KI in der Elektronikfertigung Realität statt Leuchttürme: Wo KI in der Fertigung wirklich Mehrwert bringt

Künstliche Intelligenz gilt als Schlüsseltechnologie, doch in der Elektronikfertigung zeigt sich: Der größte Mehrwert entsteht durch konkrete, prozessnahe Anwendungen. Ein Gespräch mit Mathworks auf der Embedded World 2026 zeigt, wo realistische Einstiegspunkte liegen.

Künstliche Intelligenz in der Fertigung klingt vielversprechend, doch vielen Unternehmen fehlt die konkrete Vision, wo sie ansetzen sollen. Workshops zu KI enden oftmals weit entfernt von den tatsächlichen Produktionsprozessen.

Im Gespräch mit Christoph Stockhammer und Frank Graeber von Mathworks auf der Embedded World 2026 wurde deutlich: Die sinnvollsten Anwendungsfälle liegen nicht in generativer KI, sondern in klassischen KI-Ansätzen für Monitoring, virtuelle Sensoren und Regelungstechnik.

Das Problem: Zwischen Hype und fehlenden Use Cases

Künstliche Intelligenz ist in aller Munde. Das ist wenig verwunderlich, hat die Technologie in den vergangenen Jahren doch sehr viele Bereiche des öffentlichen Lebens durchdrungen – bis zu einem Punkt, an dem vielen Anwendern nicht einmal klar ist, dass sie KI nutzen. Künstliche Intelligenz wird auch von Wirtschaft und Politik als Zukunftsfeld gesehen, in dem die deutsche Industrie leuchten kann. Es geht so weit, dass sogar mittelgroße und kleine Unternehmen über KI in der Produktion sprechen. Doch in vielen Fällen scheitert die Vision an konkreten Anwendungsfällen.

Die Erwartung selbst ist oft geprägt von den Schlagzeilen über ChatGPT und generative KI. Dabei handelt es sich vielfach um Technologien, die für Fertigungsprozesse häufig nicht die richtige Lösung sind. „Man muss zunächst definieren, was KI überhaupt bedeutet“, erklärt Christoph Stockhammer, Principal Application Engineer bei Mathworks. „Vieles von dem, was wir in der Fertigung sehen, ist klassische KI – nicht generative KI. Es handelt sich um Netzwerkarchitekturen, die mit Signal- und Kameradaten arbeiten.“ Die Frage ist also nicht, ob KI in der Elektronikfertigung Sinn macht, sondern wo der realistische Einstieg liegt und wann sich der Entwicklungsaufwand wirtschaftlich rechtfertigt.

Drei zentrale Anwendungsbereiche für KI in der Fertigung

Vielleicht mag es dem einen oder anderen nicht klar sein, doch künstliche Intelligenz kommt bereits in der Produktion zum Einsatz. Es gibt einige Anwendungsfälle, in denen KI bereits nah ist oder gar zum Standard gehört. Einige andere folgen der Vision der sinnvollen Integration. Denn wer sich mit KI in der Fertigung auseinandersetzen will, muss sich zuvor klar darüber sein, was die Technologie im besten Fall eigentlich leisten soll.

Computer Vision: Intelligente Überwachung von Produktionsprozessen

Der klassischste Einstiegspunkt für KI in der Fertigung liegt in der visuellen Überwachung. Kameras über Fließbändern erfassen Bauteile in Echtzeit, KI-Modelle analysieren die Bilder auf Fehler, oder Irregularitäten oder zählen Komponenten. „Das haben wir früher mit traditioneller Bildverarbeitung gelöst“, so Stockhammer in unserem Gespräch. „Durch KI können wir das heute effizienter, schneller und robuster machen.“

Anders als bei Large Language Models kommen hier spezialisierte Netzwerkarchitekturen zum Einsatz, die nicht mit Text, sondern mit Signaldaten arbeiten. Die Anwendungen reichen von der Fehlererkennung auf Leiterplatten über das Monitoring von Bauteilqualität bis hin zur automatischen Zählung im laufenden Prozess. Für Elektronikfertiger, die bereits Kamerasysteme im Einsatz haben, kann die Integration von KI-basierten Vision-Systemen ein pragmatischer erster Schritt sein.

