KI im MES: Anwendungsfälle, Reifegrad
und was 2026 wirklich funktioniert
Fast jedes MES-Angebot im DACH-Raum trägt 2026 das Wort KI. Dahinter stecken sehr unterschiedliche Dinge: ein trainiertes Modell zur Ausschussprognose, eine mathematische Rüstoptimierung oder eine Schwellwertregel mit Ampelfarbe. Diese Seite ordnet zehn KI-Anwendungsfälle im Manufacturing Execution System nach Reifegrad ein, benennt die Datenvoraussetzungen und zeigt Fertigungsunternehmen, woran sie erkennen, ob wirklich ein lernendes Verfahren dahintersteht. Rechtlicher Rahmen ist die Verordnung (EU) 2024/1689 über künstliche Intelligenz, die am 1. August 2024 in Kraft getreten ist und ab dem 2. August 2026 in weiten Teilen gilt.
Zehn KI-Anwendungsfälle im MES.
Was 2026 produktiv läuft und was nicht.
Die Einordnung unterscheidet drei Stufen. Produktiv im Einsatz heißt: Das Verfahren läuft bei Fertigungsunternehmen im DACH-Raum im Regelbetrieb und wird von mehreren MES-Anbietern als Standardfunktion angeboten. Pilotphase heißt: Es gibt funktionierende Installationen, der Aufwand für Datenaufbereitung ist aber projektindividuell und der Nutzen nicht garantiert. Forschung heißt: Es gibt Veröffentlichungen und Laborergebnisse, aber keinen belastbaren Regelbetrieb. Die zweite Spalte nennt bewusst das konkrete Verfahren, denn genau daran entscheidet sich, ob ein lernendes Modell dahintersteht oder eine parametrierte Regel. Begriffe wie APS, OEE oder Audit-Trail sind im MES-Glossar erklärt.
| Anwendungsfall | Was technisch dahintersteckt | Reifegrad 2026 | Datenvoraussetzung | Realistischer Nutzen |
|---|---|---|---|---|
| Ausschussprognose | Überwachte Klassifikation oder Regression, meist Gradient Boosting oder Random Forest, auf einem Merkmalsvektor je Teil oder Charge. Lernendes Verfahren, weil die Entscheidungsgrenze aus Daten abgeleitet wird. | Pilotphase | Ergebnis je Teil oder Charge eindeutig gelabelt, Prozessparameter auf identischer Zeitbasis, mindestens eine zweistellige Zahl an Schlechtfällen je Fehlerbild. | Frühwarnung innerhalb der laufenden Charge und gezielte Vollprüfung statt Stichprobe. Wirkt nur, wenn im Prozessfenster noch ein Eingriff möglich ist. Bei Losgröße eins ohne Wiederholteile methodisch schwierig. |
| Anomalieerkennung in Prozessdaten | Unüberwachtes Lernen: Autoencoder, Isolation Forest, One-Class SVM oder multivariate Statistik wie Hauptkomponentenanalyse. Das Modell lernt den Normalzustand und meldet Abweichungen, ganz ohne Fehlerlabel. | Produktiv | Hochfrequente Sensor- oder Steuerungsdaten wie Strom, Druck, Drehmoment oder Temperatur aus einer nachweislich störungsfreien Referenzperiode. Labels sind nicht erforderlich. | Erkennt schleichende Veränderungen, die keine Schwellwertregel erfasst, etwa gleichzeitige leichte Drift mehrerer Größen. Preis dafür sind Fehlalarme. Ohne definierten Umgang mit Fehlalarmen wird die Meldung nach wenigen Wochen ignoriert. |
| Predictive Maintenance | Restlebensdauerschätzung mit Regressions- oder Überlebenszeitmodellen, oft kombiniert mit Zustandsklassifikation. Setzt auf der Anomalieerkennung auf, sagt aber zusätzlich einen Zeithorizont voraus. | Pilotphase | Dokumentierte Ausfälle mit Zeitstempel, Ursache, betroffenem Bauteil und Instandsetzungsmaßnahme, und zwar mehrere je Maschinentyp und Fehlerbild. Reine Laufzeitdaten reichen nicht. | Vorgezogener Werkzeug-, Lager- oder Spindelwechsel im geplanten Wartungsfenster statt im Störfall. Belastbar heute vor allem bei Verschleißteilen mit klarem Degradationsmuster, nicht bei elektronischen Sofortausfällen. |
| Reihenfolge- und Rüstoptimierung | Gemischt-ganzzahlige Optimierung, Constraint Programming, genetische Algorithmen oder Tabu-Suche. Kein lernendes Verfahren: Zielfunktion und Nebenbedingungen formuliert der Mensch, das System sucht nur die beste Lösung im Suchraum. | Produktiv | Gepflegte Rüstmatrix mit übergangsabhängigen Rüstzeiten, belastbare Vorgabezeiten, aktueller Auftrags- und Kapazitätsbestand. Eine Datenhistorie ist nicht nötig. | Messbare Rüstzeitreduktion bei sequenzabhängigen Wechseln wie Farbe, Format oder Werkzeug. Der häufigste Etikettenschwindel der Kategorie: Das Verfahren ist stark und ausgereift, aber es ist Operations Research und kein maschinelles Lernen. |
| Qualitätsbildauswertung | Faltende neuronale Netze mit Transferlernen auf vortrainierten Netzen, zunehmend Segmentierungsmodelle für Fehlerflächen. Die technisch reifste Kategorie im gesamten Feld. | Produktiv | Reproduzierbare Beleuchtung, Optik und Bauteillage. Annotierte Bilder je Fehlerklasse, dank Transferlernen häufig in überschaubarer Zahl. Ohne stabile Aufnahmesituation hilft kein Modell. | Ersetzt oder entlastet manuelle Sichtprüfung bei Oberflächen-, Vollständigkeits- und Lagekontrolle. Der Hauptaufwand liegt in Aufnahmetechnik und Annotation, nicht im Modell. Prüfentscheidungen sind revisionssicher zu protokollieren. |
| Bedarfsprognose | Zeitreihenverfahren wie exponentielle Glättung und ARIMA, zunehmend Gradient Boosting auf Kalender- und Auftragsmerkmalen, teils hierarchische Prognose über Artikelgruppen. Läuft meist im ERP oder APS und speist die Planung. | Produktiv | Mehrjährige Absatz- oder Auftragshistorie je Artikel oder Artikelgruppe, bereinigt um Aktionen, Werksferien, Einmaleffekte und Systemwechsel. | Bessere Grobplanung, Bestands- und Kapazitätsvorschau, weniger Eilaufträge. Bei Sporadikartikeln mit wenigen Bedarfen im Jahr methodisch nicht sinnvoll, dort ist eine einfache Bestandsregel überlegen. |
| Automatische Störgrundklassifikation | Textklassifikation auf Freitextmeldungen, klassisch mit TF-IDF und linearem Modell, heute meist mit Sprachmodell-Embeddings. Alternativ Musterklassifikation auf Signalverläufen unmittelbar vor dem Stillstand. | Pilotphase | Ausreichend viele manuell klassifizierte Referenzmeldungen je Störgrundklasse. Genau diese fehlen dort, wo man die Funktion am dringendsten bräuchte, weil bisher nur Freitext erfasst wurde. | Der Werker bestätigt einen Vorschlag, statt aus einer langen Codeliste zu wählen. Der eigentliche Nutzen liegt in besserer Datenqualität für alle nachgelagerten Auswertungen, nicht in eingesparten Sekunden am Terminal. |
