Was österreichische Industrie‑KMU jetzt konkret von KI‑Pionieren lernen können – von generativer KI über Trustworthy AI bis zu RoboCable und Materialoptimierung.
Warum KI für österreichische KMU kein Zukunftsthema mehr ist
Österreichische Industrieunternehmen verlieren jedes Jahr Millionen Euro durch Ausschuss, ungeplante Stillstände und ineffiziente Abläufe. In vielen Werken liegen gleichzeitig Terabytes an Maschinendaten, Dokumentationen und Erfahrungswissen praktisch ungenutzt herum. Genau hier setzt moderne Künstliche Intelligenz an – und zwar viel konkreter, als viele denken.
Die Vortragsreihe „AI Brekkie“ des Fraunhofer IPA zeigt sehr gut, wohin die Reise geht: von generativer KI über sichere und erklärbare Modelle bis hin zu hochspezialisierten Produktionsanwendungen. Wer in Österreich heute ein Industrie‑KMU führt – egal ob Metallbearbeitung, Maschinenbau, Automotive-Zulieferer oder Elektrotechnik – findet darin einen hervorragenden Kompass.
In diesem Beitrag aus der Serie „KI in der österreichischen Industrie: Leitfaden für KMU“ übersetze ich die wichtigsten Impulse dieser Forschungsarbeiten in ganz praktische Handlungsoptionen: Was ist heute schon wirtschaftlich nutzbar? Wo liegen typische Stolpersteine? Und wie sieht ein realistischer Fahrplan für ein KMU aus, das 2025 ernsthaft mit KI starten will?
1. Generative KI: Vom Chatbot zum produktiven Kollegen in der IT
Generative KI ist nicht mehr nur ein netter Textgenerator, sondern entwickelt sich zu einem aktiven Agenten in IT‑Systemen.
Jenseits des Chats: KI als IT‑Agent
Die Fraunhofer-Beiträge zu „Jenseits des Chats“ und „Integration von generativer KI in autonome IT-Systeme“ machen einen Punkt sehr klar: Der Wert entsteht nicht im Chatfenster, sondern in den angebundenen Systemen.
Für österreichische KMU bedeutet das konkret:
- Ein LLM, das direkt in ERP, MES oder Ticketsystem integriert ist, kann
- Service‑Tickets automatisch klassifizieren und vorbefüllen
- Materialbedarfe aus E‑Mails auslesen und als Bestellvorschlag anlegen
- Störungen aus Maschinenmeldungen zusammenfassen und priorisieren
- In der IT kann ein KI‑Agent
- Standard‑Supportanfragen beantworten (Passwort, VPN, Drucker)
- Logs durchsuchen und bei Auffälligkeiten automatisch Tickets erzeugen
- einfache Skripte generieren, etwa fĂĽr Auswertungen oder Datenimporte
Der Unterschied zur „Spielerei mit ChatGPT“: Die KI hat Zugriff auf Ihre echten Daten und Tools, allerdings kontrolliert und protokolliert.
Knowledge Management mit RAG: Wissen der Belegschaft sichern
Ein zentrales Problem gerade in der österreichischen Industrie: Fachkräfte gehen in Pension, Dokumentation ist lückenhaft, Know-how steckt in Köpfen und alten Ordnern. Fraunhofer zeigt mit Retrieval-Augmented Generation (RAG) einen pragmatischen Weg:
- interne Dokumente (HandbĂĽcher, Wartungsanleitungen, Spezifikationen) werden strukturiert indexiert
- das LLM greift nicht auf sein allgemeines Internetwissen zurĂĽck, sondern zieht gezielt passende Dokumentausschnitte heran
- Antworten werden inklusive Quellen angezeigt – das erhöht Vertrauen und Nachvollziehbarkeit
Praxisbeispiel für ein österreichisches KMU:
- Ein Maschinenbauer in Oberösterreich baut seit 20 Jahren Sonderanlagen.
- Servicetechniker vor Ort suchen oft lange nach der richtigen Zeichnung oder dem passenden Steuerungsparameter.
