KI in der Metallverarbeitung: Schnittstelle Maschine-Mensch.

Die Metallverarbeitung ist eine der ältesten und gleichzeitig digitalisiertesten Branchen des deutschen Mittelstands. CNC-gesteuerte Bearbeitungszentren, Laserschneidanlagen, Roboterzellen — die Hardware ist meist auf dem Stand der Technik. Was oft nicht mithält, ist die Datennutzung rund um die Maschinen. Programmierwissen steckt im Kopf einzelner Mitarbeiter, Materialreste landen in Containern statt in einer Datenbank, Prüfprotokolle werden ausgedruckt, abgezeichnet und abgelegt. KI greift in dieser Branche weniger an spektakulären Stellen an, sondern an genau diesen unspektakulären Schnittstellen zwischen Mensch und Maschine. Sie übersetzt Erfahrung in reproduzierbare Regeln, hebt Datenschätze aus Maschinensteuerungen und entlastet Mitarbeitende, die ohnehin knapp sind. Dieser Artikel zeigt, wo der Hebel in der Praxis liegt — in der CNC-Programmierung, in der Materialausnutzung, in der Qualitätssicherung — und benennt die Hürden, die in metallverarbeitenden Betrieben besonders ausgeprägt sind.

Warum die Metallverarbeitung ein eigener Fall ist.

Die Metallverarbeitung umfasst eine breite Palette: Zerspanung, Umformung, Schneiden, Schweißen, Oberflächenbearbeitung. Was diese Bereiche eint, ist eine besondere Mischung aus Maschinenintensität und Handwerklichkeit. Eine Fünf-Achs-Fräse kostet eine halbe Million Euro, der Maschinenbediener verdient ein Vielfaches eines Anlernkräfte-Lohns — und sein Wissen über Späne, Drehzahlen und Werkzeugstandzeiten bestimmt am Ende, ob die Maschine wirtschaftlich läuft.

Diese Konstellation ist für KI-Anwendungen ungewöhnlich interessant. Auf der einen Seite produzieren die Maschinen kontinuierlich Daten — Schwingungen, Energieverbräuche, Achsbewegungen, Werkzeugverschleiß. Auf der anderen Seite steckt das eigentliche Erfahrungswissen in Köpfen, die in zehn Jahren teilweise nicht mehr im Betrieb sein werden. KI kann beide Seiten verbinden: Sie macht Daten nutzbar und sie strukturiert Erfahrung, bevor sie verloren geht.

Anders als in der reinen Massenfertigung ist die Metallverarbeitung im deutschen Mittelstand selten Großserie. Lohnfertiger verarbeiten 200 verschiedene Auftragsteile pro Woche, jedes mit eigener Materialcharge, eigenem Werkstück, eigenen Toleranzen. Das verlangt von KI-Lösungen eine andere Architektur als die Optimierung einer Fließbandfertigung — und genau das wird in vielen Standard-Tools übersehen.

CNC-Programmierung: vom Erfahrungswissen zur Vorlage.

Die Programmierung einer CNC-Maschine ist eine der zeitintensivsten Tätigkeiten in metallverarbeitenden Betrieben. Ein erfahrener Programmierer braucht für ein komplexes Werkstück mehrere Stunden, in Sonderfällen einen halben Tag. Diese Zeit ist nicht selten der Engpass, der entscheidet, wie viele Aufträge ein Betrieb in der Woche abwickeln kann.

KI-gestützte Programmierhilfen setzen an mehreren Stellen an. Erstens an der Ähnlichkeitssuche: Wenn ein neues Werkstück eintrifft, sucht das System in vergangenen Programmen nach geometrisch oder funktional ähnlichen Teilen. Der Programmierer startet mit einer Vorlage statt mit einem leeren Bildschirm. In Beratungsprojekten zeigt sich, dass diese einfache Funktion die Programmierzeit oft um 40 Prozent reduziert.

Zweitens an der Werkzeug- und Parameterwahl: KI-Modelle lernen aus tausenden vergangenen Aufträgen, welche Werkzeuge und Schnittparameter für ein Material in einer Geometrie typischerweise verwendet wurden — und welche zu Brüchen, schlechter Oberfläche oder hoher Werkzeugkosten führten. Der Mensch entscheidet, das System schlägt vor. Bei den meisten Standardaufträgen funktioniert das gut, bei Sonderfällen bleibt die Verantwortung beim Menschen.

