Welche KI-Tools lohnen sich für Fertigungs-KMU?

Für fast jeden Schritt in der Fertigung gibt es heute ein KI-Tool. Die Frage für ein Fertigungs-KMU lautet deshalb nicht, ob es Tools gibt, sondern welche sich in einem Betrieb Ihrer Grösse rechnen. Dieser Beitrag ordnet die Kategorien nach der Bedingung, unter der sie sich lohnen.

---

Kernpunkte

• Kategorien statt Anbieter. Wir nennen die Bedingung, kein Ranking.
• Belegextraktion ist am weitesten ausgereift. Ein Prozess, klar abgegrenzt.
• OCR ist keine Extraktion. Lesen und Zuordnen sind zwei Schritte.
• Natürlichsprachlicher Zugang braucht eine saubere Datenbasis.
• KI-Agenten bereiten Entscheidungen vor, entscheiden aber nicht.
• Feste Schritte gehören ins Programm.
• KI-Assistenten helfen in der Wissensarbeit, wenn jemand prüft.
• Das Datenfundament entscheidet, nicht die Betriebsgrösse.
• On-Premises ist eine ernsthafte Option.
• Bildverarbeitung: erst Pilot, dann Kaufentscheid.

---

Wo Fertigungs-KMU heute stehen

Die branchenspezifische Schweizer Zahl ist inzwischen zwei Jahre alt. Sie stammt aus der 2024 publizierten Studie von ETH Zürich, Swissmem und Next Industries mit 200 Schweizer Tech-Unternehmen. Über die Hälfte hatte KI in der Fertigung noch nicht in Betracht gezogen. Knapp ein Viertel plante, testete oder wandte sie bereits an. Was daraus folgt, haben wir in Wie kommt KI in der Fertigung in die Gänge? behandelt. Die neueren Erhebungen sind breiter angelegt und messen jeweils etwas anderes:

Diese Quellen belegen gemeinsam eine Aussage: Die Verbreitung steigt und nimmt mit sinkender Betriebsgrösse ab. Eine Zahl speziell für Fertigungs-KMU lässt sich daraus nicht ableiten.

Neuere Verbreitungszahlen gibt es nicht. Die AXA/Sotomo-Erhebung vom März 2026 stellt die Frage nach dem KI-Einsatz nicht mehr, und Destatis und Bitkom haben seither keine aktuelleren Zahlen veröffentlicht.

Belegextraktion: OCR ist noch keine Extraktion

OCR macht aus Pixeln Zeichen. Welche davon die Artikelnummer ist, welche die Menge und welche der Liefertermin, entscheidet ein zweiter Schritt. Dort bleiben viele Belegerfassungs-Projekte stecken. Der Betrieb kauft Texterkennung, bekommt Text und tippt weiterhin ins ERP ab.

Der akademische Referenz-Benchmark OmniDocBench (CVPR 2025) vergleicht OCR-Verfahren mit Vision-Sprachmodellen. Er findet keinen Gesamtsieger, sondern Stärken und Schwächen je Dokumenttyp. Am weitesten liegen die Verfahren bei Tabellen auseinander. Positionszeilen einer Bestellung sind Tabellen. Ein Verfahren kann jedes Zeichen korrekt lesen und Menge und Preis trotzdem der falschen Position zuordnen.

Ein Schweizer CNC-Lohnfertiger erhält über 50 Bestellungen pro Woche. Der Aufwand für die Auftragserfassung sank von 20 auf 2 Stunden (Fallstudie). Den Ablauf im Detail und die Stelle der menschlichen Freigabe behandelt KI-Agenten im Auftragseingang.

Lohnt sich, wenn: Belege regelmässig und in wechselnden Versionen eintreffen. Bei fünf Lieferanten mit stabilen Formularen genügt eine Vorlage.

