15 Oktober 2026

Industrial AI bezeichnet den Einsatz künstlicher Intelligenz für industrielle Aufgaben. Dazu gehören beispielsweise die Auswertung von Qualitätsbildern, die Erkennung auffälliger Maschinenzustände oder die Unterstützung von Planung und Engineering. Maßgeblich ist die Einbindung in einen konkreten technischen und betrieblichen Prozess. Ein gutes Modellergebnis allein belegt noch keinen Nutzen im Produktionsalltag.

Was unterscheidet Industrial AI von allgemeiner KI?

Die verwendeten Methoden können auch außerhalb der Industrie eingesetzt werden. Der Unterschied liegt vor allem in den Anforderungen des Anwendungsfalls: Messbedingungen, Prozesswissen, Reaktionszeiten, Verfügbarkeit und Folgen einer Fehlentscheidung bestimmen die Auslegung. Ein Modell muss in diesem Rahmen funktionieren.

NIST betont im Forschungsprogramm Industrial Artificial Intelligence Management and Metrology, dass industrielle KI einen konkreten Systembedarf erfüllen und innerhalb der Fähigkeiten und Grenzen dieses Systems bewertet werden muss. Für die Praxis bedeutet das: Die Bewertung endet nicht bei einer statistischen Modellkennzahl, sondern betrachtet die Wirkung auf Ablauf und Nutzer.

Typische Anwendungen

Anwendung	Mögliche Aufgabe der KI	Erforderliche Prüfung
Qualitätsprüfung	Auffälligkeiten in Bildern oder Messverläufen erkennen	Übersehene Fehler und unnötige Beanstandungen bewerten
Instandhaltung	Veränderungen von Zustandsmerkmalen erkennen	Relevanz der Meldung und mögliche Reaktion prüfen
Prozessoptimierung	Zusammenhänge oder geeignete Einstellungen vorschlagen	Technische Plausibilität und zulässige Grenzen beachten
Planung	Dauern oder Störungsrisiken schätzen	Prognosefehler und Auswirkungen auf den Plan untersuchen
Wissensunterstützung	Informationen aus Dokumenten auffindbar machen	Quelle, Aktualität und fachliche Richtigkeit kontrollieren

Predictive Maintenance kann KI nutzen, benötigt sie aber nicht in jeder Ausprägung. Umgekehrt ist nicht jede automatische Grenzwertprüfung bereits eine lernende KI-Anwendung. Die konkrete Methode sollte benannt werden, wenn sie für die Bewertung wichtig ist.

Welche Methoden kommen zum Einsatz?

Maschinelles Lernen leitet Modelle aus Beispieldaten ab. Ein Klassifikationsmodell kann etwa zwischen Kategorien unterscheiden, während ein Regressionsmodell eine numerische Größe schätzt. Andere Verfahren suchen ungewöhnliche Muster ohne vollständig vorgegebene Fehlerklassen. Neuronale Netze sind eine mögliche Modellfamilie, nicht die einzige.

Generative KI erzeugt beispielsweise Text oder andere Inhalte. In der Produktion kann sie beim Suchen und Aufbereiten von Informationen unterstützen. Eine flüssig formulierte Antwort ist jedoch kein Nachweis ihrer Richtigkeit. Für technische Entscheidungen müssen Quellen und Gültigkeit überprüfbar bleiben.

Auch die Verbindung von Prozesswissen und datenbasierten Verfahren ist möglich. Physikalische Modelle können bekannte Zusammenhänge beschreiben, während lernende Komponenten bestimmte Restzusammenhänge abbilden. Die passende Lösung muss nicht die komplexeste sein. Eine einfache nachvollziehbare Regel ist ein sinnvoller Vergleichsmaßstab, wenn sie die Aufgabe bereits gut erfüllt.

