Warum 2026 ein Wendepunkt ist

In vielen Betrieben ist die Stimmung gegenüber KI spürbar nüchterner geworden. Das hat nichts mit Technikfeindlichkeit zu tun, sondern mit Produktionsrealität: Komplexe Stücklisten, heterogene IT-Landschaften (ERP/MES/SCADA), volatile Lieferketten und steigende regulatorische Anforderungen lassen wenig Raum für „Innovation um der Innovation willen“.

Gleichzeitig zieht der regulatorische Rahmen an. Der EU AI Act gilt stufenweise: Verbote und KI-Kompetenz/AI-Literacy greifen seit 2. Februar 2025, Regeln für General-Purpose-AI seit 2. August 2025; große Teile werden ab 2. August 2026 voll anwendbar – mit Ausnahmen, u. a. längeren Übergängen für bestimmte Hochrisiko-Konstellationen bis 2. August 2027. Für Hersteller bedeutet das: KI-Projekte müssen nicht nur funktionieren – sie müssen auch auditierbar, beherrschbar und nachvollziehbar sein.

1) Von Buzzwords zu belastbaren Ergebnissen: ROI schlägt Akronyme

Ob GenAI, prädiktive, analytische oder agentische KI: Entscheidend ist nicht die Etikettierung, sondern der messbare Beitrag zur Wertschöpfung. 2026 verschiebt sich der Fokus in Richtung:

• OEE-Verbesserung (Overall Equipment Effectiveness) durch weniger Stillstand und bessere Wartungsplanung
• Ausschuss- und Nacharbeitssenkung durch Qualitätsprognosen und Prozessfenster-Optimierung
• Rüst- und Durchlaufzeitreduktion durch bessere Reihenfolgenplanung
• Planungsstabilität bei Materialengpässen und Lieferstörungen

„KI-Agenten“ werden oft als universelle Problemlöser vermarktet. In der Fertigung ist das Risiko groß, dass Agentik dort eingesetzt wird, wo die Basics fehlen: Datenqualität, Stammdaten-Disziplin, Schnittstellen, klare Verantwortlichkeiten. Ohne diese Voraussetzungen wird KI nicht zum Wettbewerbsvorteil, sondern zum teuren Nebenprojekt.

MJ-Einordnung

Der wichtigste KPI 2026 heißt nicht „Anzahl KI-Piloten“, sondern „Pilot->Rollout-Quote“. Wer in sechs Monaten nicht in den produktiven Betrieb kommt, baut wahrscheinlich nur Demo-Systeme – oder hat den Use Case falsch gewählt.

2) Low-Code wird zur Integrationsschicht: Resilienz entsteht in der Verbindung der Systeme

Lieferkettenresilienz scheitert in der Praxis selten am Modell, sondern an der Integration heterogener Datenquellen: Einkauf, Lieferantenportale, Speditionsdaten, ERP, Qualitätsdaten, Produktionsstatus. Genau hier gewinnt Low-Code an Bedeutung – nicht als „Wunderwaffe“, sondern als Beschleuniger für Schnittstellen, Workflows und Fachbereichs-Apps.

Der produktive Hebel entsteht, wenn Low-Code nicht als Schatten-IT betrieben wird, sondern:

• mit klarer Governance (Rollen, Freigaben, Security-by-Design)
• mit einer Integrationsstrategie (APIs, Events, Datenkatalog)
• und mit standardisierten Datenobjekten (z. B. Material, Charge, Auftrag, Maschine, Lieferant)

MJ-Einordnung

Für den Mittelstand ist Low-Code vor allem dann sinnvoll, wenn es die Knappheit klassischer Entwicklerressourcen abfedert und gleichzeitig Auditierbarkeit sicherstellt. Ohne Leitplanken drohen Wildwuchs, Sicherheitslücken und schwer wartbare App-Landschaften.

3) Nachhaltigkeit bleibt – aber der Fokus verschiebt sich: von Reporting zu Prozesswirkung

Nachhaltigkeit ist 2026 kein „Extra“ mehr. Der Fokus verschiebt sich jedoch von nachgelagerten Reports hin zu datenbasierten Eingriffen im Prozess: Energieverbrauch pro Los, Materialausbeute, Ausschussursachen, Qualitätstreiber. KI kann dabei indirekt wirken – etwa durch bessere Planung, stabile Prozesse und geringere Nacharbeit.

