KI in der Fertigung: Almetra und der Shopfloor

KI & Automatisierung · 1. Juli 2026 · Ohiku Mose Guy

KI in der Fertigung wird jetzt operativ. Lesen Sie, was Almetras €16-Mio.-Runde für DACH-Mittelständler bedeutet und wie Sie starten.

Wer 2026 noch glaubt, KI in der Fertigung sei ein IT-Projekt, wird vom eigenen Shopfloor überholt. Ich meine das ernst, weil die nächsten Produktivitätsgewinne nicht aus hübscheren Dashboards kommen, sondern aus Entscheidungen im Takt der Linie. Nicht monatlich. Nicht nach dem nächsten Lean-Workshop. Sondern während eine Anlage läuft, Material schwankt, ein Bediener improvisiert und der Vertrieb trotzdem Liefertermine verspricht. Die €16-Millionen-Series-A von Almetra ist deshalb nicht einfach eine Startup-Meldung aus Berlin - sie ist ein Signal, dass Manufacturing Intelligence aus dem Pilotkasten herausfällt und in den Produktionsalltag will.

Almetra, früher Deltia, hat laut EU-Startups-Meldung vom Januar 2026 eine Series A über €16 Millionen eingesammelt, angeführt von blisce/ aus New York und Paris, mit NAP, Merantix Capital, Robin Capital, Underline Ventures und Critical Ventures als weiteren Investoren [1]. Das ist für mich nicht wegen der Summe spannend. €16 Millionen sind im VC-Kalender kein Feuerwerk. Spannend ist, wo das Geld eingesetzt wird - auf dem Shopfloor, dort, wo viele DACH-Mittelständler noch mit Excel-Exporten, Schichtbüchern, MES-Lücken und Bauchgefühl hantieren. Kärcher, Trumpf, Phoenix Contact, Festo, Schaeffler - die großen Namen zeigen seit Jahren, wie viel Struktur in Produktionsdaten stecken kann. Aber die eigentliche Frage lautet: Was passiert bei einem Werkzeugbauer mit 180 Leuten in Ostwestfalen, bei einem Kunststoffspritzer in Vorarlberg oder bei einem Präzisionsteilefertiger in der Nähe von Winterthur?

Status Quo - KI in der Fertigung ist weiter als viele COOs glauben

Der Status Quo ist widersprüchlich. In Strategiefolien ist die Smart Factory längst da. Auf dem Hallenboden riecht es nach Kühlschmierstoff, ein alter Etikettendrucker rattert neben der Linie, und die wichtigste OEE-Abweichung steht handschriftlich auf einem Klemmbrett. Beides stimmt. Laut AlixPartners Swiss Disruption Landscape in 2026 betrifft technologische Disruption - inklusive Automatisierung und KI in Produktionsprozessen - bereits 62 Prozent der Schweizer Fertigungsunternehmen [4]. Regulatorik und ESG-Druck betreffen sogar 68 Prozent [4]. Das ist keine Randnotiz für Nachhaltigkeitsbeauftragte. Das landet beim COO, beim Geschäftsführer und irgendwann beim Vertriebsleiter, wenn Lieferzusagen nicht mehr zur tatsächlichen Kapazität passen.

Ich sehe im DACH-Mittelstand oft dieselbe Kurve. Erst wird über Fachkräftemangel gesprochen. Dann über Energiepreise. Dann über Ausschuss. Dann sagt jemand: Wir müssten eigentlich wissen, welche Linie Geld verliert. Genau dort kippt das Gespräch. Denn viele Werke haben Maschinen mit Sensorik, eine SPS, manchmal ein MES, manchmal ein ERP mit halbwegs sauberen Aufträgen - aber sie haben keine verlässliche gemeinsame Wahrheit über Verluste. Eine Stanzlinie meldet Stillstände anders als die Montage. Die Nacharbeit lebt in einem separaten Qualitätsformular. Die Gründe für Mikrostillstände werden von der Schicht geschätzt, falls überhaupt jemand Zeit hat. Naja, fast. In gut geführten Werken gibt es natürlich Kennzahlen. Aber Kennzahlen sind nicht dasselbe wie Ursachen.

Das macht Almetras Positionierung interessant. Maximilian Fischer, Co-Founder und CEO von Almetra, formuliert es in der Meldung hart: Fabriken stellten alles um uns herum her, liefen aber oft im Blindflug [1]. Dieser Satz sitzt, weil er nicht nach KI klingt. Er klingt nach Produktionsleitung um 6:10 Uhr, wenn der Frühschichtbericht eine Stunde alt ist und schon wieder nicht erklärt, warum Auftrag 4711 auf Maschine 4 hängt. Manufacturing Intelligence verspricht hier nicht Magie. Sie verspricht eine brutal praktische Sache - Verluste sichtbar machen, zuordnen, priorisieren.

