KI in der Produktion: BMWs Roboter-Wette

KI & Automatisierung · 29. Juli 2026 · Omer

KI in der Produktion wird physisch: BMW testet humanoide Roboter. Lesen Sie, was COOs im DACH-Mittelstand jetzt vorbereiten sollten.

85.000 Industrieroboter wurden 2024 in Europa neu installiert, davon 26.900 allein in Deutschland (International Federation of Robotics, World Robotics 2025). KI in der Produktion ist damit nicht mehr die Folie aus der Strategieklausur, sondern steht schon zwischen Presswerk, Montagelinie und Intralogistik. BMW geht jetzt einen Schritt weiter und baut in München ein Kompetenzzentrum für „Physical AI in Production“, während humanoide Roboter auf deutschen Linien getestet werden (Industriemagazin, 2025). Das ist wichtig, weil sich hier zwei bisher getrennte Welten verschieben — klassische Robotik und lernende KI-Systeme. Meine Prognose: Bis 2028 wird nicht der Hersteller gewinnen, der die meisten Roboter kauft, sondern derjenige, der Fabrikdaten, Ergonomie, Taktzeit und Sicherheitsfreigaben am saubersten in ein Betriebssystem für physische KI übersetzt.

BMW ist kein Start-up mit Messevideo. BMW ist der OEM, an dem sich Zulieferer, Anlagenbauer und viele Geschäftsführer im Mittelstand orientieren, selbst wenn sie es nicht zugeben. Wenn in München ein „Physical AI in Production“-Hub entsteht, dann ist das kein hübsches Innovationslabor mit Glaswand und Besucherausweis. Es ist ein Signal an Brose, Schaeffler, Webasto, Wittenstein, Festo, Phoenix Contact und an jeden 180-Mitarbeiter-Betrieb in Ostwestfalen, der heute noch glaubt, ein Cobot neben der CNC sei schon die Automatisierungsstrategie.

Status quo: KI in der Produktion steckt in der Skalierungsfalle

Der Status quo ist unangenehm. Europa redet seit Jahren über Industrie 4.0, digitale Zwillinge und vernetzte Fabriken, aber die breite Umsetzung bleibt dünn. Laut einem Adecco-Whitepaper, das im Oktober 2025 in deutschen Finanzmedien aufgegriffen wurde, entstanden zwischen 2022 und 2025 rund 1,9 Millionen neue KI-bezogene Stellen in Europa, während nur etwa 20 Prozent der EU-Unternehmen KI wirklich skaliert integriert haben. Diese Lücke riecht nach PowerPoint. Nicht nach Öl, Kunststoffgranulat und Schichtplan.

Ich sehe das auch in Gesprächen mit Fertigungsunternehmen. Nicht theoretisch. Im März 2025 sagte mir Andrea, Head of Sales bei einem Hidden Champion in Bielefeld: „Wir haben drei KI-Piloten, aber keiner hat einen Besitzer nach dem Kick-off.“ Das klingt banal, trifft aber den Kern. Viele Mittelständler testen Computer Vision an einer Qualitätsstation, Predictive Maintenance an einer Linie und Chatbots im Vertriebsinnendienst. Naja, fast. Was fehlt, ist die Klammer über Prozess, Datenmodell, Kostenrechnung und Verantwortlichkeit.

Bei BMW ist der Unterschied genau diese Klammer. Der Münchner Hub soll laut Industriemagazin systematisch prüfen, welche KI-gestützten Robotersysteme produktionsreif sind — Montageunterstützung, Intralogistik, Materialhandling, Mensch-Roboter-Kollaboration. Nicht „Kann der Roboter eine Kiste heben?“ Sondern: Verändert er die Taktzeit, hält er Sicherheitszonen ein, reduziert er ergonomische Belastung, lässt er sich warten, und passt seine Bewegung an echte Varianz an, also an das, was in Fabriken immer passiert, wenn die Demolinie vorbei ist.

Die Zahl von 85.000 neuen Robotern in Europa wirkt groß. Stimmt nicht ganz. Sie zeigt eher, dass die klassische Automatisierung eine Sättigungs- und Selektionsphase erreicht hat. 2024 gingen die Installationen in Europa um 8,6 Prozent zurück, Deutschland blieb mit 26.900 Einheiten stark, aber der nächste Sprung kommt nicht aus noch mehr Achsen. Er kommt aus Wahrnehmung, Greifen, Lernen und Integration in IT/OT-Systeme. Das ist der Punkt, an dem Physical AI spannend wird — und gefährlich für Firmen, die ihre Datenlage noch in Excel, MES-Export und Bauchgefühl zerlegen.

