Wie Audi und Fraunhofer KI-Picking in der Produktion testen

KI-Picking im Reallabor: Was Audi und Fraunhofer vormachen

Fehlerhafte Teile im Wagen, falsche Komponente in der Kiste, Rückfragen am Band – der Pick-Prozess in der Automobilproduktion ist ein klassischer Stressfaktor. Gleichzeitig entscheidet er mit darüber, ob eine hochindividualisierte E-Limousine wie der Audi e-tron GT rechtzeitig vom Band läuft – oder stehen bleibt.

Genau hier setzen Audi Sport und die Fraunhofer-Institute IAO und IPA an. Im Werk „Böllinger Höfe“ bei Heilbronn betreiben sie seit Juni 2025 ein Reallabor für KI und Robotik im Kommissionierprozess. Statt nur in der Versuchshalle zu testen, laufen die Experimente mitten in der realen Produktion.

Für alle, die in der deutschen Automobilindustrie Verantwortung tragen – ob OEM oder Zulieferer – ist dieses Projekt mehr als eine nette Forschungsgeschichte. Es zeigt sehr konkret, wie Künstliche Intelligenz, Computer Vision und mobile Robotik den Weg zur smarten Fabrik ebnen.

In diesem Beitrag aus unserer Serie „KI in der deutschen Automobilindustrie: Produktion und Innovation“ schauen wir uns an:

• wie das Reallabor bei Audi Sport aufgebaut ist,
• welche Rolle KI, Computer Vision und mobile Roboter im Picking übernehmen,
• welche Vorteile sich für Qualität, Ergonomie und Logistik ergeben,
• und worauf andere Hersteller achten sollten, wenn sie ähnliche Projekte anstoßen wollen.

Warum der Pick-Prozess zum KI-Vorreiter wird

Der Pick-Prozess ist in der Automobilproduktion einer der sensibelsten Schritte: Hier entscheidet sich, ob die richtigen Teile zur richtigen Zeit an der Linie sind. Fehler sind teuer – und sie treffen gleich mehrere Kennzahlen.

Warum gerade das Picking ein idealer Kandidat für KI-Anwendungen ist:

• Hoher manueller Anteil und monotone Tätigkeiten
• Komplexität durch Variantenvielfalt (Stichwort: Individualisierung, E-Mobilität, Sonderausstattungen)
• Direkter Einfluss auf Qualität, OEE und Liefertermintreue
• Ergonomische Belastung für Mitarbeitende durch Bücken, Greifen, Heben und Kontrollieren

In den Böllinger Höfen ist dieser Effekt besonders ausgeprägt. Die Audi e-tron GT-Familie und weitere Kleinserien haben einen hohen Individualisierungsgrad, was die Zahl der vorkommenden Teile deutlich erhöht. Genau das macht das Werk zum idealen Testfeld.

Die Realität: Wer Picking im Griff hat, reduziert Ausschuss, vermeidet Nacharbeit und entlastet gleichzeitig sein Team. KI und Robotik greifen genau an diesen Stellhebeln an.

Das Reallabor: KI und Robotik direkt in der Produktion testen

Das Reallabor von Audi Sport und Fraunhofer ist kein theoretischer Demonstrator, sondern eine abgetrennte Fläche direkt im Logistikbereich der Produktion. Dort wurde eine realitätsgetreue Kopie des sogenannten „Supermarkts“ aufgebaut – also der Zone, in der Kommissionierer Teile aus unterschiedlichen Behältern entnehmen.

So funktioniert der Aufbau im Werk „Böllinger Höfe“

Der Ablauf ist bewusst praxisnah gehalten:

1. Bedarfsanalyse: Gemeinsam mit den Logistik- und Produktionsverantwortlichen wird identifiziert, wo das größte Optimierungspotenzial liegt – und wo die Belastung der Mitarbeitenden am höchsten ist.
2. Reale Fahrzeugaufträge: Als Testfälle dienen echte Kundenaufträge. Dadurch werden Variantenvielfalt und reale Taktanforderungen abgebildet.
3. Ergebnisoffene Erprobung: Technologien werden nicht „von oben“ verordnet, sondern ergebnisoffen evaluiert – inklusive Feedback der Werkerinnen und Werker vor Ort.

Bernd Bienzeisler vom Fraunhofer IAO bringt den Ansatz auf den Punkt: Forschung findet nicht mehr im geschützten Labor statt, sondern in der gewohnten Produktionsumgebung, mit direktem Input von denjenigen, die später mit der Technologie arbeiten.

