Der Elefant im Raum: Niemand spricht über echte KI-Kosten

Wenn ich mit Produktionsleitern und Geschäftsführern spreche, kommt eine Frage immer: Was kostet KI eigentlich? Die ehrliche Antwort ist unbefriedigend: kommt drauf an. Aber ich kann erklären, wovon es abhängt und wie realistische Größenordnungen aussehen.

Die meisten Anbieter bleiben bei konkreten Zahlen vage. Das ist nachvollziehbar, weil jedes Projekt anders ist. Aber es führt dazu, dass Unternehmen entweder völlig falsche Erwartungen haben oder KI-Projekte gar nicht erst starten, weil die Unsicherheit zu groß ist. Beides sind schlechte Ergebnisse. Deshalb hier meine transparente Aufschlüsselung der Kostenbausteine und was sie beeinflusst.

Die Bausteine der KI Kosten Produktion

Ein KI-Projekt auf dem Shopfloor besteht aus mehreren Kostenblöcken. Nicht jeder trifft auf jedes Projekt zu, aber ich liste alle auf, damit nichts überraschend kommt.

Beratung und Analyse

Bevor irgendetwas gebaut wird, muss ich den Prozess verstehen, die Datenlage bewerten und den Use Case sauber definieren. Das dauert je nach Komplexität einige Tage. Dieser Schritt wird oft unterschätzt, ist aber entscheidend. Ein schlecht definierter Use Case führt zu einem teuren Projekt ohne Ergebnis.

Hardware

Für Computer Vision brauche ich Kameras, Beleuchtung, eventüll Halterungen und einen Edge-PC oder Industrie-PC für die Inferenz. Für vorausschauende Wartung kommen Sensoren und Datenlogger ins Spiel. Die Bandbreite ist enorm - von ein paar hundert Euro für eine einfache USB-Kamera bis zu fünfstelligen Beträgen für industrielle Kamerasysteme mit spezieller Optik.

Softwareentwicklung

Das eigentliche KI-Modell muss trainiert, getestet und in eine Anwendung integriert werden. Dazu kommt eine Oberfläche, über die Bediener die Ergebnisse sehen und bei Bedarf eingreifen können. Der Entwicklungsaufwand hängt stark von der Problemkomplexität ab.

Trainingsdaten aufbereiten

Daten sind der Treibstoff jedes KI-Systems. Bilder müssen gesammelt, sortiert und gelabelt werden. Sensordaten müssen bereinigt und strukturiert werden. Das ist oft der zeitaufwändigste Teil eines Projekts, besonders wenn historische Daten fehlen oder unstrukturiert vorliegen.

Integration mit bestehenden Systemen

Die KI muss mit der vorhandenen Infrastruktur kommunizieren: SPS, MES, ERP oder einfach ein Dashboard an der Linie. Je nach Schnittstellen kann das unkompliziert oder sehr aufwändig sein.

Laufende Wartung

Modelle müssen überwacht, nachtrainiert und aktualisiert werden. Hardware braucht Pflege. Das ist kein einmaliger Aufwand, sondern wiederkehrende Kosten.

Was treibt die KI Investition Fertigung nach oben oder unten?

Bei einem KI-Pilotprojekt in der Produktion bewegen sich die Kosten in einer breiten Spanne. Was den Unterschied macht:

Datenqualität: Wenn saubere, gelabelte Daten bereits existieren, spart das enorm viel Zeit. Wenn ich Wochen mit Datenerhebung und -aufbereitung verbringe, steigen die Kosten deutlich.
Problemkomplexität: Einen offensichtlichen Oberflächenfehler auf gleichmäßigem Hintergrund zu erkennen ist etwas völlig anderes als subtile Anomalien auf komplexen Bauteilen zu finden.
Vorhandene Infrastruktur: Gibt es bereits Kameras, Sensoren oder eine Datenbank? Oder muss alles von Grund auf aufgebaut werden?
Geschwindigkeits- und Genauigkeitsanforderungen: Echtzeitinspektion bei Zykluszeiten unter einer Sekunde erfordert leistungsfähigere und damit teurere Hardware als stichprobenartige Kontrolle.
Regulatorische Anforderungen: Bei Medizintechnik oder Luft- und Raumfahrt sind Dokumentation und Validierung deutlich aufwändiger als in anderen Branchen.