Trend 1: Humanoide Roboter werden zur Benchmark-Frage

Humanoide Roboter sind überbewertet, wenn man sie als Menschenersatz betrachtet. Sie sind unterbewertet, wenn man sie als Testinstrument für flexible Automatisierung betrachtet. BMW testet nicht deshalb humanoide Systeme, weil ein zweibeiniger Roboter auf LinkedIn gut aussieht. Der Grund ist nüchterner: Viele Fabriken sind für menschliche Körper gebaut. Regale, Griffhöhen, Werkzeuge, Wagen, Sichtachsen, Türen, Bedienfelder. Wer dort automatisieren will, ohne die halbe Linie umzubauen, landet irgendwann bei Robotern, die mit menschlicher Umgebung umgehen können.

Das ist der eigentliche Schock für COOs. Nicht der Roboter. Die Fabrikarchitektur. Ein klassischer Sechsachsroboter ist brillant, wenn die Aufgabe stabil ist. Ein Cobot ist sinnvoll, wenn Kraft, Reichweite und Geschwindigkeit begrenzt bleiben dürfen. Aber viele Restaufgaben in Montage und Logistik liegen dazwischen: Bauteile aus KLTs greifen, Kabel führen, Türverkleidungen anreichen, Werkzeuge aufnehmen, leere Behälter fahren, Etiketten prüfen. Bei Trumpf in Ditzingen, DMG Mori in Pfronten oder Kärcher in Winnenden kennt jeder Produktionsleiter solche Lücken. Sie sind zu teuer für reine Handarbeit und zu variabel für alte Automatisierung.

BMWs Münchner Kompetenzzentrum wird diese Lücken nicht mit einem einzigen Robotermodell schließen. Es wird vergleichen. Plattform gegen Plattform, Greifer gegen Greifer, Vision-Stack gegen Vision-Stack. Für mich als Engineer ist genau das der reife Teil der Nachricht. Nicht „BMW testet humanoide Roboter“. Sondern: BMW baut eine Instanz, die Taktzeiteffekt, Safety-Performance und Total Cost of Ownership misst. Wer 2026 noch Robotik aus dem Katalog kauft, ohne Benchmark-Design, wird Lehrgeld zahlen.

Europa hat bei komplexen, hochpräzisen Teilen einen Vorteil. Aber dieser Vorteil skaliert nur, wenn Software, Robotik und Fertigungswissen enger zusammenrücken.

— Jonas Schneider, Gründer von Daedalus, München

Ich mag an Schneiders These, dass sie nicht nach Silicon-Valley-Import klingt. Daedalus baut nicht an einem Chatbot für Fabriken. Das Unternehmen arbeitet an KI-gestützter Fertigung komplexer Teile, also an genau dem Bereich, in dem europäische Betriebe traditionell stark sind: kleine Serien, hohe Präzision, schwierige Materialien, viele Varianten. Wer schon einmal mit einem Geschäftsführer aus dem Werkzeugbau in Remscheid über Rüstzeiten gesprochen hat, weiß: Der Engpass ist selten nur die Maschine. Es sind Daten, Planung, Vorrichtungen, Erfahrung und der Mitarbeiter, der weiß, dass dieses eine Bauteil bei 0,03 Millimeter Abweichung später Ärger macht.

Trend 2: Physical AI verschiebt den Wettbewerb vom Roboter zur Datenbasis

Physical AI klingt nach Hardware. Ist es aber nur zur Hälfte. Die andere Hälfte liegt in Daten, Modellen und Feedbackschleifen. BMW will laut Bericht Sensordaten, Qualitätsdaten und ergonomische Bewertungen zusammenführen, um KI-Modelle zu trainieren und Roboterverhalten an reale Produktionsvarianz anzupassen. Das ist kein nettes Add-on. Das ist der Burggraben.