Warum ein Reallabor für die deutsche Automobilindustrie sinnvoll ist

Ein Reallabor reduziert das Risiko im Vergleich zu einem Big-Bang-Rollout:

• Technologie-Reife prüfen: Funktioniert die KI auch mit realen Verschmutzungen, Lichtverhältnissen, Verpackungsvarianten?
• Akzeptanz testen: Wie reagieren Mitarbeitende auf Assistenzsysteme und Roboter? Unterstützend oder störend?
• Business Case schärfen: Welche Prozessschritte profitieren tatsächlich? Wo sind Investitionen gerechtfertigt, wo nicht?

Viele deutsche Automobilhersteller reden über „Smart Factory“. Reallabore wie dieses sind der Schritt von der PowerPoint-Folie zur funktionierenden Anwendung.

KI im Picking: Computer Vision als zusätzlicher „Kontrollblick“

Im Fokus steht im ersten Schritt die Frage: Wie kann KI den Menschen beim manuellen Picking konkret unterstützen?

Die Antwort von Audi und Fraunhofer: Computer-Vision-basierte Assistenzsysteme, die den Greifprozess begleiten und überwachen.

Typische KI-Funktionen im Pick-Prozess

Solche Systeme können in der Praxis unter anderem:

• Teile anhand von Form, Farbe oder Etikett per Kamera erkennen
• Prüfen, ob das richtige Teil aus dem richtigen Behälter entnommen wurde
• Den Pick per optischem oder akustischem Signal bestätigen oder warnen
• Fehlgriffe frühzeitig erkennen, bevor das Teil an die Linie gelangt
• Lernfähig sein: Mit jeder Korrektur verbessert sich das Erkennungsmodell

Die Folge: Weniger Pickfehler, stabilere Produktionsversorgung und geringere Nacharbeit. Gerade bei teuren Komponenten in der Elektromobilität – etwa Leistungselektronik, Batteriemodule oder komplexe Kabelbäume – kann das schnell fünf- bis sechsstellige Beträge pro Jahr einsparen.

Ergonomie und Ausbildung: KI als Trainer statt Kontrolletti

Ein Aspekt, der in Diskussionen oft unterschätzt wird: KI-gestützte Assistenzsysteme sind auch ein starkes Werkzeug für Schulung und Einarbeitung.

• Neue Mitarbeitende erhalten unmittelbar Feedback zu Picks
• Lernkurven werden steiler, weil Fehler sofort sichtbar sind
• Erfahrene Mitarbeitende können sich stärker auf Spezialfälle und Prozessverbesserung konzentrieren

Wichtig ist dabei der kulturelle Dreh: Die KI ist kein Überwachungsinstrument, sondern eine „zweite Augenpaar“, das Fehler abfängt und Sicherheit gibt. Unternehmen, die das von Anfang an klar kommunizieren, bekommen deutlich mehr Akzeptanz im Team.

Mobile Robotik: Vom autonomen Knickarmroboter zum flexiblen Helfer

Neben KI im manuellen Prozess testet das Reallabor auch mobile Robotik, etwa autonome mobile Plattformen mit Knickarmroboter, 3D-Sensorik und wechselbaren Greifern.

Was mobile Roboter im Logistik-Supermarkt leisten können

Im kommissionierungsnahen Umfeld bieten sich mehrere Anwendungsszenarien an:

• Autonome Versorgung der Supermarktregale mit Kleinladungsträgern
• Automatisiertes Vor-Kommissionieren von Standardkomponenten
• Übernahme ergonomisch ungünstiger Picks, z. B. schwere oder hoch/tief gelagerte Teile
• Dynamische Anpassung an Bedarfe: Roboter fahren dorthin, wo Engpässe entstehen

Der Charme dieser Lösungen liegt in der Kombination aus Mobilität und Flexibilität. Während klassische stationäre Roboter eher für wiederholgenaue, starre Prozesse geeignet sind, können mobile Knickarmroboter in heterogenen Umgebungen agieren – ideal für Kleinserienfertigung und hohe Variantenvielfalt.

Grenzen kennen: Was sich (noch) nicht lohnt

So wichtig Begeisterung für neue Technologien ist, genauso wichtig ist ein nüchterner Blick:

• Nicht jede Pick-Position eignet sich für Robotik. Enge Platzverhältnisse, unstrukturiertes Material oder stark variierende Behälter können den Aufwand hochtreiben.
• ROI-Frage klären: Ein hochkomplexer Robotergreifer für ein selten vorkommendes Teil rechnet sich meist nicht.
• Prozessstabilität zuerst: Ein chaotischer Supermarkt bleibt chaotisch – auch mit Robotik. Standardisierung und klare Prozesse sind Voraussetzung.