Natürlichsprachlicher Zugang zu Produktionsdaten

Die Daten liegen längst in Maschinen, MES und ERP. Es fehlt der Zugang. Wer die Datenbank nicht abfragen kann, eröffnet ein Ticket und wartet. Ein natürlichsprachlicher Zugang übersetzt die Frage in eine Abfrage und liefert Tabelle oder Diagramm zurück. Wir setzen dafür talk.factoriq ein und haben die Architektur ausführlich beschrieben. Wo diese Schicht in einer Gesamtarchitektur sitzt, zeigt Das Sprachmodell kommt zuletzt.

Lohnt sich, wenn: die Daten strukturiert vorliegen und mehrere Personen regelmässig Auswertungen brauchen. Ohne saubere Datenbasis verlagert ein solcher Zugang das Problem nur. Steht sie, ist die Einführung kurz, eine Sache von Stunden statt Monaten. Dieselbe Datenbasis ist zugleich die Voraussetzung für vorausschauende Wartung.

KI-Agenten: wenn mehrere Schritte zusammenhängen

Ein KI-Werkzeug erledigt einen Schritt. Ein KI-Agent verkettet mehrere: Er liest die Lieferantenmail, prüft den Auftrag im ERP, findet die betroffenen Fertigungsaufträge und legt das Ergebnis einem Menschen vor. Wie wir solche Agenten bauen, beschreiben wir auf der Seite zu KI-Agenten.

Belastbare Verbreitungszahlen gibt es für Agenten nicht, weder für die Schweiz noch für die DACH-Fertigung. Die nächstliegende amtliche Zahl ist Destatis 2025: 26 % der KI-einsetzenden Betriebe mit 10 bis 49 Beschäftigten automatisieren damit Arbeitsabläufe oder Entscheidungsfindung. Unsere eigene Erfahrung stammt aus dem eigenen Haus: iosys betreibt sein Backoffice mit Agenten und dokumentiert die Architektur öffentlich in agent-atlas.

Für die Planung gilt eine Einschränkung, die wir offen benennen. Ein Agent plant nicht. Reihenfolge, Kapazität und Termine sind ein Optimierungsproblem, das ein deterministischer Löser besser und nachvollziehbarer bearbeitet als ein Sprachmodell. Der Agent übernimmt die Arbeit davor und daneben: unstrukturierte Eingaben zusammentragen, die Ausnahme erkennen, die Optionen aufbereiten. Ihr Planer entscheidet. Den nächsten Schritt, bei dem ein Agent den Löser selbst ansteuert, gehen wir erst, wenn er sich im eigenen Betrieb bewährt hat. Das ist der stufenweise Weg aus Engineered KI: zuerst gezielte Automatisierung, dann Überwachung, dann Autonomie in klar gesetzten Grenzen.

Zuverlässiger wird ein Agent dort, wo feste Schritte als Skript oder als definierter Skill hinterlegt sind. Sonst leitet das Sprachmodell sie bei jedem Durchlauf neu her, was Tokens kostet und zwischen den Durchläufen schwankt. Code over inference lautet der Grundsatz: Was sich als Programm formulieren lässt, gehört ins Programm. Das ist dieselbe Logik wie bei der Trennung oben, wo der Löser rechnet und der Agent vorbereitet.

Dahinter steckt eine Arbeitsteilung. Das Modell übernimmt den offenen Teil, es liest die Absicht und formuliert einen Vorschlag. Ein festes Programm beantwortet die Fragen mit genau einer richtigen Antwort. Ob eine Artikelnummer existiert, ob zwei Mengen zusammenpassen, ob ein Termin in der vereinbarten Lieferfrist liegt. Der Agent beurteilt das nicht, er ruft etwas auf, das es prüft. Zurück kommt entweder ein korrektes Ergebnis oder ein Fehler, den Sie lokalisieren können.

Teuer wird der stille Fehler, eine plausible Auftragsbestätigung mit der falschen Menge. Eine feste Prüfung fängt diese Klasse ab, bevor sie jemand zu Gesicht bekommt. Dieselbe Arbeitsteilung lockert zudem die Bindung an einen Anbieter, denn je mehr das Programm trägt, desto weniger hängt das Ergebnis am Modell darüber.

