Die meisten Menschen denken bei „KI in der Fertigung“ an Roboterarme für Millionenbeträge oder vollautomatisierte Fabrikhallen. Doch für die kleinen Maschinenbaubetriebe mit 10 Mitarbeitern, mit denen ich wöchentlich spreche, fühlt sich diese Vision wie Science-Fiction an. Sie sorgen sich nicht um humanoide Roboter, sondern um steigende Materialkosten und die hauchdünnen Margen bei der Produktion kleiner Losgrößen mit hoher Varianz. Ich habe kürzlich mit einem spezialisierten Feinmechanik-Unternehmen zusammengearbeitet, das bewiesen hat, dass man kein massives Forschungsbudget benötigt, um die eigene Werkstatt zu transformieren. Durch die Identifizierung der besten KI-Tools für die Fertigung, die tatsächlich in ein begrenztes Budget passen, gelang es ihnen, ihren Materialausschuss in nur sechs Monaten um 30 % zu senken.
Hierbei ging es nicht darum, qualifizierte Zerspanungsmechaniker zu ersetzen. Es ging darum, das zu schließen, was ich als die Präzisionslücke bezeichne – die Distanz zwischen dem, was eine manuelle Tabellenkalkulation vorhersagt, und dem, was tatsächlich in der Werkstatt passiert. In einem kleinen Betrieb ist diese Lücke der Ort, an dem der Gewinn stirbt.
Das Problem: Die „Kleinserien-Steuer“
💡 Möchten Sie, dass Penny Ihr Unternehmen analysiert? Sie legt fest, welche Rollen KI ersetzen kann und erstellt einen Stufenplan. Starten Sie Ihre kostenlose Testversion →
Bevor wir uns mit KI befassten, litt dieser Betrieb unter dem, was ich die Kleinserien-Steuer nenne. In der Großserienfertigung kann man sich zu Beginn einer 10.000-Stück-Serie einige Fehlteile zur Kalibrierung leisten. Wenn man jedoch nur 15 Einheiten einer hochspezifizierten Luftfahrtkomponente fertigt, ist ein Fehler kein Rundungsfehler mehr – er entspricht 7 % des Gesamtumsatzes für diesen Auftrag.
Ihr Ausschuss resultierte nicht aus Inkompetenz. Er entstand in drei spezifischen Bereichen, in denen die menschliche Intuition schlichtweg nicht mit Datenmustern konkurrieren kann:
- Überbestellung von Material „für alle Fälle“, da die Lieferzeiten unvorhersehbar waren.
- Kalibrierungsdrift, die unbemerkt blieb, bis eine Charge fertiggestellt war und die Qualitätskontrolle nicht bestand.
- Das „Nachmittagstief“ – Fehler, die sich in den letzten zwei Stunden einer Schicht einschlichen, wenn die Konzentration nachließ.
Sie gaben monatlich fast £4,000 für entsorgtes Aluminium und Nachbearbeitungen aus. In unserem Leitfaden für Einsparungen in der Fertigung erfahren Sie, wie diese Zahlen im Branchenvergleich abschneiden. Bei der Betrachtung ihrer Gewinn- und Verlustrechnung wurde klar: Sie verloren kein Geld, weil sie schlechte Teile fertigten; sie verloren Geld, weil sie bei den Variablen nur raten konnten.
Phase 1: Prädiktive Materialbedarfsplanung (MRP)
Wir begannen mit ihrer Materialbedarfsplanung. Traditionelle MRP-Systeme sind statisch. Man gibt dem System eine Lieferzeit von 5 Tagen vor, und es verlässt sich dauerhaft darauf. KI-gestützte MRP-Tools sind jedoch dynamisch – sie lernen aus jeder Transaktion.
Wir haben ein Tool integriert, das Lieferantenleistung, Versandverzögerungen und den historischen Durchsatz in der Werkstatt abgleicht. Anstatt basierend auf einem „Bauchgefühl“ zu bestellen, dass ein Lieferant zu spät kommen könnte, signalisierte die KI, dass die Lieferzeiten eines bestimmten Legierungslieferanten jedes Mal um 22 % stiegen, wenn in dessen Region ein Feiertag anstand.
Das Ergebnis: Überbevorratung wurde gestoppt. Durch die Anpassung des Lagerbestands an reale Ankunftsmuster wurden in den ersten 90 Tagen £12,000 an Cashflow freigesetzt. Dies ist ein wesentlicher Bestandteil der Reduzierung von Produktionsabfällen – es geht nicht nur um die Mülltonne, sondern um das verschwendete Kapital, das ungenutzt im Regal liegt.
Phase 2: Computer Vision für kleine Budgets
Qualitätskontrolle ist meist der Bereich, in dem der größte Ausschuss entsteht. Für diesen Betrieb bedeutete ein einziger Mikroriss oder eine Abweichung von 0,01 mm, dass das Teil Schrott war. Traditionell erforderte dies eine Person mit einer Mikrometerschraube oder eine High-End-Koordinatenmessmaschine (CMM), die 20 Minuten pro Teil benötigte.
