KI on-premise im Maschinenbau: Warum der Mittelstand keine Cloud braucht

Wer in einem Maschinenbauunternehmen Verantwortung trägt, kennt diese Situation: Ein erfahrener Fertigungsleiter geht nach 28 Jahren in Rente. In seinem Kopf stecken Prozessparameter für 40 verschiedene Legierungen, Erfahrungswerte zu Werkzeugstandzeiten, das Wissen darüber, warum Bauteil X auf Anlage 3 immer beim dritten Durchlauf nachgerichtet werden muss. Dokumentiert? Kaum. Übertragbar? Schwer. Weg? Bald.

Das ist keine Ausnahme. Das ist der Alltag im deutschen Mittelstand.

Gleichzeitig kämpfen Fertigungsunternehmen mit steigendem Qualitätsdruck, komplexeren Dokumentationspflichten, Lieferkettenproblemen und dem anhaltenden Fachkräftemangel. KI könnte bei all dem helfen. Nur: Wer schickt Fertigungsgeheimnisse an externe Server?

Das Datenproblem kennt jeder, der es anspricht

Nehmen wir ein typisches Szenario. Ein mittelständischer Automobilzulieferer mit 400 Mitarbeitenden will seine Qualitätssicherung automatisieren. Kameragestützte Bildverarbeitung, Fehlererkennung, automatische Klassifikation von Ausschuss. Die Technologie existiert, die Modelle sind reif.

Der naheliegende Weg: Ein Cloud-Dienst, API-Anbindung, fertig.

Das Problem: Dabei verlassen Bilder von Fertigteilen, Toleranzspezifikationen und Fehlerklassifikationslogik das Unternehmen. Diese Daten sind nicht abstrakt. Sie beschreiben genau, wie dieses Unternehmen fertigt, was es fertigt und für welche Kunden. Ein Wettbewerber, der diese Muster kennt, hat einen erheblichen Vorteil. Die Sorge vor Industriespionage ist im deutschen Mittelstand kein Paranoia-Thema, sondern Realität.

On-premise-KI ist deshalb kein Luxus und keine Überzeugungsarbeit für Datenschutzbeauftragte. Es ist eine unternehmerische Grundentscheidung: Wir betreiben KI, aber unsere Daten bleiben bei uns.

Qualitätssicherung und Bildverarbeitung

Die optische Qualitätskontrolle ist einer der ausgereiftesten KI-Anwendungsfälle in der Fertigung. Kameras an der Linie erfassen Bauteile, ein Modell analysiert die Bilder in Millisekunden, Fehler werden klassifiziert und protokolliert. Was früher ein Mitarbeiter mit Lupe und Checkliste erledigte, läuft vollautomatisch. Die Fehlerrate sinkt, die Protokollierung wird lückenloser, und der Mitarbeiter kann andere Aufgaben übernehmen.

Für diese Anwendung braucht man Rechenleistung nah an der Linie und ausreichend VRAM für Vision-Modelle. Latenz ist ein echtes Thema: Wenn die Linie taktweise läuft, muss die Auswertung schnell genug sein, um den Takt nicht zu bremsen.

Technische Dokumentation als durchsuchbare Wissensbasis

Jedes Fertigungsunternehmen sitzt auf einem Berg an Dokumenten. Betriebsanleitungen, Wartungshandbücher, interne Arbeitsanweisungen, DIN- und ISO-Normen, Zeichnungen, Prüfberichte. Zusammen Zehntausende von Seiten, verteilt über Ordner, Netzlaufwerke, manchmal noch Papierarchive.

Ein Techniker, der eine Frage hat, sucht. Er findet vielleicht etwas, vielleicht die veraltete Version, vielleicht die falsche Norm. KI mit RAG (Retrieval Augmented Generation) ändert das grundlegend. Alle Dokumente werden indexiert, und der Techniker stellt seine Frage in natürlicher Sprache. “Welche Oberflächenrauheit ist laut Kundenspezifikation für Bauteil 4711 vorgeschrieben?” Die Antwort kommt mit Quellenangabe aus dem richtigen Dokument, aktuelle Version.