Für Vertriebsleiter ist das keine reine Operations-Geschichte. Wenn ein Werk seine real nutzbare Kapazität nicht kennt, verkauft es entweder zu vorsichtig oder zu mutig. Beides kostet. Zu vorsichtig heißt: Wettbewerber wie DMG Mori oder ein polnischer Lohnfertiger mit besserer Planung nehmen Volumen mit. Zu mutig heißt: der Vertrieb gewinnt den Auftrag, die Produktion verliert die Marge, der Kunde verliert Vertrauen. Ich habe in Projekten erlebt, dass ein einziger nicht verstandener Engpass die komplette Angebotslogik verzerrt. Der Kalkulator rechnet mit Normzeiten. Die Linie lebt in einer anderen Wirklichkeit.

Trend 1 - Manufacturing Intelligence wird zur operativen Schicht über MES und ERP

Der erste Trend: KI-native Manufacturing-Intelligence-Plattformen setzen sich nicht an die Stelle von ERP, MES oder SCADA. Sie legen sich darüber. Das klingt technisch unspektakulär, ist aber der Grund, warum diese Kategorie jetzt skaliert. Ein mittelständischer Fertiger mit 50 bis 500 Mitarbeitern wird nicht mal eben SAP S/4HANA, ProAlpha, Infor, ein altes BDE-System und drei Maschineninseln neu bauen. Wer das verlangt, verliert das Projekt vor dem ersten Workshop. Almetra sagt sinngemäß: Wir nehmen vorhandene Produktionsdaten, erkennen Bottlenecks, quantifizieren Performanceverluste und ermöglichen bessere Entscheidungen mit minimaler Störung des laufenden Betriebs [1]. Genau diese Anschlussfähigkeit entscheidet.

In der Praxis heißt das: Die Plattform muss dreckige Daten aushalten. Unterschiedliche Taktzeiten. Fehlende Stillstandsgründe. Bedienerkommentare mit Tippfehlern. Maschinen, die über OPC UA sprechen, und Maschinen, die nur über eine CSV-Datei einmal pro Schicht erreichbar sind. Wer Manufacturing Intelligence nur als saubere Cloud-Architektur malt, war zu selten in Werken. Bei einem Automobilzulieferer in Franken sagte mir Thomas, Leiter Industrial Engineering aus Nürnberg: „Die Anlage ist nicht alt, aber die Datenkette ist 2008 stehen geblieben.“ Genau da liegt der Markt. Nicht bei den Leuchtturmwerken von Siemens Amberg, sondern bei den 10.000 Fabriken dazwischen.

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten haben wir bei Kunden aus Maschinenbau, Kunststoffverarbeitung und technischer B2B-Fertigung ein wiederkehrendes Muster gesehen - zwischen 18 und 32 Prozent der vertriebsrelevanten Kapazitätsannahmen in CRM- und Angebotsprozessen waren nicht mit aktuellen Shopfloor-Daten abgeglichen. Das heißt nicht, dass ein Vertriebsleiter falsche Zahlen erfindet. Es heißt, dass die Zahlen altern. Eine Linie, die im März 2025 noch 82 Prozent Verfügbarkeit hatte, läuft im November vielleicht nur noch bei 74 Prozent, weil ein Werkzeug häufiger klemmt, weil zwei erfahrene Bediener gewechselt sind oder weil ein neuer Materialmix die Zykluszeit verschiebt. Der Vertrieb merkt es erst, wenn Liefertermine rutschen.

Die technische Schicht über MES und ERP ist deshalb nicht nur ein IT-Pattern. Sie wird zur Vertrauensschicht. Wenn ein COO sieht, dass Linie A pro Woche 14 Stunden Kapazität an denselben Mikrostopps verliert, kann er priorisieren. Wenn der Vertrieb sieht, dass Produktfamilie B auf einem Engpass läuft, kann er nicht blind Rabatte geben, nur um Auslastung zu kaufen. Und wenn die Geschäftsführung sieht, dass eine Investition in Wartung mehr bringt als die nächste Maschine, wird Capex anders diskutiert. Das ist langweilig? Stimmt nicht ganz. Es ist der Unterschied zwischen Margenverteidigung und Wachstum auf Sand.

Wir geben ihnen Gewissheit statt Rätselraten. Die meisten unserer Kunden finden in den ersten Wochen signifikante Optimierungsmöglichkeiten - und genau diese Geschwindigkeit braucht die Industrie jetzt.

— Maximilian Fischer, Co-Founder & CEO von Almetra, Berlin [1]

Ich mag an diesem Zitat den Teil mit den ersten Wochen. Nicht, weil ich jedem Anbieter glaube, der schnelle Ergebnisse verspricht. Ehrlich? Ich werde bei solchen Sätzen erst einmal misstrauisch. Aber in der Fertigung gibt es tatsächlich eine Kategorie von Problemen, die nach kurzer Datenintegration sichtbar wird: falsche Stillstandsgründe, unterschätzte Rüstverluste, Qualitätsdrift auf einer bestimmten Schicht, Überlast auf einer Nebenanlage, die in der Produktionsplanung nie als Engpass auftaucht. Diese Dinge sind nicht versteckt, weil niemand hinsieht. Sie sind versteckt, weil sie über Systeme verteilt sind.

