16 Prozent

So viele mittelständische Produktionsbetriebe in Deutschland nutzen heute KI in der Fertigung. Bei kleinen Betrieben sind es 13 Prozent. Bei den großen immerhin 30 Prozent.

Und genau an diesen Zahlen zerbricht die Erzählung, die wir uns seit zehn Jahren erzählen.

Industrie 4.0 sollte die vernetzte Fabrik bringen. Die vollautomatisierte Wertschöpfungskette. Den digitalen Zwilling als Standard. Stattdessen steht der deutsche Maschinenbau Ende 2025 im zwölften Minusquartal in Folge, die Kapazitätsauslastung liegt bei 78,3 Prozent statt der üblichen 85, und die Mehrheit der Mittelständler hat KI noch nicht einmal im produktiven Einsatz.

Das ist kein Technologieproblem. Es ist ein Denkproblem.

Was die Industrie 4.0 Erzählung ausgeblendet hat

Industrie 4.0 war ein Versprechen an die Aktionäre, nicht an die Belegschaft. Effizienz, Durchsatz, OEE, Stückkosten. Der Mensch kam als Störfaktor vor, den man möglichst weit aus dem Prozess herausrechnen wollte. Die Konsequenz war absehbar. Wer in der Produktionshalle arbeitet, hat in den letzten zehn Jahren gelernt, dass Digitalisierung in der Regel Kontrolle bedeutet. Mehr Sensorik, mehr Messung, weniger Gestaltungsspielraum.

Die EU Kommission hat das erkannt und 2021 den Gegenentwurf formuliert. Industrie 5.0 sollte drei Dinge in den Mittelpunkt rücken: Nachhaltigkeit, Resilienz und Human Centricity. Ausdrücklich nicht als Nachfolger von Industrie 4.0, sondern als Ergänzung. Ein Paradigma, das neben den Zahlen auch fragt, wer eigentlich am Ende in der Fabrik steht und ob der Planet das alles mitmacht.

Die Wahrheit ist: Viele haben den Begriff damals belächelt. Europäische Regulierungsromantik, hieß es. Nice to have, wenn man Zeit dafür hat.

Vier Jahre später sieht das anders aus.

Der KI Faktor verschärft den Widerspruch

Die VDMA Umfrage 2025 zeigt, dass 43 Prozent der Maschinenbauer KI und Machine Learning bereits produktiv nutzen. In der Softwareentwicklung sind es 51 Prozent, im Kundendienst 26 Prozent. Predictive Maintenance, Condition Monitoring, Bedienerassistenzsysteme werden gerade zum Standard.

Gleichzeitig berichtet das ifo Institut, dass nur 20 Prozent der Beschäftigten KI regelmäßig am Arbeitsplatz nutzen. Und in einer aktuellen Auswertung für 2026 äußert fast jedes dritte Unternehmen im DACH Raum ausdrückliche Vorbehalte gegenüber KI, flankiert von einem deutlichen Mangel an Kompetenzen.

Hier liegt der eigentliche Konflikt. Die Technik ist verfügbar. Die Werkzeuge funktionieren. Die Einsparpotenziale sind belegbar. Aber die Menschen, die damit arbeiten sollen, werden zu selten gefragt, wie sie eigentlich arbeiten wollen.

Wer KI heute in der Fertigung einführt, entscheidet implizit über zwei Dinge. Erstens, welche Entscheidungen in Zukunft vom Algorithmus getroffen werden und welche beim Menschen bleiben. Zweitens, ob die Belegschaft als Nutzer, Lieferant oder Objekt der KI behandelt wird.

Das sind keine philosophischen Fragen. Das sind Designentscheidungen mit direkten Folgen für Akzeptanz, Qualität und Fluktuation.

Der zentrale Widerspruch, den niemand gerne ausspricht

Human Centricity und wachsende KI Automatisierung schließen sich nicht aus. Aber sie stehen in einer produktiven Spannung, die man aktiv gestalten muss. Wer das ignoriert, landet bei einem der zwei klassischen Fehlschläge.

Fehlschlag eins: Die KI wird als reines Effizienzwerkzeug eingeführt. Die Bedienkraft wird zum Erfüllungsgehilfen des Algorithmus. Entscheidungen, die früher Erfahrungswissen erforderten, werden von einem Modell getroffen, das die Fachkraft an der Maschine nicht nachvollziehen kann. Das Ergebnis ist Entqualifizierung bei denen, die bleiben, und Abwanderung bei denen, die gehen können.

