Smart Factory beginnt selten mit KI

Man kann die Zukunft der Produktion an großen Worten aufhängen. Künstliche Intelligenz, Smart Factory, Agenten, autonome Linien, digitale Souveränität. Man kann damit Kongresse füllen, Papiere beschriften, Förderlogiken bedienen. In der Fabrik entscheidet sich die Sache an anderer Stelle. Weiß das Unternehmen, wo sein Material liegt? Weiß es, welche Maschine wann läuft? Weiß es, welcher Auftrag stockt? Weiß es, welche Daten stimmen? Weiß es, welche Planung noch Erfahrung ist und welche Planung bereits Routine sein könnte?

Der virtuelle Roundtable „KI in der Smart Factory: Von der Vision zum konkreten Einsatz“ führte genau in diese Zone, in der aus Zukunftssprache betriebliche Wirklichkeit wird. Gastgeber war Thorsten Strebel von MPDV, Impulse kamen von Kevin Mahler von VACOM und Georgios Kabitoglou von der MOESCHTER Group, moderiert von Winfried Felser. Der Titel klang nach KI. Die Debatte zeigte etwas Wichtigeres: Der Weg zur intelligenten Fabrik beginnt oft weit vor dem ersten KI-Modell. Er beginnt dort, wo Unternehmen ihre Produktion überhaupt sehen lernen.

Das klingt banal. Es ist in vielen Betrieben noch immer die entscheidende Revolution. Plantafeln, Excel-Tabellen, Inselwissen, Erfahrungsköpfe, stille Umwege, Materialsuche, improvisierte Reihenfolgen, halbdigitale Abläufe: Das ist keine Ausnahme. Kevin Mahler beschrieb, wie groß die Spannweite im Mittelstand noch ist. Manche Unternehmen sind auf dem Weg zur vernetzten Fabrik. Andere kämpfen noch mit dem Urschleim der Daten. Wer über KI redet und diese Lage überspringt, baut Kathedralen auf Nebel.

Thorsten Strebel brachte es auf eine einfache Formel: Es geht nicht darum, KI um der KI willen einzuführen. Erst braucht die Produktion ein semantisches Modell ihrer selbst. Sie muss sich digital darstellen können, damit Anwendungen auf verlässliche Daten zugreifen. Aus dieser Perspektive ist ein MES-System kein alter Hut, kein Verwaltungsinstrument, kein digitaler Aktenschrank. Es wird zur Grammatik der Fabrik. Ohne Grammatik kein Satz. Ohne Datenmodell keine brauchbare Intelligenz.

Der Bagger im Kopf der Fertigungssteuerung

Georgios Kabitoglou erzählte vom Umbau der Fertigungssteuerung mit einem Bild, das jeder versteht. Früher hatten die Mitarbeitenden Schaufeln. Sie bewegten Erde. Dann bekamen sie einen Bagger. Die Arbeit verschwand nicht. Sie wechselte die Ebene. Man bewegte weiter Erde, nun mit größerem Hebel, anderer Übersicht, neuer Verantwortung. Aus Schaufelträgern wurden Baggerfahrer.

Genau dieses Bild taugt besser als viele technische Erklärungen. Es nimmt die Angst ernst, ohne sie zu adeln. Es zeigt den Unterschied zwischen Ersatz und Aufwertung. Die Menschen verlieren nicht automatisch Bedeutung, weil Systeme mehr rechnen. Sie verlieren Bedeutung, falls Unternehmen sie auf die alte Schaufellogik festnageln und ihnen den Bagger vorenthalten.

Bei MOESCHTER war der Umbau kein Schönwetterprojekt. Kabitoglou sprach von Produktivität, Profitabilität, Überlebensfähigkeit in schwierigen Zeiten des deutschen Maschinen- und Anlagenbaus. Die Zahlen aus dem Roundtable sind handfest: aus fünf Personen in der Fertigungssteuerung wurden drei bei gleicher Arbeitsmenge, die Liefertreue stieg um elf Prozentpunkte, die Maschinenauslastung verbesserte sich, die Produktions- und Durchlaufzeiten sanken um 49 Prozent. Das ist kein KI-Märchen, das ist betriebliche Wirkung.

Gerade deshalb ist die Geschichte interessant. Die Technologie war wichtig. Entscheidend wurde sie erst durch Übersetzung. Die Mitarbeitenden mussten verstehen, dass der Bagger kein Feind ist. Sie mussten das neue System kennenlernen wie einen neuen Partner. Die ersten Wochen fühlten sich fremd an. Danach entstand eine neue Routine. Am Ende fragte niemand mehr sehnsüchtig nach der Schaufel.