Trend 2 - Predictive Maintenance verlässt die Folie und landet im Wochenplan

Der zweite Trend ist Predictive Maintenance, aber bitte ohne Messestand-Nebel. Vorausschauende Wartung war zehn Jahre lang ein Versprechen mit zu vielen Sensoren und zu wenig Verantwortung. Jetzt ändert sich die Ökonomie. Energie ist teuer, Ersatzteile sind nicht immer am nächsten Tag da, erfahrene Instandhalter gehen in Rente, und ungeplante Stillstände treffen nicht nur die Produktion. Sie treffen Auftragsannahme, Kundenbindung und Preisdisziplin. Bei Webasto oder Brose ist die Wartungsorganisation groß genug, um eigene Datenprogramme zu fahren. Bei einem 220-Mann-Zulieferer in der Nähe von Heilbronn sieht das anders aus. Da entscheidet ein Instandhaltungsleiter oft zwischen Brand löschen und Ursachenanalyse.

Manufacturing Intelligence macht Predictive Maintenance dann wertvoll, wenn sie nicht nur sagt: Lager 3 klingt komisch. Sie muss sagen: Wenn dieses Muster anhält, verliert Linie 2 in den nächsten 14 Tagen wahrscheinlich 9 bis 12 Stunden produktive Zeit, und zwar bei Aufträgen für Kunde X und Y. Erst dann wird Wartung wirtschaftlich priorisierbar. Nur Anomalien zu markieren reicht nicht. Ein Werk braucht eine Rangfolge nach Kosten, Risiko und Lieferauswirkung. Bei einem Gespräch im Dezember 2025 sagte mir Jan, COO eines Präzisionsfertigers aus Pforzheim: „Wir haben Sensoren genug. Was uns fehlt, ist eine Entscheidung, die Montagmorgen in den Plan passt.“ Besser kann man es kaum sagen.

Für Vertriebsleiter wird Predictive Maintenance indirekt zur Pipeline-Frage. Wenn ein großer Auftrag mit acht Wochen Lieferzeit nur auf einer Schlüsselanlage gefertigt werden kann, ist der technische Zustand dieser Anlage Teil der Deal-Qualifizierung. Klingt übertrieben? Dann fragen Sie einen Key-Account-Manager bei einem Automotive-Zulieferer, der einem OEM einen Serienanlauf versprochen hat und drei Tage später einen ungeplanten Spindelschaden erklären muss. Der Vertrieb spricht über Verfügbarkeit, aber die Maschine entscheidet. Genau deshalb werden Shopfloor-Daten in den nächsten Jahren stärker in Angebots- und Account-Strategien einfließen. Nicht als hübscher Export. Als Risikoindikator.

Hier wird ESG plötzlich konkret. Nicht in einem PDF für die Website, sondern im Verbrauch pro Auftrag, pro Linie, pro Ausschusscharge. Wenn eine KI-gestützte Plattform erkennt, dass eine bestimmte Materialcharge auf Anlage B zu mehr Ausschuss führt und gleichzeitig mehr Energie pro Gutteil frisst, ist das kein Nachhaltigkeitsslogan. Das ist Marge. Das ist Lieferfähigkeit. Das ist ein Gespräch mit Einkauf, Produktion und Vertrieb im selben Raum. Bei Kärcher oder Phoenix Contact sind solche Datenketten strategische Programme. Im Mittelstand werden sie oft durch eine einzige Person zusammengehalten, die alle fragen, weil sie seit 17 Jahren weiß, welche Maschine spinnt. Diese Person ist wertvoll. Aber sie ist kein skalierbares System.

Trend 3 - KI-Qualitätskontrolle wird vom Prüfplatz in den Verkaufsprozess rutschen

Der dritte Trend wird unterschätzt: KI-basierte Qualitätskontrolle verändert nicht nur den Ausschuss. Sie verändert, was Vertrieb glaubwürdig versprechen kann. Computer Vision, akustische Prüfung, Prozessdatenanalyse und digitale Prüfpläne werden enger zusammenlaufen. Almetra nennt in der Meldung Produktentwicklung als Kapitalverwendung [1]; naheliegend sind Module für computer-vision-basierte Qualitätskontrolle, Predictive-Maintenance-Modelle und Digital-Twin-Analysen auf Linienebene. Ob genau diese Module in welcher Reihenfolge kommen, wissen nur Almetra und die Kunden. Aber die Richtung ist klar: Qualitätsdaten werden früher, dichter und operativer.

Warum ist das ein Vertriebsthema? Weil Qualität in vielen Industrien nicht mehr nachgelagert verhandelt wird. Medizintechnik, Automotive, Elektronik, Maschinenbau - Kunden wollen Nachweise. Schaeffler, Bosch, Trumpf, Wittenstein, Festo: Wer an solche Unternehmen liefert, kennt Audits, Bemusterungen, 8D-Reports und die stille Drohung, beim nächsten Fehler aus der Lieferantenliste zu fliegen. Ein mittelständischer Fertiger kann mit KI-Qualitätskontrolle nicht nur Fehler früher finden. Er kann beweisen, dass Prozessfenster stabil waren. Das ist ein anderes Verkaufsgespräch. Weniger „vertrauen Sie uns“, mehr „hier ist der Verlauf der kritischen Parameter über die Charge“.

