Die Spielregeln der industriellen Produktion dürften sich in den kommenden Jahren grundlegend wandeln: Embodied AI macht Künstliche Intelligenz zu einem integralen, selbstlernenden Bestandteil direkt in der Maschine. Prof. Dr. Marco Huber, Wissenschaftlicher Direktor Digitalisierung und Künstliche Intelligenz am Fraunhofer IPA in Stuttgart und Mitglied im VDI smartAI Council, erklärt im Interview, wo die Grenze zur klassischen Automatisierung verläuft, worauf es bei der Realisierung ankommt und welche Vorteile die heimische Industrie im globalen Wettlauf mit Embodied AI ausspielen kann.
Herr Professor Huber, über Embodied AI wird in Fachkreisen intensiv diskutiert. Oft schwingen dabei unterschiedliche Definitionen mit. Wie würden Sie dieses Konzept für die industrielle Praxis auf einen kurzen Nenner bringen?
Prof. Huber: Am Fraunhofer IPA definieren wir Embodied AI als ein KI-System, das zu einem integralen, tief verwurzelten Bestandteil der Hardware wird. Das kann eine komplexe Produktionsmaschine, eine hochpräzise Werkzeugmaschine oder ein autonomer Roboter sein. Der entscheidende Punkt ist die tiefe Integration. Es geht nicht darum, lediglich eine isolierte Funktion auszuführen, etwa eine Qualitätsprüfung am Ende eines Fließbandes. Solche Aufgaben lösen wir mit konventioneller oder KI-basierter Bildverarbeitung heute schon zuverlässig.
Embodied AI hingegen zeichnet sich dadurch aus, dass das System kontinuierlich mit dem industriellen Prozess, seiner physischen Umgebung und den beteiligten Menschen interagiert. Das Wichtigste dabei ist die Lernfähigkeit. Das System wertet die Interaktionen permanent aus und lernt daraus. Es handelt sich nicht um eine eingefrorene Softwareversion, sondern um eine Einheit, die durch Wahrnehmung und Interaktion im Zeitverlauf immer kompetenter und adaptiver wird.
Wo verläuft die Trennlinie zwischen einer klassischen Automatisierungsanlage und Embodied AI? Wann beginnt das eigenständige Handeln auf Shopfloor-Ebene?
Prof. Huber: Das kontinuierliche Selbstlernen markiert die entscheidende Grenze. Klassische Automatisierungslösungen, so brillant sie auch entwickelt sein mögen, werden bis heute primär vom Menschen determiniert und implementiert. Dabei handelt es sich um ein strikt regelbasiertes Vorgehen. Der Ingenieur definiert im Vorfeld, was die Maschine in welcher spezifischen Situation zu tun hat. Die erste Welle der Künstlichen Intelligenz hat dies bereits aufgeweicht, da das Verhalten nicht mehr explizit programmiert, sondern aus Trainingsdaten gelernt wurde. Der Entstehungsprozess der Software hat sich also verschoben.
Mit Embodied AI vollzieht sich nun der nächste logische Schritt. Die Maschine erhält die Kompetenz, über ihren initial trainierten Zustand hinauszugehen. Sie erfasst ihren Kontext semantisch, reagiert auf unvorhergesehene Varianzen in der Umgebung und passt ihre internen Modelle im laufenden Betrieb an, ohne dass ein Programmierer neuen Code aufspielen muss.
Wenn Produktionssysteme künftig derart autonom planen und handeln können, drängt sich aus Sicht von Ingenieuren eine Frage auf: Wie wichtig sind menschliche Intuition und das klassische Erfahrungswissen in Zukunft noch?
Prof. Huber: Derartige Fragen und Bedenken nehme ich sehr ernst, kann sie aber zugleich weitgehend entkräften. So mächtig die neuen KI-Systeme auch sind, sie unterliegen Stand heute gleichwohl klaren Limitierungen. Ihnen fehlt ein globales Weltverständnis und die Fähigkeit zum Transferdenken außerhalb ihrer engen Domäne. Die Maschine besitzt kein tiefes, über Jahre aufgebautes Erfahrungswissen. Echte, disruptiv neue Innovationen erschafft derzeit nur der Mensch. Die KI stellt einen großen Hebel für die Reproduktion dar und ist eine wertvolle Stütze im kreativen Prozess, aber der erste zündende Funke kommt aus dem menschlichen Geist.
Intuition, Kreativität und ein hohes Maß an flexibler Adaptivität bei neuartigen Problemstellungen sind weiterhin zutiefst menschliche Stärken. Hinzu kommt der Aspekt der Verantwortung: In sensiblen Anwendungen, bei denen es um hohe monetäre Werte, die Anlagensicherheit oder gar Menschenleben geht, muss der Mensch zwingend die letzte Instanz bleiben.