- Ein RAG‑System ermöglicht per Tablet: „Zeig mir die Hydraulikpläne zur Anlage XY, Baujahr 2011, Kunde ABC“ – inklusive markierter Bauteile und typischer Fehlerbilder.
So entsteht schrittweise ein digitales Gedächtnis, das Onboarding beschleunigt und Servicekosten spürbar senkt.
2. Multi-Agenten-Systeme & Trustworthy AI: Sicher, erklärbar, auditierbar
Sobald KI nicht mehr nur Texte schreibt, sondern in reale Prozesse eingreift (Produktion, Qualität, Logistik), stehen Sicherheit, Nachvollziehbarkeit und Compliance im Vordergrund. Genau hier setzen viele „AI Brekkie“-Themen an.
Multi-Agentic AI: Ein Ă–kosystem statt Monolith
Der Trend geht weg vom einen „Übermodell“ hin zu Systemen aus spezialisierten Agenten, die zusammenarbeiten:
- ein Agent prüft Eingaben (z. B. ob ein Wartungsauftrag vollständig ist)
- ein zweiter Agent erzeugt einen Lösungsvorschlag
- ein dritter Agent kontrolliert diesen Vorschlag an Hand von Regeln, Normen und Zugriffsbeschränkungen
- ein vierter Agent dokumentiert den Vorgang revisionssicher
Für KMU ist das spannend, weil sie so Risiko und Verantwortung aufteilen können:
„Wir lassen nicht ein einzelnes, undurchschaubares Modell über unsere Produktion entscheiden, sondern mehrere klar definierte Module mit jeweils begrenzter Aufgabe.“
Gerade mit Blick auf den EU AI Act ist das ein groĂźer Vorteil: Rollen, DatenflĂĽsse und Entscheidungslogik werden sauber dokumentiert.
Sicherheit & Erklärbarkeit: Vom „Bauchgefühl“ zum auditierbaren System
Fraunhofer widmet mehrere Vorträge Themen wie
- Safety Assessment von KI-Systemen
- Bayes’sche neuronale Netze (Unsicherheiten sichtbar machen)
- erklärbare KI (XAI, prototypbasierte Methoden)
- robustes Machine Learning
Für österreichische Industrie‑KMU lassen sich daraus klare Leitlinien ableiten:
-
Unsicherheit sichtbar machen
Statt „95 % Genauigkeit“ pauschal zu kommunizieren, zeigt ein Bayes’sches Netz: „Diese Vorhersage ist unsicher, bitte menschlich prüfen.“ Das verhindert teure Fehlentscheidungen, etwa in der Qualitätsfreigabe. -
Erklärbare Modelle bevorzugen, wo es um Sicherheit oder Regulierung geht
In Bereichen wie Medizintechnik, Automotive oder Finanzwesen wird es ohne XAI schwierig, Audits zu bestehen oder Kunden zu ĂĽberzeugen. -
Safety Assessment als Projektbaustein einplanen
Nicht erst nach der Entwicklung fragen: „Ist das sicher?“, sondern früh ein strukturiertes Vorgehen definieren – inklusive Tests, Monitoring und Fallback‑Strategien. -
EU AI Act proaktiv statt reaktiv angehen
Wer 2025 in Österreich KI in Produktion und Produkten ausrollt, sollte jetzt schon klären: In welche Risikoklasse fallen unsere Anwendungen? Welche Dokumentationen und Nachweise brauchen wir?
3. Konkrete Produktions-Use-Cases: Von RoboCable bis Produktionsplanung
Viele KI‑Beispiele wirken abstrakt. Der AI‑Brekkie‑Rückblick zeigt aber einige sehr greifbare industriellen Anwendungsfälle, die auch für österreichische Betriebe direkt relevant sind.
RoboCable: Flexible Bauteile endlich automatisiert handhaben
Kabel, Kabelbäume, Schläuche – in der Theorie trivial, in der Praxis ein Albtraum für klassische Roboter. Das Projekt „RoboCable“ nutzt Simulation, Sensorik und Reinforcement Learning, um genau diese Aufgabe zu automatisieren.