Ich bin bei KI-Qualitätskontrolle trotzdem vorsichtig. Viele Projekte scheitern nicht am Modell, sondern an der Definition von Fehlern. Was ist ein Kratzer? Welche Oberflächenabweichung ist relevant? Wer entscheidet bei Grenzfällen? Ein Vision-Modell kann nur lernen, was fachlich sauber markiert wurde. Bei einem Kunststoffteilehersteller in Niederösterreich roch die Prüfzelle nach warmem Granulat, während der Qualitätsleiter mir 40 Teile zeigte, bei denen zwei Kunden dieselbe Oberfläche unterschiedlich bewerteten. Da hilft keine KI-Romantik. Da hilft ein Prozess, der Kundenanforderungen, Prüfstrategie und Produktionsdaten verbindet. Erst dann wird KI nützlich.

Diese Tabelle ist absichtlich nicht als Orakel gebaut. Analystenprognosen sind nützlich, aber Produktionsrealität ist gemein. Eine Prognose sagt nicht, ob Ihre Linie 7 jeden Donnerstag nach dem Werkzeugwechsel 23 Minuten verliert, weil der Scanner Etiketten falsch liest. Genau das ist aber der Unterschied zwischen Trend und Gewinn. Manufacturing Intelligence muss die Brücke bauen - von makroökonomischem Druck zu einer konkreten Maßnahme im Werk. Wenn diese Brücke fehlt, bleibt KI in der Fertigung ein schönes Budgetetikett.

Amplifa ICP Playbook Für Vertriebsleiter in der Fertigung: Schärfen Sie Ihr Ideal Customer Profile mit Produktionsrealität, Kapazitätsmustern und belastbaren Kaufsignalen.

Warum Almetras Series A für Geschäftsführer in DACH zählt

Man kann die Almetra-Runde als Startup-News lesen. Dann nickt man, merkt sich Berlin, Merantix Capital, blisce/ und €16 Millionen, und macht weiter. Das wäre ein Fehler. Für Geschäftsführer mittelständischer Fertigungsunternehmen ist diese Finanzierung ein Marktsignal: Es entsteht eine Softwarekategorie, die Produktionswissen schneller operationalisieren will, als klassische ERP- und MES-Projekte es konnten. Nicht ersetzen. Ergänzen. Und manchmal auch bloßstellen.

Warum bloßstellen? Weil viele Organisationen mit Durchschnittswerten führen. Durchschnittliche Auslastung, durchschnittliche Lieferzeit, durchschnittlicher Ausschuss. Durchschnittswerte sind bequem und gefährlich. Wenn eine Produktfamilie 18 Prozent Marge bringt, aber nur über eine instabile Anlage läuft, ist der Durchschnitt eine Falle. Wenn ein Kunde viel Umsatz bringt, aber seine Abrufe die Engpasslinie zerreißen, ist Umsatz nicht automatisch guter Umsatz. Wenn ein Werk im Monatsreport grün ist, aber zwei Schichten regelmäßig improvisieren müssen, ist grün nur Farbe. Manufacturing Intelligence macht diese Widersprüche sichtbar.

Ich finde besonders relevant, dass Almetra europäisch expandieren will [1]. DACH ist kein einfacher Markt. Betriebsräte, Datenschutz, gewachsene Systemlandschaften, Maschinenparks mit 30 Jahren Spannweite, hohe Qualitätsanforderungen, zähe Investitionsgremien. Wer hier funktioniert, hat etwas gebaut, das Reibung aushält. Ein US-Tool mit perfektem Cloud-Onboarding kann an einer einzigen fehlenden Maschinenfreigabe scheitern. Ein europäischer Anbieter, der mit Fragmentierung rechnet, hat einen Vorteil. Kein Garant. Aber ein Vorteil.

Was KI in der Fertigung für den Mittelstand bedeutet

Für den Mittelstand bedeutet KI in der Fertigung zuerst: weniger Ausreden für Blindflug. Ich sage das bewusst hart. Viele 50- bis 500-Mann-Unternehmen sind technisch besser, als sie organisatorisch aussehen. Sie haben gute Maschinen, erfahrene Leute, stabile Kunden, manchmal sogar sehr saubere Prozesse. Aber sie messen Verluste nicht konsequent genug, und sie verbinden diese Verluste nicht mit Geschäftsentscheidungen. Das ist der Bruch. Ein COO schaut auf OEE. Ein Vertriebsleiter schaut auf Forecast und Auftragseingang. Die Geschäftsführung schaut auf EBITDA und Cash. Die Wahrheit sitzt irgendwo zwischen Rüstzeit, Reklamation und Liefertermin.