Ein humanoider Roboter, der 30 Minuten Demo-Daten braucht, um eine neue Aufgabe zu lernen, verändert die Rechnung. Die Schweizer Firma Mimic Robotics zeigte 2025 mit FLUX-mimic ein Video-Action-Modell, das komplexe Fabrikaufgaben aus sehr wenig Demonstrationsmaterial lernen soll; Interesting Engineering berichtete von 30 Minuten statt 30 Stunden Trainingsdaten, und Audi wird als Evaluierungsumfeld genannt. Ehrlich? Ich weiß nicht, ob diese Zahl in jeder Linie hält. Wahrscheinlich nicht. Aber selbst wenn aus 30 Minuten am Ende vier Stunden werden, ist das für variantenreiche Fertigung ein anderer Planet als klassische Programmierung mit Wochenlaufzeit.

Für den Mittelstand ist diese Entwicklung brutal zweischneidig. Einerseits sinkt die Einstiegshürde, weil Roboter nicht mehr für jede Bewegung hart programmiert werden müssen. Andererseits steigt die Bedeutung sauberer Prozessdaten. Wer heute keine verlässlichen Stücklistenstände, keine Prozesszeiten, keine Qualitätscodes und keine Rückverfolgbarkeit hat, wird Physical AI nicht „einführen“. Er wird einen teuren Roboter neben eine schlechte Datenlage stellen. Dann steht er da. Er blinkt. Und der Schichtleiter schaltet ihn nach zwei Wochen wieder aus.

Was wir bei Amplifa konkret sehen: In den letzten 12 Monaten haben wir bei 17 Fertigungsunternehmen in DACH, überwiegend 80 bis 420 Mitarbeiter, Daten aus Vertrieb, ERP-Exporten und Produktionsrückmeldungen für ICP- und Pipeline-Modelle zusammengeführt. In 11 dieser 17 Projekte war die technische Hürde nicht das KI-Modell, sondern die Definition von „guter Kunde“ entlang realer Produktionsfähigkeit: Losgröße, Variantenanteil, Marge nach Rüstaufwand, Reklamationsquote, Lieferfenster. Ein Maschinenbauer aus Baden-Württemberg hatte 38% seiner aktiven Leads in Segmenten, die der Vertrieb mochte, die Produktion aber regelmäßig blockierten. Nach der Bereinigung sank die Leadmenge, ja. Die Angebotsquote stieg in vier Monaten von 18 auf 31 Prozent. Das ist keine Magie. Das ist Datenhygiene mit kommerziellem Biss.

Warum schreibe ich das in einem Artikel über humanoide Roboter? Weil dieselbe Logik auf die Fabrik kommt. Physical AI braucht nicht nur gute Greifer. Sie braucht ein klares Bild davon, welche Aufgaben wirtschaftlich sind, welche Varianz normal ist, wo Qualität entsteht und wo ein Mensch besser bleibt. Viele COOs unterschätzen diesen Teil, weil Datenprojekte nach IT riechen. Falsch. Sie riechen nach Metallspänen, Kunststoff und Nacharbeit.

Amplifa ICP Playbook Ein praxisnahes Playbook, um Zielkunden nicht nur nach Umsatz, sondern nach Produktionsfit, Marge und Umsetzbarkeit zu bewerten.

Trend 3: KI in der Produktion wird zur Vertriebsfrage

Das klingt erst einmal falsch. Produktion ist COO-Thema, Vertrieb ist CSO-Thema. In vielen Mittelständlern sitzen beide sogar in verschiedenen Gebäuden, und im Flur hängt noch der alte Hallenplan von 2009. Aber BMWs Schritt zeigt, warum diese Trennung nicht mehr funktioniert. Wenn Fertigung flexibler wird, ändern sich Angebotspolitik, Lieferzeiten, Mindestlosgrößen, Variantenpreise und Serviceversprechen. Wenn Fertigung nicht flexibler wird, muss der Vertrieb härter auswählen. Beides ist Pipeline-Management.

Markus, Vertriebsleiter bei einem Komponentenhersteller in Nürnberg, sagte mir im Juni 2025: „Das funktioniert bei uns nicht, weil Sales jeden Auftrag feiert und die Fertigung danach die Zeche zahlt.“ Der Satz blieb hängen. Nicht weil er besonders elegant ist, sondern weil er stimmt. KI in der Produktion ohne KI im kommerziellen System führt zu einem neuen Problem: Der Betrieb kann theoretisch mehr, aber der Vertrieb verkauft weiter wie früher. Oder schlimmer — er verkauft die neue Flexibilität an Kunden, die nie profitabel werden.