Gleichzeitig sehen wir eine massive Verschiebung der Berufsprofile. Frühere Automatisierungswellen betrafen meist den Blue-Collar-Sektor. Jetzt steht erstmals auch in größerem Umfang der White-Collar-Bereich im Fokus. Könnten Unternehmen zukünftig die Experten fehlen, wenn KI die klassischen Einstiegsaufgaben übernimmt?
Prof. Huber: In der Tat besteht die Gefahr, dass mit der Zeit das fachliche Rückgrat geschwächt wird. Erfahrene Senior-Experten in den Unternehmen gehen in absehbarer Zeit in den Ruhestand. Wenn gleichzeitig Junior-Positionen vielfach automatisiert werden, fehlt jedoch das Fundament, um die Senior-Experten von morgen aufzubauen. Das ist derzeit sehr deutlich in der Softwareentwicklung zu beobachten. Vor wenigen Jahren galt dieser Bereich noch als krisensicheres Betätigungsfeld für hochqualifiziertes Expertenwissen. Heute nutzen selbst Berufsanfänger KI-gestützte Programmierwerkzeuge und generieren in atemberaubender Geschwindigkeit lauffähigen Code für komplexe Nutzeroberflächen, wofür man früher Wochen brauchte.
Die Tätigkeit verschiebt sich also von der Kreation hin zur Prüfung und Verifikation. Hier ist weiterhin der Experte gefragt, der versteht, ob der von der KI generierte Code sicherheitskritische Lücken aufweist oder etwa Datenschutzvorgaben verletzt. Aber wie erlangt ein junger Entwickler dieses tiefe Verständnis, wenn er den Code nicht mehr selbst durchdacht und Zeile für Zeile geschrieben hat? Wer den Wissenstransfer im Unternehmen heute nicht aktiv gestaltet, wird sich dieses essenzielle Fachwissen in einigen Jahren womöglich teuer auf dem Markt einkaufen müssen.
Ein Blick in die unternehmerische Praxis zeigt ein ernüchterndes Bild. Branchenstudien belegen, dass die meisten KI-Projekte nicht den Weg in den Produktivbetrieb schaffen. Weshalb scheitern so viele Vorhaben aus Ihrer Sicht?
Prof. Huber: Die Zahl der KI-Projekte, die nicht in den Produktivbetrieb gelangen, ist in der Tat erschreckend hoch, je nach Quelle zwischen 60 und 90 Prozent. Aus meiner Erfahrung stellt die KI-Technologie selten das Problem dar. Der Schwachpunkt liegt eher in der Peripherie. Ein Stolperstein ist unter anderem die mangelnde IT-Infrastruktur. Ein Beispiel dazu: Es ist vergleichsweise trivial, ein KI-Modell im Labor mit einem statischen Datensatz zu trainieren. Doch dieses Modell in den echten Produktivbetrieb zu überführen, wo es in Echtzeit mit kontinuierlichen Datenströmen aus der Produktion gespeist wird, stellt eine ungleich größere Herausforderung dar. Datenaustausch, Schnittstellen, Speicherkonzepte können in den Werken zum Hindernis werden.
Ein zweiter Hauptgrund ist ein falsches Erwartungsmanagement und damit verbundene fehlende Akzeptanz. Wenn ein Maschinenbediener, der seine Anlage seit 20 Jahren kennt, plötzlich Anweisungen von einer Blackbox erhält, deren Entscheidungswege er nicht nachvollziehen kann, wird er womöglich diese Technologie boykottieren.
Schließlich dürften viele KI-Projekte bisher vornehmlich aus Marketinggründen initiiert werden: Man will innovativ wirken, wählt aber einen Use Case ohne echten wirtschaftlichen Hebel. Wenn der Business Case von Anfang an fehlt und dann die massiven Kosten für die Systemintegration im realen Betrieb sichtbar werden, wird folgerichtig der Stecker gezogen.
Eine spezifische technische Hürde, die Sie oft thematisieren, ist der Sim-to-Real-Gap. Wo genau liegen die Herausforderungen beim Übergang von der Simulation in den Werksalltag?
Prof. Huber: Dieses Problem ist struktureller Natur. Für das Training robuster KI-Modelle sind gewaltige Datenmengen erforderlich, die in der realen Produktion oft gar nicht vorhanden sind, besonders wenn es um Fehlerfälle in ohnehin extrem stabilen und optimierten Prozessen geht. Anders gesagt: Niemand baut absichtlich fehlerhafte Teile, nur um die KI zu trainieren. Also wird auf Simulationen ausgewichen. Jede Simulation ist jedoch nur eine vereinfachte mathematische Abstraktion der komplexen Realität.