| Parameterempfehlung für Maschineneinstellung | Ersatzmodell des Prozesses aus historischen Daten, kombiniert mit bayesscher Optimierung oder statistischer Versuchsplanung. In Einzelfällen bestärkendes Lernen gegen ein Simulationsmodell. | Pilotphase | Prozessdaten mit tatsächlich variierten Parametern und zugehöriger Ergebnismessung. Wer immer nur eine Einstellung gefahren hat, hat keine Variation im Datensatz und damit nichts, woraus ein Modell lernen könnte. | Kürzeres Anfahren nach Produktwechsel und weniger Anfahrausschuss. Am tragfähigsten bei Spritzguss, Extrusion und Umformung mit wenigen dominanten Stellgrößen. Schreibender Zugriff auf die Steuerung braucht ein Freigabekonzept. |
| Natürlichsprachliche Auswertung von MES-Daten | Großes Sprachmodell über einer semantischen Schicht oder Text-zu-SQL gegen das MES-Datenmodell. Wichtig: Das Modell erzeugt die Abfrage, die Zahlen kommen aus der Datenbank und nicht aus dem Sprachmodell. | Pilotphase | Dokumentiertes Datenmodell, eindeutig definierte Kennzahlformeln, insbesondere eine verbindliche OEE-Definition, sowie ein Rechte- und Rollenkonzept, das auch für den Assistenten greift. | Ad-hoc-Auswertungen ohne Report-Ticket an die IT. Hauptrisiko ist die plausibel formulierte Falschantwort. Produktiv tragfähig nur, wenn die erzeugte Abfrage angezeigt wird und jede Zahl auf ihre Quelle zurückführbar ist. |
| Autonome Feinplanung | Bestärkendes Lernen oder Multi-Agenten-Systeme für geschlossene Regelkreise in der Reihenfolgebildung, trainiert gegen ein Simulationsmodell der Fertigung. | Forschung | Validiertes Simulationsmodell der Fertigung und vollständige Rückmeldedaten nahezu in Echtzeit. Beides ist im DACH-Mittelstand nach Sectorlens-Beobachtung aus Auswahlprojekten seit 2022 nur selten vorhanden. | Im Regelbetrieb 2026 kein belastbarer produktiver Nutzen. Realistischer Zwischenschritt ist der automatisch erzeugte Planvorschlag mit Freigabe durch den Disponenten, wie er in MES und APS heute üblich ist. |
Warum Reifegrad vor Nutzenversprechen kommt. Der acatech Industrie 4.0 Maturity Index unterscheidet sechs Entwicklungsstufen von Computerisierung über Konnektivität, Sichtbarkeit und Transparenz bis zu Prognosefähigkeit und Adaptierbarkeit. Die Reihenfolge ist nicht beliebig: Prognosefähigkeit setzt Transparenz voraus, Transparenz setzt Sichtbarkeit voraus. Für die Fertigung heißt das konkret, dass ohne funktionierende Maschinen- und Betriebsdatenerfassung und ohne belastbare OEE-Berechnung kein tragfähiges Prognosemodell entsteht. Die Einordnung der Stufen im Gesamtbild beschreibt die Seite zu MES und Industrie 4.0. Die Reifegrad-Zuordnung in der Tabelle ist eine Einschätzung von Sectorlens aus eigenen Auswahlprojekten seit 2022.
Echte KI oder umetikettierte Regel?
Sechs Prüfsteine.
Regelbasierte Automatisierung ist nicht schlechter als maschinelles Lernen. Sie ist in vielen Fällen sogar die bessere Wahl, weil sie transparenter, günstiger und leichter abzunehmen ist. Das Problem entsteht erst, wenn eine Regel als lernendes Verfahren verkauft und entsprechend bepreist wird. Die folgenden sechs Prüfsteine trennen beides im Anbietergespräch, jeweils mit einer Rückfrage, die im Termin sofort Klarheit schafft.
Schwellwert als Anomalieerkennung
Behauptung: Das System erkennt Anomalien im Prozess automatisch und meldet Abweichungen, bevor Ausschuss entsteht.
Erkennungsmerkmal: Eine echte Anomalieerkennung besitzt ein aus einer Referenzperiode gelerntes Modell des Normalzustands und arbeitet multivariat, also über mehrere Größen gleichzeitig. Eine Schwellwertüberwachung hat je Signal eine obere und eine untere Grenze, die ein Mensch eingetragen hat.
- Gibt es im Konfigurationsdialog Felder für Minimum und Maximum je Signal, ist es eine Regel
- Meldet das System eine Auffälligkeit, obwohl jedes Einzelsignal im Toleranzband liegt, ist es ein Modell
- Ändert sich das Verhalten nach einem Nachtraining, ist es ein Modell. Regeln tun das nicht
Regressionsgerade als Prognose
Behauptung: Das System prognostiziert den Trend und sagt voraus, wann der Grenzwert erreicht wird.
Erkennungsmerkmal: Eine lineare Extrapolation über die letzten Messwerte ist ein legitimes und oft ausreichendes Verfahren. Sie hat aber kein Trainingsdatum, keine Trainingsmenge und keine Gütemetrik. Ein Prognosemodell hat alle drei, und alle drei lassen sich abfragen.
- Fragen Sie nach dem Zeitpunkt des letzten Trainings. Bei einer Geraden gibt es keinen
- Fragen Sie nach der Gütemetrik auf Testdaten, etwa mittlerer absoluter Fehler oder Trefferquote
- Prüfen Sie, ob nichtlineare Verläufe abgebildet werden oder nur monotone Trends
Statische Rüstmatrix als Optimierung
Behauptung: Die KI optimiert die Fertigungsreihenfolge und minimiert Rüstzeiten selbstständig.
Erkennungsmerkmal: Hier ist die Trennung besonders wichtig, weil die Funktion tatsächlich wertvoll ist. Constraint Programming und genetische Algorithmen sind ausgereift und produktiv, nur eben kein maschinelles Lernen. Umetikettiert wird es erst, wenn hinter dem Wort Optimierung eine feste Sortierung nach hinterlegten Prioritätsregeln steckt.
- Lässt sich eine Zielfunktion gewichten, etwa Rüstzeit gegen Termintreue, ist es echte Optimierung
- Rechnet das System bei jedem Planungslauf neu oder sortiert es nur nach einer Regelliste
- Ändert sich das Ergebnis, wenn Sie die Rüstmatrix ändern. Bei reiner Prioritätssortierung nicht
Ampelfarben als Analytics
Behauptung: Das Dashboard analysiert die Fertigung in Echtzeit und zeigt Handlungsbedarf auf.
Erkennungsmerkmal: Farbcodierte Kacheln sind Visualisierung, nicht Analyse. Analyse beginnt dort, wo ein System eine Ursache benennt, einen Zusammenhang quantifiziert oder eine Aussage über die Zukunft trifft. Eine rote Kachel sagt, dass die OEE unter dem Zielwert liegt. Das wusste der Schichtleiter bereits vor dem Login.