Der erste Business-Effekt ist Kapazitätsklarheit. Nicht mehr: Wir sind ungefähr voll. Sondern: Wir haben auf Linie 3 real 11 Prozent versteckte Kapazität, wenn wir zwei Stillstandsursachen abstellen und den Produktmix anders legen. Markus, Vertriebsleiter eines Sondermaschinen-Zulieferers aus Augsburg, formulierte es im April 2025 so: „Wenn ich wüsste, welche Aufträge wirklich durchpassen, würde ich anders verkaufen.“ Genau das ist der Punkt. Vertrieb ohne Produktionsintelligenz ist in vielen Fertigungsunternehmen ein Wettschein.

Der zweite Effekt ist Preisdisziplin. Wenn Sie wissen, dass ein Auftrag eine Engpassanlage frisst, geben Sie keinen Rabatt, nur weil der Kunde laut wird. Wenn Sie wissen, dass eine Produktvariante überdurchschnittlich Ausschuss erzeugt, kalkulieren Sie anders. Wenn Sie nachweisen können, dass Ihre Qualitätsdaten stabiler sind als beim Wettbewerber, verkaufen Sie nicht nur Teile, sondern Prozesssicherheit. Premiumpositionierung, die AlixPartners für Schweizer Hersteller als Strategie gegen Disruption beschreibt [4], braucht genau solche Nachweise. Nicht Broschüren. Daten.

Der dritte Effekt ist Internationalisierung mit weniger Bauchgefühl. Viele DACH-Fertiger prüfen Nearshoring, zusätzliche Werke in Osteuropa oder Lieferketten mit mehr Redundanz. Ohne verlässliche Produktionsdaten wird das teuer. Man verlagert dann nicht Prozesse, sondern Annahmen. Eine Manufacturing-Intelligence-Schicht kann helfen, Linien, Produktfamilien und Standorte vergleichbar zu machen. Bei Phoenix Contact oder Festo ist Standortvergleich ein etabliertes Steuerungsthema. Bei kleineren Unternehmen entsteht er oft erst, wenn der zweite Standort schon läuft und niemand erklären kann, warum dieselbe Baugruppe in Tschechien 9 Prozent mehr Nacharbeit verursacht.

Die technische Realität - warum viele AI-Manufacturing-Projekte brechen

Ich schreibe als Engineer, also muss der unangenehme Teil rein. Projekte brechen nicht nur, weil Menschen Veränderung ablehnen. Sie brechen, weil Datenmodelle naiv sind. Weil ein Maschinensignal nicht eindeutig ist. Weil ein Stopp von 18 Sekunden mal ignoriert, mal gezählt wird. Weil ein Auftrag im ERP fertig ist, während die Nacharbeit noch läuft. Weil die Kamera im Sommer anderes Licht sieht als im Januar. Weil Netzwerksegmente aus gutem Grund getrennt sind. Weil Security sagt: Keine Cloud-Verbindung aus der OT. Und manchmal, weil der wichtigste Bediener keine Lust hat, zum dritten Mal denselben Stillstandsgrund in eine Maske zu tippen.

Deshalb gewinnt nicht automatisch der Anbieter mit dem besten Machine-Learning-Modell. Es gewinnt der Anbieter, der den Datenpfad stabil bekommt. Von der Maschine zum Edge-Gateway, vom Edge-Gateway zum Kontextmodell, vom Kontextmodell zur Entscheidung. Kontext ist das teure Wort. Eine Stromspitze heißt wenig, wenn ich nicht weiß, welches Werkzeug, welches Material, welcher Auftrag, welche Schicht und welcher Bedienmodus aktiv waren. Ein Qualitätsfehler heißt wenig, wenn ich ihn nicht mit Prozessparametern verknüpfen kann. Genau hier trennt sich Manufacturing Intelligence von Reporting.

Bei Amplifa bauen wir nicht Almetras Produkt, und ich werde hier keine fremde Architektur bewerten, die ich nicht im Code gesehen habe. Aber die Klasse von Systemen kenne ich gut genug: Der harte Teil ist nicht die Demo mit historischen Daten. Der harte Teil ist Produktion. Neue Artikelnummer. Geändertes Prüfmerkmal. Maschinenstillstand während Wartung. Mitarbeiterwechsel. ERP-Update. VPN-Zertifikat abgelaufen. Eine KI, die in Woche drei gute Erkenntnisse liefert, muss in Monat neun immer noch brauchbare Signale liefern. Sonst wird sie ein weiterer Bildschirm, den niemand öffnet.

FAQ - Ist Manufacturing Intelligence nur ein neues MES?

Nein. Ein MES plant, erfasst und steuert Produktionsabläufe, je nach Reifegrad sehr tief. Manufacturing Intelligence sitzt typischerweise quer darüber und versucht, aus Maschinen-, Qualitäts-, Auftrags- und Wartungsdaten Muster abzuleiten. Die Grenze ist nicht immer sauber. Manche MES-Anbieter bauen KI-Module ein, manche Manufacturing-Intelligence-Anbieter übernehmen MES-nahe Funktionen. Für einen Geschäftsführer ist die bessere Frage: Welches System beantwortet mir in zwei Wochen, wo wir Geld verlieren und welche Maßnahme zuerst dran ist?

FAQ - Brauchen wir dafür perfekte Daten?

