KI-Anwendungen in produzierenden Unternehmen: Der Wendepunkt wird gerade durchschritten
Zuerst zeige ich Ihnen eine Werkstatt.
In der intelligenten Fabrik für Hochleistungs-Radialreifen von Hangzhou Zhongce Rubber fahren Dutzende von AGVs präzise entlang festgelegter Routen, und Roboterarme vollenden den Vulkanisationsprozess von Reifen mit einer Genauigkeit im Mikrometerbereich. Im Durchschnitt läuft alle 3,1 Sekunden ein Reifen vom Band – 24 Stunden am Tag, ohne Unterbrechung.
Was ist das Ergebnis? Die Produktionseffizienz steigt um 300 %, und die Ausschussrate der Produkte sinkt auf 0,5 %.
Sehen wir uns eine weitere Werkstatt an. Eine Klimaanlagenfabrik hat ein KI-basiertes visuelles Qualitätsprüfsystem eingeführt: Ein einziges Gerät ersetzt 8 Qualitätsprüfer, und die Personalkosten werden um 87,5 % gesenkt.
Es gibt noch beeindruckendere Beispiele: Eine Formenfabrik nutzt große Modelle zur Generierung von Parameterkonfigurationsplänen, wodurch der Versuchszyklus für Formen von fast 100 Versuchen auf 2 Versuche verkürzt wird, und die Produktqualitätsrate steigt von 92 % auf 97 %.
Dies sind keine Konzepte, keine PowerPoint-Folien – es sind Ereignisse, die gerade in den chinesischen Fertigungswerkstätten tatsächlich stattfinden.
In diesem Artikel möchte ich mit Ihnen vier Fragen besprechen: Wo stehen die KI-Anwendungen in Fertigungsunternehmen? In welchen Szenarien wird tatsächlich Geld verdient? Wie berechnet sich der Wert? Was fehlt noch auf der letzten Meile?
01. Eine Zahl: Von 9,6 % auf 47,5 %
Der beste Weg, um das Stadium einer Technologie in der Industrie zu beurteilen, besteht nicht darin, den Geschichten der Anbieter zuzuhören, sondern die Durchdringungsrate zu betrachten.
Die Umfrage von IDC unter chinesischen Industrieunternehmen sendet ein sehr klares Signal: Der Anteil der Industrieunternehmen, die große Modelle und intelligente Agenturen einsetzen, ist von 9,6 % im Jahr 2024 auf 47,5 % im Jahr 2025 sprunghaft angestiegen – innerhalb eines Jahres hat er sich verfünffacht.
Noch interessanter ist eine weitere Zahl: Der Anteil der Unternehmen, die KI gleichzeitig in mehreren Gliedern wie Forschung und Entwicklung, Fertigung und Lieferkette einsetzen, ist von 1,7 % auf 35 % gestiegen. Das zeigt, dass die KI in der Fertigungsindustrie das Stadium der „punktuellen Erprobung“ überschritten hat und sich auf den Weg zur „gliedübergreifenden Zusammenarbeit“ macht.
Auch das Geld folgt diesem Trend. Laut Prognose von IDC werden die KI-Ausgaben chinesischer Industrieunternehmen bis 2028 fast 90 Milliarden Yuan erreichen, mit einer jährlichen durchschnittlichen Wachstumsrate von 37,7 %. Wie es in der Branche heißt: Die KI ist von der „Phase der Konzeptinvestitionen“ in die „Phase der skalierbaren Erweiterung“ eingetreten.
Auch auf politischer Ebene ist die Lage klar. Der von acht Ministerien gemeinsam herausgegebene „Umsetzungsvorschlag für die Sonderaktion „Künstliche Intelligenz + Fertigung““ sieht vor: Bis 2027 sollen 3 bis 5 allgemeine große Modelle in der Fertigungsindustrie tiefgreifend angewendet werden, 1000 hochwertige industrielle intelligente Agenturen eingeführt, 100 hochwertige industrielle Datensätze erstellt und 500 typische Anwendungsszenarien verbreitet werden. Die Provinz Shandong hat im August sogar auf einen Schlag eine Liste von 100 Szenarien für „KI + Fertigung“ veröffentlicht, um die Umsetzung im Modus der „Szenariensteuerung“ voranzutreiben.