Ein einkaufsrelevanter Punkt: Agenten docken über das Model Context Protocol an Fremdsysteme an. Seit Dezember 2025 liegt dieses Protokoll bei der Agentic AI Foundation unter dem Dach der Linux Foundation. Das senkt das Risiko, sich beim Anbinden an Ihr ERP an einen einzelnen Anbieter zu binden.

Lohnt sich, wenn: der Prozess bereits beschrieben ist und Ihre Systeme eine Schnittstelle haben. Ohne beides bauen Sie einen Agenten um ein Problem herum, das Sie noch nicht kennen.

KI-Assistenten: nützlich in der Wissensarbeit

Übersetzen, Formulieren und Zusammenfassen sparen echte Zeit, auch in der Fertigung. Angebotstexte, eine Reklamation in einer Fremdsprache, ein langer Lieferantenverlauf auf den Punkt gebracht. Der Haken ist die Kontrolle. Wer das Ergebnis ungeprüft übernimmt, verschiebt den Aufwand nur vom Schreiben zum Korrigieren.

Einen automatisierten Prozess tragen sie nicht. Es fehlt die Anbindung an Ihre Systeme und der Nachweis, wer was freigegeben hat. Derselbe Beleg kann beim zweiten Durchlauf anders herauskommen. Rechnen Sie damit, dass diese Werkzeuge längst im Haus sind. Mitarbeitende bringen ihre privaten Zugänge mit, ohne dass die IT davon weiss. Die Frage ist deshalb selten, ob Sie solche Werkzeuge einführen, sondern ob Sie wissen, welche Daten dabei das Haus verlassen.

Lohnt sich, wenn: ein Mensch das Ergebnis prüft. Als automatisierter Prozess noch nicht.

Das Datenfundament vor jedem Tool

Die stärkste Erhebung dazu stammt von KfW Research (Nr. 533, Februar 2026, Referenzzeitraum 2022 bis 2024). Berücksichtigt man Innovations- und Digitalisierungsaktivität, spielen Betriebsgrösse und Branche nur noch eine untergeordnete Rolle. Ein Unternehmen ohne Digitalisierungsaktivität kommt im Modell auf 19 % Wahrscheinlichkeit, KI einzusetzen. Mit Digitalisierungsstrategie sind es 35 %.

Entscheidend ist also die Vorarbeit, nicht die Betriebsgrösse. So sieht diese Vorarbeit aus: Bei maxon war es eine Datenbrücke von den Produktionsmaschinen in MES und ERP. Bei DUAP das Erschliessen eines undokumentierten ERP für ein Production Control Center mit zehn Live-Dashboards. Kein KI-Projekt, sondern dessen Voraussetzung. Die Lektionen aus dem maxon-Projekt stehen in iosys schliesst die Shopfloor-Datenlücke für maxon.

On-Premises ist eine echte Option

Dokumentextraktion läuft heute problemlos auf eigener Hardware. Offene Dokumentmodelle mit 3 bis 8 Milliarden Parametern stehen seit Herbst 2025 bereit, darunter DeepSeek-OCR und olmOCR-2 des Allen Institute for AI. Diese Grössenklasse braucht keine Hyperscaler-API.

Für Schweizer Betriebe kommt Apertus dazu, das vollständig offene Sprachmodell von EPFL, ETH Zürich und CSCS, in 8B und 70B, mit Schweizerdeutsch. Die ETH bezeichnet es ausdrücklich als Infrastruktur und nicht als fertiges Produkt.

Das Thema ist aktuell. In der AXA/Sotomo-Erhebung vom März 2026 unter 336 Schweizer KMU sorgen sich 57 % um ihre Abhängigkeit von überwiegend US-amerikanischen IT-Lösungen. 15 % sind bereits auf europäische Alternativen gewechselt, 13 % planen den Wechsel.

