmodells mit den Kriterien Impact, Umsetzungsaufwand, Datenverfügbarkeit und Wirtschaftlichkeit auf einer Skala von 1 bis 5 bewertet.

Fehlererkennung durch Analyse der Abnahmeprotokolle

Die systematische Auswertung von Qualitätsdaten stellt einen guten Einstiegspunkt für KI-Anwendungen dar. Im analysierten Unternehmen durchläuft jedes Gerät einen mehrstufigen Endtest mit zahlreichen Prüfpunkten, von der Temperaturmessung über Leitfähigkeitsprüfungen bis zur Druckkontrolle. Die KI würde hier nicht nur einzelne Ausreißer identifizieren, sondern Muster über Zeit und Produktchargen hinweg erkennen. Steigen etwa die Temperaturabweichungen bei Geräten aus einer bestimmten Produktionswoche schleichend an, könnte dies auf eine beginnende Verschlechterung eines Bauteils hinweisen. Der besondere Mehrwert liegt in der Früherkennung. Probleme werden sichtbar, bevor sie zu kostspieligen Reklamationen führen.

Smartes Mindestbestandsmanagement

Die Bestandsführung in mittelständischen Produktionsunternehmen basiert häufig auf Erfahrungswerten und manuellen Schätzungen. Eine KI-Lösung würde hier verschiedene Datenquellen intelligent verknüpfen: saisonale Schwankungen, Vertriebsprognosen, Lieferzeiten der Zulieferer und historische Verbrauchsmuster. Besonders bei Bauteilen mit langen Beschaffungszeiten oder hohen Mindestbestellmengen kann die KI optimale Bestellzeitpunkte und -mengen vorschlagen. Das System würde dabei lernen, welche externen Faktoren, wie Ferienzeiten oder Branchenmessen, die Nachfrage beeinflussen, und diese proaktiv in die Planung einbeziehen.

Unternehmensinterner Chatbot

Gerade in gewachsenen Mittelstandsunternehmen ist Wissen oft personengebunden und über verschiedene Dokumente, Arbeitsanweisungen und ungeschriebene Praktiken verteilt. Ein intelligenter Chatbot fungiert hier als zentraler Wissensspeicher, der neuen Mitarbeitern bei der Einarbeitung hilft und erfahrenen Kollegen schnell spezifische Informationen liefert.

Statt lange in Ordnern zu suchen oder Kollegen zu unterbrechen, könnten Mitarbeiter direkt fragen: „Welche Prüfschritte sind bei der Endkontrolle für Export-Geräte zusätzlich durchzuführen?“ Der Chatbot würde kontextbezogen antworten und bei Bedarf auf die relevanten Dokumentenstellen verweisen. Bei Interesse empfehle ich den Artikel „Retrieval Augmented Generation (RAG): Chatten mit den eigenen Daten“ von Honroth, Siebert und Kelbert [10].

Prototypische Umsetzung

Prototypisch umgesetzt wurde das Potenzial „Fehlererkennung durch Analyse der Abnahmeprotokolle“, da hier sowohl die Datenverfügbarkeit gegeben war, oder vergleichsweise einfach hergestellt werden konnte, und der Impact als hoch eingestuft wurde. 

Die webbasierte Anwendung ermöglicht die durchgängige digitale Fehlererfassung und -analyse über den gesamten Produktlebenszyklus. Im Endtest können Mitarbeiter über ein intuitives Tablet-Interface Prüfergebnisse digital erfassen. Das System validiert dabei in Echtzeit kritische Messwerte wie Temperatur, Leitfähigkeit und Wasserdruck und warnt bei Abweichungen von Sollwerten. Parallel dazu importiert die Anwendung semistrukturierte Servicedaten aus Excel-Dateien und PDF-Dokumenten, wobei KI-Algorithmen die unstrukturierten Informationen automatisch aufbereiten und in die Datenbank überführen.

Das Herzstück bildet die KI-gestützte Analyse mittels GPT-Integration [11]. Das System führt eine mehrstufige Datenanalyse durch. Zunächst identifiziert es kritische Muster. Dabei werden Fehlercodes mit mehr als 15 Vorfällen als „KRITISCH“ eingestuft, Geräte mit drei oder mehr Fehlern erhalten eine Austauschempfehlung. Anschließend generiert die KI strukturierte Analyseberichte mit priorisierten Handlungsempfehlungen. Es gilt zu betonen, dass hier noch Arbeit bezüglich des Fine-Tunings anfällt, bevor eine Nutzung in der Produktion vollends möglich sein wird. Dennoch eröffnet die KI schon jetzt eine neue Sichtweise auf die vorhandenen Daten. Des Weiteren visualisiert ein interaktives Dashboard Fehlertrends, zeigt Korrelationen zwischen Messwerten auf und ermöglicht es, potenzielle Qualitätsprobleme frühzeitig zu erkennen, bevor diese zu kostspieligen Reklamationen führen. 