Was bedeutet skalierbare Erweiterung? Das Unternehmen fragt nicht mehr „Sollen wir KI einsetzen?“, sondern „Wie kann KI mir wirklich helfen, die Qualität zu verbessern, die Kosten zu senken und die Effizienz zu steigern?“. Der Schlüssel zur Beantwortung dieser Frage sind die Szenarien.
02. Vier große Trends: KI verändert das „zugrundeliegende Betriebssystem“ der Fertigung
Trend 1: Von punktuellen Pilotprojekten zur durchgehenden Durchdringung der gesamten Kette.
In den mehr als 230 fertiggestellten exzellenten intelligenten Fabriken hat die anwendungsweite Nutzung der gesamten Kette bereits Ergebnisse erzielt: Der durchschnittliche Zyklus der Produktentwicklung verkürzt sich um 28,4 %, die durchschnittliche Produktionseffizienz steigt um 22,3 %, und die durchschnittliche Ausschussrate sinkt um 50,2 %. Die KI ist nicht mehr nur ein Plugin im Qualitätsprüfungsglied, sondern hat ihren Platz in jedem Glied – von der ersten Zeichnung des Designers bis zum Betriebsservice nach der Produktlieferung.
Trend 2: Von der „Wertschöpfung durch Werkzeuge“ zum „Kern der Wertschöpfung“.
Auf dem Branchengipfel für „KI + Fertigung“ hat Huawei eine Einschätzung abgegeben: Die meisten Unternehmen betrachten KI immer noch als „Effizienzwerkzeug“, während bei führenden Unternehmen die KI sich von der „Wertschöpfung durch Werkzeuge“ zum „Kern der Wertschöpfung“ wandelt. Wenn Sie KI als Werkzeug betrachten, suchen Sie in den bestehenden Abläufen nach einer Stelle, um sie einzufügen. Wenn Sie KI als Kern der Wertschöpfung betrachten, nutzen Sie die KI-native Perspektive, um Abläufe neu zu gestalten, Positionen neu zu definieren und die Rechnungen neu zu berechnen. Derzeit haben mehr als 30 % der groß angelegten Fertigungsunternehmen in China KI-bezogene Organisationen aufgebaut. Wenn die KI beginnt, organisatorische Veränderungen voranzutreiben, ist sie nicht mehr ein Werkzeug, sondern ein Motor.
Trend 3: Von „sprachfähig“ zu „fabrikverständig“.
Allgemeine große Modelle sind intelligent, aber wenn man sie direkt in die Werkstatt einbringt, treten Probleme auf: Die Modelle können die Herkunft der Schlussfolgerungen nicht klar erläutern, Vorhersagen fehlen an physischen Einschränkungen, und „Halluzinationen“ können zu Produktionsunfällen führen, die schwer nachzuverfolgen sind. Daher lautet die Antwort der Branche das industrielle Weltmodell – alle Daten und Geschäftslogik der realen Fabrik werden in das Modell eingebettet, damit die KI die Entitäten, Kausalitäten und Betriebsgesetze der Industrie versteht, und Schlussfolgerungen mit Beweisen, Wiedergabefunktion, Prüfbarkeit und Verantwortlichkeit liefert. Das ist der „Pass“ für den Eintritt der KI in die Kernabläufe der Produktion.
Trend 4: Von „Einzelkämpfern“ zu „Clustern intelligenter Agenturen“.
Punktuelle KI-Anwendungen sind wie ein Orchester, in dem nur die Geige spielt und alle anderen Instrumente stillstehen. Der echte Sprung kommt durch Zusammenarbeit: Selbst wenn der Qualitätsprüfungsagentur sehr präzise arbeitet, bleibt die Gesamteffizienz niedrig, wenn Geräteverwaltung, Produktionsplanung und Lieferkettenzusammenarbeit getrennt voneinander arbeiten. Die intelligente Agenturmatrix von Midea wurde bereits in 158 Kernszenarien umgesetzt, und das Betriebsmodus der Fabriken wird von „Fließbandarbeit“ zu „vernetzter Zusammenarbeit“ aktualisiert. Von Automatisierung zu Autonomie, von digitalen Werkzeugen zu digitalen Mitarbeitern – das ist die Hauptlinie der Evolution von KI-Anwendungen in Fertigungsunternehmen.