Wichtig ist das Verständnis, dass KI hier kein autonomes System ist, sondern ein Wissenswerkzeug. Wer das so kommuniziert, vermeidet die Skepsis erfahrener Programmierer, die zu Recht stolz auf ihr Können sind — und gewinnt sie als Verbündete für die Weiterentwicklung des Systems.

Materialausnutzung und Nesting-Optimierung.

In der Blechbearbeitung, beim Laserschneiden oder Wasserstrahlen ist Materialausnutzung ein direkter Margenhebel. Stahl, Edelstahl oder Aluminium machen bei vielen Aufträgen 50 bis 70 Prozent der Selbstkosten aus. Wer hier zwei Prozent gewinnt, gewinnt mehr als bei jeder Produktivitätssteigerung im Schichtbetrieb.

Nesting-Algorithmen, die Bauteile optimal auf einer Blechtafel anordnen, sind nicht neu. Was KI hinzufügt, ist die Berücksichtigung von Kontextdaten: Restplatten aus früheren Aufträgen, Materialgüten, kommende Aufträge in der Pipeline. Ein KI-gestütztes System ordnet Bauteile nicht nur platzsparend an, sondern berücksichtigt auch, ob ein nächster Auftrag die übrigen Reste sinnvoll weiterverwertet.

Voraussetzung ist eine durchgängige Datenkette: ERP, CAD, Maschinensteuerung müssen miteinander reden. In vielen Betrieben ist genau das der größte Aufwand — nicht die KI selbst, sondern die Schnittstellen. Wer die Datenflüsse vorab konsolidiert, profitiert von KI-Nesting; wer es nicht tut, sieht in der Auswertung nur Excel-Tabellen mit unklarem ROI.

Qualitätskontrolle: Computer Vision statt Stichprobe.

Klassische Qualitätskontrolle in der Metallverarbeitung läuft zu einem großen Teil über Stichproben und Endprüfung. Risse, Maßabweichungen, Oberflächenfehler werden geprüft, dokumentiert, nachgearbeitet oder verworfen. Computer-Vision-Systeme mit KI-Bildauswertung haben in den letzten Jahren einen Reifegrad erreicht, der industriellen Einsatz erlaubt — auch in kleineren Stückzahlen.

Ein typisches Beispiel ist die Inline-Kontrolle nach dem Laserschneiden. Eine Kamera über dem Maschinentisch nimmt jedes Bauteil auf, ein KI-Modell vergleicht mit der Soll-Geometrie und meldet Abweichungen, bevor das Teil weitergegeben wird. Fehler werden früh erkannt, nicht erst nach drei weiteren Bearbeitungsschritten, in die schon Zusatzkosten geflossen sind.

Auch bei Schweißnähten und Oberflächen ist Bildauswertung leistungsfähig. Was ein Mensch im hektischen Schichtbetrieb übersieht, erkennt eine Kamera mit gut trainiertem Modell zuverlässig — bei tausenden Bauteilen pro Schicht. Die Investition liegt typischerweise bei 30.000 bis 80.000 Euro pro Inspektionsstation, der Nutzen ist messbar in Reklamationsraten, Nacharbeit und Ausschuss.

Grenzen gibt es dort, wo Fehler komplex und kontextabhängig sind. Eine Spannungsrissprüfung in einem Schmiedeteil ersetzt keine Materialprüfung am realen Bauteil — sie ergänzt sie. Wer KI als Ersatz für Pflichtprüfungen versteht, kommt in die Haftungsfalle. Wer sie als zusätzliche Sicherheitsschicht versteht, gewinnt.

Werkzeugstandzeit und vorausschauende Wartung.

Werkzeuge in der Zerspanung sind ein massiver Kostenblock. Eine Wendeplatte, ein Fräskopf, eine Bohrerserie — alles hat eine Standzeit, die sich messen lässt, aber selten konsequent gemessen wird. Wer Werkzeuge zu früh wechselt, verbrennt Geld. Wer sie zu spät wechselt, riskiert Werkstückausschuss und Maschinenstillstand.

KI-Modelle, die mit Maschinendaten gefüttert werden — Schnittkräfte, Schwingungen, Strom — können Werkzeugverschleiß deutlich präziser vorhersagen als kalendarische Wechselintervalle. In Pilotprojekten bei metallverarbeitenden Betrieben lagen die Einsparungen bei Werkzeugkosten zwischen 15 und 30 Prozent, gleichzeitig sank der ungeplante Ausschuss durch verschlissene Werkzeuge.