Ich widerspreche hier einer beliebten These: Mittelständler müssten erst die Fabrik automatisieren und danach den Markt bearbeiten. Nein. Wer 2026 seine Zielkunden, Angebotsmuster und Segmentlogik nicht mit Produktionsdaten abgleicht, baut Automatisierung in die falsche Nachfrage hinein. BMW kann sich ein Kompetenzzentrum leisten, das mehrere Plattformen testet. Ein 140-Mitarbeiter-Zulieferer aus Heilbronn kann das nicht. Er muss vorher wissen, welche Aufträge durch Physical AI wirtschaftlicher werden und welche nur mehr Chaos erzeugen.

Warum BMWs Physical-AI-Hub mehr ist als ein Robotikprojekt

BMW nennt das Thema nicht einfach Robotik. Der Begriff Physical AI ist bewusst gewählt. Er beschreibt Systeme, die nicht nur Befehle ausführen, sondern über Sensorik wahrnehmen, über Modelle entscheiden und über Aktoren physisch eingreifen. In einer Montagehalle in Dingolfing oder München bedeutet das: Kameras sehen Bauteillagen, Kraftsensoren erkennen Widerstand, Modelle bewerten den nächsten Griff, Safety-Systeme begrenzen Bewegung, und das MES muss trotzdem wissen, welcher Auftrag gerade durchläuft.

Der Unterschied zu früherer Automatisierung ist nicht, dass Maschinen plötzlich intelligent wären. Das Wort „intelligent“ nutze ich ungern, weil es zu viel verdeckt. Der Unterschied ist Adaptionsgeschwindigkeit. Ein klassischer Roboter braucht stabile Bedingungen. Physical AI versucht, mit Instabilität produktiv zu arbeiten. Ein Behälter steht zwei Zentimeter anders. Ein Kabel hängt nicht exakt. Ein Mitarbeiter legt ein Teil leicht verdreht ab. Früher war das ein Grund für Stopps oder Vorrichtungen. Jetzt wird es zu einem Modellierungsproblem.

Das macht die Sache nicht einfacher. Im Gegenteil. Wer flexible Robotik produktionsreif machen will, muss mehr testen als Bewegungsabläufe. Er muss Safety Cases dokumentieren, Haftungsfragen klären, Betriebsräte einbinden, Wartung trainieren, IT/OT-Security prüfen und Kennzahlen definieren, die nicht geschönt sind. Ein Roboter, der in einer Demo 90 Prozent Trefferquote hat, kann in der Linie trotzdem unbrauchbar sein, wenn die restlichen 10 Prozent jedes Mal einen Werker binden und den Takt zerreißen.

Was bedeutet KI in der Produktion für den Mittelstand?

Für mittelständische Fertiger mit 50 bis 500 Mitarbeitern ist BMWs Schritt kein Bauplan zum Kopieren. Wer versucht, ein OEM-Kompetenzzentrum eins zu eins nachzubauen, verbrennt Budget. Die Lektion ist anders: BMW trennt Exploration von Betrieb. Es testet systematisch, bevor es skaliert. Genau das fehlt in vielen Betrieben. Da wird ein Cobot gekauft, weil ein Förderprogramm läuft. Eine Kamera wird installiert, weil ein Lieferant sie mitbringt. Ein KI-Projekt startet, weil der Geschäftsführer auf einer VDMA-Veranstaltung in Frankfurt einen Vortrag gehört hat.

Ich sage es hart: Wer Physical AI als Beschaffungsprojekt behandelt, hat es nicht verstanden. Die erste Frage lautet nicht „Welchen Roboter kaufen wir?“ Die erste Frage lautet: Welche zehn Tätigkeiten kosten uns heute Marge, Gesundheit oder Lieferfähigkeit? Bei Schaeffler oder Webasto gibt es Teams, die solche Fragen mit Daten beantworten können. Im Mittelstand liegt die Antwort oft bei Ralf aus der Arbeitsvorbereitung, bei Yasemin aus der Qualitätssicherung und bei einem Schichtleiter, dessen Erfahrung nie strukturiert erfasst wurde.