Rechtlich zählt Folgendes: Nach 18 U.S.C. § 2713, eingefügt durch den CLOUD Act 2018, muss ein Anbieter Daten in seinem Besitz oder unter seiner Kontrolle herausgeben. Das gilt unabhängig davon, ob die Daten in den USA liegen oder ausserhalb. Eine Schweizer Region eines Anbieters unter US-Jurisdiktion liegt damit nicht automatisch ausserhalb der US-Rechtsreichweite. Das beschreibt rechtliche Reichweite, nicht laufenden Zugriff, und ersetzt keine Rechtsberatung.

Wir betreiben die Lösung deshalb auf Wunsch On-Premises, in der Schweiz oder in der EU, um Ihre Datensouveränität und Datensicherheit zu gewährleisten.

Lohnt sich, wenn: der Datenstandort die bindende Nebenbedingung ist. Sonst nicht.

Was sich (noch) nicht rechnet

Die laufenden Kosten. Pauschaltarife weichen zunehmend der nutzungsabhängigen Abrechnung. Was im Pilot ein fester Monatsbetrag war, wächst später mit der Nutzung. Rechnen Sie eine Kategorie deshalb erst durch, wenn Sie den Betrieb über ein Jahr abschätzen können.

Bildverarbeitung in der Qualitätskontrolle. Die einzige institutionelle Zahl stammt von Destatis 2025: Bilderkennung nutzen 16 % der KI-einsetzenden Betriebe mit 10 bis 49 Beschäftigten. Alles Weitere stammt von Anbietern und widerspricht sich teils um eine Grössenordnung. Schicken Sie eigene Musterteile durch eine Pilotinstallation, bevor Sie kaufen.

Die Frage vor jedem Tool-Entscheid

Vor der Auswahl steht eine einfachere Frage: Ist dieser Prozess bei Ihnen Standard oder Differenzierung? Wo er Standard ist, kaufen Sie zu. Wo er Ihr Alleinstellungsmerkmal trägt, lohnt sich eine Eigenentwicklung, intern oder zusammen mit einem externen Partner. Ein Standardprodukt führt Sie dort auf den Branchendurchschnitt zurück und deckt Ihre spezifischen Anforderungen mit hoher Wahrscheinlichkeit nur teilweise ab.

Diese Zuordnung gehört vor die Toolauswahl. Sie erklärt auch, warum sich eine Kategorie bei Ihrem Nachbarn rechnet und bei Ihnen nicht.

Welche KI-Kategorie sich rechnet, und unter welcher BedingungKategorieLohnt sich, wennBelegextraktion im AuftragseingangBelege treffen regelmässig und in wechselnden Layouts ein. Bei fünf Lieferanten mit stabilen Formularen genügt eine Vorlage.Natürlichsprachlicher Zugang zu ProduktionsdatenDie Daten liegen strukturiert vor und mehrere Personen brauchen regelmässig Auswertungen.KI-Agenten für wiederkehrende AusnahmenDer Prozess ist beschrieben und Ihre Systeme haben eine Schnittstelle. Agenten bereiten vor, Menschen entscheiden.KI-Assistenten für den Alltag (Texte, Übersetzung)Ein Mensch prüft das Ergebnis. Wissensarbeit ja, automatisierter Prozess noch nicht.Datenfundament (Schnittstellen, Dashboards)Immer zuerst. Ohne es wirkt keine andere Kategorie. Kein KI-Projekt, aber dessen Voraussetzung.On-Premises / Schweizer oder EU-BetriebDer Datenstandort ist die bindende Nebenbedingung. Kein Standard.Bildverarbeitung in der QualitätskontrolleErst eigene Musterteile durch eine Pilotinstallation schicken. Prüfen, nicht kaufen.Rechnet sich heuteVoraussetzungPrüfen, nicht kaufen

Fazit

Eine definitive Tool-Liste für jedes Fertigungs-KMU gibt es nicht. Eine Reihenfolge gibt es jedoch: erst das Datenfundament, dann die Kategorie mit dem klar abgegrenzten Prozess, dann alles Weitere. Für die meisten Fertigungs-KMU ist das die Belegextraktion im Auftragseingang.