- Nennt das System einen Grund oder nur einen Zustand
- Lassen sich Kennzahlen frei kombinieren und aufbrechen, ohne ein Report-Ticket zu stellen
- Gibt es eine Aussage über morgen oder ausschließlich über gestern
Report-Template als Insight
Behauptung: Das System liefert automatisch Insights und konkrete Handlungsempfehlungen.
Erkennungsmerkmal: Ein vorgefertigter Bericht mit den zehn häufigsten Störgründen ist ein Bericht. Er ist nützlich, aber jeder Kunde erhält denselben. Ein lernendes System erzeugt Aussagen, die für die konkrete Anlage gelten und sich verändern, sobald sich die Datenlage verändert.
- Sieht der Bericht bei allen Referenzkunden strukturell gleich aus, ist es ein Template
- Kann das System benennen, welcher Störgrund an dieser Anlage mit welchem Parameter zusammenhängt
- Verändern sich die Empfehlungen nach drei Monaten neuer Daten
Regelbasierter Chatbot als KI-Assistent
Behauptung: Ein KI-Assistent beantwortet Fragen zu Ihren Produktionsdaten in natürlicher Sprache.
Erkennungsmerkmal: Ein regelbasierter Dialog erkennt Schlüsselwörter und ruft eine hinterlegte Abfrage auf. Ein sprachmodellbasierter Assistent erzeugt die Abfrage selbst und kommt auch mit unerwarteten Formulierungen zurecht. Der Test dauert im Termin keine zwei Minuten.
- Formulieren Sie bewusst schräg, etwa nach der schwächsten Schicht der letzten drei Wochen an Linie zwei
- Stellen Sie eine Anschlussfrage, ohne den Kontext zu wiederholen
- Fragen Sie nach etwas, das es nicht gibt. Ein guter Assistent sagt, dass er es nicht beantworten kann
Kein Prüfstein ist ein Ausschlusskriterium. Der Zweck ist ein anderer: Sie sollen wissen, wofür Sie bezahlen und was Sie erwarten dürfen. Eine gut parametrierte Regel, die zuverlässig funktioniert, ist einem instabilen Modell überlegen. Nur gehört sie in eine andere Preis- und Aufwandskategorie. Wie sich solche Funktionsfragen strukturiert in ein Auswahlverfahren einbauen lassen, beschreibt die Seite zu MES auswählen.
Sechs Schritte vor dem ersten Modell.
Ohne die wird es nichts.
Der häufigste Grund, warum ein KI-Vorhaben im MES nach dem Proof of Concept stehen bleibt, ist nicht das Verfahren, sondern die Datenbasis. Die folgenden sechs Schritte beschreiben, was ein Fertigungsunternehmen vorbereiten muss, bevor ein Anwendungsfall überhaupt bewertbar wird. Die Dauerangaben sind Erfahrungswerte aus Sectorlens-Auswahlprojekten seit 2022 und gelten für ein mittelständisches Werk mit einer bis drei Fertigungslinien. Schritt zwei läuft dabei parallel zum Tagesgeschäft weiter, während die übrigen Schritte abgearbeitet werden.
Strukturierte Störgrunderfassung einführen
Freitextfelder für Störgründe sind für lernende Verfahren nahezu wertlos. Notwendig ist ein gepflegter, hierarchischer Störgrundkatalog mit einer überschaubaren Zahl an Codes, der von den Werkern tatsächlich verwendet wird. Zu große Kataloge führen nach Sectorlens-Beobachtung aus Auswahlprojekten seit 2022 regelmäßig dazu, dass der Großteil der Meldungen auf Sonstiges läuft.
Historie mit dokumentierten Ausfällen aufbauen
Ein Prognosemodell lernt aus Ereignissen, nicht aus Laufzeit. Entscheidend ist deshalb nicht die Menge der Sensordaten, sondern die Anzahl dokumentierter Ausfälle, Störungen und Fehlerbilder je Maschinentyp, jeweils mit Zeitstempel, Ursache und Behebung. Bei zuverlässigen Anlagen ist genau das der Engpass.
Konsistente Zeitbasis herstellen
Maschinensteuerung, MES, ERP und Prüfmittel müssen auf derselben Zeitquelle laufen, üblicherweise über NTP oder PTP. Abweichungen von wenigen Sekunden zerstören die Zuordnung zwischen Prozessparameter und Fehlerereignis und erzeugen Modelle, die auf Rauschen trainiert werden.
Gut und Schlecht eindeutig labeln
Überwachte Lernverfahren brauchen für jeden Datensatz eine verlässliche Zielmarke. Diese Marke muss auf Bauteil-, Chargen- oder Auftragsebene eindeutig sein, mit dem Prozessdatensatz verknüpft und frei von nachträglicher Korrektur durch Sammelbuchungen. Pauschale Nachbuchungen am Schichtende sind der häufigste Grund für unbrauchbare Labels.
Datenqualität prüfen und dokumentieren
Vor dem ersten Training gehört eine Bestandsaufnahme über Vollständigkeit, Ausreißer, Sensordrift, doppelte Datensätze und Erfassungslücken je Schicht. Sinnvoll ist ein schriftlicher Datenqualitätsbericht je Anwendungsfall, der auch festhält, welche Zeiträume wegen Umbauten, Werkzeugwechseln oder Nachrüstungen nicht verwendbar sind.
Zielgröße und Reaktionsprozess festlegen
Vor dem Modell steht die Entscheidung, welche Größe vorhergesagt werden soll, ab welcher Trefferquote das Ergebnis nützlich ist und wer auf eine Warnung wie reagiert. Ohne benannten Verantwortlichen und definierte Reaktion bleibt jede Prognose folgenlos, unabhängig von der Modellgüte.
Reihenfolge im Gesamtprojekt. Diese sechs Schritte sind kein eigenes KI-Projekt, sondern gehören in die Datenarchitektur einer MES-Einführung. Wer noch mit Tabellen und Papierlaufkarten arbeitet, beginnt nicht hier, sondern bei der Ablösung dieser Strukturen, wie sie unter Excel in der Fertigung ablösen beschrieben ist. Wer bereits ein MES betreibt, prüft die Punkte drei bis fünf im Rahmen der laufenden Datenpflege. Die Verknüpfung von Prüfergebnissen mit Prozessdaten, die Schritt vier voraussetzt, ist funktional Teil des Qualitätsmanagements im MES. Die Rollen- und Phasenlogik dahinter beschreibt MES einführen.
Architekturmuster 2026.
Wie ein Agent an ein MES gekoppelt wird.
Sprachmodellbasierte Agenten sind 2026 der am stärksten diskutierte und zugleich am unschärfsten beschriebene Baustein im MES-Umfeld. Die folgenden drei Karten beschreiben, wie die Kopplung technisch aussieht, wo die Trennlinie zwischen Lesen und Schreiben verläuft und was protokolliert werden muss. Keine Zukunftsvision, sondern das, was sich in Pilotinstallationen als tragfähiges Muster abzeichnet, einschließlich der Grenzen.