Nein. Aber Sie brauchen ehrliche Daten. Das ist ein Unterschied. Perfekte Daten gibt es im Werk selten. Ehrliche Daten bedeuten: bekannte Lücken, dokumentierte Annahmen, klare Definitionen für Stillstand, Ausschuss, Nacharbeit und Gutteil. Wenn ein Anbieter so tut, als würde KI das alles automatisch reparieren, würde ich den Raum verlassen. Oder zumindest sehr lange schweigen.

FAQ - Was hat der Vertrieb konkret davon?

Der Vertrieb bekommt eine bessere Antwort auf vier Fragen: Welche Produkte können wir profitabel wachsen lassen? Welche Kunden blockieren Engpasskapazität? Welche Lieferzusagen sind realistisch? Wo können wir Qualität als Differenzierung verkaufen? Das klingt nach Operations. Ist es auch. Aber in der Fertigung hängen Deal-Qualität und Produktionsrealität enger zusammen, als viele CRM-Prozesse zugeben.

Vorbereitung - 7 Schritte, bevor Sie KI in der Fertigung einkaufen

1. Benennen Sie einen wirtschaftlichen Engpass, nicht eine Technologie. Beispiel: Linie 2 verliert pro Woche geschätzt 10 Stunden, aber niemand kennt die Hauptursache. Wenn Sie mit „wir wollen KI“ starten, bekommen Sie Folien. Wenn Sie mit Verlust starten, bekommen Sie Messbarkeit.
2. Klären Sie Ihre Datenquellen. ERP, MES, BDE, SCADA, Qualitätsdatenbank, Wartungstickets, Excel-Schichtberichte - schreiben Sie auf, was existiert, wem es gehört und wie oft es aktualisiert wird. Bei einem Festo-Zulieferer in Baden-Württemberg fand ein Team im Juni 2025 drei verschiedene Definitionen für Ausschuss.
3. Definieren Sie Kennzahlen auf Werksebene. OEE, Ausschussquote, Rüstzeit und Energie pro Gutteil sind nur nützlich, wenn alle dieselbe Berechnung akzeptieren. Sonst diskutieren Sie später nicht Maßnahmen, sondern Mathematik.
4. Binden Sie Vertrieb und Controlling früh ein. Manufacturing Intelligence wird schwach, wenn sie nur technische Verluste zeigt. Sie muss zeigen, welche Verluste Umsatz, Marge, Lieferfähigkeit oder Reklamationsrisiko betreffen.
5. Starten Sie mit einer Linie oder Produktfamilie. Nicht mit dem gesamten Werk. Wählen Sie einen Bereich mit hohem Volumen, sichtbarem Schmerz und verantwortlichen Menschen, die Ergebnisse nutzen wollen. Eine stille Pilotlinie ohne Managementdruck ist ein Friedhof für gute Ideen.
6. Planen Sie OT-Security vor dem Anbieter-Onboarding. Netzwerkzugriff, Edge-Geräte, Cloud-Freigaben, Rollenmodelle, Audit-Logs - das ist kein Papierkram. Ein einziges ungeklärtes Firewall-Thema kann ein Projekt vier Wochen blockieren.
7. Legen Sie fest, wer nach der Erkenntnis entscheidet. Wenn die KI Bottleneck A zeigt, wer ändert den Schichtplan, den Wartungsplan, die Angebotskalkulation oder den Produktmix? Ohne Entscheidungsrecht wird Manufacturing Intelligence zur Diagnostik ohne Therapie.

Amplifa Produkt Amplifa verbindet B2B-Vertriebsprozesse mit datengetriebener Priorisierung - damit Pipeline, ICP und operative Realität nicht auseinanderlaufen.

Diese sieben Schritte klingen bodenständig. Genau deshalb funktionieren sie. Ich habe zu viele Projekte gesehen, die mit Modellarchitektur starteten und bei Verantwortlichkeiten starben. Wer soll reagieren, wenn ein System zeigt, dass ein Premiumkunde regelmäßig Verlustaufträge auslöst? Vertrieb? Produktion? Geschäftsführung? Wer sagt dem Kunden, dass sein Sonderwunsch nicht mehr kostenlos mitläuft? KI findet den Konflikt. Sie löst ihn nicht automatisch.

Der Vertriebswinkel - warum Pipeline-Management ohne Shopfloor-Daten dünn wird

Viele Leser erwarten bei einem Artikel über Almetra wahrscheinlich OEE, Wartung und Qualität. Fair. Aber ich will den Vertriebswinkel stärker machen, weil er in DACH zu selten sauber diskutiert wird. Pipeline-Management in Fertigungsunternehmen ist oft vom Werk entkoppelt. Das CRM kennt Opportunities, Wahrscheinlichkeiten, Kundensegmente, vielleicht Deckungsbeiträge. Das Werk kennt Engpässe, Rüstlogik, Qualitätsrisiken, Personalrestriktionen. Zwischen beiden Welten sitzt meist ein Excel-Sheet oder ein erfahrener Produktionsplaner, der unter Druck „geht schon“ sagt.