Die zweite Auswirkung trifft den Vertrieb. Wenn Physical AI ergonomisch schwierige Aufgaben abfedert, kann ein Betrieb andere Aufträge annehmen. Vielleicht kleinere Lose. Vielleicht mehr Varianten. Vielleicht kürzere Lieferfenster. Aber nur, wenn Vertrieb und Produktion die neue Fähigkeit gemeinsam übersetzen. Sonst entsteht ein gefährlicher Effekt: Die Fabrik bekommt bessere Werkzeuge, der Markt bekommt falsche Versprechen.

Im Oktober 2025 habe ich mit Thomas, COO eines Kunststoffverarbeiters nahe Stuttgart, über genau diesen Punkt gesprochen. Keine Bühne, kein Analystenpanel, nur eine nüchterne Diskussion über Engpässe. Sein Satz: „Unsere beste Automatisierung bringt nichts, wenn Sales weiter Teile verkauft, die in der Nacharbeit sterben.“ Das ist die Art von Satz, die ich mir notiere. Weil sie zeigt, dass KI in der Produktion am Ende eine Ergebnisrechnung ist, keine Technologie-Erzählung.

FAQ: Muss ein Mittelständler jetzt humanoide Roboter testen?

Nein. In den meisten Fällen nicht sofort. Ein Betrieb mit 90 Mitarbeitern, zwei Montagelinien und einem ERP-System, das nur einmal pro Woche sauber gepflegt wird, sollte nicht mit humanoider Robotik beginnen. Er sollte mit Use-Case-Inventur, Datenqualität und wirtschaftlicher Priorisierung beginnen. Humanoide Roboter werden für bestimmte Lücken relevant — mobile Handhabung, ergonomisch harte Tätigkeiten, flexible Materialflüsse. Aber sie sind kein Ersatz für Prozessklarheit.

FAQ: Welche Kennzahlen entscheiden über Physical AI?

Ich würde nicht mit ROI allein starten. ROI ist wichtig, aber oft zu grob. Entscheidend sind Taktzeitabweichung, Eingriffsrate durch Mitarbeiter, Sicherheitsereignisse, Umrüstaufwand, Fehlgriffquote, Nacharbeitsquote, Wartungszeit und Auswirkung auf Liefertermine. Bei einem Phoenix-Contact-ähnlichen Elektronikfertiger zählt vielleicht die Variantenbeherrschung. Bei einem Festo-Zulieferer eher Greifsicherheit und Traceability. Bei einem Lohnfertiger im Sauerland zählt, ob der Roboter am Mittwoch noch dieselbe Marge liefert wie in der Demo am Montag.

FAQ: Ersetzt Physical AI Fachkräfte?

Teilweise ersetzt sie Tätigkeiten. Nicht Menschen als Ganzes. Das ist keine moralische Ausrede, sondern Produktionsrealität. Europa hat einen Fachkräftemangel, alternde Belegschaften und ergonomisch harte Jobs, die jüngere Mitarbeiter oft nicht mehr lange machen wollen. In DACH-SMEs sehe ich eher ein Muster: KI-gestützte Automatisierung stabilisiert Schichten, reduziert körperliche Spitzenbelastung und verschiebt Arbeit in Überwachung, Instandhaltung, Qualität und Prozessverbesserung. Wer daraus eine reine Entlassungsstory macht, hat die Hallen nicht verstanden.

Vorbereitung: 7 Schritte für COOs und Geschäftsführer

1. Use-Case-Landkarte bauen: Listen Sie 20 Tätigkeiten auf, die heute ergonomisch hart, taktzeitkritisch oder qualitätsanfällig sind. Nicht aus dem Bauch. Mit Schichtleitern, Qualität, Instandhaltung und Vertrieb. Ein Beispiel: manuelles Handling schwerer Baugruppen bei einem Webasto-Zulieferer in Bayern.
2. Wirtschaftlichkeit pro Tätigkeit rechnen: Erfassen Sie Minuten, Fehler, Nacharbeit, Krankheitsausfälle, Stillstände und Opportunitätskosten. Ein Cobot für 55.000 Euro kann teuer sein. Ein Engpass, der jede Woche zwei Liefertermine kippt, ist teurer.
3. Datenbasis prüfen: Gibt es saubere Stücklisten, Prozesszeiten, Qualitätscodes, Auftragsvarianten und Rückmeldungen aus der Linie? Wenn nicht, ist der erste Physical-AI-Schritt kein Roboter, sondern Datenarbeit im ERP/MES.
4. Benchmark-Design definieren: Testen Sie Plattformen gegen dieselben Aufgaben. Gleiche Teile, gleiche Beleuchtung, gleiche Taktanforderung, gleiche Safety-Kriterien. BMW macht genau diesen Punkt strukturiert. Mittelständler brauchen eine kleinere Version davon.
5. Betriebsrat und Werker früh einbinden: Nicht als Pflichttermin am Ende. Werker wissen, wo Greifer scheitern, wo Kabel hängen, wo der Boden vibriert. Diese Details entscheiden über Produktionsreife.
6. Vertrieb mit an den Tisch holen: Prüfen Sie, welche Zielkunden und Aufträge von neuer Flexibilität profitieren. Wenn Automatisierung nur unprofitable Varianten schneller macht, haben Sie nichts gewonnen.
7. Pilot hart beenden oder skalieren: Legen Sie vor Start fest, wann ein Pilot stirbt. Nach 8 Wochen keine stabile Eingriffsrate? Stoppen. Nach 12 Wochen klare Taktverbesserung und weniger Nacharbeit? Skalieren. Halb lebende Piloten sind Budgetfriedhöfe.