Anbindung an MES-Schnittstellen
Ein Agent ist kein Chatfenster im MES, sondern eine Schicht darüber. Das Muster besteht aus drei Teilen: einem Sprachmodell, einer Werkzeugbeschreibung, die dem Modell mitteilt welche Funktionen es aufrufen darf, und einem Ausführungsdienst, der diese Aufrufe gegen die MES-Schnittstelle absetzt. Verbreitet ist die Anbindung über REST-Schnittstellen des MES, über OPC UA nach IEC 62541 für Maschinen- und Prozesswerte und über offene Werkzeugprotokolle wie das Model Context Protocol.
Entscheidend ist die semantische Schicht dazwischen. Ein Sprachmodell kennt Ihr Datenmodell nicht. Ohne eine Ebene, die Tabellen, Kennzahldefinitionen und Beziehungen beschreibt, entstehen Abfragen, die syntaktisch korrekt und fachlich falsch sind. Diese Schicht ist Projektaufwand und in keinem Produkt vorkonfiguriert.
- REST oder GraphQL für Auftrags-, Rückmelde- und Stammdaten
- OPC UA nach IEC 62541 für Maschinen- und Prozesswerte
- Semantische Schicht mit verbindlicher OEE- und Ausschussdefinition
- Rechteprüfung im Ausführungsdienst, nicht in der Anweisung an das Modell
Lesen, schreiben, freigeben
Die wichtigste Architekturentscheidung ist die Trennung von lesenden und schreibenden Werkzeugen. Lesende Werkzeuge wie Abfragen, Auswertungen und Statusanzeigen lassen sich mit vertretbarem Risiko freigeben. Schreibende Werkzeuge wie Auftrag umplanen, Parameter setzen, Störung quittieren oder Sperrvermerk erzeugen gehören hinter eine ausdrückliche Freigabe.
Bewährt hat sich das Muster Vorschlag statt Ausführung: Der Agent erzeugt einen vollständig parametrierten Änderungsvorschlag, ein namentlich benannter Mensch gibt ihn frei, und erst diese Freigabe löst den Schreibvorgang aus, protokolliert mit Zeitstempel und Benutzerkennung. Für sicherheitsrelevante Steuerungsparameter ist schreibender Zugriff durch einen Agenten nach heutigem Stand nicht zu empfehlen, dort greifen zusätzlich die Anforderungen der Maschinenverordnung (EU) 2023/1230 und der IEC 62443.
- Lesewerkzeuge frei, Schreibwerkzeuge ausschließlich über Freigabe
- Vier-Augen-Prinzip bei Eingriffen in laufende Aufträge
- Rechtekonzept identisch zum MES-Benutzer, keine technische Sammelkennung
- Kein schreibender Zugriff auf sicherheitsrelevante Steuerungsparameter
Nachvollziehbarkeit und Grenzen
Jede Agentenaktion muss ohne das Sprachmodell rekonstruierbar sein. Zu protokollieren sind die Nutzeranfrage, die gewählten Werkzeuge, die tatsächlich abgesetzte Abfrage oder Änderung, das Rohergebnis und die ausgegebene Antwort. Erst damit lässt sich klären, ob eine Fehlentscheidung am Modell, an den Daten oder an der Fragestellung lag. Artikel 12 der Verordnung (EU) 2024/1689 verlangt für Hochrisikosysteme eine automatische Aufzeichnung von Ereignissen über die Lebensdauer, unabhängig von der Einstufung ist diese Protokollierung ohnehin fachlich sinnvoll.
Die Grenzen gehören ebenso klar benannt. Ein Sprachmodell rechnet nicht zuverlässig, es formuliert. Kennzahlen müssen deshalb aus der Datenbank kommen und nicht aus dem Modell. Prozesswissen über Ihre Anlage hat es nur insoweit, wie es in den Daten oder in der Werkzeugbeschreibung steht. Und es bleibt anfällig für plausibel klingende Falschaussagen, weshalb jede Zahl mit Quellen- und Zeitraumangabe auszugeben ist.
- Vollständiges Protokoll von Anfrage, Werkzeugaufruf, Abfrage und Antwort
- Kennzahlen ausschließlich aus der Datenbank, nie aus dem Sprachmodell
- Jede Antwort mit Quellen- und Zeitraumangabe
- Definierter Abschaltweg, wenn die Antwortqualität messbar abfällt
Was das für die Anbieterauswahl bedeutet. Ein Agent ist nie besser als die Schnittstellen unter ihm. MES-Plattformen mit dokumentierter offener Schnittstelle und sauber beschriebenem Datenmodell eignen sich für Agentenszenarien deutlich besser als geschlossene Systeme, unabhängig davon, ob der Anbieter selbst eine Agentenfunktion anbietet. MPDV Mikrolab GmbH (MES-Hersteller aus Mosbach in Baden-Württemberg, 530 Mitarbeitende, über 45 Jahre Projekterfahrung, 2.430 Installationen und 135.000 Maschinenanbindungen weltweit, Herstellerangabe Stand 2026) positioniert die Manufacturing Integration Platform ausdrücklich als solche Integrationsschicht, Einzelheiten dazu im Profil zu MPDV HYDRA X, FEDRA und MIP. Welche weiteren Anbieter im DACH-Raum eine offene Plattformarchitektur dokumentieren, zeigt der MES-Anbietervergleich DACH 2026/2027.
AI Act, DSGVO, BetrVG.
Was für KI im MES konkret gilt.
Acht Punkte, die vor der ersten produktiven KI-Funktion im MES geklärt sein sollten. Die Darstellung stützt sich auf den Wortlaut der Verordnung (EU) 2024/1689, der Datenschutz-Grundverordnung und des Betriebsverfassungsgesetzes, Stand August 2026.
Verordnung (EU) 2024/1689 im Fertigungskontext
Die Verordnung vom 13. Juni 2024 zur Festlegung harmonisierter Vorschriften für künstliche Intelligenz trat am 1. August 2024 in Kraft. Die Verbote nach Artikel 5 und die Pflicht zur KI-Kompetenz nach Artikel 4 gelten seit dem 2. Februar 2025, die Regeln für Modelle mit allgemeinem Verwendungszweck seit dem 2. August 2025, der überwiegende Teil ab dem 2. August 2026. Sie gilt unmittelbar in allen Mitgliedstaaten und unterscheidet zwischen Anbieter und Betreiber. Ein Fertigungsunternehmen, das eine KI-Funktion seines MES lediglich nutzt, ist in der Regel Betreiber. Wer ein Modell selbst trainiert und unter eigenem Namen in Verkehr bringt oder in Betrieb nimmt, kann zum Anbieter werden und übernimmt damit deutlich weitergehende Pflichten.
Risikoklassen und was für MES-KI typischerweise gilt
Die Verordnung kennt verbotene Praktiken, Hochrisikosysteme, Systeme mit besonderen Transparenzpflichten und den nicht eigens regulierten Rest. Ausschussprognose, Anomalieerkennung, Bedarfsprognose und Rüstoptimierung fallen typischerweise in keine der ersten drei Kategorien. Hochrisiko entsteht vor allem in zwei Konstellationen: wenn das KI-System Sicherheitsbauteil eines Produkts ist, das unter eine Harmonisierungsvorschrift nach Anhang I fällt, etwa die Maschinenverordnung (EU) 2023/1230, oder wenn es nach Anhang III Nummer 4 zur Überwachung und Bewertung von Arbeitsleistung eingesetzt wird. Ausdrücklich verboten ist nach Artikel 5 Absatz 1 Buchstabe f die Emotionserkennung am Arbeitsplatz außerhalb medizinischer und sicherheitsbezogener Zwecke.