Übertrag auf österreichische Automotive‑Zulieferer und Elektro‑Betriebe:
- Kommissionierung von Kabelsätzen
- Einlegen von Kabeln in Gehäuse oder Schalttafeln
- Handling von Dichtungen oder Schläuchen in der Montage
Der Charme: Lernende Systeme können mit Varianz und Ungenauigkeiten besser umgehen als starr programmierte Roboter. Für KMU bedeutet das:
- weniger manuelle, ergonomisch ungünstige Tätigkeiten
- besser kalkulierbare Prozesszeiten
- mittelfristig geringere Abhängigkeit von schwer zu findenden Fachkräften
Tensor-Nesting: Material sparen mit GPU‑gestützter Optimierung
Gerade in Metall- und Blechbearbeitung in Österreich ist Material ein großer Kostenblock. Der vorgestellte 2D-Nesting-Algorithmus sorgt dafür, dass Zuschnitte auf Blechen so angeordnet werden, dass möglichst wenig Rest anfällt.
Mögliche Effekte:
- 3–8 % bessere Materialausnutzung (realistische Spannbreite aus Praxisprojekten)
- direkte Reduktion der Materialkosten
- weniger Schrott, also auch geringere CO₂‑Bilanz
Für KMU interessant: Durch GPU‑Beschleunigung lassen sich auch bei vielen Bauteilen und Varianten in Sekunden neue Pläne berechnen – ideal bei kurzfristigen Kundenänderungen.
KI-basierte Produktionsplanung und ‑steuerung
Im Projekt mit Porsche zeigt sich, wie KI Produktionsplanung stabiler und gleichzeitig flexibler machen kann – ein klassischer Konflikt auch in österreichischen Werken.
Ăśbertragbare Prinzipien:
- Prognosemodelle fĂĽr Auftrags- und Materialeingang
- dynamische Reihenfolgeplanung, die Rüstzeiten, Liefertermine und Störungen berücksichtigt
- Kundenauftragssteuerung, die Versprechen an Kunden realistisch, aber ambitioniert setzt
Für ein KMU heißt das nicht, sofort ein komplettes APS‑System zu ersetzen. Sinnvoll ist oft ein Pilot auf einem Engpassbereich, z. B.:
- eine Engpassmaschine in der Zerspanung
- die Lackiererei
- die Endmontage einer besonders variantenreichen Produktlinie
4. Besseres Lernen aus Daten: Causal, Informed & Unbalanced ML
Viele KI‑Projekte scheitern nicht an der Modellwahl, sondern an den Daten. Die Brekkie-Themen zu unbalancierten Datensätzen, kausalem Lernen und informed Machine Learning liefern wertvolle Impulse für KMU.
Unbalanced Datasets: Qualitätsprüfung realistisch angehen
In der Qualitätssicherung gibt es fast immer das gleiche Bild: 99 % Gutteile, 1 % Schlechte. Klassische Machine-Learning-Ansätze lernen dann vor allem: „Alles ist gut.“
Abhilfe schaffen u. a.:
- gezieltes Oversampling der Fehlerfälle
- Kosten-sensitive Lernverfahren (Fehlklassifikation von Fehlern wird stärker bestraft)
- Kombination aus Klassifikation und Anomalieerkennung
Für ein österreichisches KMU mit Sichtprüfung (z. B. Schweißnähte, Oberflächen) heißt das: Nicht nur auf Accuracy starren, sondern darauf, wie gut tatsächlich Fehler erkannt werden – und wie viele Falschalarme entstehen.
Causal Learning: Ursachen statt Korrelationen
Kausales Lernen zielt darauf ab, Ursache-Wirkungs-Beziehungen in Prozessen zu modellieren. In der Produktion kann das z. B. bedeuten:
- Welcher Parameter beeinflusst wirklich die Standzeit eines Werkzeugs?
- Welche Prozessschritte sind entscheidend für die Oberflächengüte?