Hidden Digital Champions statt Plattformromantik

In der Debatte tauchte die große Frage digitaler Souveränität auf. Die Hyperscaler investieren Summen, die Europa nicht einfach nachbilden kann. Google, Microsoft, Amazon, Meta und andere bauen Rechenleistung, Chips, Cloud-Infrastrukturen und KI-Plattformen in einer Kapitaldimension auf, die jeden europäischen Nachbauplan klein aussehen lässt. Der Wunsch nach einem europäischen Google hat etwas Tröstliches. Er hat auch etwas Historisches: Europa wollte schon häufiger den großen amerikanischen Plattformen ein eigenes Spiegelbild entgegenstellen. Das Ergebnis war selten weltbewegend.

Aus dieser Einsicht folgt kein Rückzug. Sie führt zu einer präziseren Strategie. Deutschland muss nicht den nächsten Hyperscaler erfinden, um in der KI-Ökonomie Wert zu schaffen. Der größere Hebel liegt in der Anwendung, im Produktionswissen, in der Datenkompetenz der Betriebe, in branchennahen Plattformen, in Edge-Lösungen, in maschinennahen Modellen, in Software, die die reale Fabrik versteht.

Hier liegt die Chance von MPDV und ähnlichen Hidden Digital Champions. Sie sitzen näher an der Produktion als die großen Plattformkonzerne. Sie kennen nicht nur Rechenzentren, sie kennen Aufträge, Maschinen, Stillstände, Rüstzeiten, Materialflüsse, Qualitätsprobleme. In dieser Nähe entsteht Intelligenz, die kein allgemeines Sprachmodell aus sich selbst hervorzaubert. Die Fabrik ist keine Chatoberfläche. Sie ist ein Geflecht aus Anlagen, Menschen, Daten, Taktzeiten, Lieferzusagen und Störungen.

Der Roundtable zeigte: Ein erheblicher Teil des KI-Werts entsteht gar nicht aus riesigen Sprachmodellen. Viele wirksame Anwendungen beruhen auf klassischem maschinellen Lernen, Statistik, Prognosen, Mustererkennung, Planung, Optimierung. Manchmal reicht eine multiple Regression, um Millionen zu sparen. Das klingt weniger glamourös als ein allwissender Agent. Es wirkt dafür in der Bilanz.

Die großen Modelle sind nicht die einzige Zukunft

Die öffentliche KI-Debatte klebt am Spektakel der großen Sprachmodelle. Claude, ChatGPT, Gemini, Llama, Mistral: Die Namen wandern durch Vorträge wie früher die Namen von Automarken. Doch in der Produktion zählt ein anderer Maßstab. Ein System darf keine schöne Geschichte erfinden, wenn ein Auftrag falsch geplant ist. Eine Maschine braucht kein poetisches Selbstgespräch. Sie braucht verlässliche Daten, klare Parameter, robuste Entscheidungen.

Thorsten Strebel wies darauf hin, dass KI in der Produktion häufig auf verlässlicheren, kleineren, spezifischeren Grundlagen aufbauen muss. Für viele Aufgaben braucht man kein Kernkraftwerk neben dem Rechenzentrum. Manche Anwendungen laufen am Rand der Produktion, nahe an der Maschine. Edge statt Wolkenromantik. Ein Modell muss nicht die Welt erklären, um eine Rüstzeit besser zu schätzen oder einen Ablauf sinnvoller zu planen.

Diese Verschiebung ist wirtschaftspolitisch zentral. Die USA können gigantische Rechenzentren bauen. Europa kann Maschinen, Prozesse, Spezialsoftware und Anwendungswissen verbinden. Der Wettbewerb wird dann nicht allein über Kapitalkraft entschieden. Er wird über die Fähigkeit entschieden, KI in reale Wertschöpfung einzubauen.

Daraus entsteht auch eine andere Architekturfrage. Muss jedes Unternehmen seine kleinen Produktionsprobleme wieder und wieder neu trainieren? Oder lassen sich Modelle, Erfahrungen und Anwendungen so teilen, dass Betriebe schneller vorankommen, ohne ihre Daten leichtfertig aus der Hand zu geben? Ingo Savilla brachte die systemische Perspektive ein: Kollaboration, gemeinsame Regeln, geteilte Zugriffsmuster, Manufacturing-X-Logik. Der Gedanke reicht weiter als der übliche Plattformreflex. Er fragt, ob Deutschland aus vielen mittelständischen Speziallösungen eine neue gemeinsame Leistungsfähigkeit bauen kann.

