Ihre Fabrik ist nicht bereit für KI. Ihre Mitarbeiter schon.

Einblicke vom Scaling Business Summit 2026, Ho-Chi-Minh-Stadt.

Der Traum hat einen Namen: die dunkle Fabrik. Keine Mitarbeiter. Keine Feiertage. Keine Streiks. Eine Anlage, die rund um die Uhr, sieben Tage die Woche, auf Abruf laeuft. Es ist das Bild, das seit einem Jahrzehnt die KI-Investitionsgespraeche in der Fertigungsindustrie antreibt. David Will, Generaldirektor bei DRÄXLMAIER Vietnam, betrat die SBS-Buehne und sagte, was die meisten Werksleiter denken, aber selten laut aussprechen: Niemand, der heute lebt, wird sie sehen.

DRÄXLMAIER ist kein Randexperiment. Es ist ein 65.000-Mitarbeiter-Automobilzulieferer aus Niederbayern mit einem Umsatz von 5 Milliarden Euro – einer der verborgenen Riesen hinter den Instrumententafeln, elektronischen Komponenten und Hochvolt-Batteriepaketen in BMW- und Mercedes-Fahrzeugen. Sein Vietnam-Betrieb existiert genau deshalb, weil sein Flaggschiffprodukt, der Automobil-Kabelbaum, konstruktionsbedingt zu 70 % aus manueller Arbeit besteht. Kein Roboter hat das bisher geknackt.

Was folgte, war keine pessimistische Sichtweise auf KI. Es war eine ehrliche. David kartierte, wo die Fertigungs-KI tatsaechlich steht, warum sie stecken bleibt und welche Fragen jeder Werksleiter beantworten muss, bevor er sich der Revolution verschreibt.

1. Die dunkle Fabrik kommt nicht. Hoeren Sie auf, fuer sie zu planen.

Die Vision ist klar definiert. Fragen Sie ChatGPT, wie die Zukunft der Kabelproduktion aussieht, und es erzeugt Bilder einer nahezu automatisierten Anlage: Computer-Vision-Kameras, Mensch-Maschine-Schnittstellen, automatisierte Qualitaetspruefung. Fragen Sie Microsoft Copilot und Sie bekommen AR-Headsets, Predictive-Maintenance-Systeme und digitale Arbeitsanweisungen. Beide Bilder sehen beeindruckend aus. Beide haben noch immer Menschen darin.

Davids Punkt war nicht, dass die Technologie nutzlos ist. Es war, dass das Ziel – eine Fabrik, die vollstaendig ohne menschliches Eingreifen arbeitet – eine sehr weit entfernte Vision ist. Chinesische Hersteller haben den Titel der dunklen Fabrik beansprucht. Wer Zeit in der Wartung verbracht hat, kennt die Realitaet. „Es sind wahrscheinlich eher Stunden als Tage, wie lange eine Fabrik wirklich in diesem Modus betrieben werden kann.“

DRÄXLMAIERs ehrliche Position im Gartner-KI-Reifegradmodell: irgendwo zwischen aktiv und operativ. Nicht an der Spitze. Nicht nah an einer systemischen Transformation. Ein bewusster Fast Follower, der kritische Masse aufbaut, bevor er sich fuer eine Richtung entscheidet. „Wir sind nicht an der Spitze. Wir sind kein Vorreiter. Wir versuchen, ein Fast Follower zu sein.“

Lektion 1: Die dunkle Fabrik ist ein Planungshorizont, kein kurzfristiger Fahrplan. Die Unternehmen, die das zugeben, werden klueger investieren als die, die es nicht tun.

2. Buero-KI hat gesprintet. Fertigungs-KI waermt sich noch auf.

Die Luecke innerhalb von DRÄXLMAIER ist auffaellig. Auf der Bueroebene ist das Unternehmen deutlich fortgeschritten: KI-gestuetztes IT-Ticketing, automatisierte Patententwurfs-Workflows, interne Wissenssuche auf Basis von RAG und agentische Systeme, die mit Microsoft entwickelt wurden und es nicht-technischem Personal ermoeglichen, Verwaltungsprozesse selbst zu automatisieren. David verwies auf Logistiksteuerung, Materialbestellung und Produktionsplanung als Bereiche mit „erormem Potenzial“, sobald Agenten-Frameworks die Fabrikhalle erreichen.