03. Wo wird Geld verdient: Neun hochwertige Szenarien
Nachdem die Trends erläutert sind, ist auf Unternehmensebene die praktischste Frage: In welchen Szenarien verdient die KI tatsächlich echtes Geld? Aus den veröffentlichten Szenarienlisten verschiedener Orte und den bereits abgenommenen Praktiken in Fabriken habe ich neun wiederholt bestätigte hochwertige Szenarien zusammengestellt. Zuerst der Überblick:
Im Folgenden werde ich die wichtigsten Punkte ausführlich erläutern.
Szenario 1: KI-basierte visuelle Qualitätsprüfung – die ausgereifteste erste Station.
Warum ist die erste KI-Station fast aller Fertigungsunternehmen die Qualitätsprüfung? Weil die Schmerzen groß genug sind (müde menschliche Augen, uneinheitliche Standards, hohe Durchlässigkeitsrate bei fehlerhaften Teilen), die Daten leicht zu beschaffen sind (mit einer Kamera lassen sich sofort markierte Proben erhalten) und der Wert leicht zu berechnen ist (es ist offensichtlich, wie viele Qualitätsprüfer ersetzt werden können). Zhongce Rubber senkte die Ausschussrate auf 0,5 %, die Genauigkeit der KI-Qualitätsprüfung im südlichen Werk von Huawei erreicht 99,9 %, und in einer Klimaanlagenfabrik ersetzt ein einziges Gerät 8 Qualitätsprüfer, wodurch die Personalkosten um 87,5 % gesenkt werden. Die aktuelle Entwicklungsrichtung ist die multimodale Qualitätsprüfung: Man betrachtet nicht nur Bilder, sondern kombiniert auch Stimmmerkmale, Vibration und Temperatur für eine umfassende Beurteilung – bei Lagern erkennt man anhand des Geräusches, ob innere Schäden vorliegen.
Szenario 2: Vorausschauende Wartung von Geräten – von „Reparatur nach Ausfall“ zu „vorausschauender Reparatur“.
Die traditionelle Geräteverwaltung kennt nur zwei Optionen: Reparatur erst nach Ausfall (ungeplante Stillstände mit größten Verlusten) oder regelmäßige Wartung (übermäßige Wartung mit Kostenverschwendung). Die Idee der vorausschauenden Wartung besteht darin, die Geräte mit einem „Diagnosegerät“ auszustatten: Durch die Kombination von Sensordaten aus Vibration, Temperatur, Strom, Akustik und anderen Quellen kann das Modell den Fehlerfenster im Voraus vorhersagen. Branchendaten zeigen, dass die ungeplante Stillstandszeit um 15 % bis 30 % und die Wartungskosten um 10 % bis 25 % sinken. Für Branchen mit kontinuierlicher Produktion (Chemie, Stahl, Glas, Zement) kann der Verlust eines einzigen Tages ungeplanter Stillstände einer Produktionslinie mehrere Millionen Yuan betragen – die Rechnung für dieses Szenario ist am einfachsten nachzuvollziehen.
Szenario 3: Intelligente Produktionsplanung – die „Erfahrungsintuition“ erfahrener Mitarbeiter in eine „optimale Lösung“ verwandeln.
Mehrere Bestellungen, mehrere Produktionslinien, mehrere Arbeitsschritte, Lieferfristbeschränkungen, Kapazitätsbeschränkungen der Geräte, Umrüstzeiten … Die Produktionsplanung ist ein typisches Problem der kombinatorischen Explosion: Erfahrene Mitarbeiter brauchen mehrere Stunden, um einen Plan zu erstellen, und das Ergebnis ist nicht unbedingt optimal. Die KI-gestützte Produktionsplanung kann innerhalb weniger Minuten eine praktikable Lösung liefern und dynamische Anpassungen unterstützen: Automatische Neuanordnung bei eingepflegten Eilbestellungen oder Geräteausfällen. Nach der Umsetzung der intelligenten Agenturmatrix durch Midea stieg die Gesamteffizienz der Geräte (OEE) auf der Fertigungsseite um 30 %. Je flexibler das Unternehmen ist (kleine Losgrößen, viele verschiedene Produkte), desto größer ist der Wert dieses Szenarios.