Der Mensch ist kein Störfaktor im Algorithmus

Die Smart Factory scheitert selten nur an Technologie. Sie scheitert an Verantwortlichkeiten, Ängsten, Datenqualität, alten Rollenbildern, fehlendem Mut, schlecht erklärten Projekten und der Illusion, man könne Menschen nachträglich für fertige Lösungen gewinnen. Patrick aus dem Phoenix-Contact-Kontext erinnerte an Erfahrungen mit Pilotprojekten, Use Cases und früher Einbindung der Mitarbeitenden. Bei Planungssystemen war die Technik oft längst verfügbar. Die eigentliche Hürde lag darin, das Wissen der Planer aus den Köpfen zu holen, ohne sie zu enteignen.

Das ist der empfindliche Punkt. In vielen Betrieben ist Planung nicht nur Prozess. Sie ist Status. Wer plant, verfügt über Erfahrungswissen, Einfluss, Deutungshoheit. Kommt nun ein System, das Prognosen liefert, Reihenfolgen berechnet und Alternativen vorschlägt, wird nicht nur Arbeit automatisiert. Es wird eine soziale Ordnung berührt.

Die klügere Lösung liegt im hybriden Modell. Mensch und Maschine planen gemeinsam. Die Maschine erkennt Muster, der Mensch kennt Sonderlagen. Karneval in Köln, Sonderschichten, Lieferantenzicken, Eigenheiten einer Anlage, das Erfahrungswissen der Meister und Planer: All das muss in die betriebliche Intelligenz hinein. KI ersetzt dann nicht Urteil. Sie zwingt Unternehmen, Urteil neu zu organisieren.

Phoenix Contact hatte schon in der Industrie-4.0-Phase gezeigt, dass Qualifizierung keine Dekoration ist. Akademien, interne Kommunikation, Workshops, veränderte Rollen von Meistern und Werkern: Das alles gehört zur Smart Factory. Wer heute über KI-Agenten auf dem Shopfloor spricht, muss die alte Lektion erneut lernen. Der Mensch verschwindet nicht aus der Fabrik. Er wechselt seine Funktion. Er muss lernen, mit Systemen zu prüfen, zu steuern, zu korrigieren, zu entscheiden.

50 Milliarden als Dünger

Georgios Kabitoglou setzte am Ende einen wirtschaftspolitischen Akzent, der aus der üblichen Förderlogik herausfällt. Deutschland müsse mehr Risiko wagen. Nicht jede Innovation könne durch Ausschreibungen, Wettbewerbe, Gremien und Prüfverfahren entstehen. Sein Vorschlag: 50 Milliarden Euro aus dem staatlichen Finanzrahmen als Risikokapital breit in die Startup-Szene geben, ohne die üblichen Konditionsgebirge. Nach dem Gießkannen-Prinzip. Genau darin liegt die Provokation.

Die deutsche Förderkultur liebt Zielkorridore, Förderaufrufe, Konsortiallogiken, Antragsfristen, Nachweispflichten, Bewertungsgremien. Sie will den Erfolg prüfen, bevor das Risiko stattfinden darf. Das passt schlecht zu Software, KI und schnellen Geschäftsmodellen. In den USA entscheidet Kapital oft früher, schneller, brutaler. Nicht jede Idee überlebt. Viele verbrennen Geld. Einige bauen Märkte. Kabitoglous Hinweis zielt auf diesen Unterschied: In Deutschland fehlt häufig der Dünger, bevor etwas wachsen kann.

Man kann über die Zahl streiten. Man kann über die Gießkanne streiten. Der Kern bleibt. Wer will, dass Startups in Deutschland bleiben, wachsen und nicht beim ersten ernsthaften Angebot aus den USA verkauft werden, braucht mehr Risikokapital, mehr Geschwindigkeit, mehr Fehlertoleranz. Der Inflation Reduction Act in den USA zeigte, wie wirtschaftspolitische Großsignale Märkte bewegen können. Deutschland dagegen verteilt zu oft Chancen in homöopathischen Dosen und wundert sich über die Nebenwirkungsarmut.