Fehlschlag zwei: Die KI wird aus Rücksicht auf die Belegschaft so weichgespült eingeführt, dass sie ihren Nutzen nicht entfalten kann. Jeder Vorschlag des Systems muss manuell bestätigt werden, jeder Datenpunkt ist durch drei Freigabeschleifen gesichert, am Ende läuft alles wie vorher, nur mit mehr Dashboards.

Beides produziert Frust. Beides verbrennt Budget.

Der dritte Weg ist anstrengender und genau deshalb seltener. Er besteht darin, KI als Mitarbeitende zu behandeln, nicht als Werkzeug und nicht als Ersatz. Das heißt konkret: Der Algorithmus trifft Vorschläge, die Fachkraft entscheidet. Der Algorithmus lernt aus den Entscheidungen der Fachkraft, die Fachkraft lernt, dem Algorithmus dort zu vertrauen, wo dieser nachweislich besser ist. Beide bleiben im Loop.

Ein konkretes Beispiel aus der Praxis

Nehmen wir KI gestützte Qualitätskontrolle. Die klassische Industrie 4.0 Variante sieht so aus: Kamera, Klassifikator, binäre Entscheidung. Gut oder Ausschuss. Die Prüfinstanz in der Nachkontrolle sieht nur das Ergebnis, nicht die Begründung.

Die Industrie 5.0 Variante sieht anders aus. Das System zeigt die Heatmap der Auffälligkeiten, markiert die Konfidenz des Modells, zeigt vergleichbare historische Fälle. Die Fachkraft entscheidet, ihre Entscheidung fließt ins Training zurück. Wenn das Modell bei bestimmten Teiletypen systematisch unsicher ist, bekommt die Prozessverantwortung eine Meldung. Die Fachkraft ist keine Bestätigungsinstanz mehr, sondern an der Weiterentwicklung des Modells beteiligt.

Das kostet in der Einführung mehr. Es rentiert sich über die Lebenszeit der Anlage, weil das Modell über Jahre hinweg mit dem Prozess mitwächst. Und es bindet Menschen, die sonst abwandern würden.

Was Entscheider im Mittelstand jetzt tun sollten

Vier Hebel, die in der Praxis Unterschiede machen.

Erstens: Use Cases nicht von der Technologie aus denken, sondern vom Arbeitsplatz. Die Frage ist nicht, wo können wir KI einsetzen. Die Frage ist, welche Entscheidungen unserer erfahrensten Leute können wir skalieren, damit auch weniger erfahrene Mitarbeitende sie treffen können. Das verändert die Auswahl der Pilotprojekte fundamental.

Zweitens: Erklärbarkeit ist kein Nice to have, sondern ein Hygienefaktor. Ein Modell, das seine Entscheidungen nicht nachvollziehbar macht, wird in der Produktion nicht akzeptiert. Egal wie gut seine Metriken sind. Wer heute einkauft, sollte Explainability in die Anforderungen schreiben, nicht als Option.

Drittens: Weiterbildung muss operationalisierbar sein. Nicht der zweitägige KI Workshop, der nach drei Wochen wieder vergessen ist. Sondern die konkrete Einbindung der Belegschaft in Auswahl, Test und Weiterentwicklung der Systeme. Wer sein Modell mitgestaltet, vertraut ihm.

Viertens: Governance vor Skalierung. Wer soll welche Entscheidungen treffen, wo liegt die Grenze zwischen Empfehlung und Automatisierung, wie gehen wir mit Fehlentscheidungen des Systems um, wer haftet. Diese Fragen gehören geklärt, bevor das erste produktive Modell läuft. Nicht danach.

Der Unterschied, der zählt

Industrie 4.0 hat gezeigt, was technisch möglich ist. Industrie 5.0 stellt die Frage, was davon sinnvoll ist und für wen.

Für den industriellen Mittelstand im DACH Raum ist das keine akademische Debatte. Es ist eine Überlebensfrage. Wer Fachkräfte binden will, wer Akzeptanz für KI in der eigenen Belegschaft schaffen will, wer langfristig Wertschöpfung in Deutschland halten will, kommt an der human centric Perspektive nicht vorbei.

Die Unternehmen, die das verstanden haben, bauen gerade einen Vorsprung auf, der schwer einzuholen sein wird. Nicht weil sie die neueste Technologie haben. Sondern weil sie eine Belegschaft haben, die sie produktiv nutzt.

Und genau dort entscheidet sich, wer in fünf Jahren noch produziert.