Praxisbeispiel: Warum 99 Prozent Genauigkeit nicht reichen

Das folgende Beispiel ist fiktiv. Ein Testdatensatz enthält 10.000 Bauteile, davon 100 mit einem definierten Fehler und 9.900 ohne diesen Fehler. Ein System, das jedes Teil als fehlerfrei bezeichnet, erreicht rechnerisch 99 Prozent richtige Entscheidungen. Es erkennt jedoch keinen einzigen Fehler.

Ein anderes Modell erkennt 90 der 100 fehlerhaften Teile und übersieht zehn. Zusätzlich beanstandet es 99 tatsächlich fehlerfreie Teile. Damit markiert es insgesamt 189 Teile als auffällig. Der Anteil erkannter Fehler beträgt 90 Prozent. Von den markierten Teilen sind etwa 47,6 Prozent tatsächlich fehlerhaft, gerechnet als 90 / 189.

Ob dieses Ergebnis geeignet ist, hängt vom Einsatz ab. Als Vorauswahl für eine anschließende Prüfung kann es anders bewertet werden als für eine automatische Freigabe ohne weitere Kontrolle. Die zehn übersehenen Fehler und die 99 unnötigen Beanstandungen haben unterschiedliche Folgen. Diese müssen ausdrücklich betrachtet werden.

Das Beispiel zeigt außerdem, dass die Fehlerhäufigkeit die Aussage bestimmter Kennzahlen beeinflusst. Ein künstlich zusammengestellter Test mit gleich vielen guten und fehlerhaften Teilen bildet den späteren Betrieb nicht automatisch ab. Testergebnisse sollten deshalb in ihrem Kontext berichtet werden.

Daten und Testaufbau

Die benötigten Daten müssen die spätere Aufgabe ausreichend repräsentieren. Dazu gehören relevante Varianten, Betriebszustände und bekannte Störungen. Produktionsdaten und Prozessdaten benötigen eindeutige Zuordnungen. Falsche oder uneinheitliche Bewertungskennzeichen können ein Modell in die falsche Richtung trainieren.

Trainingsdaten dienen der Anpassung des Modells. Für eine belastbare Bewertung werden davon getrennte Daten benötigt. Wenn fast identische Bilder desselben Bauteils oder Messabschnitte desselben Zyklus in Training und Test landen, kann das Ergebnis zu günstig erscheinen. Die Trennung sollte die spätere Anwendung sinnvoll nachbilden.

Auch Informationen, die zum Entscheidungszeitpunkt noch nicht verfügbar wären, dürfen nicht unbemerkt als Eingabe dienen. Eine Prognose des Ausschusses wäre beispielsweise wertlos, wenn sie bereits eine spätere Ausschussbuchung verwendet. Solche Informationslecks müssen im Datenaufbau vermieden werden.

Vom Pilot zum laufenden Betrieb

Aufgabe begrenzen: Ziel, Nutzer, Eingaben und erlaubte Wirkung festlegen.
Vergleichsbasis bestimmen: Den bisherigen Ablauf oder eine einfache Methode messen.
Daten prüfen: Qualität, Repräsentativität und Zuordnung bewerten.
Modell testen: Relevante Fehlerarten und Betriebsbedingungen untersuchen.
Einbindung erproben: Ergebnisanzeige, Reaktion und Ausnahmefälle im Prozess prüfen.
Betrieb organisieren: Überwachung, Änderungen und Rückfallverfahren festlegen.

Ein zunächst beratender Einsatz kann helfen, Ergebnisse mit dem bisherigen Verfahren zu vergleichen. Soll die KI unmittelbar in einen Prozess eingreifen, sind die Anforderungen an Freigabe und Nachweis entsprechend dem konkreten Einsatz zu bestimmen. Ein erfolgreicher Versuch ersetzt keine vollständige Bewertung der späteren Wirkung.

Fraunhofer IPA behandelt im Themenfeld zuverlässige KI unter anderem Robustheit, Erklärbarkeit und die Berücksichtigung von Unsicherheit. Diese Eigenschaften sind keine pauschalen Etiketten. Sie müssen für die tatsächliche Anwendung und ihre Nutzer überprüfbar beschrieben werden.