Dann ist da die Fertigung. Noch in der Experimentierphase. Eine Handvoll Pilotprojekte. Inseln von Proof-of-Concepts, getrennt durch erhebliche Distanz zur skalierten Einfuehrung.

„Ich habe das Gefuehl, dass wir in Buero-Anwendungen, insbesondere bei den generativen KI-Modellen und den Agenten, deutlich weiterentwickelt sind als in der Fertigung.“

Die Asymmetrie ist nicht einzigartig fuer DRÄXLMAIER. Text und Zahlen – das Rohmaterial der Bueroarbeit – sind das, womit aktuelle KI-Modelle am besten umgehen. Physische Prozesse, raeumliches Denken, mehrvariante Qualitaetspruefung: schwierigere Probleme, und die Luecke zwischen Laborgenauigkeit und Produktionsanforderungen ist groesser, als die meisten KI-Anbieter zugeben.

Lektion 2: Buero-KI und Fertigungs-KI sind verschiedene Disziplinen mit unterschiedlichen Zeitplaenen. Behandeln Sie sie als separate Roadmaps und Sie werden bei beiden bessere Entscheidungen treffen.

3. Variation ist die Variable, die das Modell bricht

Die Projekte, die bei DRÄXLMAIER funktionieren, teilen eine Eigenschaft: geringe Variation. Ein Shunt, ein kleines elektronisches Bauteil, produziert eine konsistente Form mit einem definierten Defekttyp. Computer Vision, die auf diesem Teil trainiert wurde, kann Lufteinschlussfehler zuverlaessig erkennen. Ein Bowdenzug rastet entweder ein oder nicht. Ein zweidimensionales Bild reicht aus. Beides sind loesbare Probleme.

Der Kabelbaum ist keines. Er ist eine verzweigte, flexible Baugruppe, die sich je nach jeder vom Kaeufer gewaehlten Konfigurationsoption aendert. Sitzheizung oder keine Sitzheizung. Diese Ausstattungslinie oder jene. Der Kabelbaum fuer ein Premium-SUV sieht ueber Hunderte von Varianten hinweg unterschiedlich aus. Variation ist kein Randfall. Sie ist das Produkt. „Sie haben eine enorme Variation im Produkt. Bei 70 % manueller Arbeit in diesem Produkt haben Sie gleichzeitig ein enormes Risiko fuer Defekte, die sehr schwer zu kontrollieren sind.“

Ein Modell darauf zu trainieren, hochvariable, flexible Montage zu bewaeltigen und sich dann anzupassen, wenn sich die Produktspezifikation aendert, ist ein grundlegend anderes Problem, als es auf einem homogenen Teil zu trainieren. Die Entwicklungszeit fuer DRÄXLMAIERs aktuellen Prozessueberwachungs-Piloten: ueber ein Jahr, in Partnerschaft mit einem grossen Industriepartner, und noch nicht vollstaendig eingesetzt.

Lektion 3: Fragen Sie vor jedem Fertigungs-KI-Projekt: Wie stark variiert unser Produkt, und was bedeutet diese Variation fuer die Trainingskosten und den Nachtrainierungs-Zyklus?

4. 95 % Genauigkeit ist ein Problem, kein Meilenstein

Eine Frage aus dem Publikum brachte einen der schaerfsten Momente der Sitzung zum Vorschein. Ein Teilnehmer fragte nach Sensorgenauigkeitsraten in Fabrikumgebungen mit elektromagnetischen Stoerungen und Vibrationen. Davids Antwort traf den Kern des Fertigungs-KI-Problems.

„Die Modelle, die wir gesehen haben, haben eine Genauigkeit von 95 %. Wir haben in der Automobilindustrie gelernt, dass das nicht akzeptabel ist.“

Automobilqualitaet wird in Teilen pro Million gemessen. Eine Million Kabelbaeume an BMW zu liefern bedeutet maximal 200 Fehler ueber die gesamte Charge. 95 % Genauigkeit produziert 50.000 Defekte pro Million. Die Luecke zwischen dem, was KI derzeit liefert, und dem, was die Automobillieferkette erfordert, ist kein Kalibrierungsproblem. Es ist eine fundamentale Diskrepanz zwischen der aktuellen Leistungsfaehigkeit der Technologie und dem nicht verhandelbaren Standard der Branche.