Wer 2026 noch auf reine Inbound-Strategie im B2B-Fertigungsumfeld setzt, hat in fünf Jahren keine Pipeline mehr. Ja, kantig. Aber schauen Sie auf die Realität: Beschaffungsprozesse werden länger, technische Anforderungen enger, Lieferantenbewertungen datenlastiger. Wenn Ihr Vertrieb nicht weiß, welche Kunden zur realen Produktionsstärke passen, verkauft er gegen den eigenen Betrieb. Ein ICP für Fertigungsunternehmen darf nicht nur Branche, Umsatzgröße und Region enthalten. Er muss Produktionsfit enthalten. Welche Teile laufen stabil? Welche Varianten haben Lernkurve? Welche Kundenanforderungen passen zu Prüfstrategie und Kapazität?

Aus unseren Implementierungen wissen wir: Wenn Vertriebsteams ihre Zielkundenlisten mit operativen Constraints abgleichen, ändern sich erstaunlich oft die Top-Accounts. Bei einem DACH-Hersteller von technischen Baugruppen verschoben sich 27 Prozent der priorisierten Zielaccounts, nachdem wir Produktfamilien, Lieferzeitrisiko und historische Reklamationsmuster in die ICP-Bewertung einbezogen hatten. Vorher sah ein großer Kunde attraktiv aus, weil Umsatzpotenzial und Logo stimmten. Nachher war klar: Der Kunde hätte genau die Varianten gezogen, die die Engpassprüfung blockieren. Das ist keine Theorie. Das ist Pipeline-Hygiene.

Amplifa ICP Playbook für Fertiger Nutzen Sie das Playbook, um Zielkunden nicht nur nach Marktpotenzial, sondern nach Produktionsfit, Marge und Lieferfähigkeit zu bewerten.

Was Almetra richtig adressiert - und wo der Markt noch offen ist

Almetra adressiert einen wunden Punkt: Fabriken wissen, dass sie Kapazität verlieren, aber nicht präzise genug, wo und warum [1]. Diese Formulierung ist stark, weil sie keine Science-Fiction verkauft. Sie verkauft Orientierung. Wenn Kunden laut Fischer in den ersten Wochen signifikante Optimierungsmöglichkeiten finden [1], dann liegt der Wert wahrscheinlich im schnellen Kontextualisieren von Verlusten. Nicht im perfekten digitalen Zwilling vom ersten Tag.

Der Markt bleibt trotzdem offen. Epicor Prism wurde laut The Retail Data ebenfalls als AI-powered Manufacturing Solution für Europa positioniert [2]. Klassische ERP- und MES-Anbieter werden KI-Schichten nachrüsten. Cloud-Hyperscaler werden Referenzarchitekturen liefern. Spezialisten für Computer Vision, Wartung und Energieoptimierung werden tiefer in Nischen gehen. Für Kunden ist das gut und nervig zugleich. Gut, weil Auswahl entsteht. Nervig, weil jedes Tool behauptet, die zentrale Intelligenzschicht zu sein. Mein Rat: Glauben Sie keinem Architekturdiagramm, das Ihre bestehenden Systeme zu sauber zeichnet.

Die Gewinner werden nicht nur KI können. Sie werden Implementierung können. Sie werden mit einem Werksleiter sprechen können, der keine Zeit für Plattformpoesie hat. Sie werden mit IT-Security sprechen können, ohne beleidigt zu wirken. Sie werden mit Controlling eine Verlustrechnung bauen. Sie werden mit Vertrieb erklären, warum ein neuer Deal operativ riskant ist. Und sie werden akzeptieren, dass manche Daten erst einmal manuell bleiben. Naja, fast. Manuell bleibt oft länger, als Anbieter zugeben.

Risiken - Datenschutz, Betriebsrat, OT-Security und Modellvertrauen

Kein Trend-Report wäre ehrlich, wenn er die Risiken kleinredet. In DACH sind Produktionsdaten sensibel. Nicht nur wegen Datenschutz, sondern wegen Wettbewerbswissen. Aus Taktzeiten, Ausschuss, Auftragsmix und Stillständen lässt sich viel über Kostenstruktur und Kunden ableiten. Wenn ein Anbieter Produktionsdaten in der Cloud verarbeitet, muss klar sein, wo Daten liegen, wer Zugriff hat, wie Modelle trainiert werden und ob Kundendaten in allgemeinen Trainingsprozessen landen. Betriebsräte stellen zu Recht Fragen, wenn Schichtdaten auf Bedienerebene ausgewertet werden. Der Geruch von heißem Metall in der Halle ist romantisch. Die arbeitsrechtliche Bewertung von Leistungsdaten ist es nicht.

OT-Security ist der zweite harte Punkt. Eine Manufacturing-Intelligence-Plattform braucht Daten aus der Produktion, aber sie darf die Produktion nicht gefährden. Segmentierung, Read-only-Zugriffe, Edge-Verarbeitung, Zertifikatsmanagement, Patch-Prozesse - das ist Maschinenraum, nicht Marketing. Ein COO sollte seinen Anbieter fragen: Was passiert, wenn die Verbindung weg ist? Können Linien weiterlaufen? Wie werden Updates getestet? Welche Logs gibt es? Welche Daten verlassen das Werk? Wenn die Antworten wolkig werden, ist das ein Warnsignal.