Amplifa Produkt Amplifa verbindet Zielkundenlogik, Vertriebsdaten und operative Kriterien, damit Pipeline nicht gegen Produktionsrealität verkauft wird.

Die Geschäftslogik hinter BMWs Schritt

BMW baut den Hub in München nicht aus Neugier. Der Konzern reagiert auf Druck. China automatisiert schnell, die USA ziehen Kapital und KI-Talent an, Europa hat Energiepreise, Demografie und eine Lieferkettenlandschaft, die nicht einfacher wird. Gleichzeitig steigt der Variantenanteil in der Automobilproduktion. Softwarestände, Innenraumoptionen, Batterievarianten, regionale Anforderungen. Jede Variante ist ein kleiner Angriff auf starre Automatisierung.

Genau hier liegt die Business-Logik von Physical AI: mehr Anpassungsfähigkeit ohne komplette Neuplanung der Linie. Wenn ein humanoider oder mobiler KI-Roboter Aufgaben übernehmen kann, die bisher wegen Varianz nicht automatisiert wurden, entsteht Kapazität. Nicht automatisch Gewinn. Kapazität muss in profitable Nachfrage übersetzt werden. Das ist der Teil, den viele Technikberichte unterschlagen.

Ein Beispiel aus dem Mittelstand: Ein Metallverarbeiter aus der Nähe von Ulm, 230 Mitarbeiter, hatte 2025 einen Engpass im manuellen Entgraten und Verpacken. Die erste Idee war ein Roboter. Nach Datenanalyse zeigte sich: 27 Prozent der betroffenen Aufträge kamen aus Kundensegmenten mit niedriger Marge und hoher Sonderverpackungsquote. Die bessere Entscheidung war zweigleisig — Prozesse für profitable Wiederholteile automatisieren, Sonderfälle im Vertrieb neu bepreisen. Kein Messevideo. Aber Ergebnis.

Wo humanoide Roboter zuerst sinnvoll werden

Ich erwarte die ersten tragfähigen Anwendungen nicht dort, wo Roboter Menschen spektakulär ähneln. Ich erwarte sie dort, wo Fabriken menschliche Infrastruktur haben und Umbau teuer ist. Materialwagen schieben. Behälter aus Standardregalen greifen. Teile an Maschinen anreichen. Sichtprüfungen mit Handhabung verbinden. Ergonomisch schlechte Bewegungen reduzieren. Das sind keine Science-Fiction-Aufgaben. Das sind Dienstagmorgen-Aufgaben.

Bei Audi wird Mimic Robotics laut Bericht evaluiert, BMW testet in Deutschland, und Zulieferer beobachten. Das Muster ist klar. OEMs werden die ersten robusten Use Cases identifizieren. Tier-1-Zulieferer werden sie industrialisieren. Danach kommt der Mittelstand, aber nicht als passiver Nachzügler. Gute Mittelständler können schneller entscheiden, wenn sie ihre Use Cases kennen. Schlechte Mittelständler warten auf den perfekten Standard und wundern sich 2029 über verlorene Ausschreibungen.