Dokumentationspflichten
Für Hochrisikosysteme verlangt Artikel 11 in Verbindung mit Anhang IV eine technische Dokumentation zu Zweck, Systemarchitektur, Trainingsdaten und Validierungsergebnissen, Artikel 9 zusätzlich ein Risikomanagementsystem über den gesamten Lebenszyklus. Auch unterhalb dieser Schwelle ist eine schlanke Modelldokumentation dringend zu empfehlen: eingesetztes Verfahren, Trainingszeitraum, Trainingsmenge, Gütemetrik, bekannte Grenzen und namentlich benannter Verantwortlicher, jeweils versioniert. Als Ordnungsrahmen eignet sich ISO/IEC 42001:2023 für KI-Managementsysteme. Klären Sie vertraglich, welchen Teil dieser Dokumentation der MES-Anbieter liefert und welchen Sie selbst erstellen müssen.
Transparenzpflichten bei Systemen mit Personenbezug
Artikel 50 verlangt, dass Menschen erkennen können, wenn sie mit einem KI-System interagieren. Für einen Assistenten am Shopfloor-Terminal bedeutet das eine sichtbare, nicht versteckte Kennzeichnung. Kommt eine Hochrisiko-Einstufung hinzu, greift Artikel 26 Absatz 7: Betreiber, die Arbeitgeber sind, müssen die Arbeitnehmervertretung und die betroffenen Beschäftigten vor der Inbetriebnahme darüber informieren, dass sie der Nutzung eines Hochrisiko-KI-Systems unterliegen. Diese Information ist keine Formalie am Rande, sondern Voraussetzung für den zulässigen Einsatz und sollte dokumentiert werden.
§ 87 Abs. 1 Nr. 6 BetrVG bei KI-gestützter Leistungsbewertung
Der Betriebsrat hat ein erzwingbares Mitbestimmungsrecht bei Einführung und Anwendung technischer Einrichtungen, die dazu bestimmt sind, Verhalten oder Leistung der Arbeitnehmer zu überwachen. Nach ständiger Rechtsprechung des Bundesarbeitsgerichts genügt die objektive Eignung zur Überwachung, eine Überwachungsabsicht ist nicht erforderlich. Ein Modell, das Ausschussquoten je Werker oder je Schicht auswertet, ist damit mitbestimmungspflichtig, auch wenn Leistungskontrolle niemand beabsichtigt. Ergänzend gilt seit dem Betriebsrätemodernisierungsgesetz 2021: § 80 Abs. 3 BetrVG erleichtert die Hinzuziehung eines Sachverständigen bei KI, § 90 Abs. 1 Nr. 3 BetrVG verlangt frühzeitige Unterrichtung bei der Planung von Arbeitsverfahren, und § 95 Abs. 2a BetrVG stellt klar, dass Auswahlrichtlinien auch bei KI-Einsatz mitbestimmt sind. Der übliche Weg ist eine Betriebsvereinbarung zu Zweckbindung, Auswertungsebene und Aufbewahrungsfristen.
DSGVO bei Trainingsdaten mit Personenbezug
Sobald Werker-, Ausweis- oder Schichtkennungen im Trainingsdatensatz stehen, liegt Personenbezug vor, auch bei pseudonymisierten Kennungen, solange eine Zuordnung möglich bleibt. Zu klären sind Rechtsgrundlage nach Artikel 6, Zweckbindung und Datenminimierung nach Artikel 5, Informationspflichten nach Artikel 13 und 14 sowie regelmäßig eine Datenschutz-Folgenabschätzung nach Artikel 35. Für den Beschäftigtenkontext kommt die Öffnungsklausel des Artikel 88 DSGVO hinzu, in Deutschland umgesetzt über § 26 BDSG und ergänzt durch Betriebsvereinbarungen. Der praktisch wirksamste Hebel bleibt Aggregation: Wer auf Maschinen-, Werkzeug- und Materialebene modelliert statt auf Personenebene, verliert selten Modellgüte und spart erheblichen Prüfaufwand.
Nachvollziehbarkeit von Entscheidungen
Artikel 13 verlangt für Hochrisikosysteme, dass Betreiber die Ausgabe des Systems interpretieren können, Artikel 14 eine wirksame menschliche Aufsicht und Artikel 12 die automatische Aufzeichnung von Ereignissen über die Lebensdauer. Unabhängig von der Einstufung sollte für jede Modellausgabe rekonstruierbar bleiben, welche Modellversion, welcher Datenstand und welche Eingangsgrößen zugrunde lagen. Bei Verfahren, die von sich aus schwer erklärbar sind, hilft eine ausgewiesene Merkmalsgewichtung, die zeigt, welche Größen die Ausgabe getrieben haben. In regulierten Branchen wie Pharma und Medizintechnik ist zusätzlich der Audit-Trail des MES betroffen, weil eine KI-gestützte Prüfentscheidung darin lückenlos abgebildet sein muss.
Haftung bei fehlerhafter Prognose
Die Verordnung (EU) 2024/1689 regelt Marktzugang und Pflichten, nicht die zivilrechtliche Haftung. Diese richtet sich weiterhin nach Vertrag, Produkthaftungsrecht und Deliktsrecht. Praktisch heißt das: Die Verantwortung für eine Entscheidung, die auf einer Modellausgabe beruht, bleibt bei dem Unternehmen, das die Entscheidung trifft. Regeln Sie deshalb vertraglich, welche Modellgüte zugesichert wird und wie sie gemessen wird, welche Mitwirkung bei Datenbereitstellung und Datenqualität Sie schulden, und was gilt, wenn das Modell nach einer Prozess- oder Materialänderung driftet. Zusicherungen wie erkennt Fehler zuverlässig ohne quantifizierte Metrik und ohne definierten Testdatensatz sind im Streitfall wertlos.
Quellen und Abgrenzung. Grundlage sind die Rechtstexte im Wortlaut: die Verordnung (EU) 2024/1689 vom 13. Juni 2024 in der über EUR-Lex veröffentlichten Fassung, die Verordnung (EU) 2016/679 (DSGVO), die Maschinenverordnung (EU) 2023/1230 sowie das Betriebsverfassungsgesetz und das Bundesdatenschutzgesetz in der über das Bundesministerium der Justiz veröffentlichten Fassung. Rechtsstand August 2026. Für die Einstufung Ihres konkreten Systems ziehen Sie Rechtsabteilung, Datenschutzbeauftragten und Arbeitnehmervertretung hinzu. Die betriebsverfassungsrechtliche Seite einer MES-Einführung vertieft die Seite zu Betriebsrat und MES-Einführung.
Zehn Fragen an den MES-Anbieter.
Zum Thema KI, im Termin einsetzbar.
