Wenn KI einen Körper bekommt

Über einem fertigen Reifen laufen Laserkameras und tasten die Oberfläche ab. Sie suchen nach Abweichungen, die im Takt einer Fertigungslinie kein menschliches Auge zuverlässig findet.

Ob diese Prüfung etwas taugt, entscheidet sich nicht an einer Vorführung. Es entscheidet sich an einer Zahl, die jedes Werk seit Jahrzehnten führt: dem Anteil der Stücke, die nicht durchgehen. Steigt er, merkt es die Schicht am selben Tag. Fällt er, merkt es die Kostenrechnung im selben Quartal.

Darin liegt der Unterschied zu einem Assistenten am Schreibtisch. Dort wird der Nutzen in aller Regel erfragt, weil es keine laufende Größe gibt, an der er sich ablesen ließe. In der Fertigung ist die Messung schon da, und sie war vor dem Projekt da. Das macht industrielle KI nicht besser, aber es macht sie überprüfbarer.

Dieser Beitrag prüft das an einem Konzern, über den ungewöhnlich viel öffentlich vorliegt. Michelin betreibt sein Industrie-4.0-Programm nach eigenen Angaben seit 2019, und die Zahlen dazu stehen in einem Dokument, das der Konzern nach französischem Kapitalmarktrecht veröffentlichen muss. Daneben existieren ein Fachartikel, ein Interview, eine Anbieter-Fallstudie und ein Zeitungsstück aus einer gekennzeichneten Partner-Rubrik. Die vier Quellen sagen nicht dasselbe, und die Abstände zwischen ihnen sind der interessante Teil.

Was der geprüfte Jahresbericht hergibt

Das Universal Registration Document 2025 umfasst 556 Seiten. Auf zwei davon, den Seiten 36 und 37, steht, was der Konzern zum Stand seiner industriellen KI öffentlich verantworten will.

Genannt werden dort über 200 KI-Anwendungsfälle und rund 6.000 monatliche Nutzer. Alle Werke arbeiten nach dieser Darstellung mit digitalen Leistungswerkzeugen, 69 Standorte sind vernetzt. Bei bestimmten Produktanläufen liegt der Ausschuss rund 30 Prozent niedriger, und im selben Abschnitt stehen rund 15 Millionen Euro Einsparung bei der Energie.

Diese Zahlen wiegen schwerer als alles andere in diesem Beitrag, weil sie in einem Dokument stehen, für dessen Richtigkeit ein börsennotierter Konzern gegenüber der Kapitalmarktaufsicht einsteht. Damit ist nicht gesagt, dass jede einzelne Betriebskennzahl Teil des testierten Abschlusses wäre — betriebliche Kennzahlen stehen häufig neben dem geprüften Zahlenwerk, nicht darin. Aber sie stehen in einem Dokument, das als Ganzes einer Veröffentlichungspflicht unterliegt, und das unterscheidet sie von einer Angabe in einem Interview.

Zwei der sieben Werte verdienen eine nüchterne Lesart. Über 200 Anwendungsfälle und 6.000 monatliche Nutzer sind Verbreitungszahlen, keine Wirkungszahlen. Sie sagen, wie viele Dinge laufen und wie viele Menschen etwas anfassen. Was dabei herauskommt, sagen sie nicht.

Auch die 30 Prozent tragen eine Einschränkung mit, die im Bericht selbst steht: Sie gelten für bestimmte Anläufe, nicht für die Serienfertigung insgesamt. Ein Produktanlauf ist die Phase, in der eine Linie auf ein neues Produkt eingefahren wird, und dort ist der Ausschuss von Natur aus hoch. Genau deshalb ist es der Ort, an dem sich eine Verbesserung am schnellsten zeigt — und zugleich der Ort, an dem eine Verbesserung am wenigsten über den Dauerbetrieb aussagt.

IRIS: eine Kamera, die entscheiden muss

Den technischen Kern beschreibt die MIT Sloan Management Review in einem Beitrag vom 25. August 2025. Michelin hat unter dem Namen IRIS ein eigenes System zur Fehlererkennung an Reifen entwickelt, auf das über 20 Patente entfallen; als Partner nennt der Artikel Microsoft und Rockwell Automation.