Wir haben keine neue CMM gekauft. Stattdessen setzten wir auf KI-basierte Computer Vision – konkret ein „Edge“-Gerät, das mit einer hochauflösenden Kamera über dem Ausgabeschacht verbunden ist. Wir haben das Modell mit 200 „perfekten“ Teilen und 50 „defekten“ Teilen trainiert. Jetzt scannt die KI jedes Teil in Millisekunden.
Wenn sie einen Trend erkennt – zum Beispiel fünf Teile in Folge, die sich der oberen Toleranzgrenze nähern – warnt sie den Mechaniker, bevor das sechste Teil zum Ausschuss wird. Dies ist der Übergang von der detektiven Qualitätskontrolle (den Fehler finden) zur prädiktiven Qualitätskontrolle (ihn verhindern).
Die besten KI-Tools für die Fertigung (Edition für kleine Betriebe)
Wenn Sie diese Erfolge replizieren möchten, suchen Sie nicht nach Enterprise-Lösungen, die für Ford oder Boeing entwickelt wurden. Sie benötigen Tools, die modular, cloudbasiert und „Low-Code“ sind. Hier sind die Tools, die ich derzeit für kleinere Betriebe empfehle:
1. Tulip (Frontline Operations)
Tulip ermöglicht es Ihnen, „Apps“ für Ihre Werkstatt zu erstellen, ohne programmieren zu können. Es verbindet sich mit Ihren vorhandenen Maschinen und nutzt KI, um die Leistung der Bediener und die Maschinenlaufzeiten zu analysieren. Es ist perfekt geeignet, um festzustellen, wo die „Kleinserien-Steuer“ gezahlt wird.
2. Katana (Smart Inventory & MRP)
Für Betriebe mit 10 bis 50 Mitarbeitern ist Katana oft die ideale Lösung. Die jüngsten Entwicklungen im Bereich der KI-gestützten Prognosen helfen Ihnen genau zu verstehen, wann Sie Materialien kaufen sollten. Es ist eines der besten KI-Tools für die Fertigung, wenn Ihr Hauptziel die Cashflow-Optimierung ist.
3. Landing AI (Visuelle Inspektion)
Gegründet von Andrew Ng, ist dies die zugänglichste Computer-Vision-Plattform, die ich kenne. Sie benötigen keinen Datenwissenschaftler, um sie zu trainieren. Ein leitender Mechaniker kann der KI an einem Nachmittag mit einem iPhone oder einer Standard-Industriekamera „beibringen“, wie ein gutes Teil aussieht.
Die Strategie: Die 90/10-Regel in der Werkstatt
Eines meiner Kernkonzepte ist die 90/10-Regel: Die KI sollte die 90 % der wiederholbaren, datenintensiven Überwachung übernehmen, damit sich Ihre menschlichen Experten auf die 10 % der hochwertigen Problemlösungen konzentrieren können.
In diesem Betrieb waren die Mechaniker anfangs skeptisch. Sie dachten, die „Blackbox“ sei dazu da, ihre Toilettenpausen zu kontrollieren. Ich musste ehrlich zu ihnen sein: Die KI ist dazu da, sicherzustellen, dass ihre harte Arbeit nicht im Recyclingbehälter landet. Als sie sahen, wie die KI ein Problem mit Werkzeugverschleiß erkannte, das eine Überstundenschicht am Sonntag ruiniert hätte, änderte sich die Einstellung.
Die abschließende Analyse: ROI der Transformation
Betrachten wir die nackten Zahlen.
- Software-/Hardwarekosten: £450/Monat (Abonnements und einige Kameras).
- Implementierungszeit: 4 Wochen passive Datenerfassung, 2 Wochen aktive Nutzung.
- Reduzierung des Materialausschusses: 30 % (£1,200/Monat gespart).
- Kapazitätssteigerung: 15 % (durch weniger Nachbearbeitungszeit).
Für diesen 10-Personen-Betrieb bringt die Investition von £450 einen monatlichen Gegenwert von fast £2,500. Das ist kein „Technikexperiment“, sondern eine grundlegende Veränderung der Wirtschaftlichkeit ihres Unternehmens.
Wenn Sie Ihre Werkstatt immer noch mit Whiteboards und Tabellen steuern, sind Sie nicht nur „old school“ – Sie zahlen eine Steuer, die Ihre KI-gestützten Wettbewerber bereits abgeschafft haben. Das Zeitfenster, um diese Tools einzuführen, während sie noch einen Wettbewerbsvorteil bieten, schließt sich. Bald wird dies kein „Erfolg“ mehr sein, sondern die Grundvoraussetzung für das Überleben.
Sind Sie bereit zu sehen, wo Ihr Betrieb Geld verliert? Nutzen Sie unser Analyse-Tool für Einsparungen und lassen Sie uns Ihre ersten 10 % finden.