Die kurze Antwort: Für die Fabrik sind eigene kleine Modelle oft das bessere Werkzeug als ein großes Cloud-Sprachmodell. Der Unterschied liegt in den Daten und den Anforderungen. Ein Sprachmodell lernt aus Internetdaten. Eine Qualitätsinspektion braucht Sensordaten, CAD-Geometrien und Prozessparameter. Und sie braucht Präzision, Wiederholbarkeit und Nachvollziehbarkeit.
Industrielle KI heißt: kleine Modelle, eigene Daten, messbare Genauigkeit. Wer eine Qualitätsentscheidung einem allgemeinen Sprachmodell überlässt, baut auf das falsche Werkzeug.
Was industrielle KI von ChatGPT trennt
Die Daten, die in der Fabrik zählen, stecken in den großen Modellen nicht drin. Sensordaten von der Maschine, Konstruktionsdaten aus dem CAD, Ausschussgründe aus drei Produktionsjahren: Das alles ist nicht Teil der Trainingsdaten eines Sprachmodells. Dazu kommen Anforderungen, die ein Chatfenster nicht erfüllen muss. An einer Qualitätsinspektionsstation am Ende der Linie sind Genauigkeiten über 95 Prozent üblich, oft geht es um mehr. Ein Fehler, der durchrutscht, kostet den Betrieb Geld und den Kunden Vertrauen.
- Präzision: Das Modell muss Fehler erkennen, nicht plausibel über Fehler reden.
- Wiederholbarkeit: Dieselbe Eingabe muss immer dasselbe Ergebnis liefern.
- Erklärbarkeit: Die Fachleute in der Fertigung müssen nachvollziehen, warum ein Teil durchfällt.
- Echtzeit: Prüfungen laufen im Takt der Linie, nicht in der Antwortzeit einer Cloud-Anfrage.
Ein echtes Beispiel aus der Qualitätssicherung
Wie so etwas in der Praxis aussieht, zeigt die Qualitätssicherung beim Schweißen: Das Fraunhofer-Institut für Supply Chain Services entwickelt für einen Automobilzulieferer ein System, das Schweißpunkte auf Röntgenbildern klassifiziert. Die geforderte Klassifikationsqualität wird erreicht, die Berechnung läuft auf Standardprozessoren in unter einer Sekunde. Solche Systeme entstehen als kleines, spezialisiertes Modell auf den Daten des Betriebs. Das Modell kennt die Fehlerbilder dieses einen Prozesses, auch die Sonderfälle, die vorher niemand eingeplant hat. Treten unbekannte Defekte auf, soll es sie trotzdem melden, statt sie durchzuwinken. Genau darin liegt der Wert: Aus den erkannten Fehlern lässt sich ableiten, an welchen Prozessparametern gedreht werden muss, damit der Defekt seltener auftritt.
Das CAD-Problem: Montagefolge statt PowerPoint
Ein zweites Feld, in dem kleine Modelle ihren Wert zeigen, ist die Arbeitsvorbereitung. Zwischen Konstruktion und Produktion liegt heute oft ein manueller Schritt: Jemand nimmt das CAD-Modell auseinander und überlegt, in welcher Reihenfolge die Teile montiert werden. Das passiert in der Praxis häufig per PowerPoint. Dieses PowerPoint-Engineering erzeugt Iterationsschleifen und Versionschaos.
Ein eigenes kleines Modell kann diese Lücke schließen. Es nimmt die CAD-Daten als Eingabe, prüft per Kollisionsanalyse, welche Bauteile sich in welcher Reihenfolge zusammenfügen lassen, und schlägt die Montagereihenfolge vor. Daraus entsteht die Planung der Stationen in der Produktion. Der Gewinn: weniger Iterationsschleifen, eine nachvollziehbare Planung statt veralteter Folien. Wer mehr über KI im Konstruktionsalltag lesen will, findet den Einstieg in Physik-KI und Agentic Engineering.
Warum die Daten im Haus bleiben
Produktionsdaten sind Betriebsgeheimnisse. CAD-Geometrien, Prozessparameter, Ausschussgründe: Kein Produktionsunternehmen gibt diese Daten freiwillig an einen Cloud-Anbieter. Genau das ist die zweite Stärke kleiner Modelle. Sie laufen auf eigener Hardware in der Fabrik, die Daten verlassen das Werk nicht. Bei vielen Projekten ist das Kundenanforderung, keine Option. Wie Unternehmen Wissen und Daten sicher im eigenen Haus nutzbar machen, beschreibt unser Ansatz Corporate LLM.
Was chinesische Fabriken gerade vorleben
Wer wissen will, wohin die Reise geht, schaut derzeit nach China. Nach Zahlen von IDC wurden im ersten Halbjahr 2026 weltweit knapp 25.000 humanoide Roboter ausgeliefert, ein Plus von 432 Prozent gegenüber dem Vorjahr. Mehr als 95 Prozent davon stammen von chinesischen Herstellern. Counterpoint Research zählt über 22.000 Einheiten und sieht chinesische Anbieter auf den ersten fünf Plätzen.