Diese zehn Fragen können Sie im nächsten Anbietertermin wörtlich stellen. Zu jeder Frage steht, worauf eine belastbare Antwort hindeutet und woran Sie erkennen, dass ausgewichen wird. Notieren Sie die Antworten schriftlich und lassen Sie sie in die Angebotsbewertung einfließen, gewichtet wie jedes andere funktionale Kriterium.
Welches Verfahren steckt konkret dahinter?
Eine belastbare Antwort nennt eine Verfahrensfamilie beim Namen, etwa Gradient Boosting, Autoencoder oder faltendes neuronales Netz, und sagt klar, ob das Modell trainiert oder parametriert wird. Ausweichende Antworten arbeiten mit Adjektiven statt Substantiven: selbstlernend, intelligent, KI-gestützt. Ein guter Anbieter sagt Ihnen ohne Zögern, wenn eine Funktion regelbasiert ist. Das ist ein Qualitätsmerkmal und kein Makel.
Worauf wurde das Modell trainiert?
Eine gute Antwort unterscheidet zwischen einem mit Fremddaten vortrainierten Modell, das bei Ihnen nur angepasst wird, und einem Modell, das ausschließlich auf Ihren Daten entsteht. Bei der Bildauswertung ist Vortraining Standard und sinnvoll. Bei Ausschuss- und Ausfallprognosen ist ein in anderen Werken trainiertes Modell selten übertragbar, weil Maschinenpark, Material und Toleranzen abweichen. Hellhörig werden sollten Sie bei der Formulierung, das Modell sei bereits vortrainiert und sofort einsatzbereit.
Wie viele Datenpunkte brauchen wir?
Eine gute Antwort nennt keine Gesamtzahl an Datensätzen, sondern eine Mindestzahl an Ereignissen der Zielklasse je Fehlerbild sowie einen Mindestzeitraum konsistenter Erfassung. Wer sagt, ein paar Wochen Daten reichen, hat entweder eine Regel im Angebot oder unterschätzt Ihren Prozess. Wer sagt, das lasse sich erst nach einer Datensichtung beantworten, ist realistisch. Vereinbaren Sie in diesem Fall eine Datenvorprüfung vor der Beauftragung des Moduls.
Wem gehört das trainierte Modell?
Eine gute Antwort trennt drei Dinge sauber: Ihre Rohdaten, das daraus abgeleitete trainierte Modell und die Software, die es ausführt. Klären Sie schriftlich, ob der Anbieter Ihre Daten oder das daraus gewonnene Modell für andere Kunden verwenden darf, was bei Vertragsende mit dem Modell geschieht und ob Sie es exportieren können. Eine fehlende Regelung ist in der Praxis der häufigste spätere Streitpunkt und lässt sich vor Vertragsschluss in zwei Sätzen ausräumen.
Läuft das Training bei uns oder beim Anbieter?
Eine gute Antwort benennt Ort, Rechtsrahmen und Datenfluss: Training im eigenen Netz, in einer dedizierten Cloud-Instanz oder in einer Mandantenumgebung des Anbieters. Für Fertigungsunternehmen mit Geheimhaltungsverpflichtungen gegenüber ihren eigenen Kunden ist das häufig die entscheidende Frage, unabhängig vom Datenschutzrecht. Fragen Sie zusätzlich, ob die laufende Anwendung des Modells auch dann funktioniert, wenn die Internetverbindung ausfällt.
Wie wird Modelldrift erkannt?
Eine gute Antwort beschreibt einen konkreten Mechanismus: eine überwachte Gütemetrik, einen Schwellenwert, ab dem gewarnt wird, und ein Intervall für das Nachtraining. Eine schwache Antwort verspricht, das Modell lerne einfach kontinuierlich weiter. Unkontrolliertes Weiterlernen ist ein Risiko und kein Merkmal, weil ein Modell auf diese Weise auch fehlerhaftes Verhalten übernimmt. Fragen Sie zusätzlich, wer die Metrik überwacht und an welcher Stelle im System sie sichtbar ist.
Was passiert bei einer Fehlprognose?
Eine gute Antwort behandelt beide Fehlerarten getrennt: eine Warnung ohne realen Fehler und einen übersehenen realen Fehler. Beide haben in Ihrer Fertigung sehr unterschiedliche Kosten, und die Entscheidungsschwelle des Modells lässt sich zwischen beiden verschieben. Ein Anbieter, der diese Abwägung von sich aus anspricht und fragt, welcher der beiden Fehler bei Ihnen teurer ist, arbeitet fachlich sauber. Klären Sie außerdem, wie eine Prognose im laufenden Betrieb übersteuert wird.
Ist die Funktion Standard oder Projektaufwand?
Eine gute Antwort ordnet die Funktion einer konkreten Produktversion zu und benennt, was im Standard enthalten ist und was Konfiguration oder Entwicklung erfordert. Der häufigste Fall in Angeboten: Das Modul selbst ist Standard, die Anbindung an Ihre Maschinen und die Datenaufbereitung sind es nicht. Lassen Sie sich den Aufwand für Datenanbindung und Aufbereitung getrennt ausweisen und fragen Sie ausdrücklich, ob die Funktion in der Ihnen angebotenen Version bereits enthalten ist oder erst in einer künftigen Release-Stufe erscheint.
Welche Referenzkunden nutzen sie produktiv?
Eine gute Antwort nennt Branche, Fertigungsart, Größenordnung und Einsatzdauer, auch ohne Firmennamen. Entscheidend ist die Formulierung produktiv im Regelbetrieb und nicht Pilotprojekt oder Forschungspartnerschaft. Bitten Sie um ein Referenzgespräch mit einem Anwender, der die Funktion seit mindestens zwölf Monaten nutzt, und fragen Sie dort nach dem tatsächlichen Aufwand für die Datenaufbereitung sowie danach, ob die Funktion heute noch aktiv genutzt wird.
Was kostet die Funktion zusätzlich?
Eine gute Antwort trennt einmalige und laufende Kosten und benennt die Bemessungsgrundlage: je Maschine, je Linie, je Modell, je Nutzer oder pauschal. Fragen Sie gezielt nach den Kosten für den zweiten und dritten Anwendungsfall, denn dort entscheidet sich, ob die Funktion skaliert. Fragen Sie zusätzlich nach den Kosten eines Nachtrainings nach einer Prozess- oder Materialänderung. Ohne diese beiden Positionen ist ein Angebotsvergleich zwischen mehreren Anbietern nicht belastbar.
Einordnung in das Auswahlverfahren. Diese zehn Fragen ersetzen kein Lastenheft, sie ergänzen es um genau den Teil, der in Standardkriterienkatalogen fehlt. Behandeln Sie KI-Funktionen im Bewertungsraster nicht als eigene Kategorie, sondern jeweils dem fachlichen Anwendungsfall zugeordnet, also die Ausschussprognose unter Qualität und die Rüstoptimierung unter Planung. Das Gesamtvorgehen beschreibt MES auswählen, die Marktübersicht liefert der MES-Anbietervergleich DACH, und die Kostenstruktur einer MES-Einführung insgesamt behandelt die Seite zu MES-Kosten.
KI im MES.
Zwölf Fragen, zwölf klare Antworten.