Genau aus diesem Grund ist der Reallabor-Ansatz sinnvoll: Technologien werden dort getestet, wo ihr Nutzen realistisch ist.

Von AI25 zur Serienanwendung: Was andere Hersteller lernen können

Das Reallabor in den Böllinger Höfen steht nicht isoliert da. Es baut auf der Automotive Initiative 2025 (AI25) auf, in der Audi, Fraunhofer, die TU München und Implementierungspartner die digitale Transformation der Automobilproduktion vorantreiben.

Für andere Hersteller – ob großer OEM oder mittelständischer Zulieferer – lassen sich aus dem Projekt einige klare Prinzipien ableiten.

1. Vom Anwendungsfall statt von der Technologie her denken

Die Fraunhofer-Teams sind nicht mit dem Ziel gestartet, „irgendwo Computer Vision einzusetzen“, sondern mit einer Bedarfsanalyse der logistischen Tätigkeiten. Genau das sollten auch andere Unternehmen tun:

• Welche Prozesse verursachen die meisten Fehler?
• Wo ist die körperliche Belastung am höchsten?
• Wo drohen Engpässe bei Fachkräften?

Erst danach werden Technologien wie KI, Robotik oder Sensorik ausgewählt.

2. Mitarbeitende früh einbinden

Im Reallabor kommen Impulse explizit von den Werkerinnen und Werkern. Dieses Prinzip lässt sich übertragen:

• Pilotierung nur in Bereichen, deren Teams aktiv mitmachen wollen
• Feedbackschleifen in kurzen Zyklen
• Sichtbar machen, wie Technologie den Alltag tatsächlich erleichtert

Aus meiner Erfahrung scheitern viele Industrie-4.0-Projekte nicht an der Technik, sondern an fehlender Akzeptanz.

3. Klein starten, aber konsequent skalieren

Kleinserienfertigung wie in den Böllinger Höfen ist ideal, um Neues zu erproben. Entscheidend ist jedoch, früh über Skalierbarkeit nachzudenken:

• Welche Standards (Datenformate, Schnittstellen, Sensorik) erlauben Rollouts in andere Werke?
• Wie lassen sich Modelle aus einem Reallabor auf andere Standorte übertragen?
• Welche Prozesse eignen sich als nächster Schritt – z. B. Wareneingang, Sequenzierung, Endmontage?

Was der Case Audi/Fraunhofer für Ihre KI-Roadmap bedeutet

Das Reallabor bei Audi Sport zeigt, wie KI und Robotik in der deutschen Automobilindustrie nicht nur Vision, sondern gelebte Praxis sein können – vor allem, wenn man die richtigen Stellschrauben wählt:

• Fokus auf kritische, aber beherrschbare Prozesse wie Picking
• Kombination aus KI-basierter Qualitätskontrolle und ergonomischer Entlastung
• Testen im realen Umfeld statt im sterilen Labor
• Enge Zusammenarbeit zwischen OEM, Forschung und Mitarbeitenden an der Linie

Wer aktuell an einer KI-Strategie für Produktion und Logistik arbeitet, sollte genau hinschauen:

• Starten Sie mit einem klar umrissenen Use Case (z. B. KI-gestützte Pick-Prüfung für ein definiertes Teilecluster).
• Richten Sie ein eigenes Mini-Reallabor ein, auch wenn es nur eine abgegrenzte Fläche im Lager ist.
• Definieren Sie harte Kennzahlen: Fehlpickrate, Nacharbeit, Ergonomie-Indikatoren, Einarbeitungszeit neuer Mitarbeitender.

Die deutsche Automobilindustrie steht im Spannungsfeld zwischen Elektromobilität, Kostendruck und Fachkräftemangel. KI-gestützte Produktions- und Logistikprozesse sind kein „Nice-to-have“ mehr, sondern eine der wenigen Stellschrauben, mit denen Qualität, Effizienz und Arbeitgeberattraktivität gleichzeitig verbessert werden können.

Die spannende Frage für die kommenden Monate lautet: Welche Werke folgen dem Beispiel Böllinger Höfe – und wer schafft es, aus dem Reallabor echte Serienstandards für KI in der Automobilproduktion zu machen?