Virtuelle Sensoren: Kosten sparen durch Software

Ein zweiter wichtiger Anwendungsbereich sind virtuelle Sensoren, also Software-Module, die physische Sensoren ersetzen. „Ich kann einen teuren oder schwer einbaubaren Sensor durch ein KI-Modul ersetzen und dadurch effizienter werden, Kosten sparen und zuverlässiger werden“, erklärt Stockhammer. Das Konzept: Statt einen zusätzlichen physischen Sensor zu verbauen, trainiert man ein KI-Modell auf Basis vorhandener Daten, um den gewünschten Parameter vorherzusagen. Das Ding ist: Die Datenbasis muss sich dafür auch eignen.

So einfach, wie es klingt, ist es nicht. „Es kommen mehrere Dinge zusammen“, betont Frank Graeber, Manager Application Engineering bei Mathworks. „Ich brauche ein Verständnis der Fragestellung, ausreichend Daten für das Training, und zwar die richtigen Daten – auch für seltene, aber kritische Szenarien.“ Hinzu kommen ökonomische Überlegungen: Wie viel kostet der physische Sensor? Wie aufwendig ist der Einbau? Wie teuer ist die Entwicklung eines virtuellen Sensors? Und nicht zuletzt: Kann der Sensor überhaupt ausgetauscht werden, oder ist das Bauteil so konstruiert, dass ein Austausch unmöglich ist? Diese Fragen müssen vor potenziellen Experimenten realistisch beantwortet werden.

Die Anwendung virtueller Sensoren beschränkt sich nicht auf Bauteile. Auch Produktionsmaschinen selbst lassen sich so überwachen. Vibrationen, Temperaturen oder andere Messgrößen können Hinweise auf den Maschinenzustand geben. Das stellt einen direkten Weg zu Predictive Maintenance dar.

KI in der Regelungstechnik: Wenn klassische Regler an Grenzen stoßen

Der dritte große Bereich ist die Regelungstechnik. Hier geht es darum, klassische Regler durch KI-Modelle zu ersetzen oder zu ergänzen, etwa durch Reinforcement Learning. „Die Frage ist immer: Warum will ich das tun?“, gibt Stockhammer zu bedenken. „Vielleicht, weil der klassische Regler nicht performant genug ist. Aber es braucht eine klare Motivation.“

Klassische Regelungstechnik hat einen entscheidenden Vorteil: Sie basiert auf jahrzehntelanger Theorie, mathematischen Beweisen und Stabilitätsgarantien. „Da ist es oft sehr schwierig, auf der KI-Modellseite irgendwelche Aussagen zu treffen oder zu beweisen, dass es unter diesen Rahmenbedingungen garantiert funktioniert“, erklärt Stockhammer. „Solche Aussagen bekomme ich in der Regel nur von der klassischen Theorie.“

Dennoch gibt es Szenarien, in denen KI-basierte Regelung Sinn macht. Ein solcher Fall tritt ein, wenn klassische Ansätze nicht die gewünschte Performance liefern oder der Regelungsprozess zu komplex ist. Häufig sind auch hybride Ansätze sinnvoll, bei denen klassische Regelung und KI kombiniert werden. „Wir können Kunden dabei unterstützen, beide Ansätze auszuprobieren und sich dann zu entscheiden“, so Stockhammer. „Das kommt bei uns aus einer Hand.“

Ein vielversprechender Ansatz ist die sogenannte physikalisch informierte KI (Physics-Informed AI). Dabei werden physikalische Gesetze, oft in Form von Differenzialgleichungen, mit KI-Modellen kombiniert. „Ich kann die enorme prädiktive Kraft von KI mit physikalischen Gesetzen kombinieren, sodass ich am Ende etwas bekomme, was Vorteile von beiden vereint“, erklärt Stockhammer. Das physikalische Gesetz schränkt den Lösungsraum ein und erleichtert das Training erheblich.

Der größte Stolperstein: die Datenqualität

So vielversprechend die Anwendungsfälle klingen, so scheitern Projekte in der Praxis an einem zentralen Punkt: der Datenqualität. „Das ist einer der größten Punkte, an denen es scheitern kann“, so Stockhammer. „Ausreichende Daten zur Verfügung haben, auch von Szenarien, die seltener sind, aber besonders interessant – wenn etwas kaputtgeht zum Beispiel. Davon hat man in der Regel am wenigsten Daten, aber die werden die wichtigsten sein.“

Die Diskrepanz zwischen Erwartung und Realität ist oft groß: Ein Unternehmen hat 100 Datenpunkte gemessen, möchte aber ein Deep-Learning-Modell mit 20 Schichten trainieren. „Da muss man noch einmal zurückgehen und mehr Daten erfassen, damit man überhaupt sinnvoll trainieren kann“, sagt Stockhammer. Wichtig ist dabei nicht nur die Menge, sondern auch die Diversität der Daten: Alle relevanten Betriebszustände, auch Randfälle, müssen abgedeckt sein.