Modellvertrauen ist der dritte Punkt. Eine KI kann einen Engpass identifizieren und trotzdem falsch liegen, wenn der Kontext fehlt. Vielleicht war die Linie langsam, weil ein neuer Mitarbeiter eingelernt wurde. Vielleicht war Ausschuss gewollt, weil ein Prüfprozess verschärft wurde. Vielleicht war der Auftrag ein Sonderfall. Deshalb brauchen Systeme Feedbackschleifen. Bediener, Instandhalter, Qualitätsleiter und Planer müssen Korrekturen einbringen können. Sonst entsteht eine Maschine, die klug klingt und dumm priorisiert.

Budgetlogik - warum sich KI in der Fertigung anders rechnen muss

KI in der Fertigung wird nicht über Innovationsbudgets skalieren. Nicht dauerhaft. Sie muss sich über harte Werttreiber rechnen: weniger Stillstand, weniger Ausschuss, kürzere Rüstzeit, stabilere Liefertermine, bessere Angebotsmargen, geringerer Energieverbrauch pro Gutteil. Ich würde jedes Projekt mit einer Baseline starten. Vier Wochen Daten, eine Linie, klare Verlustkategorien. Dann Maßnahmen. Dann Vergleich. Nicht perfekt, aber belastbar genug, um ein zweites Werk zu rechtfertigen.

Ein Beispiel: Eine CNC-Zelle mit vier Maschinen verliert pro Woche 12 Stunden durch ungeplante Stopps und kleine Störungen. Der interne Stundensatz liegt bei €95, der Engpass verhindert zusätzlich zwei Kundenaufträge pro Monat mit je €18.000 Deckungsbeitrag. Wenn eine Manufacturing-Intelligence-Schicht nur ein Drittel dieser Verluste reduziert, ist der Business Case nicht subtil. Aber dafür muss das System nicht nur Stopps zählen. Es muss zeigen, welche Stopps beeinflussbar sind und welche Maßnahme den höchsten Effekt hat. Sonst optimiert man das Lauteste statt das Teuerste.

Für Geschäftsführer ist die beste Frage nicht: Was kostet die Software? Die beste Frage ist: Welchen Verlust akzeptieren wir gerade, weil wir ihn nicht sehen? Diese Frage tut weh. Sie legt offen, dass manche Werke seit Jahren mit einer Schattensteuer leben - in Form von Nacharbeit, Sonderfahrten, Terminverschiebungen, Rabatten und internen Eskalationen. Manufacturing Intelligence verspricht, diese Steuer sichtbar zu machen. Bezahlen müssen Sie sie trotzdem, solange niemand handelt.

Persönliche Prognose - die nächsten 2 bis 3 Jahre

Meine Prognose: Bis Ende 2028 wird Manufacturing Intelligence in DACH nicht mehr als KI-Spielwiese wahrgenommen, sondern als normale operative Infrastruktur für anspruchsvolle Fertiger. Nicht überall. Nicht bei jedem 70-Mann-Betrieb mit drei stabilen Maschinen und vollem Auftragsbuch. Aber bei Unternehmen, die mehrere Linien, anspruchsvolle Kunden, Auditdruck und echte Kapazitätskonflikte haben. Dort wird die Frage nicht lauten, ob Produktionsdaten genutzt werden. Sie wird lauten, warum Vertrieb, Planung und Instandhaltung noch unterschiedliche Wahrheiten haben.

Ich erwarte drei Verschiebungen. Erstens werden COOs stärker nach Time-to-Insight einkaufen. Nicht nach Funktionslisten. Wer in vier Wochen belastbare Verlustmuster zeigt, schlägt den Anbieter mit 80 Features und neun Monaten Projektplan. Zweitens wird Vertrieb Daten aus der Produktion in ICP, Angebotspriorisierung und Account-Planung ziehen. Das wird Widerstand erzeugen, weil es manche Lieblingskunden schlechter aussehen lässt. Drittens werden ESG- und Energiedaten in die Produktionsoptimierung einrasten. Nicht aus Idealismus, sondern weil Kunden und Kosten es erzwingen.

Almetras €16-Millionen-Runde ist dafür ein Marker, kein Endpunkt. Sie zeigt, dass Investoren an eine europäische Kategorie glauben: AI-native Tools, die direkt über Shopfloor-Daten Wert erzeugen. Ob Almetra in fünf Jahren die dominante Plattform ist, weiß ich nicht. Niemand weiß es. Aber ich glaube, dass die alte Trennung zwischen Fabrikdaten und Geschäftsentscheidung bricht. Der Vertrieb wird näher an die Maschine rücken. Der COO wird näher an die Pipeline rücken. Und irgendwo in einer Halle wird ein alter Etikettendrucker weiter rattern, während ein Dashboard zum ersten Mal zeigt, was dieses Geräusch wirklich kostet.