Die zwölf Fragen, die Produktionsleitung, Werkleitung und IT im DACH-Raum vor einer KI-Entscheidung im MES-Umfeld am häufigsten stellen. Jede Antwort steht für sich und lässt sich einzeln zitieren.
Was bringt KI im MES konkret?
KI im MES liefert dort Nutzen, wo aus vorhandenen Prozessdaten eine Vorhersage oder eine Klassifikation entsteht, die ein Mensch nicht in gleicher Geschwindigkeit erzeugen kann. Produktiv bewährt haben sich 2026 vor allem die Bildauswertung in der Sichtprüfung, die Anomalieerkennung in Maschinen- und Prozessdaten sowie Bedarfsprognosen als Eingang in die Planung. Der Nutzen entsteht nicht durch das Modell, sondern durch die Handlung, die es auslöst, etwa eine vorgezogene Nacharbeit oder ein früherer Werkzeugwechsel. Wer keinen Prozess definiert hat, der auf die Modellausgabe reagiert, erzeugt nur eine weitere Kennzahl. Nach Sectorlens-Erfahrung aus Auswahlprojekten seit 2022 ist der organisatorische Aufwand für diesen Reaktionsprozess größer als der technische Aufwand für das Modell selbst.
Welche MES-Anbieter haben echte KI?
Diese Frage lässt sich seriös nicht mit einer Anbieterliste beantworten, weil der Begriff KI in Produktbroschüren sehr unterschiedlich belegt ist. Belastbar ist nur die Prüfung auf Funktionsebene: Gibt es ein Modell, das auf historischen Daten trainiert wurde, das nachtrainiert werden kann und dessen Güte messbar ist. Große MES-Hersteller im DACH-Raum dokumentieren solche Funktionen meist als eigenständige Module oder Plattformbausteine, etwa MPDV Mikrolab GmbH aus Mosbach mit der Manufacturing Integration Platform als Datendrehscheibe für analytische Anwendungen. Verlangen Sie in jedem Fall eine Beschreibung des Verfahrens, der Trainingsdaten und der Messgröße für die Modellgüte. Ohne diese drei Angaben ist eine Bewertung nicht möglich.
Wie viele Daten braucht KI im MES?
Die Datenmenge ist weniger entscheidend als die Anzahl dokumentierter Ereignisse der Zielklasse. Für eine Ausschussprognose braucht ein Modell nicht Millionen Datenpunkte, sondern genügend Fälle, in denen tatsächlich Ausschuss aufgetreten ist und der zugehörige Prozesszustand sauber erfasst wurde. Für Predictive Maintenance sind ausreichend viele dokumentierte Ausfälle je Maschinentyp nötig, was bei zuverlässigen Anlagen der eigentliche Engpass ist. Als grobe Orientierung aus Sectorlens-Auswahlprojekten seit 2022 gilt eine Historie von zwölf bis vierundzwanzig Monaten bei konsistenter Erfassung sowie eine zweistellige Zahl dokumentierter Ereignisse je Fehlerbild. Sind die Ereignisse nur als Freitext oder gar nicht erfasst, beginnt das Projekt mit der Datenerfassung und nicht mit dem Modell.
Was kostet KI im MES zusätzlich?
KI-Funktionen sind bei den meisten MES-Anbietern kein Bestandteil der Basislizenz, sondern ein eigenes Modul, eine Plattformkomponente oder ein Projektaufwand. Typischerweise fallen drei Positionen an: die Lizenz oder Subskription für das Modul, ein einmaliger Aufwand für Datenaufbereitung und Modellaufbau sowie ein laufender Aufwand für Überwachung und Nachtraining. Der laufende Anteil wird in Angeboten regelmäßig unterschätzt, weil ein Modell ohne Pflege an Güte verliert. Lassen Sie sich die Kosten für ein Nachtraining und für die Erweiterung auf eine weitere Maschine oder Linie explizit ausweisen. Ohne diese Position ist ein Angebotsvergleich zwischen Anbietern nicht aussagekräftig.
Ist KI im MES DSGVO-konform?
Das hängt davon ab, ob die Trainings- und Eingangsdaten einen Personenbezug haben. Reine Maschinen-, Prozess- und Materialdaten fallen nicht unter die DSGVO, sobald jedoch Werker-, Schicht- oder Ausweisnummern mitlaufen, ist der Personenbezug in aller Regel gegeben, auch bei pseudonymisierten Kennungen. Dann sind Rechtsgrundlage, Zweckbindung, Datenminimierung und Betroffenenrechte zu prüfen, bei Leistungs- oder Verhaltensbewertung zusätzlich Artikel 22 DSGVO und häufig eine Datenschutz-Folgenabschätzung nach Artikel 35 DSGVO. In der Praxis sinkt der Aufwand deutlich, wenn Personenkennungen vor dem Training entfernt werden und das Modell nur auf Maschinen- und Prozessmerkmalen arbeitet. Die Bewertung im konkreten Fall gehört zum Datenschutzbeauftragten.
Was sagt der AI Act zu KI in der Produktion?
Die Verordnung (EU) 2024/1689 über künstliche Intelligenz ist am 1. August 2024 in Kraft getreten und gilt in ihren wesentlichen Teilen ab dem 2. August 2026. Sie ordnet KI-Systeme nach Risiko ein, wobei viele MES-nahe Anwendungen wie Ausschussprognose, Anomalieerkennung oder Bedarfsprognose nicht in die Hochrisiko-Kategorie fallen, solange sie weder Sicherheitsbauteil eines Produkts sind noch Beschäftigte bewerten. Hochrisiko wird es typischerweise in zwei Konstellationen: wenn das KI-System als Sicherheitsbauteil unter eine Harmonisierungsvorschrift nach Anhang I fällt, etwa die Maschinenverordnung (EU) 2023/1230, oder wenn es nach Anhang III Nummer 4 Arbeitsleistung überwacht oder bewertet. Seit dem 2. Februar 2025 gilt zudem die Pflicht zur KI-Kompetenz nach Artikel 4 für Anbieter und Betreiber. Die konkrete Einstufung eines Systems ist immer im Einzelfall zu prüfen.
Braucht man Data Scientists im Haus?
Für den Betrieb vorkonfigurierter KI-Funktionen eines MES ist keine eigene Data-Science-Abteilung nötig, wohl aber eine Person, die die Modellausgaben fachlich einordnen kann. Diese Rolle sitzt in der Praxis meist in der Fertigungssteuerung, der Prozesstechnik oder im Qualitätswesen und braucht Prozessverständnis, nicht Programmierkenntnisse. Sobald eigene Modelle trainiert, Merkmale konstruiert oder Modelle auf neue Produkte übertragen werden sollen, ändert sich das Bild und es wird methodische Kompetenz gebraucht, intern oder über einen Dienstleister. Wichtiger als die Rolle ist die Zuständigkeit: Es muss namentlich festgelegt sein, wer die Modellgüte überwacht und wer entscheidet, wann ein Modell abgeschaltet wird. Nach Sectorlens-Erfahrung aus Auswahlprojekten seit 2022 scheitern KI-Vorhaben im MES häufiger an dieser fehlenden Zuständigkeit als an fehlendem Fachwissen.