Die Zahl der Patente ist dabei kein Wirkungsbeleg, sondern ein Hinweis auf die Fertigungstiefe. Wer zwanzig Schutzrechte auf eine Prüfmaschine anmeldet, hat sie nicht eingekauft und konfiguriert, sondern gebaut. Das ist wichtiger, als es zunächst klingt, weil es erklärt, warum sich die Wirkung von außen so schwer nachrechnen lässt: Es gibt kein Vergleichsprodukt, gegen das man messen könnte.

Wie die Maschine arbeitet, hat Yves Caseau, zu diesem Zeitpunkt CDIO des Konzerns, am 23. Oktober 2024 in Les Echos beschrieben. Die Nachfolgegeneration IRIS 2 kombiniert demnach Laserkameras mit KI-Verfahren und prüft Reifen automatisch, ohne dass ein Mensch jedes Stück in die Hand nimmt. Dieser Text erschien allerdings in der Rubrik THEMA und ist damit gekennzeichneter Partner-Inhalt, keine unabhängige redaktionelle Arbeit. Die Angabe bleibt deshalb eine Unternehmensdarstellung, auch wenn sie in einer Zeitung steht.

Der Unterschied zu einem Bildmodell auf dem Schreibtisch liegt weniger in der Erkennungsleistung als in den Randbedingungen. Eine Prüfung in der Linie hat eine feste Zeit, in der sie zu einem Ergebnis kommen muss, sonst staut sich die Produktion. Sie hängt an einer Steuerung, die auf das Ergebnis reagiert. Und sie erzeugt zwei Fehlerarten mit sehr verschiedenen Kosten: ein durchgelassener Fehler geht an den Kunden, ein falscher Alarm vernichtet ein einwandfreies Stück.

Drei Zahlen zum Ertrag, die nicht zusammenpassen

Beim Geld wird es unübersichtlich, und das gehört hierher, statt aufgelöst zu werden.

Die MIT Sloan Management Review nennt für die KI-Anwendungen einen jährlichen Ertrag von über 50 Millionen Euro. Ein Profil beim Branchendienst DataIQ zitiert die Chief Data and AI Officer Ambica Rajagopal dagegen mit über 100 Millionen Euro, kumuliert über drei Jahre. Der geprüfte Jahresbericht nennt keine der beiden Zahlen.

Rechnet man die zweite Angabe auf ein Jahr herunter — eine eigene Division, die so in keiner der Quellen steht —, ergeben sich im Schnitt gut 33 Millionen Euro jährlich. Das ist rund ein Drittel weniger als die erste Angabe. Beide Werte könnten trotzdem stimmen, wenn sie Verschiedenes zählen: einmal den heutigen Jahreslauf, einmal die Summe einer Aufbauphase mit schwächeren Anfangsjahren. Nur steht in keiner der beiden Quellen, was genau gezählt wurde, und damit lässt sich der Widerspruch nicht auflösen, sondern nur benennen.

Vorrang haben die Zahlen aus dem Jahresbericht, und zwar nicht, weil sie schöner wären, sondern wegen der Haftung dahinter. Eine Angabe in einem Fachartikel oder einem Personenprofil kostet niemanden etwas, wenn sie zu hoch gegriffen ist. Eine Angabe in einer kapitalmarktrechtlichen Pflichtveröffentlichung steht unter Aufsicht, wird von Analysten gegengelesen und lässt sich später gegen das Unternehmen verwenden. Wo beide Ebenen dasselbe sagen, ist die Sache stabil; wo nur die untere etwas sagt, bleibt es eine Aussage über eine Aussage.

Dass der Bericht zu den Energieeinsparungen einen Betrag nennt, zum KI-Ertrag insgesamt aber keinen, ist deshalb selbst ein Befund. Die Energiezahl lässt sich aus Verbrauchsdaten und Preisen ableiten, sie hat eine Rechnung hinter sich. Ein Gesamtertrag aus über 200 Anwendungsfällen hätte die schwierigere Voraussetzung: Man müsste je Fall sagen können, was ohne ihn geschehen wäre.

Anwendungsfelder und ihre Nachweisart

Sortiert man die vorliegenden Angaben nicht nach Technik, sondern nach der Art ihres Belegs, entsteht ein deutlich klareres Bild als aus jeder Aufzählung von Anwendungsfällen.