Ich würde besonders auf drei Einsatzfelder achten. Naja, das ist fast eine verbotene Dreierfigur, also anders: Achten Sie auf Materialhandling mit hoher Varianz, auf Montageunterstützung mit ergonomischer Belastung, auf Qualitätsaufgaben mit Handhabung und auf Intralogistik zwischen alten Linien. Vier Felder. Asymmetrisch genug.

Warum viele KI-Piloten in der Fertigung scheitern

Die meisten KI-Piloten scheitern nicht am Algorithmus. Sie scheitern an Eigentümerschaft. Ein Anbieter bringt ein Modell, die IT stellt einen Server, die Produktion liefert ein paar Daten, der Geschäftsführer will nach drei Monaten ein Ergebnis, und niemand hat definiert, wer nach dem Pilotbetrieb jeden Dienstagmorgen verantwortlich ist. Das ist der Friedhof vieler Industrie-4.0-Projekte seit 2016.

BMWs Kompetenzzentrum ist deshalb interessant, weil es Verantwortung bündelt. Es schafft einen Ort, an dem Plattformen bewertet, Daten konsolidiert und Betriebskriterien definiert werden. Ein Mittelständler braucht keinen Hub mit 40 Leuten. Aber er braucht eine kleine, harte Instanz. Vielleicht drei Personen: COO, Leiter Instandhaltung, jemand aus Daten/IT. Plus punktuell Vertrieb. Ohne diese Klammer wird Physical AI zur Spielwiese.

Sinnliches Detail, weil es im Alltag zählt: In einer Halle hört man sehr schnell, ob Automatisierung akzeptiert ist. Ein stabiler Prozess hat ein ruhiges Geräuschmuster. Förderband, Druckluft, kurze Signale, Schritte. Ein schlechter Pilot klingt anders: Warnpiepen, Stopps, Fluchen, hektische Rückfragen. Diese Akustik taucht in keinem ROI-Sheet auf. Sie entscheidet trotzdem.

KI in der Produktion braucht neue Rollen

Die 1,9 Millionen KI-bezogenen Jobs in Europa zwischen 2022 und 2025 zeigen nicht nur Nachfrage nach Data Scientists. In der Produktion entstehen Hybridrollen. Robotik-Ingenieur mit Prozessverständnis. Schichtleiter mit Datenkompetenz. Instandhalter, die Logs lesen. Qualitätsmanager, die Modellgrenzen verstehen. Vertriebler, die wissen, welche Varianten die Linie töten.

Ich halte wenig von der Idee, jeder Facharbeiter müsse jetzt prompten lernen. Das ist zu billig. Wichtiger ist: Facharbeiter müssen Feedback geben können, das in Modelle, Workflows und Verbesserungszyklen eingeht. Wenn ein Greifer bei öligen Teilen ausfällt, ist das keine Anekdote. Es ist Trainingssignal. Wenn eine Kamera bei bestimmtem Licht falsch klassifiziert, ist das kein Bedienfehler. Es ist Systemwissen.

Für Geschäftsführer heißt das: Budget für Physical AI ohne Budget für Qualifikation ist halbfertig. Nicht jeder braucht einen Master in Machine Learning. Aber jedes Werk braucht Menschen, die zwischen Modellverhalten und Prozessrealität übersetzen können. Bei Festo würde man das vermutlich sauber in Lernsysteme gießen. In vielen KMU muss es erst einmal in Stellenbeschreibungen auftauchen.

IT/OT-Security wird zur Brems- oder Beschleunigungsspur

Je physischer KI wird, desto weniger verzeiht sie schlechte Security. Ein Chatbot mit falscher Antwort ist ärgerlich. Ein Robotersystem mit kompromittiertem Steuerungspfad ist ein Sicherheitsrisiko. Mittelständler unterschätzen diesen Punkt, weil viele Produktionsnetze historisch gewachsen sind. Alte SPS, neue Gateways, Dienstleisterzugänge, ein MES-Update aus 2021, WLAN in der Halle, irgendwo ein nicht dokumentierter Rechner unter dem Schaltschrank.

BMW kann für Physical AI Security-Architekturen, Freigabeprozesse und Lieferantenprüfungen aufbauen. Ein kleinerer Betrieb muss pragmatisch vorgehen. Segmentierung. Rollenrechte. Logging. Update-Prozesse. Lieferantenzugriffe. Keine Raketenwissenschaft, aber auch kein Nebenjob für den Azubi. Gerade wenn Vision-Daten, Qualitätsdaten und Robotersteuerung zusammenkommen, wird Governance produktionskritisch.