Deshalb kann DRÄXLMAIER die Qualitaetspruefung in ihrem aktuellen Zustand nicht an KI uebergeben. Die Technologie erkennt Fehler. Sie erkennt nur nicht genug davon – und in der Automobilindustrie sind die uebersehenen Fehler diejenigen, die Rueckrufe verursachen.

Lektion 4: KI-Genauigkeit in der Fertigung wird nicht an einem generischen Benchmark gemessen. Sie wird an der Fehlertoleranz des Kunden gemessen. Kennen Sie diese Zahl, bevor Sie das Projekt beginnen.

5. Die Frage, die die Revolution stoppt

David schloss mit der Frage, die jeder Werksleiter im Raum bereits mit sich trug. „Als Werksleiter gibt es keinen Return on Investment. Macht es wirklich Sinn, ein Jahr lang eine KI zu trainieren und unter welchen Umstaenden, oder macht es eher Sinn, hier in Vietnam mit den vietnamesischen Arbeitnehmern zu arbeiten und diese Art von Geschaeft fortzufuehren?“

Das ist keine KI-Skepsis. Es ist Prozessoekonomie. Die Bedingungen, die eine KI-Investition lohnenswert machen, sind spezifisch: geringe Produktvariation, Prozessstabilitaet, vorhersehbarer Output und Vertrauen, dass das Modell nicht jedes Mal vollstaendig neu trainiert werden muss, wenn sich eine Spezifikation aendert. Wenn diese Bedingungen erfuellt sind, veraendert sich das Investitionskalkuel. Wenn nicht, ist das Fortfuehren mit einer qualifizierten Belegschaft kein Versagen des Ehrgeizes. Es ist die richtige Entscheidung.

Die Ironie, die DRÄXLMAIER entdeckt hat: Ihre Belegschaft war bereit fuer KI, bevor es ihre Prozesse waren. Mitarbeiter nutzten externe KI-Tools bereits so aggressiv, dass das Unternehmen sie verbieten musste. Der Engpass war nie die Akzeptanz. Es war die Natur des Produkts. „Es ist nicht die Belegschaft, die nicht KI-bereit ist. Die Organisation muss sich sogar vor diesem Momentum schuetzen.“

Lektion 5: Der Engpass bei der Fertigungs-KI ist selten die Belegschaft. Es sind meistens das Produkt und der Prozess. Loesen Sie das richtige Problem.

Das CEO-Ausfuehrungsplaybook: Was Sie morgen tun sollten

1. 1. Trennen Sie Ihre Buero-KI-Roadmap von Ihrer Fertigungs-KI-Roadmap. Die Tools, Zeitplaene und Renditeprofile sind unterschiedlich. Sie als eine Initiative zu behandeln fuehrt zu verworrenen Prioritaeten und irrefuehrenden Metriken.
2. 2. Fuehren Sie eine Variationsanalyse Ihres umsatzstaerksten Prozesses durch. Identifizieren Sie Ihren automatisierungsfreundlichsten Kandidaten: geringe Variation, stabiler Output, klare Fehlerdefinition. Beginnen Sie dort. Beginnen Sie nicht mit Ihrem komplexesten Produkt.
3. 3. Fragen Sie Ihren KI-Anbieter nach dem Teile-pro-Million-Aequivalent. Lassen Sie den Anbieter vor jedem Qualitaetspruefungsvertrag seinen Genauigkeitsanspruch in der Einheit ausdruecken, mit der Ihre Kunden Sie messen. Die Luecke wird aufschlussreich sein.
4. 4. Berechnen Sie die vollstaendigen Nachtrainingkosten. Wenn sich Ihre Produktspezifikation aendert – und das wird sie –, was kostet es, das Modell nachzutrainieren oder anzupassen? Fuegen Sie das zu den Gesamtbetriebskosten hinzu, bevor Sie das Projekt genehmigen.
5. 5. Finden Sie heraus, was Ihre Belegschaft bereits nutzt. DRÄXLMAIERs Mitarbeiter waren der Organisation voraus. Befragen Sie Ihre Teams. Die nicht sanktionierten Tools, die sie bereits verwenden, zeigen Ihnen, wo der echte Bedarf ist – und weisen oft auf die wertvollsten Ausgangspunkte hin.

→ Sehen Sie sich die vollstaendige Sitzung auf YouTube an