Smartere Prozesse in kleinen und mittleren Unternehmen

Künstliche Intelligenz ist längst nicht mehr nur ein Thema für Grosskonzerne. Auch kleine und mittlere Unternehmen profitieren zunehmend von smarten Technologien, etwa wenn es darum geht, Prozesse effizienter zu gestalten, Fehlerquoten zu senken oder die Produktqualität konstant hochzuhalten.Doch der Einstieg in die KI-Welt ist komplex und erfordert technisches Fachwissen. Hier kommen lokale Partner wie die FH Graubünden ins Spiel.

Text: Noel Frey / Bilder: Arno Senoner, FH Graubünden, Roboflow Universe

Kleine und mittlere Unternehmen (KMU) in der Schweiz stehen unter wachsendem Druck: Der Fachkräftemangel spitzt sich zu, der Wettbewerb aus Niedriglohnländern drückt auf Preise und Margen und geopolitische Unsicherheiten stellen Lieferketten zunehmend infrage. Um diesen Herausforderungen zu begegnen, braucht es neue Lösungen. Der Einsatz von Künstlicher Intelligenz (KI) bietet hier vielversprechendes Potenzial. Durch die Automatisierung repetitiver Aufgaben können beispielsweise personelle Ressourcen gezielt entlastet werden und es kann flexibler auf Auftragsspitzen und Nachfrageschwankungen reagiert werden. Gleichzeitig lassen sich Effizienz und Produktqualität steigern, während Fehlerquoten sinken. Besonders in Branchen mit aufwändiger Qualitätskontrolle – etwa durch optische Inspektionssysteme – zeigen sich die Vorteile rasch: KI-gestützte Lösungen lassen sich schnell amortisieren und führen langfristig zu erheblichen Kosteneinsparungen. Dadurch wird KI zu einem strategischen Werkzeug, das KMU nachhaltig stärkt – gerade in einem zunehmend angespannten wirtschaftlichen Umfeld. 

Doch die Einführung solcher Technologien erfordert entsprechendes Know‑how, etwa um Chancen zu identifizieren oder auch, um Aufwand und Nutzen abwägen zu können. Da sich viele KMU keine Spezialistinnen und Spezialisten leisten können, kann es sinnvoll sein, auf externe lokale Partner wie die FH Graubünden zurückzugreifen. Diese bringen nicht nur das notwendige technische Wissen mit, sondern setzen sich aktiv mit diesem Thema auseinander.

Zuerst analysieren, dann automatisieren

Wenn die FH Graubünden KMU dabei unterstützt, Prozesse mit Hilfe von KI zu automatisieren, geht sie üblicherweise wie folgt vor: Der erste Schritt jeder Automatisierungsinitiative ist die Identifizierung geeigneter Prozesse. Am besten geeignet sind klar definierte, sich wiederholende Prozesse mit hohem Volumen. Aber auch komplexere Prozesse sind gut geeignet, da die KI hier ihre Stärken bei der Mustererkennung in unstrukturierten Daten ausspielen kann. Einige Anwendungsbeispiele sind:

• Qualitätssicherung (optische Inspektion), um Material- oder Produktionsfehler zu erkennen;
• Klassifizierung und Zählung von Kleinteilen wie Schrauben, Dichtungen usw.;
• Positionsbestimmung von Bauteilen für robotergestützte Teilepositionierung und Sortierung;
• Prozessüberwachung und Predictive Maintenance, um Anomalien frühzeitig zu erkennen.

Zuerst wird der Prozess analysiert und relevante Merkmale werden identifiziert. Dabei ist ein enger Austausch zwischen den Fachleuten, welche die Prozessabläufe gut kennen, und den Softwareingenieurinnen und -ingenieuren notwendig. Dabei geht es um Fragen wie: Welche Messdaten sind relevant? Wie können sie erfasst werden?

Wie KI Defekte und Bauteile erkennt

Das Training von KI-Modellen erfolgt, beispielsweise im Bereich der Bildverarbeitung, oftmals mit überwachten Lernverfahren (Supervised Learning). Dabei wird das KI-Modell mit annotierten Beispieldaten, die bereits mit den gewünschten Ergebnissen versehen sind, trainiert und validiert. Anhand dieser Daten lernt das Modell, Zusammenhänge zu erkennen – beispielsweise, wie ein Defekt aussieht oder anhand welcher Merkmale ein Bauteil zu erkennen ist.

Das Training ist dabei ein iterativer – also sich wiederholender – Prozess, bei dem die Trainingsdaten und -parameter laufend optimiert werden, bis die gewünschte Qualität erreicht ist. Nach dem Training ist das Modell in der Lage, dieses Wissen auch auf neue und unbekannte Daten anzuwenden. Bei Bedarf lässt es sich später weitertrainieren – etwa, um es auf neue Produktvarianten anzuwenden.

Zwischen Blackbox und Datenschutz

Obwohl KI‑Modelle grosse Fortschritte gemacht haben, gibt es immer noch Grenzen. So hängt ihre Leistungsfähigkeit stark von der Qualität der verwendeten Daten ab. Zudem bleibt oft undurchsichtig, wie Entscheidungen zustande kommen (Blackbox) – ein Aspekt, der insbesondere in regulierten Branchen kritisch sein kann. Durch erklärbare KI, sogenannte Explainable AI (XAI), wo derzeit viel Forschung betrieben wird, gibt es Ansätze, die Einblicke in die Modelle ermöglichen, um den Entscheidungsprozess nachzuvollziehen. Das ist auch wichtig, um die Akzeptanz bei Stakeholdern zu fördern.

Weitere Aspekte wie der Datenschutz und der Schutz des geistigen Eigentums müssen ebenfalls berücksichtigt werden. Während Cloud-Lösungen gut skalierbar sind und keine initialen Hardwarekosten verursachen, ist oft nicht klar, wie und wo die Daten weiterverarbeitet werden. Es besteht dann oft eine grosse Abhängigkeit von externen Anbietern (Lock-In-Effekt). Ausserdem erwachsen daraus zusätzliche Fixkosten. Lokale Lösungen können helfen, die Daten im Unternehmen zu halten und somit externe Abhängigkeiten zu vermeiden. Auch die Reaktionszeit zwischen Messwertaufnahme und Ausgabe der Auswertung der KI ist dabei geringer, was gerade bei zeitkritischen Anwendungen wichtig ist. Auf diesem Gebiet gibt es einen Trend hin zu günstigeren und energieeffizienteren Hardwarelösungen, die viele neue Einsatzmöglichkeiten eröffnen. Auch in diesem Bereich ist die FH Graubünden aktiv, indem sie moderne KI-Hardwarelösungen testet und deren Potenzial für neue, praxisnahe Anwendungen untersucht.

KI-gestützte Automatisierung ist in der Industrie längst Realität und bietet grosse Chancen für die Effizienzsteigerung und Prozessoptimierung – mit dem Potenzial, nachhaltige Wettbewerbsvorteile zu schaffen. Der Erfolg hängt dabei aber nicht allein von der Technologie ab: Entscheidend sind die Auswahl geeigneter Anwendungsfälle, die Qualität der verfügbaren Daten und eine nahtlose Integration in bestehende Abläufe. Ebenso zentral ist die frühzeitige Einbindung aller relevanten Akteure – denn Akzeptanz und Vertrauen sind Schlüsselfaktoren für eine erfolgreiche Umsetzung.

Beitrag von

Noel Frey, Wissenschaftlicher Mitarbeiter, Institut für Photonik und Robotik