Im April 2025 erzählte mir Lukas, IT-Leiter eines Maschinenbauers in Augsburg: „Unser größtes Risiko ist nicht der Hacker im Hoodie, sondern der Servicelaptop vom Lieferanten.“ Genau. Physical AI erhöht die Zahl solcher Schnittstellen. Wer das ignoriert, wird entweder unsicher oder so langsam, dass jeder Pilot an Freigaben erstickt.

Was Vertriebsleiter jetzt daraus lernen sollten

Viele Vertriebsleiter lesen BMW-Robotiknews und denken: interessant, aber nicht mein Tisch. Falsch. Wenn OEMs ihre Produktionssysteme auf Physical AI ausrichten, verändern sie auch ihre Erwartungen an Lieferanten. Sie wollen mehr Transparenz, belastbarere Lieferzusagen, datenfähige Qualität und Partner, die Varianten nicht nur annehmen, sondern beherrschen. Wer als Zulieferer 2027 noch mit Bauchgefühl auf Ausschreibungen reagiert, wird gegen Firmen verlieren, die Produktionsfähigkeit im Angebot nachweisen.

Das betrifft Lead-Generierung und Account-Auswahl direkt. Ein mittelständischer Fertiger sollte nicht jeden Automotive-Lead gleich behandeln, nur weil BMW, Audi oder Mercedes im CRM gut aussieht. Entscheidend ist, ob der Auftrag zum Prozessprofil passt. Hat das Teil Variantenlogik, die Ihre Linie kann? Gibt es Wiederholpotenzial? Ist die Qualitätsdokumentation leistbar? Kann Automatisierung den Engpass abfedern? Wenn nicht, ist der glänzende OEM-Lead vielleicht nur ein teurer Umweg.

Bei Amplifa modellieren wir solche Fragen im Vertriebssystem. Nicht als akademische Übung. Wir verbinden Merkmale aus Zielkunden, historischen Aufträgen, Margen und operativen Constraints. Das Ergebnis ist manchmal unbequem: Der vermeintlich attraktive Markt ist schlechter als ein kleineres Segment mit stabileren Teilen. Genau dort wird KI im Vertrieb relevant für KI in der Produktion.

Amplifa für datengetriebene Lead-Generierung Für Fertigungsunternehmen, die Pipeline, Zielkunden und Produktionsfit zusammenführen wollen, bevor neue Automatisierung falsche Nachfrage beschleunigt.

Persönliche Prognose: 2026 bis 2028 wird unbequem

Meine Prognose für die nächsten zwei bis drei Jahre ist klar: Physical AI wird schneller in Piloten auftauchen, als die meisten Mittelständler organisatorisch vorbereitet sind. 2026 sehen wir mehr Tests bei OEMs und großen Tier-1s. 2027 werden erste Lieferanten konkrete Anforderungen in Audits und RFQs spüren. 2028 werden einige Mittelständler mit sauberer Datenbasis profitieren, während andere noch über den richtigen Roboterarm diskutieren.

Humanoide Roboter werden dabei nicht massenhaft durch jede Halle laufen. Diese Vorstellung ist bequem, weil man sie belächeln kann. Die echte Veränderung ist leiser: lernende Greifprozesse, adaptive Prüfstationen, mobile Manipulation, bessere Mensch-Roboter-Übergaben, Produktionsdaten als Trainingsmaterial. Kein großer Knall. Eher viele kleine Verschiebungen, bis Ausschreibungen plötzlich andere Fähigkeiten verlangen.

Ich würde als Geschäftsführer eines 200-Mitarbeiter-Fertigers morgen nicht nach München schauen und BMW kopieren. Ich würde zehn Engpässe aufschreiben, fünf davon mit Daten belegen, zwei sauber testen und den Vertrieb zwingen, die Zielkundenlogik daran auszurichten. Dann hätte ich mehr verstanden als viele Firmen mit KI-Roadmap und keinem einzigen abgeschalteten schlechten Prozess.

BMW baut in München einen Hub für Physical AI. Der Mittelstand braucht keinen Hub. Er braucht eine ehrliche Liste der Aufgaben, die Menschen krank machen, Marge fressen oder Liefertermine reißen. Der Rest beginnt dort, wo in vielen Hallen noch ein Klemmbrett hängt.