Für die Smart Factory ist das keine Randfrage. Die nächste Welle produktiver KI entsteht in Anwendungen, Apps, Agenten, Modellen, Schnittstellen, Datenräumen und spezialisierten Softwarebausteinen. Genau dort könnten europäische Anbieter gewinnen. Dafür brauchen sie Kapital, Kunden, Testfelder und Beschleunigung. Wer jedes Vorhaben erst in dreijährige Projektlogiken zwingt, verliert gegen jene, die in drei Monaten den Markt testen.

Der Mittelstand braucht keine KI-Mystik

Die wichtigste Empfehlung aus dem Roundtable war fast altmodisch: anfangen. Nicht mit Großprojekten, die schon im Pflichtenheft ermüden. Nicht mit KI-Shows, die mehr über den Anbieter als über die Produktion verraten. Nicht mit Angst vor Kontrollverlust, die jede private ChatGPT-Nutzung dämonisiert und jede betriebliche Nutzung blockiert. Anfangen mit konkreten Problemen, überschaubaren Experimenten, klaren Nutzenfragen, kleinen Erfolgen.

Kevin Mahler sprach vom Mut zu Trial and Error. Dieser Satz passt nicht gut zur deutschen Projektkultur. Dort will man vor dem Start wissen, was nach der Kurve liegt. KI-Projekte funktionieren anders. Man braucht Hypothesen, Daten, schnelle Tests, Lernschleifen, sichtbare Ergebnisse. Der erste Erfolg muss nicht perfekt sein. Er muss zeigen, dass ein anderer Weg möglich ist.

Thorsten Strebel ergänzte die Gegenfrage: Muss es überhaupt KI sein? Auch das ist heilsam. Viele Unternehmen brauchen zuerst Transparenz, Ordnung, digitale Daten, saubere Abläufe. Wer Material noch sucht, muss nicht mit Agenten beginnen. Wer Aufträge nicht durchgängig sieht, braucht keine semantische Weltrettung. Wer Stammdaten vernachlässigt, sollte nicht über autonome Fabriken sprechen. Intelligenz beginnt mit Aufräumen.

Das klingt klein. Es ist groß genug. Der Mittelstand braucht keine KI-Mystik. Er braucht eine Treppe. Erste Stufe: Daten sichtbar machen. Zweite Stufe: Abläufe digital abbilden. Dritte Stufe: Planung verbessern. Vierte Stufe: Prognosen einsetzen. Fünfte Stufe: spezialisierte Anwendungen und Agenten ergänzen. Jede Stufe muss Nutzen erzeugen. Jede Stufe muss Menschen mitnehmen. Jede Stufe muss in die vorhandene Produktion passen.

Die Fabrik als Schule des Realismus

Der Roundtable machte sichtbar, dass die Smart Factory nicht an Zukunftsbildern scheitert. Bilder gibt es genug. Sie scheitert an der Übersetzung in den Betrieb. Sie scheitert an fehlenden Daten, an veralteten Rollen, an Kapitalmangel, an Angst vor Experimenten, an falschen Plattformträumen, an der Verwechslung von Digitalisierung und Softwarekauf.

Deutschland braucht deshalb eine neue Ehrlichkeit. Die Hyperscaler werden nicht verschwinden. Ihre Kapitalkraft bleibt überwältigend. Die europäische Antwort liegt nicht im Nachbau ihrer Größe. Sie liegt im Aufbau eigener Tiefe. Hidden Champions und Hidden Digital Champions müssen KI dort einsetzen, wo Produktion, Daten und Fachwissen zusammenfallen. Der Staat muss Risiko erleichtern, statt Innovation in Verfahren zu zerlegen. Unternehmen müssen klein beginnen, aber nicht klein denken.

Die Smart Factory ist keine ferne Vision mehr. Sie steht bei einigen längst in der Halle. Bei anderen hängt noch die Plantafel. Dazwischen liegt der eigentliche Auftrag. Die Gauß-Kurve der Produktionsreife muss nach rechts wandern. Nicht durch Gerede. Durch Daten, Plattformen, Mut, Kapital, Qualifizierung und Anwendungen, die Ergebnisse liefern.

Vielleicht ist der Bagger aus Kabitoglous Bild das beste Symbol. Deutschland muss nicht jeden Bagger selbst bauen, nicht jeden Motor erfinden, nicht jedes Stahlteil selbst gießen. Es muss wissen, wo gebaggert werden soll, wer den Bagger fährt, welche Erde bewegt wird und welcher Bau am Ende entsteht. Wer weiter mit der Schaufel hantiert, während andere die Baustelle neu vermessen, braucht sich über den Rückstand nicht zu wundern.