Interessant ist, wofür die Roboter eingesetzt werden. UBTECH baut die Walker-S-Serie gezielt für die Industrie, erste Einsätze laufen bei BYD und Zeekr. AgiBot liefert Stückzahlen im industriellen Maßstab und setzt auf zweiamrige Modelle auf Rädern statt auf Beinen. Der Grund ist pragmatisch: Der Fabrikboden ist eben, Räder brauchen weniger Energie als Beine, und die komplizierte Motorik fürs Laufen entfällt. Erster Anwendungsfall ist fast immer die Logistik: Kisten greifen, transportieren, abstellen.
Hinter diesen Piloten steht ein Tempo, das deutsche Mittelständler, die in beiden Ländern fertigen, so beschreiben: Ein Prototyp entsteht in China in einem Monat, in Deutschland dauert dasselbe ein Jahr. Das ist ein Erfahrungswert, keine Statistik. Er zeigt aber, warum Geschwindigkeit beim Automatisieren über Erfolg und Misserfolg entscheidet. Kleine Losgrößen und hohe Variantenzahlen sind weltweit der Trend, und genau da spielt China seine schnelle Lieferkette aus.
Was deutsche Betriebe daraus lernen können
- Mit einem Prozess anfangen, nicht mit einer Showcase-Technologie. Qualitätsinspektion und Logistik sind erprobte Einstiege.
- Eigene Daten sammeln, bevor man an Modelle denkt. Ohne Fehlerbilder kein Modell.
- Tempo beim Prototypen: Der erste Wurf muss nicht perfekt sein, er muss Zahlen liefern.
Die gute Nachricht für den Standort Deutschland: In der Lieferkette entstehen neue Märkte. Schaeffler hat seit November 2025 eine Reihe von Partnerschaften für humanoide Robotik geschlossen, darunter Neura Robotics und Hexagon Robotics, und liefert Aktoren, Wellgetriebe und Lager für die Gelenke. Im April 2026 gewann das Unternehmen für seine Aktoren-Plattform den Hermes Award. Wer sich als Zulieferer in diesem Markt positionieren will, hat deutsche Anbieter als Referenz.
Was heute schon funktioniert und was nur Show ist, zeigt unser Beitrag Roboter im Mittelstand: Was jetzt wirklich funktioniert.
Zeitplan für den Einstieg
| Zeitraum | Schritt | Ergebnis |
|---|---|---|
| Woche 1 bis 2 | Einen Prüf- oder Planungsprozess wählen und Fehlerbilder sammeln | Kandidat mit klaren Kriterien |
| Woche 3 bis 8 | Daten aufbereiten und ein erstes kleines Modell trainieren | Pilotmodell mit ersten Kennzahlen |
| Monat 3 bis 4 | Modell in der Linie testen, Genauigkeit messen, nachschärfen | Belastbare Zahlen zu Treffern und Fehlern |
| Monat 5 | Entscheiden: produktiv setzen, erweitern oder stoppen | Rollout-Plan oder Abbruch mit Begründung |
Checkliste vor dem Start
Checkliste vor dem Start
- ✓Eine Aufgabe gewählt, die wiederkehrend prüft oder plant, nicht fünf auf einmal.
- ✓Die Fehlerbilder und Daten liegen im Haus, nicht beim Cloud-Anbieter.
- ✓Ein Zielwert für die Genauigkeit steht fest, bevor trainiert wird.
- ✓Jemand im Betrieb kann die Modellentscheidungen erklären.
- ✓Wir messen über Wochen, nicht über einen Demotag.
- ✗Wir erwarten, dass ein allgemeines Sprachmodell die Qualitätsprüfung übernimmt.
- ✗Wir geben Produktionsdaten ohne Prüfung an ein Cloud-Tool.
Quellen
- IDC, September 2026: Knapp 25.000 ausgelieferte humanoide Roboter im ersten Halbjahr 2026, plus 432 Prozent, über 95 Prozent von chinesischen Herstellern.
- Counterpoint Research, August 2026: Über 22.000 ausgelieferte humanoide Roboter im ersten Halbjahr 2026, chinesische Anbieter auf den ersten fünf Plätzen.
- Schaeffler, Pressemitteilungen vom 4. November 2025, 13. Januar 2026, 2. März 2026 und 22. April 2026 zu Partnerschaften und Aktoren für humanoide Robotik.
- Reuters zur Technologiepartnerschaft von Schaeffler und Neura Robotics, November 2025.
- Fraunhofer-Institut für Supply Chain Services: Machine Learning für industrielle Qualitätssicherung, Schweißpunktprüfung per Röntgenbild.
- Branchenmedien zu UBTECH-Einsätzen bei BYD, NIO, Foxconn und Zeekr, 2026 (RoboZaps, East Asia Brief).
Weiterführend: KI-Implementierung für Unternehmen und KI-Agenten für Unternehmen.
Stand: Oktober 2026