Wann ist der ROI künstliche Intelligenz realistisch?

Eine KI Investition Fertigung rechnet sich am zuverlässigsten, wenn bestimmte Bedingungen erfüllt sind:

Hohe Stückzahlen, bei denen selbst kleine Verbesserungen der Ausschussrate zu großen Einsparungen führen
Teurer Ausschuss, zum Beispiel bei hochwertigen Materialien oder komplexen Fertigungsschritten
Kostspielige Stillstände, bei denen vorausschauende Wartung ungeplante Ausfälle reduzieren kann
Hoher manüller Prüfaufwand, bei dem Mitarbeiter durch repetitive Qualitätskontrollen gebunden sind

In diesen Fällen kann sich ein KI-Projekt innerhalb weniger Monate amortisieren.

Wann ist der ROI fragwürdig?

Ich bin ehrlich: Nicht jedes KI-Projekt lohnt sich. Der ROI ist fragwürdig, wenn:

Die Stückzahlen gering sind und der manülle Aufwand überschaubar bleibt
Die Qualität bereits gut ist und die Fehlerquote im Promillebereich liegt
Das eigentliche Problem unklar ist - denn KI ist kein Allheilmittel für diffuse Prozessprobleme
Die Datenbasis fehlt und erst aufgebaut werden müsste, was Vorlaufzeit und Kosten massiv erhöht

Versteckte Kosten, die im Machine Learning Budget oft fehlen

Bei der Budgetplanung für KI in der Produktion gibt es Posten, die in der ersten Kalkulation regelmäßig vergessen werden:

Datenlabeling: Jemand muss die Trainingsdaten annotieren. Das ist zeitaufwändig und erfordert Fachwissen aus der Produktion, nicht nur IT-Kompetenz.
Modell-Retraining: Produkte ändern sich, Materialien wechseln, Prozesse werden angepasst. Das Modell muss mitziehen, sonst sinkt die Genauigkeit über die Zeit.
Hardware-Wartung: Kameras verschmutzen, Beleuchtung altert, Edge-PCs brauchen Updates. Das klingt trivial, wird aber in staubigen Produktionsumgebungen schnell relevant.
Schulung der Mitarbeiter: Das Team an der Linie muss verstehen, wie es mit dem System arbeitet und wann es eingreifen soll.
Opportunitätskosten: Während des Projekts sind interne Ressourcen für Datenlieferung, Tests und Feedback gebunden.

Wie ich das Budget planen würde

Mein Rat an jedes Unternehmen, das über KI in der Produktion nachdenkt:

Mit einem Pilotprojekt starten, nicht mit einer Gesamtlösung. Ein fokussierter Use Case mit klaren Erfolgskriterien.
ROI konkret messen, nicht schätzen. Vorher-Nachher-Vergleich mit echten Zahlen.
Dann entscheiden: skalieren, anpassen oder stoppen. Jede dieser Optionen ist ein gutes Ergebnis, denn selbst ein gestopptes Projekt spart langfristig Geld, wenn die Alternative eine teure Fehlinvestition gewesen wäre.
Laufende Kosten einplanen. Ein KI-System ist keine einmalige Anschaffung.

Mein ehrlicher Rat

Wenn das Budget sehr knapp ist, ist es manchmal besser zu warten. Eine halbgare KI-Lösung, die nicht zuverlässig funktioniert, ist schlimmer als gar keine KI. Sie frustriert die Bediener, untegräbt das Vertrauen in die Technologie und macht es schwerer, später ein richtiges Projekt genehmigt zu bekommen.

Lieber etwas länger sparen, den Use Case sauber vorbereiten und es dann richtig machen. Ich berate auch gerne vorab, welcher Use Case die höchste Erfolgswahrscheinlichkeit hat, bevor Budget festgelegt wird. Das kostet wenig und kann viele teure Lehrstunden ersparen.

Was kostet KI in der Produktion wirklich? Ehrliche Antworten statt Verkaufsgespräch