Bemerkenswert ist, dass der gesamte Prototyp unter Nutzung von KI-Tools wie Claude Code [12], ChatGPT [13] und Gemini [14] entwickelt wurde. In nur etwa 60 Arbeitsstunden entstand eine voll funktionsfähige Anwendung mit Django-Backend und React-Frontend. Eine Entwicklungszeit, die ohne KI-Unterstützung ein Vielfaches betragen hätte. Damit validiert der Prototyp nicht nur das Hauptziel der intelligenten Fehleranalyse, sondern demonstriert gleichzeitig das enorme Potenzial von KI in der Softwareentwicklung selbst.

KI im Mittelstand ist keine Zukunftsmusik

Der Schlüssel zur erfolgreichen Implementierung liegt in der systematischen Herangehensweise, der realistischen Erwartungshaltung und dem Mut, mit überschaubaren Proof of Concepts zu starten. Der Prototyp schafft nicht nur die technische Grundlage für eine datengetriebene Qualitätsoptimierung, sondern senkt durch den KI-gestützten Entwicklungsprozess auch die Einstiegshürden für weitere Digitalisierungsprojekte erheblich.

Das könnte Sie auch interessieren

Der neue Kollege im Shopfloor KI-Assistenzsysteme stärken Fachkräfte im Mittelstand

Viele mittelständische Produktionsunternehmen können ihre Fertigung noch nicht vollständig automatisieren. Gleichzeitig eröffnen Fortschritte in Robotik und KI neue Möglichkeiten. Intelligente Mensch-Technik-Systeme verbinden menschliche Erfahrung mit digitalen Assistenzsystemen im Shopfloor. Sie unterstützen Mitarbeitende, erleichtern den Zugang zu Wissen und steigern Produktivität sowie Qualität –auch in gewachsenen Produktionsumgebungen.

Integration statt Inseldenken Smart Production mit Plattformstrategie

ZF hat mit der Digital Manufacturing Platform (DMP) eine der umfassendsten digitalen Transformationen der Fertigungsindustrie umgesetzt. Innerhalb kurzer Zeit entstand ein global einheitliches Produktionsnetzwerk, das Prozesse standardisiert, Daten silos auflöst und End-to-End-Transparenz schafft – alles unter hoher Skalierbarkeit und agilem Tempo, selbst in herausfordernden Zeiten wie der Corona-Pandemie

Digitale Ursachenanalyse senkt Stillstände und Kosten Digital Change Manager spart 60 % Analysezeit und senkt Kosten in der Papierproduktion

Digitale Ursachenanalyse und gezieltes Change Management transformieren die Papierproduktion: Ein Schweizer Hersteller reduziert ungeplante Stillstände, spart 60 % Analysezeit ein und senkt die Kosten mithilfe innovativer digitaler Ansätze. Das Beispiel zeigt, welches Potenzial diese Strategie für Prozesseffizienz und Wettbewerbsfähigkeit hat –wer Manufacturing digital denkt, findet hier Ansätze mit hohem Potenzial.

Smart Cutting – Intelligente Prozesse im Maschinenpark Produktivitätssteigerung im Sägeprozess durch Condition Monitoring und Machine Learning

Smart Cutting kombiniert Digital Retrofit, Condition Monitoring und KI, um die Produktivität im industriellen Sägeschnitt zu steigern. Durch Echtzeit-Datenanalyse und Machine Learning werden Maschinenzustände überwacht, Anomalien erkannt und Materialklassifikation automatisiert – für mehr Effizienz, weniger Stillstand und höhere Produktqualität.

Verbesserung der Transparenz im logistischen Prozessmanagement Die (geheime) Macht von Durchlaufdiagrammen

Werden Führungskräfte aus Unternehmen mit klassischer Werkstattfertigung zu bestehenden Defiziten befragt, äußern sie vor allem Kritik an der mangelnden Transparenz in der Auftragsabwicklung. Zudem bemängeln sie das Fehlen geeigneter Methoden zur Ermittlung realistischer Liefertermine sowie die Liefertreue, die als verbesserungswürdig gilt. Dabei liegen bereits viele Daten und Diagramme vor, die helfen können – sie müssen nur richtig angewendet werden.