Das reduziert Fehler. Es spart täglich Zeit. Und es funktioniert auch dann, wenn der Kollege, der das früher auswendig wusste, nicht mehr da ist.

Predictive Maintenance

Maschinenausfälle kosten. Ein ungeplanter Stillstand einer Bearbeitungsanlage kostet schnell fünfstellige Beträge, wenn man Ausschuss, Nacharbeit, Schichtkosten und Lieferverzögerungen zusammenrechnet. Predictive Maintenance bedeutet: Sensordaten (Schwingungen, Temperaturen, Stromaufnahme, Drücke) werden kontinuierlich analysiert, und das Modell meldet sich, bevor etwas ausfällt.

Das ist kein Science-Fiction-Szenario. Die Sensoren sind in modernen Anlagen vorhanden. Was fehlte, war die Rechenkapazität, diese Daten lokal und in Echtzeit zu verarbeiten. Mit einer on-premise KI-Station ändert sich das.

Angebotskalkulation aus technischen Unterlagen

Angebote zu erstellen ist zeitintensiv. Ein Ingenieur analysiert die Kundenzeichnungen, schätzt Fertigungszeiten, berechnet Materialkosten, berücksichtigt Risikopositionen. Mit KI-Unterstützung kann ein erster Entwurf automatisch aus Zeichnungen und Spezifikationen generiert werden. Das Ergebnis muss menschlich überprüft und freigegeben werden, aber die Grundarbeit ist getan. Wer heute drei Tage für ein Angebot braucht, kann das auf einen halben Tag reduzieren.

Wissensmanagement beim Demografiewandel

Der Fachkräftemangel ist im deutschen Mittelstand keine abstrakte Statistik. Er hat ein Gesicht: der Schlosser, der seit 1994 dabei ist und im nächsten Jahr in Rente geht. Der Zerspaner, der jede Eigenheit der alten Fräse kennt. Die Qualitätsprüferin, die auf einen Blick sieht, was die Maschine nicht sieht.

KI kann dieses Wissen nicht vollständig ersetzen, aber sie kann helfen, es zu konservieren und zugänglich zu machen. Strukturierte Interviews, dokumentierte Entscheidungsregeln, erfasste Erfahrungswerte aus langjährigen Protokollen. Ein Wissensmanagementsystem auf Basis von KI macht dieses Erbe durchsuchbar.

Lieferantenkommunikation und technische Übersetzungen

Technische Spezifikationen kommen heute aus aller Welt. Lieferanten in Polen, Tschechien, Korea, China schicken Dokumente in verschiedenen Sprachen. Mitarbeiter übersetzen mühsam oder versenden Dokumente an externe Dienste. Beides kostet Zeit oder birgt Risiken. KI auf eigener Hardware übersetzt technische Unterlagen schnell und vertraulich.

Rechnen wie ein CFO

Die Investition in eine KI-Rechenstation ist für einen Maschinenbauer keine fremdartige Entscheidung. Werkzeugmaschinen kosten das Zehn- bis Hundertfache. Ein CNC-Bearbeitungszentrum steht für 500.000 Euro in der Halle und wird über zehn Jahre abgeschrieben.

Ein Server für 75.000 Euro, der über fünf Jahre abgeschrieben wird, ergibt 15.000 Euro AfA pro Jahr. Dazu kommen Strom- und Wartungskosten. Dem gegenüber stehen eingesparte Cloud-Kosten, Lizenzgebühren und, schwerer zu quantifizieren, das Risiko, das man durch gesicherte Datenhoheit vermeidet.

Wer heute für Bildverarbeitung, Dokumentensuche und Anomalieerkennung auf Cloud-Dienste setzt, zahlt leicht 2.000 bis 5.000 Euro pro Monat. Hochgerechnet auf fünf Jahre sind das 120.000 bis 300.000 Euro. Die eigene Station rechnet sich.