Szenario 4: Optimierung von Prozessparametern – große Modelle beginnen, das Handwerk erfahrener Mitarbeiter zu „erlernen“.
Das ist die Richtung mit dem größten Vorstellungspotenzial. Bei Arbeitsschritten wie Spritzguss, Vulkanisation, Schweißen und Wärmebehandlung hängt die Einstellung der Parameter seit langem von der Erfahrung erfahrener Mitarbeiter ab, und die Versuchskosten sind extrem hoch. Eine Formenfabrik nutzt große Modelle zur Generierung von Parameterkonfigurationsplänen, wodurch die Anzahl der Formversuche von fast 100 auf 2 sinkt und die Qualitätsrate von 92 % auf 97 % steigt. Tiefergehend entsteht das „Prozessweltmodell“: Alle historischen Prozessdaten, Mechanismusformeln und Echtzeit-Betriebsbedingungen werden in das Modell eingespeist, damit jedes Produkt vor der Produktion das optimale Parameterfenster kennt. Die Erfahrung wird nicht mehr „in den Köpfen erfahrener Mitarbeiter“ gespeichert, sondern „im Modell“ – das ist die wichtigste Vermögensbildung aus Wissen für Fertigungsunternehmen.
Szenario 5: Generative Entwicklung und Konstruktion – die Geschwindigkeit der Zeichnungserstellung ändert sich.
Die KI-Anwendungen im Bereich Forschung und Entwicklung sowie Konstruktion haben zwei Ebenen: Erstens die Effizienzebene: Generative Konstruktion erstellt automatisch Lösungen, und Simulationen beschleunigen die Iteration – der durchschnittliche Entwicklungszyklus exzellenter intelligenter Fabriken verkürzt sich um 28,4 %. Zweitens die Durchbruchsebene: Die KI kann im Bereich Materialrezepturen und Topologieoptimierung Konstruktionsräume erkunden, auf die menschliche Ingenieure nicht kommen. Für Unternehmen im Anlagenbau und in der Branche neuer Materialien übersteigt der Wert dieser Ebene bei weitem die bloße „schnellere Zeichnungserstellung“.
Szenario 6: Vorhersage und Optimierung der Lieferkette – Blick über die Werkstatt hinaus.
Bedarfsvorhersage, Sicherheitsbestände, Logistikwege, Lieferantenrisiken – die Lieferkette ist ein datenintensives Glied, das von Natur aus für KI geeignet ist. Bei Midea verkürzt sich der durchgehende Lieferzyklus der Lieferkette um 39 %, und die Lagerumschlagstage sinken um 30 %. Das Merkmal dieses Szenarios ist die unternehmensübergreifende Zusammenarbeit: Die Daten müssen zwischen Lieferanten und Vertriebskanälen verbunden werden, was schwierig ist – aber wenn es einmal funktioniert, entsteht eine Barriere, die Konkurrenten nicht kopieren können.
Szenario 7: Energieoptimierung – das unterschätzte „versteckte Goldvorkommen“.
In energieintensiven Branchen (Stahl, Zement, Chemie, Papierherstellung) sind die Stromkosten der größte Kostenpunkt. Die KI-gestützte Energieoptimierung passt den Produktionsrhythmus dynamisch an schwankende Strompreise und Lastbeschränkungen an, nutzt Energie in Nebenzeiten und optimiert die Betriebsparameter energieintensiver Arbeitsschritte. Vor dem Hintergrund der „Doppelten Kohlenstoffziele“ und der Marktliberalisierung der Strompreise wandelt sich dieses Szenario von einer „zusätzlichen Verbesserung“ zu einer „lebenswichtigen Unterstützung“.