Der pragmatische Ansatz lautet: erst Prozess-KPIs stabilisieren, dann automatisieren. Wer versucht, Nachhaltigkeit allein über KI-„Optimierung“ zu lösen, übersieht meist die echten Hebel: Prozessfenster, Wartungszustand, Messkonzepte, Schulung.

4) Daten werden strategischer: Kontext schlägt Volumen

Viele Hersteller haben über Jahre Daten gesammelt – oft in Silos, in unterschiedlichen Formaten und ohne einheitliche Semantik. 2026 wird klar: Mehr Daten lösen das Problem nicht. Entscheidend ist, ob Daten kontextualisiert sind: Welche Maschine? Welche Charge? Welcher Bediener? Welche Rezeptur? Welche Umgebungsbedingungen?

Damit rückt eine Architekturfrage in den Vordergrund: Wie kommen wir von „Datenhaltung“ zu „Datenwirkung“? Erfolgreich sind Unternehmen, die:

• kritische Datenobjekte definieren (Golden Records)
• Mess- und Qualitätsdaten mit Produktionskontext verknüpfen
• KI-Modelle in den Betrieb integrieren (Monitoring, Drift-Erkennung, Freigaben)
• eine saubere Governance etablieren (Ownership, Zugriff, Dokumentation)

„Innovation darf kein Schauspiel sein“ – was an dem Satz stimmt

Der Mendix-Manager Raffaello Lepratti bringt die Stimmung in vielen Werken auf den Punkt: Innovation muss sich am Wertbeitrag messen lassen – an Produktivität, Qualität und Kosten. Das ist nicht anti-innovativ, sondern produktive Nüchternheit: Schrittweise Fähigkeiten integrieren, operative Lücken schließen, kontinuierlich lernen.

„Innovation darf kein Schauspiel sein … entscheidend ist … welcher konkrete Wert … für Produktivität, Produktqualität und Betriebskosten“

Praxisteil: Die 10-Punkte-Checkliste für KMU in der Produktion

1. Use Case zuerst: Welcher KPI soll in 90 Tagen messbar besser werden?
2. „Pilot->Rollout“-Kriterium definieren: Was muss erfüllt sein, damit produktiv gegangen wird?
3. Datenbasis prüfen: Stammdaten, Messkonzept, Historie, Ausreißer, Lücken.
4. Systemlandkarte aktualisieren: ERP/MES/SCADA/PLM/Quality – wer ist System of Record?
5. Integration planen: APIs/Events, Datenobjekte, Zugriffskonzepte.
6. Governance aufsetzen: Rollen, Freigaben, Protokollierung, Security-by-Design.
7. KI im Betrieb absichern: Monitoring, Drift, Re-Training, Notfallmodus.
8. Regulierung mitdenken: Dokumentation, Transparenz, Verantwortlichkeiten (AI Act).
9. Qualifizierung pragmatisch: Wer muss was können – und wofür nicht?
10. Lieferantensteuerung: KI ohne Lieferanten- und Materialtransparenz bleibt Kosmetik.

Analytische Bewertung

Die vier Entwicklungen markieren eine klare Bewegung: KI wird vom Innovationsversprechen zur Betriebstechnologie. Für den industriellen Mittelstand liegt die Chance weniger in spektakulären GenAI-Demos, sondern in den „unsichtbaren“ Hebeln: integrierte Datenobjekte, saubere Schnittstellen, robuste Governance und konsequente KPI-Führung. Wer diese Grundlagen schafft, kann KI skalieren – wer sie ignoriert, produziert teure Insellösungen.

Reaktion

Unsere Empfehlung: KMU sollten 2026 als Jahr der Konsolidierung nutzen: wenige, klar definierte Use Cases, harte Rollout-Kriterien, Integration statt Tool-Zoo. Low-Code kann dabei helfen – aber nur mit Leitplanken. Und: Regulierung ist kein „späteres Problem“, sondern Teil der Architekturentscheidung.