Die Spalte ganz rechts trennt schärfer, als es die Anwendungsfelder tun. Vier Zeilen stützen sich auf ein haftungsbewehrtes Dokument, zwei auf Darstellungen des Unternehmens in fremden Medien, eine bleibt offen. Wer den Fall referiert, ohne diese Unterscheidung mitzuführen, erzeugt aus einer gemischten Lage eine geschlossene Erfolgsgeschichte.

Warum der Nachweis in der Fertigung anders läuft

Halten wir das gegen die Lage bei Software-Assistenten, weil daran der Unterschied sichtbar wird.

Die McKinsey-Befragung zum Stand der KI vom 25. August 2026 berichtet, dass 80 Prozent der Befragten eine höhere persönliche Produktivität angeben und 50 Prozent bessere Entscheidungen. Im selben Datensatz melden 37 Prozent einen Beitrag der KI zum operativen Ergebnis — praktisch unverändert gegenüber dem Vorjahr. Beide Werte sind Selbstauskünfte. Die erste Gruppe misst ein Gefühl, die zweite eine Zahl, und zwischen beiden klafft eine Lücke von über vierzig Prozentpunkten.

Wo gemessen statt gefragt wird, fallen die Werte nüchterner aus. In einer begutachteten Untersuchung der Carnegie Mellon University und der Duke University, die eine vollständige Firma mit 175 realitätsnahen Büroaufgaben nachgebaut hat, erledigte das beste System 30,3 Prozent der Aufgaben eigenständig, bei Kosten von 4,20 US-Dollar je Versuch. Am schlechtesten schnitt es dort ab, wo Oberflächen zu bedienen und Gespräche zu führen waren.

In der Fertigung entfällt dieser Umweg über die Befragung, weil die Zielgröße vor dem Projekt existierte. Eine Ausschussquote wird nicht eingeführt, um KI zu bewerten; sie wird geführt, seit es die Linie gibt. Dasselbe gilt für Energieverbrauch, Taktzeit und Anlaufdauer. Ein Vorhaben, das sich an solchen Größen nicht zeigt, ist damit nicht widerlegt — aber es muss erklären, warum nicht.

Bleibt das Problem der Zurechnung, und das verschwindet auch in der Fabrik nicht. Eine gesunkene Ausschussquote kann an einer besseren Prüfung liegen, an einer neuen Mischung, an einer erneuerten Anlage oder an einer erfahreneren Schicht. Sauber wäre ein Vergleich gegen einen Ausgangswert oder gegen eine Linie ohne das System. Der Jahresbericht nennt keinen solchen Vergleich, und deshalb bleibt die 30-Prozent-Angabe eine belegte Verbesserung mit offener Ursache.

Wenn der Rohstoff schwankt

Der technisch interessanteste Punkt in den vorliegenden Quellen ist nicht die Bildprüfung, sondern eine Nebenfolge der Nachhaltigkeitsziele.

Caseau beschreibt in dem Les-Echos-Stück, dass die Maschinen sich selbst nachregeln müssen, weil recycelte und biobasierte Rohstoffe in ihren Eigenschaften schwanken. Eine Reifenlinie war jahrzehntelang auf gleichbleibende Ausgangsstoffe ausgelegt: feste Parameter, feste Temperaturen, feste Zeiten. Steigt der Anteil wiederverwerteter Materialien, trifft ein Rezept, das gestern passte, heute daneben.

Damit verschiebt sich die Aufgabe der KI von der Kontrolle zur Regelung. Eine Kamera, die Fehler findet, arbeitet am Ende der Kette und sortiert aus, was misslungen ist. Eine Regelung, die Parameter nachführt, arbeitet davor und verhindert, dass es misslingt. Der zweite Fall ist ökonomisch attraktiver und technisch heikler, denn ein Modell, das in die Anlage eingreift, kann eine ganze Charge verderben, statt nur ein Stück falsch zu bewerten.

In einem Interview mit dem CDO Magazine vom 7. Juli 2025 beschreibt Rajagopal dieselbe Richtung: Überwachung von Abweichungen in der Produktion, eine interne Plattform mit spezialisierten Agenten und eine Verlagerung von Realversuchen in die Simulation. Zahlen nennt das Interview keine. Die Verlagerung in die Simulation ist dennoch aufschlussreich, weil sie einen Kostenblock betrifft, den in der Reifenindustrie jeder kennt — physische Versuchsreifen und Prüfstandsstunden.