Wer das beherrscht, kann besser entscheiden, wo sich Prozessänderungen lohnen. Für KMU ist das ein echter Hebel, um aus begrenzten Daten trotzdem robuste Modelle zu bauen.
Informed Machine Learning: Vorwissen gezielt nutzen
Österreichische Betriebe sitzen oft auf jahrzehntelanger Engineering‑Erfahrung. Informed Machine Learning sorgt dafür, dass diese Erfahrung nicht ignoriert wird, sondern
- als physikalische Randbedingung ins Modell einflieĂźt
- als Regelwerke oder Heuristiken berĂĽcksichtigt wird
- in Form von Simulationsdaten zusätzliches Trainingsmaterial liefert
Das Ergebnis: dateneffizientere, stabilere Modelle, die sich auch auĂźerhalb des bisher beobachteten Bereichs vernĂĽnftig verhalten.
5. Wie österreichische KMU jetzt konkret starten können
Die Vielfalt der Themen aus AI Brekkie kann leicht erschlagen. Der Weg für ein österreichisches Industrie‑KMU muss aber nicht kompliziert sein.
Schritt 1: Einen klaren, wirtschaftlichen Use Case wählen
Statt „Wir brauchen KI“, lieber fragen:
- Wo haben wir messbare Probleme? (Ausschuss, Stillstand, Personalmangel)
- Wo gibt es bereits Daten? (Sensorik, ERP, MES, Dokumente)
- Wo wäre ein Erfolg in 6–12 Monaten realistisch?
Typische Einstiegs-Use-Cases:
- KI‑gestützte Qualitätsprüfung mit unbalancierten Datensätzen
- RAG‑basiertes Wissenssystem für Service & Instandhaltung
- Materialoptimierung (z. B. Nesting) bei Blech- oder Holzbearbeitung
- erste Automatisierungsschritte bei der Handhabung schwieriger Bauteile
Schritt 2: Daten & Governance von Anfang an mitdenken
Erfolgreiche Projekte kombinieren Technik und Organisation:
- Datenqualität prüfen und gezielt verbessern
- Verantwortlichkeiten klären (Data Owner, KI‑Verantwortliche)
- erste Anforderungen aus EU AI Act & Sicherheitsbetrachtung einbeziehen
Wer früh mit „Trustworthy AI“ startet, spart sich später teure Nacharbeiten.
Schritt 3: Partner und Know-how gezielt aufbauen
Viele österreichische KMU werden nicht alles alleine machen – und das ist vernünftig.
Sinnvolle Kombinationen:
- internes Kernteam (Prozesswissen, IT‑Anbindung)
- externer KI‑Partner oder Forschungsinstitut (Modellentwicklung, Methoden)
- gegebenenfalls Technologieanbieter für spezielle Use-Cases (z. B. Robotik, Nesting)
Wichtig ist, dass Wissen im Unternehmen ankommt: Schulungen, Shadowing, gemeinsame Projektarbeit statt reiner „Black-Box“-Zulieferungen.
Fazit: Von der Forschung in die österreichische Werkshalle
Die Inhalte der AI‑Brekkie‑Reihe zeigen klar: KI in der Industrie ist längst im Alltag angekommen – von generativer KI in IT‑Systemen über sichere, erklärbare Modelle bis zur hochspezialisierten Produktionsautomatisierung wie RoboCable oder Tensor‑Nesting.
Für österreichische KMU bedeutet das eine komfortable Ausgangslage: Viele Methoden sind erprobt, Fallstricke bekannt, rechtliche Rahmen (EU AI Act) weitgehend definiert. Wer jetzt gezielt einsteigt, profitiert doppelt – durch Effizienzgewinne im Betrieb und durch eine deutlich attraktivere Position im Kampf um Fachkräfte.
Die eigentliche Frage ist daher nicht mehr, ob KI in der österreichischen Industrie ankommt, sondern welcher konkrete Anwendungsfall in Ihrem Unternehmen als erster dran ist – und wie Sie ihn so aufsetzen, dass daraus eine nachhaltige KI‑Strategie entsteht.