Überwachung nach der Einführung

Produktvarianten, Beleuchtung, Sensoren und Materialeigenschaften können sich verändern. Dadurch kann eine zuvor brauchbare Auswertung schlechter werden. Nicht jede Datenänderung verschlechtert zwangsläufig das Modell, aber sie kann eine erneute Prüfung auslösen. Die Überwachung sollte deshalb Eingaben und tatsächliche Ergebnisqualität berücksichtigen.

Ein Modell lernt im Betrieb nicht automatisch weiter. Viele Anwendungen verwenden einen festen freigegebenen Stand. Ein erneutes Training ist eine Änderung, die getestet und dokumentiert werden sollte. Sonst ist später möglicherweise unklar, welches Modell eine bestimmte Entscheidung getroffen hat.

Zu den laufenden Kosten gehören Datenpflege, Überwachung, Integration und die Bearbeitung falscher Meldungen. Für eine wirtschaftliche Bewertung sind diese Aufwände zusammen mit dem tatsächlichen Nutzen zu betrachten. Ein guter Testwert allein begründet keinen positiven ROI.

Häufige Fragen zu Industrial AI

Benötigt industrielle KI immer sehr große Datenmengen?

Nein. Der Bedarf hängt von Aufgabe und Verfahren ab. Entscheidend sind geeignete, repräsentative und richtig zugeordnete Beispiele. Eine große Menge sehr ähnlicher Daten kann wichtige Fehlerfälle trotzdem nicht enthalten. Prozesswissen, vortrainierte Modelle oder einfachere Verfahren können den Aufwand beeinflussen. Eine allgemeingültige Mindestzahl ist ohne konkreten Anwendungsfall nicht sinnvoll.

Kann KI fehlendes Prozesswissen ersetzen?

Nur begrenzt. Modelle können Muster erkennen, erklären aber nicht automatisch deren technische Ursache. Fachwissen wird benötigt, um Daten auszuwählen, Ergebnisse zu bewerten und geeignete Maßnahmen abzuleiten. Ohne dieses Wissen besteht die Gefahr, zufällige Zusammenhänge als belastbare Regeln zu behandeln oder wichtige Randbedingungen der Produktion zu übersehen.

Ist ein erklärbares Modell automatisch zuverlässig?

Nein. Verständliche Erklärungen können die Prüfung unterstützen, beweisen aber nicht die Richtigkeit aller Ergebnisse. Ein einfaches Modell kann systematisch falsch liegen; eine anschauliche Erklärung kann unvollständig sein. Zuverlässigkeit muss anhand geeigneter Tests, relevanter Betriebsbedingungen und der beobachteten Fehler bewertet werden. Erklärbarkeit ist ein zusätzlicher Aspekt dieser Bewertung.

Muss Industrial AI in der Cloud laufen?

Nein. Auswertungen können lokal, auf einem Industriecomputer oder über zentrale Infrastruktur erfolgen. Edge Computing kann für maschinennahe Verarbeitung geeignet sein. Die Entscheidung hängt von Reaktionszeit, Datenmenge, Verfügbarkeit und Betriebsanforderungen ab. Eine Cloud-Anbindung allein verbessert weder die Datenqualität noch die fachliche Aussage des Modells.

Wann ist ein KI-Projekt erfolgreich?

Wenn es die definierte Aufgabe unter den vorgesehenen Bedingungen besser erfüllt und der Nutzen den erforderlichen Aufwand rechtfertigt. Dazu gehören die Integration in den Arbeitsablauf und eine passende Behandlung von Fehlern. Ein Modell mit hoher Testleistung, dessen Meldungen niemand sinnvoll nutzen kann, hat den betrieblichen Zweck noch nicht erreicht.

Quellen und weiterführende Informationen

Stand: Oktober 2026. Das Klassifikationsbeispiel ist fiktiv und keine Vorgabe für zulässige Fehlerquoten.