Wir bauen diese Automatisierung mit factorIQ und binden sie an Ihr bestehendes ERP an, ohne Systemwechsel. Vereinbaren Sie ein Gespräch, wenn Sie wissen möchten, welche Kategorie sich bei Ihnen zuerst rechnet.

---

Quellen

• ETH Zürich, Swissmem und Next Industries, KI in der Schweizer Tech-Branche: Realität hinkt Hype hinterher, 2024, 200 Schweizer Tech-Unternehmen - ethz.ch

• Statistisches Bundesamt (Destatis), Unternehmen mit Nutzung von Technologien der künstlichen Intelligenz nach Beschäftigtengrössenklassen, Berichtsjahr 2025 - destatis.de

• AXA Schweiz / Sotomo, KMU-Arbeitsmarktstudie 2025, Befragung März 2025, 300 Schweizer KMU - axa.ch

• AXA Schweiz / Sotomo, KMU-Arbeitsmarktstudie 2026, Befragung 11. bis 18. März 2026, 336 Schweizer KMU ab fünf Beschäftigten - axa.ch

• Bitkom, Industrie 4.0: 42 Prozent der Unternehmen setzen KI in der Produktion ein, März 2025, 552 Industrieunternehmen ab 100 Mitarbeitenden - bitkom.org

• KfW Research, Einsatz von Künstlicher Intelligenz vor allem in Unternehmen mit hohen Innovations- und Digitalisierungsaktivitäten, Fokus Volkswirtschaft Nr. 533, Februar 2026 - kfw.de

• Ouyang et al., OmniDocBench: Benchmarking Diverse PDF Document Parsing with Comprehensive Annotations, CVPR 2025 - arxiv.org/abs/2412.07626

• ETH Zürich, EPFL und CSCS, Apertus: a fully open, transparent, multilingual language model, September 2025 - ethz.ch

• DeepSeek-AI, DeepSeek-OCR: Contexts Optical Compression, Oktober 2025 - arxiv.org/abs/2510.18234

• Poznanski, Soldaini und Lo (Allen Institute for AI), olmOCR 2: Unit Test Rewards for Document OCR, Oktober 2025 - arxiv.org/abs/2510.19817

• Anthropic, Donating the Model Context Protocol and establishing the Agentic AI Foundation, 9. Dezember 2025 - anthropic.com

• iosys, agent-atlas: Architektur-Snapshots des eigenen Multi-Agenten-Betriebs - github.com/ryaniosys/agent-atlas

• 18 U.S. Code § 2713, Required preservation and disclosure of communications and records (CLOUD Act, 2018) - law.cornell.edu

• iosys Fallbeispiel, Von 20 auf 2 Stunden: KI-gestützte Auftragserfassung - Case Study lesen

• iosys Fallbeispiel, Shopfloor <-> ERP: Echtzeit-Datenaustausch - Case Study lesen

• iosys Fallbeispiel, Live-Shopfloor-Daten aus einem Legacy-ERP - Case Study lesen

• Simon Spätli, Where AI Agents Belong in Data Engineering: The Correctness Layer, Juli 2026 - ssp.sh

• The Generative Programmer, 9 Principles That Separate Useful Skills from Markdown Essays, Juni 2026 - generativeprogrammer.com

• iosys Blog, Wie kommt KI in der Fertigung in die Gänge? - Artikel lesen

• iosys Blog, Engineered KI: Wie Prozessautomatisierung die Fertigung 2026 neu definiert - Artikel lesen

• iosys Blog, Fragen Sie Ihre Maschinen: Natürlicher Sprachzugang zu Ihren Fabrikdaten - Artikel lesen

• iosys Blog, KI-Agenten im Auftragseingang: was heute realistisch funktioniert - Artikel lesen