Mittelstands-CFOs denken in Investitionen, nicht in Abonnements. Das ist kulturell verankert, und es ist ökonomisch oft korrekt.

Keine Cloud-Abhängigkeit, kein Latenzproblem

Viele Fertigungsstandorte liegen nicht in der Innenstadt einer Großstadt. Gewerbegebiete in der Fläche, Werke in Kleinstädten, Produktionshallen ohne Glasfaser-Direktanschluss. Wer seine Qualitätsprüfung an eine Cloud-API koppelt, koppelt seine Fertigungslinie an die Verfügbarkeit dieser Verbindung.

Ein lokales System fällt nicht aus, wenn der Router streikt oder der Internetanbieter Störungen meldet. Latenz ist kein Problem, wenn alles im eigenen Netzwerk bleibt. Das ist besonders relevant für Echtzeit-Anwendungen an der Linie.

Integration mit bestehender Infrastruktur

Kein Fertigungsunternehmen beginnt bei null. SAP läuft seit Jahren, das MES ist eingeführt, CAD- und PLM-Systeme sind im Einsatz. Neue Technologie muss in diese Umgebung integriert werden, nicht daneben stehen.

Die BRW-B01 stellt eine OpenAI-kompatible API bereit. Das bedeutet: Bestehende Anwendungen, die mit dieser Schnittstelle arbeiten können, sprechen direkt mit der lokalen Station. Keine spezielle Middleware, keine proprietären Protokolle. Wer ein SAP-Plugin, eine MES-Anbindung oder ein eigenes Werkzeug entwickeln lässt, baut auf einem Standard auf.

Für die interne IT ist das eine erhebliche Vereinfachung. Der Aufwand für eigene Integrationsarbeit sinkt, weil die API bekannt und dokumentiert ist.

Technik, die der Aufgabe gewachsen ist

Die BRW-B01 ist mit vier NVIDIA RTX PRO 6000 Blackwell-GPUs bestückt. Zusammen stehen 384 GB GDDR7-VRAM zur Verfügung. Das reicht aus, um mehrere große Modelle gleichzeitig im Speicher zu halten und parallele Anfragen aus verschiedenen Abteilungen zu bedienen, ohne dass Modelle bei jedem Aufruf geladen werden müssen.

Der Prozessor ist ein AMD EPYC Genoa mit 32 Kernen, dazu 192 GB DDR5-ECC-RAM für stabile, fehlerkorrigierte Operationen. Der Speicher umfasst 4 TB NVMe-RAID mit einer Lesegeschwindigkeit von 59,3 GB/s für schnellen Datenzugriff sowie eine separate 1 TB Boot-SSD. Acht Lüfter sorgen für aktive Kühlung im 5U-Rackmount-Gehäuse. Das Betriebssystem ist Ubuntu 24.04 LTS.

Die Station ist kompakt genug für einen Serverschrank in der IT oder im Produktionsbereich und robust genug für den Dauerbetrieb. Gebaut in Baden-Baden.

Empfehlung von Badische Rechenwerke

Für Maschinenbau- und Fertigungsunternehmen mit 150 bis 1.000 Mitarbeitenden, die KI-gestützte Qualitätssicherung, Dokumentensuche, Predictive Maintenance oder Wissensmanagement einführen wollen, ohne ihre Betriebsgeheimnisse in externe Systeme zu geben, ist die BRW-B01 die richtige Wahl.

Die Investition beträgt 75.000 € zzgl. MwSt. Sie erhalten eine fertig konfigurierte Station, die sofort in Betrieb genommen werden kann, mit einer Standard-API, die sich in bestehende ERP-, MES- und PLM-Systeme integrieren lässt.

Wer ernsthaft in KI für die eigene Fertigung investieren will, braucht keine Cloud. Er braucht Rechenleistung, die er kontrolliert, in einem Gehäuse, das in sein Rechenzentrum passt.

Kontakt aufnehmen