Eine Möglichkeit, fehlende Daten zu ergänzen, ist die Simulation. „Es gibt Randfälle, die man in der Realität vielleicht gar nicht beobachtet hat – etwa ein Bauteil, das zu heiß wird und ausfällt“, erklärt Graeber. „Dann muss man mit Simulationen arbeiten, weil es zu teuer wäre, immer Prototypen zu zerschießen.“ Die Kombination aus gemessenen und simulierten Daten kann ein KI-Modell robuster machen.

Weitere Stolpersteine sind die Integration in bestehende Systeme und fehlendes Know-how. Letzteres lässt sich jedoch extern einkaufen – etwa durch Beratung oder Consulting. „Es ist selten so, dass Modellarchitektur oder Training das eigentliche Problem sind“, sagt Stockhammer. „Aber wenn ich die Daten von vornherein nicht habe, ist das ein Showstopper.“

KI in der Produktion ist nicht wie KI in der IT

Ein wesentlicher Unterschied zu klassischen IT-Anwendungen liegt in der Kritikalität. „Wenn eine Business-Anwendung abstürzt, ist das ärgerlich, aber der Impact ist überschaubar“, sagt Graeber. „Wenn ein Fließband steht oder Personen involviert sind, ist es deutlich kritischer.“ Sicherheitsaspekte, Verlässlichkeit und Verfügbarkeit spielen in der Produktion eine zentrale Rolle. Ausfallzeiten kosten schnell Tausende Euro pro Minute.

Ein zweiter Unterschied ist das erforderliche Engineering-Know-how. „In der IT geht es oft um Datenbanksysteme oder Customer-Relation-Management – da steht kein physikalischer Produktionsprozess dahinter“, erklärt Stockhammer. „In der Fertigung muss ich verstehen, wie die Maschine funktioniert, welche Sensordaten relevant sind, und welche Szenarien ich ausschließen kann.“ Dieses Domänenwissen ist entscheidend, um KI-Modelle sinnvoll zu trainieren und zu validieren.

Die Einbindung von Ingenieurs-Know-how ermöglicht auch hybride Ansätze: Erfahrungswerte aus dem Betrieb fließen in die Modellierung ein, physikalische Randbedingungen schränken den Lösungsraum ein. „Das ist ein ganz entscheidender Unterschied zur IT“, so Stockhammer.

Lohnt sich KI auch für KMUs?

Eine häufige Frage, besonders aus dem Mittelstand: Macht KI auch für kleinere Unternehmen Sinn? „Das kommt auf den Business Case an“, sagt Graeber. „Wie viel schadet es, wenn etwas nicht umgesetzt wird? Gibt es Produktionsausfälle? Verliert man Kunden, weil man bestimmte Technologien nicht anbieten kann? Kann man nicht flexibel oder schnell genug auf neue Anforderungen reagieren?“

Die Investition muss dem gegenübergestellt werden, was ein Unternehmen investieren müsste, seien es nur Software-Lizenzen oder zusätzlich Consulting, um schneller ans Ziel zu kommen. „Manchmal stellt sich die Frage, ob man einen Data Analyst einstellen muss“, gibt Graeber zu bedenken. „Ein klassischer Maschinenbauer hat diese Rolle vielleicht noch gar nicht. Dann muss man jemanden einstellen und von Null anfangen, oder mit einem Service-Provider zusammenarbeiten.“

Die Technologie selbst ist keine Frage der Unternehmensgröße. „Wir würden keinem Kunden sagen: Geht erst einmal nach Hause, macht eure Hausaufgaben, und dann dürft ihr wieder mit uns reden“, betont Stockhammer. „Wir haben die Eigenschaft, ehrlich mit unseren Kunden zu sein. Wenn die Datenlage schlecht ist, sagen wir das – und helfen dann, von A nach B zu kommen.“ Mathworks bietet sowohl kostenlose Beratung zur Tool-Nutzung als auch kostenpflichtiges Consulting für spezifische Projekte. „Die Idee ist Know-how-Transfer“, erklärt Graeber. „Am Ende kann der Kunde alleine laufen.“

Simulation in der Entwicklung

Warum Model-Based Design auch für den Mittelstand kein Luxus mehr ist

Die Zukunft: Schrittweise Automatisierung mit wachsendem Vertrauen

Wie wird KI in der Fertigung in fünf Jahren aussehen? Stockhammer sieht drei Stufen der Entwicklung:

• Stufe 1: Assistenzsysteme – diese sind heute bereits vielfach im Einsatz und werden Standard. Die KI gibt Empfehlungen, etwa wenn ein Prozessparameter aus dem Ruder läuft, aber der Mensch entscheidet, ob er der Empfehlung folgt. „Das ist mit Human in the Loop“, erklärt Stockhammer. „Ein Mensch kann immer noch sagen: Ich entscheide mich anders, weil ich es besser weiß.“

• Stufe 2: Automatische Prozessregelung mit Überwachung – Die KI übernimmt die Regelung, der Mensch überwacht, muss aber nicht mehr aktiv eingreifen. „Ich brauche weniger menschliche Intervention, vielleicht über große Strecken gar keine mehr“, so Stockhammer.

• Stufe 3: Vollautomatisierung – die sogenannten Dark Factories, in denen Produktion weitgehend selbstständig läuft. „Da schaut dann nur noch der Mensch von oben drüber und passt auf, dass alles einigermaßen läuft.“

Wichtig ist: Das ist ein schrittweiser Prozess, kein harter Cut. „Vertrauen muss aufgebaut werden“, betont Stockhammer. „Man fängt mit einem Assistenzsystem an, sieht, dass es gut funktioniert, dass es Dinge empfiehlt, die man selbst auch gemacht hätte oder sogar besser. Darauf muss dieses Vertrauen aufgebaut werden.“ Parallel entwickelt sich KI-gestützte Robotik, die komplexere Aufgaben übernimmt, und zwar nicht nur repetitive Tätigkeiten, sondern auch Sortierung und Handhabung variabler Bauteile. Die Kombination von KI und Robotik wird zunehmend Aufgaben übernehmen, die bisher Menschen vorbehalten waren.

Der Faktor Mensch: Akzeptanz in der Belegschaft

Ein oft unterschätzter Aspekt ist die Akzeptanz bei den Mitarbeitenden. KI hat in der öffentlichen Wahrnehmung ein „Geschmäckle“, die Angst vor Arbeitsplatzverlust ist real. Die Diskussion erinnert an Debatten aus der Softwareentwicklung: Wenn KI eine Aufgabe zehnmal schneller erledigen kann, braucht man dann nur ein Zehntel der Mitarbeiter? „Andere Firmen sagen: Nein, wir behalten die gleiche Anzahl der Leute und sind dafür zehnmal produktiver“, wirft Graeber ein. Die Frage ist also nicht Verdrängung, sondern Produktivitätssteigerung.

„Die Mitarbeitenden werden weiterhin gebraucht – aber für andere Aufgaben“, so Stockhammer. „Sie müssen sich spezialisieren auf neue Aufgaben. Wenn wir von generativer KI reden, müssen sie vielleicht Prompt-Engineering lernen – und da ist immer noch ihre Fachkompetenz erforderlich, um überhaupt die richtigen Prompts zu generieren.“ Die Botschaft: KI ersetzt nicht den Menschen, sondern verlagert seine Rolle von der Ausführung zur Überwachung, von der Routine zur Problemlösung.

Fazit: KI ist kein Selbstzweck

KI in der Elektronikfertigung ist kein Allheilmittel und kein Selbstzweck. Die Technologie muss sich wirtschaftlich rechtfertigen, etwa durch kürzere Ausfallzeiten, höhere Qualität, niedrigere Kosten oder bessere Flexibilität. Die realistischsten Einstiegspunkte liegen in drei Bereichen: Computer Vision für Monitoring, virtuelle Sensoren für Kosten- und Zuverlässigkeitsgewinne sowie KI in der Regelungstechnik für komplexe Prozesse.

Der größte Stolperstein bleibt die Datenqualität, denn ohne ausreichende und diverse Daten funktioniert kein noch so ausgefeiltes Modell. Doch auch kleinere Unternehmen können profitieren, wenn der Business-Case stimmt und sie bereit sind, in Know-how zu investieren oder externe Unterstützung zu nutzen.

Die Zukunft liegt nicht in einem radikalen Umbruch, sondern in schrittweiser Automatisierung mit wachsendem Vertrauen. Assistenzsysteme werden Standard, vollautomatisierte Prozesse folgen dort, wo sie wirtschaftlich sinnvoll sind. Am Ende geht es nicht um die Frage, ob KI in der Fertigung eine Rolle spielen wird, sondern darum, wo und wie sie den größten Mehrwert bringt. (sb)

(ID:50835192)