Wenn ein Modell ausschließlich in der synthetischen Welt trainiert wird und es danach an eine echte Anlage kommt, folgt bisweilen so etwas wie ein Realitäts-Schock. Falls anders als in der Simulation plötzlich Störfaktoren wie Lichtreflexionen, Staub auf der Kameralinse oder minimale mechanische Vibrationen auftreten, kann die Performance stark einbrechen. Der pragmatische und bislang erfolgreichste Lösungsansatz, um diesen Sim-to-Real-Gap zu schließen, ist ein hybrides Training: Dabei werden synthetische Daten für das Grundverständnis der KI mit kleineren, aber hochspezifischen Datenmengen aus der echten Anlage angereichert. Diese Kombination kann dazu beitragen, dem Modell die erforderliche Robustheit für den Produktivbetrieb zu verleihen.
Lassen Sie uns über das Streben des Ingenieurs nach Perfektion sprechen. Wird dieser Wunsch nach einer 100-Prozent-Lösung im Zeitalter der KI zu einer Schwäche?
Prof. Huber: Ein klares Ja! Einerseits ist es lobenswert, dass das deutsche Ingenieurwesen stets nach der perfekten Lösung strebt. Andererseits kann das zu einem Over-Engineering führen, zu Lösungen, die komplizierter werden oder länger dauern als nötig. In den USA und besonders in China lässt sich eine völlig andere Herangehensweise beobachten: Dort gilt das Prinzip der extrem schnellen Iteration. Man bringt bewusst eine 80-Prozent-Lösung auf den Markt oder in die Fabrik, wissend, dass sie Schwächen hat. Aber man sammelt ab dem ersten Tag reale Daten im operativen Betrieb und trainiert das System iterativ nach.
Während man in Deutschland gefühlt noch Jahre im Labor verbringt, um das perfekte, fehlerfreie System zu konstruieren, hat die internationale Konkurrenz durch das kontinuierliche Nachlernen im Feld bereits ein Niveau erreicht, das sich konzeptionell kaum noch aufholen lässt. Daher sollten Unternehmen dringend verinnerlichen, dass KI-Systeme reifen müssen – und den Startschuss nicht aus Sorge vor anfänglichen Imperfektionen ewig hinauszögern.
Da Sie bereits das KI-Wettrennen zwischen den USA und China ansprechen: Wie bewerten Sie generell die Zukunftsperspektiven der deutschen und europäischen Industrie? Kann Embodied AI zu einer verbesserten Wettbewerbsfähigkeit beitragen?
Prof. Huber: Nach meiner Einschätzung ist das Rennen im industriellen B2B-Sektor noch völlig offen. Hochkomplexe, variantenreiche Maschinendaten aus der Produktion findet man nicht einfach online. Hier liegt der massive strategische Vorteil Deutschlands und Europas, in Form des jahrzehntelangen Prozesswissens im Maschinenbau und in der Automatisierungstechnik. Wenn dieses Domänenwissen nun intelligent mit maßgeschneiderten KI-Modellen verknüpft wird, kann ein klarer Wettbewerbsvorteil entstehen. Die Maschine der Zukunft nutzt Künstliche Intelligenz nicht als Software-Add-on, stattdessen wird das Co-Design von Hardware und Software von Grund auf neu gedacht. Die Potenziale durch Embodied AI in den europäischen und deutschen Kernbranchen sind groß. Es kommt allerdings auf ein entschlossenes Handeln an.
Schlussfrage: Sie engagieren sich im smartAI Council des VDI. Was hat Sie dazu bewogen?
Prof. Huber: Dieses Engagement resultiert aus einer langjährigen und sehr fruchtbaren Verbindung mit dem VDI, unter anderem in Form der Tagung KI in der Produktion oder beim ersten smartAI Kongress im Jahr 2025, aus dem auch die Gründung des Expertenpanels resultierte. Als mir die Mitgliedschaft im smartAI Council angeboten wurde, brauchte ich daher nicht lange zu überlegen, sondern habe sofort zugesagt. In der jetzigen Phase kommt es auf einen engen Schulterschluss zwischen Forschung und Anwendung an. Netzwerkbildung, fachlicher Austausch und das gemeinsame Entwickeln belastbarer Ideen sind der entscheidende Schlüssel, um den Wirtschaftsstandort Deutschland angesichts der Disruption durch Künstliche Intelligenz zu stärken. Es wäre erfreulich, wenn Initiativen wie der smartAI Council dazu beitragen könnten.