Ähnlich verhält es sich mit der Maschinenwartung: Spindeln, Lager, Antriebe haben charakteristische Schwingungs- und Energieprofile, deren Abweichungen auf bevorstehende Probleme hindeuten. Ein KI-Modell, das diese Profile beobachtet, warnt typischerweise Tage oder Wochen vor einem Ausfall — genug Zeit, um die Wartung geplant durchzuführen, statt die Anlage im laufenden Auftrag still stehen zu sehen.

Voraussetzung ist die Datenanbindung. Moderne Maschinen liefern diese Daten über OPC UA oder ähnliche Standards. Ältere Maschinen brauchen Retrofitting mit zusätzlichen Sensoren — ein Aufwand zwischen wenigen tausend und mittleren fünfstelligen Beträgen pro Maschine, je nach Alter und Komplexität.

Akzeptanz im Schichtbetrieb: der eigentliche Engpass.

Technologisch sind die meisten in diesem Artikel beschriebenen Anwendungen heute machbar. Sie scheitern in der Praxis selten an der Technologie und häufig an der Akzeptanz im Schichtbetrieb. Erfahrene Maschinenbediener sind zu Recht stolz auf ihr Können — und reagieren empfindlich, wenn ein System ihnen vorzuschreiben scheint, was sie zu tun haben.

In Beratungsprojekten zeigt sich regelmäßig, dass die erfolgreichsten Einführungen drei Eigenschaften teilen. Erstens werden die Mitarbeitenden früh eingebunden, nicht nur informiert. Sie kennen die Probleme am besten und liefern oft die besseren Hypothesen als externe Berater. Zweitens wird KI als Vorschlag positioniert, nicht als Anweisung. Der Mensch entscheidet, das System unterstützt. Drittens werden die Erfolge sichtbar gemacht: Wenn die Werkzeugkosten messbar sinken oder die Reklamationsquote zurückgeht, akzeptieren auch Skeptiker das System nach einigen Monaten.

Schwierig wird es immer dort, wo das System Mitarbeiter ersetzen soll. Diese Botschaft sollte ehrlich kommuniziert werden, wenn sie tatsächlich vorliegt — und vermieden werden, wenn sie nicht stimmt. Die meisten KI-Anwendungen in der Metallverarbeitung entlasten ohnehin knappes Personal, statt es zu ersetzen. Wer das transparent macht, gewinnt Unterstützung.

Was kleinere Lohnfertiger realistisch erwarten dürfen.

Eine ehrliche Einordnung für Betriebe mit 30 bis 150 Mitarbeitenden: Nicht jede in diesem Artikel beschriebene Anwendung ist für jeden Betrieb wirtschaftlich. Computer-Vision-Inspektion lohnt sich bei hohen Stückzahlen pro Teil. Predictive Maintenance lohnt sich bei wenigen, teuren Maschinen mit hoher Auslastung. Multi-Auftrags-Nesting lohnt sich bei breitem Auftragsmix mit viel Restmaterial.

Wer als Lohnfertiger startet, beginnt typischerweise mit zwei pragmatischen Schritten. Erstens: eine strukturierte Datenbasis schaffen. ERP, Kalkulationen, Servicedaten zusammenführen, sodass Vergangenheitsdaten überhaupt auswertbar sind. Zweitens: einen klaren Engpass identifizieren und dort einen kleinen Pilot fahren. Drei Monate, klares Erfolgskriterium, kontrollierte Investition.

Der Fehler, der in der Branche besonders häufig vorkommt, ist die Überinvestition in „Industrie 4.0“-Pakete, die theoretisch alles können, aber praktisch keinen messbaren Effekt liefern. Wer KI im Maschinen- und Werkzeugkontext einführt, sollte zwei Maßstäbe behalten: Reduziert die Lösung tatsächlich Stunden oder Material? Und lässt sich das in Euro messen? Wenn beides nach einem Quartal nicht klar ist, ist die Lösung wahrscheinlich falsch dimensioniert — und ein Schritt zurück ist günstiger als ein erzwungener Rollout.

Sie wollen prüfen, wo KI in Ihrem metallverarbeitenden Betrieb pragmatisch entlastet? Unverbindlich anfragen — wir schauen gemeinsam auf Programmierung, Material und Qualität — und ordnen mögliche Schritte.