Warum ein kleines, spezialisiertes KI-Modell Ihre Produktion besser versteht als ChatGPT

Der Generalist kennt alles – nur nicht Ihren Betrieb

Es beginnt fast immer gleich: Ein Team testet ein großes KI-Modell aus der Cloud. Die ersten Demos überzeugen. Das System formuliert Berichte, fasst Normen zusammen und erkennt auf Fotos sogar Schweißnähte.

Dann kommt der Alltag an der Linie. Das Modell hält zulässige Schleifspuren für Risse. Es versteht die Abkürzungen in Ihren Arbeitsanweisungen nicht. Und es braucht eine Verbindung in die Cloud, die Ihre IT zu Recht kritisch prüft.

Nach einigen Monaten ist das Projekt eingeschlafen, die Sichtprüfung läuft wieder manuell. Die Kosten bleiben: Pseudo-Ausschuss, weil Gutteile aussortiert werden. Nacharbeit, die niemand dokumentiert. 8D-Reports, die Ingenieure tagelang binden. Und im schlimmsten Fall ein Serienfehler, der erst beim Kunden auffällt – mit Folgen für Audit und Lieferantenbewertung.

Warum Standard-KI in der Fertigung an Grenzen stößt

Generalisten für Spezialaufgaben

Große Sprach- und Bildmodelle wurden mit Daten aus dem gesamten Internet trainiert. Ihre Schweißnähte, Gussteile, Oberflächen und Toleranzen waren nicht dabei. Eine Trefferquote von 90 Prozent klingt gut – in der Qualitätsprüfung sind es aber die übrigen 10 Prozent, die teuer werden.

Werkzeug vor Prozess

Viele Unternehmen kaufen zuerst eine Lösung und suchen danach den passenden Anwendungsfall. Erfolgreich ist der umgekehrte Weg: Welche Prüfentscheidung kostet heute am meisten Zeit, Geld oder Nerven – und welche Daten liegen dazu bereits vor?

Wissen in Inseln

Prüfergebnisse in Excel-Listen, Fotos auf dem Netzlaufwerk, Erfahrung im Kopf der langjährigen Mitarbeitenden: Solange das Wissen verstreut ist, kann kein System daraus lernen. Und jeder Monat, in dem Daten nicht strukturiert erfasst werden, fehlt später als Trainingsgrundlage.

Was „klein und spezialisiert“ konkret bedeutet

Ein spezialisiertes Modell ist kein abgespecktes ChatGPT. Es ist ein kompaktes Modell, das für genau eine Aufgabe trainiert oder nachtrainiert wurde: Schweißnähte bewerten, Reklamationen klassifizieren, Fehlercodes erklären, Daten aus Lieferscheinen auslesen.

Weil es nur diese eine Aufgabe beherrschen muss, kommt es mit einem Bruchteil der Rechenleistung aus. Es läuft auf einem Industrie-PC oder einem Server im eigenen Rechenzentrum – ohne dass Daten das Werk verlassen.

Auch Analysten sehen diese Entwicklung: Gartner erwartet, dass Unternehmen bis 2027 kleine, aufgabenspezifische KI-Modelle dreimal häufiger einsetzen werden als allgemeine große Sprachmodelle.1 Als Gründe nennt Gartner die höhere Genauigkeit im jeweiligen Geschäftskontext, schnellere Antworten und geringere Betriebskosten.

Fine-tuning: Aus dem Generalisten wird ein Facharbeiter

Beim Fine-tuning nehmen wir ein vortrainiertes Basismodell und trainieren es mit Ihren Daten nach: Bilder, Prüfprotokolle, Gut- und Schlechtbeispiele. Das Ergebnis arbeitet weniger wie ein frisch eingestellter Akademiker mit breitem Allgemeinwissen – und mehr wie ein Facharbeiter mit zwanzig Jahren Erfahrung an genau Ihrer Linie.

Beispiel: Schweißnahtprüfung

Ein mittelständischer Zulieferer sammelt über einige Wochen Bilder seiner Schweißnähte. Erfahrene Prüfer bewerten jedes Bild: in Ordnung, Nacharbeit oder Ausschuss. Mit einigen Tausend solcher Beispiele wird ein kompaktes Bildmodell nachtrainiert.

Das Modell läuft auf einem Industrie-PC direkt an der Linie, ohne Internetverbindung. Es bewertet jedes Bauteil in Sekundenbruchteilen, ermüdet nicht – und gibt unklare Fälle an den Menschen weiter, statt sie einfach durchzuwinken. Die Prüfer werden vom Taktgeber zum Entscheider für die wirklich kniffligen Fälle.

Dasselbe Prinzip funktioniert überall, wo erfahrene Menschen viele gleichartige Entscheidungen treffen: bei der Belegprüfung im Einkauf, der Klassifizierung von Reklamationen, der Auswertung technischer Zeichnungen oder im Wareneingang.

Geht es nicht um eine Entscheidung, sondern um Wissen – etwa Handbücher, Wartungsprotokolle oder Prüfpläne –, kombinieren wir das Modell mit RAG (Retrieval-Augmented Generation): Die KI sucht in Ihren Dokumenten und antwortet mit Quellenangabe.

Drei Gründe, warum der Ansatz zum Mittelstand passt

Beherrschbar: Spezialisierte Modelle sind um Größenordnungen kleiner als die großen Allrounder. Sie laufen auf eigener Hardware – Datenschutz, Know-how-Schutz und Latenz sind damit keine offenen Fragen mehr.

Messbar: Ein Modell mit genau einer Aufgabe lässt sich sauber bewerten: Erkennungsrate, Anteil der Fehlalarme, Durchsatz. Ähnlich wie bei einer Messsystemanalyse – nicht nach Bauchgefühl.

Methode vor Software: Am Anfang steht keine Lizenz, sondern drei Fragen: Wo entstehen teure Fehlentscheidungen? Welche Daten gibt es dort? Wer im Haus hat das Erfahrungswissen?

Was Sie jetzt tun können

Dafür brauchen Sie keine KI-Strategie mit Lenkungskreis. Nehmen Sie sich 30 Minuten mit Ihrer Produktions- oder Qualitätsleitung und beantworten Sie drei Fragen:

An welcher Stelle treffen Mitarbeitende täglich Hunderte gleichartige Entscheidungen unter Zeitdruck?

Werden die Ergebnisse dieser Entscheidungen heute so dokumentiert, dass ein System daraus lernen könnte?

Was kostet eine Fehlentscheidung an dieser Stelle – inklusive Nacharbeit, Reklamation und Ingenieursstunden?

Können Sie die Fragen 1 und 3 klar beantworten, Frage 2 aber nicht, kennen Sie Ihren Startpunkt: Wer heute beginnt, Daten strukturiert zu erfassen, hat morgen die Grundlage für ein eigenes Spezialmodell.

Eignet sich Ihr Anwendungsfall für ein spezialisiertes Modell? Das klären wir im kostenfreien Erstgespräch – meist reicht dafür eine Stunde.