Funktioniert KI auch bei kleinen Stückzahlen?
Bei Einzel- und Kleinserienfertigung sind klassische überwachte Lernverfahren schwierig, weil je Produktvariante zu wenige vergleichbare Fälle vorliegen. Tragfähig sind in dieser Konstellation Verfahren, die nicht auf Produktebene, sondern auf Prozess- oder Maschinenebene lernen, etwa Anomalieerkennung an Antriebs-, Temperatur- und Vibrationsdaten oder Bildauswertung auf Merkmalsebene statt auf Bauteilebene. Auch Übertragungsansätze helfen, bei denen ein Modell auf einer datenreichen Maschine trainiert und auf eine baugleiche Maschine übertragen wird. Ungeeignet sind Bedarfsprognosen für Varianten, die nur wenige Male im Jahr gefertigt werden. Die realistische Erwartung bei kleinen Stückzahlen ist Zustandsüberwachung, nicht Ergebnisprognose.
Was ist der Unterschied zwischen KI und Automatisierung im MES?
Automatisierung führt eine vom Menschen formulierte Regel schnell und fehlerfrei aus, etwa eine Meldung, sobald die Temperatur einen hinterlegten Grenzwert überschreitet. Ein lernendes Verfahren leitet die Entscheidungsregel selbst aus historischen Daten ab und erkennt Muster, die niemand vorher als Regel formuliert hat, etwa das Zusammenwirken mehrerer Parameter kurz vor einem Fehlerbild. Praktisch unterscheiden sich beide daran, was passiert, wenn neue Daten hinzukommen: Die Regel bleibt gleich, das Modell verändert sich beim Nachtraining. Beides ist legitim und nützlich, nur ist regelbasierte Automatisierung günstiger, transparenter und leichter abzunehmen. Der Fehler liegt nicht darin, Regeln zu nutzen, sondern darin, sie als KI zu bezahlen.
Wie erkennt man Marketing-KI im Anbieterangebot?
Drei Rückfragen trennen in der Regel Substanz von Etikett. Erstens: Welches Verfahren wird eingesetzt und ist es ein trainiertes Modell oder eine parametrierte Regel. Zweitens: Auf welchen Daten wurde trainiert, wie viele Fälle waren das und wie wird die Güte gemessen. Drittens: Was passiert, wenn sich der Prozess ändert, und wer trainiert dann nach. Kommt auf diese Fragen keine konkrete Antwort, sondern nur Begriffe wie selbstlernend, intelligent oder KI-gestützt, ist die Wahrscheinlichkeit hoch, dass eine Schwellwert- oder Regellogik dahintersteht. Das ist kein Ausschlusskriterium, sollte aber Preis und Erwartung bestimmen.
Kann KI die Feinplanung übernehmen?
Die Feinplanung im MES- und APS-Umfeld wird bereits heute rechnergestützt optimiert, allerdings überwiegend mit mathematischen Optimierungs- und Heuristikverfahren und nicht mit lernenden Modellen. Diese Verfahren sind ausgereift und produktiv im Einsatz, sie werden nur im Marketing häufig als KI bezeichnet. Lernende Verfahren wie bestärkendes Lernen für die autonome Reihenfolgebildung befinden sich 2026 in Forschung und einzelnen Pilotinstallationen, ein flächendeckender produktiver Einsatz im DACH-Mittelstand ist nicht erkennbar. Realistisch ist heute eine Konstellation, in der das System einen Planvorschlag erzeugt und ein Disponent ihn freigibt oder anpasst. Vollautonome Feinplanung ohne menschliche Freigabe ist derzeit weder technisch noch organisatorisch der Normalfall.
Lohnt sich KI im MES für den Mittelstand?
Ja, aber selektiv und nach dem MES, nicht davor. Ein Fertigungsunternehmen, das Störgründe noch auf Papier oder in Excel erfasst, hat mit strukturierter Datenerfassung und sauberer OEE-Berechnung einen deutlich höheren Hebel als mit einem Prognosemodell. Sinnvoll wird KI, sobald Betriebs- und Maschinendatenerfassung stehen, Störgründe strukturiert codiert vorliegen und eine Historie von mindestens einem Jahr existiert. Der beste Einstieg im Mittelstand ist meist ein einzelner, klar abgegrenzter Anwendungsfall an einem Engpassaggregat und keine unternehmensweite KI-Initiative. Nach Sectorlens-Erfahrung aus Auswahlprojekten seit 2022 entscheidet die Qualität der Störgrunderfassung stärker über den Erfolg als die Wahl des Anbieters.
KI klingt gut im Angebot.
Unsicher, was davon Ihre Fertigung wirklich braucht?
Die Reifegrad-Tabelle sagt Ihnen, was technisch geht. Sie sagt Ihnen nicht, welcher Anwendungsfall bei Ihrer Fertigungsart, Ihrer Losgröße und Ihrer Datenlage tatsächlich trägt. Genau diese Lücke schließt Sectorlens: herstellerneutral, ohne Provision von MES-Anbietern und mit dem Blick auf das, was Ihre Datenbasis 2026 wirklich hergibt.
MES-Matching mit KI-Reifegrad-Blick
URL eingeben, KI analysiert die Fertigung anhand öffentlicher Daten und gleicht sie gegen 64 Kriterien mit dem Anbietermarkt ab. Sie erhalten eine Shortlist mit Match-Score statt einer Anbieterliste.
- Einordnung, welche KI-Anwendungsfälle zu Ihrer Fertigungsart überhaupt passen
- Shortlist mit Match-Score und begründeter Reihenfolge
- Kein Formular, keine Telefonnummer, kein Vertriebsanruf im Nachgang
MES Selection Portal mit KI-Anforderungen im Lastenheft
Anforderungs-Workshop, Lastenheft aus über 150 Anforderungen und moderierter Anbieter-Dialog. KI-Funktionen werden dabei nicht als Sammelposten geführt, sondern je Anwendungsfall mit Verfahren, Datenvoraussetzung und Nachweispflicht formuliert.
- Lastenheft mit prüfbaren KI-Kriterien statt Schlagworten
- Moderierter Anbieter-Dialog inklusive Nachweis der Modellgüte
- Entscheidungsmatrix mit gewichteten Kriterien und dokumentierter Begründung
Zweitmeinung zu den KI-Versprechen in Ihrem Angebot
Sie haben ein oder mehrere MES-Angebote auf dem Tisch, in denen KI-Funktionen aufgeführt sind. Wir gehen die Positionen mit Ihnen durch und ordnen jede ein: lernendes Modell, Optimierungsverfahren oder parametrierte Regel. 50+ Projekte seit 2022, herstellerneutral, keine Provision.
- Positionsweise Einordnung der KI-Bestandteile im vorliegenden Angebot
- Liste konkreter Rückfragen an den Anbieter, formuliert für Ihren Anwendungsfall
- 30 Minuten Erstgespräch kostenlos und unverbindlich
Erst die Datenbasis,
dann das Modell.
Sechs Minuten für eine erste Einschätzung, welche KI-Anwendungsfälle zu Ihrer Fertigung passen und welche MES-Anbieter sie belegbar liefern. Herstellerneutral, provisionsfrei, ohne Formularpflicht.