Wer den Schritt von der Prüfung zur Regelung geht, kauft sich damit eine neue Klasse von Fragen ein. Was passiert, wenn das Modell auf einen Materialzustand trifft, den es nicht kennt? Wer darf eingreifen, und in welcher Zeit? Und woran erkennt die Schicht, dass gerade das Modell regelt und nicht die alte Rezeptur? Die vorliegenden Quellen beantworten keine dieser Fragen.

Was die Quellenlage hergibt — und was nicht

Fünf Quellen tragen diesen Fall, und sie sind sehr unterschiedlich belastbar. Das gehört offengelegt, weil in der öffentlichen Nacherzählung solcher Projekte die schwächste Quelle oft die griffigste Zahl liefert.

Am oberen Ende steht das Universal Registration Document mit seiner Veröffentlichungspflicht. Darunter die MIT Sloan Management Review, ein institutionelles Fachmedium mit redaktioneller Kontrolle — dessen Verfasser aber auf Zugang zum Unternehmen angewiesen waren und dessen Zahlen aus dem Unternehmen stammen. Darunter das Interview im CDO Magazine, eine Selbstauskunft in Frage-Antwort-Form, immerhin ohne bezifferte Erfolgsmeldung.

Zwei Quellen tragen eine ausdrückliche Einschränkung. Der Les-Echos-Text erschien in einer gekennzeichneten Partner-Rubrik, ist also kein Ergebnis unabhängiger Recherche, auch wenn er wörtliche Aussagen von Yves Caseau enthält. Und die Fallstudie, die Microsoft am 27. Dezember 2024 veröffentlicht hat — sie beschreibt eine konzerninterne Plattform namens Aurora auf Basis des Azure OpenAI Service und die Einführung von Copilot —, stammt vom Anbieter eben dieser Produkte. Als Beleg dafür, dass etwas eingesetzt wird, taugt sie. Als Beleg für eine Wirkung nicht.

Daraus folgt eine einfache Lesehilfe für ähnliche Fälle. Prüfen Sie bei jeder Zahl, wer bei einer Übertreibung etwas zu verlieren hätte. Bei einer Pflichtveröffentlichung ist das der Vorstand, bei einer Anbieter-Fallstudie niemand.

Was sich davon übertragen lässt

Ein Konzern mit 69 vernetzten Standorten ist kein Maßstab für ein Werk mit einer Linie. Die Größenordnung ist nach den Eurostat-Zahlen für 2025 auch statistisch die Ausnahme: 55 Prozent der großen Unternehmen in der EU setzten KI ein, aber nur 17 Prozent der kleinen.

Übertragbar ist trotzdem die Beweisführung. Wer industrielle KI beschafft, hat gegenüber einem Büroprojekt einen Vorteil, den er nutzen sollte: Die Kennzahl für den Nachweis liegt bereits vor, und sie gehört ihm. Vereinbaren Sie sie vor dem Start, mit Ausgangswert, Zeitraum und der Festlegung, welche anderen Veränderungen in diesem Zeitraum zulässig sind. Wird dieser Punkt später geklärt, klärt er sich in der Regel zugunsten dessen, der das System verkauft hat.

Der zweite übertragbare Punkt betrifft die Reihenfolge. Eine Prüfung am Ende der Linie ist der leichtere Einstieg, weil ein Fehler dort teuer, aber beherrschbar ist. Eine Regelung, die in den laufenden Prozess eingreift, verspricht mehr und verlangt mehr — Rückfallwege, Zuständigkeiten und die Fähigkeit zu erkennen, wann das Modell außerhalb seines Erfahrungsbereichs arbeitet. Die Reihenfolge Prüfung vor Regelung findet sich in den vorliegenden Beschreibungen wieder, und sie hat einen nachvollziehbaren Grund.

Der dritte Punkt ist der unbequemste. Von allem, was zu diesem Fall öffentlich zu finden ist, hält nur ein kleiner Teil der Frage stand, wer für die Zahl geradesteht. Das ist kein Sonderfall, sondern der Normalzustand bei industriellen KI-Projekten, und er wird sich erst ändern, wenn Wirkungsangaben denselben Weg gehen wie Finanzkennzahlen.

Wie weit die Branche insgesamt ist, wird sich in den kommenden Wochen an anderer Stelle beobachten lassen. Vom 22. bis 24. September 2026 läuft im RAI Amsterdam die HumanX Europe 2026 mit einer eigenen Ausstellungsfläche für Physical AI. Wir arbeiten die Themen einzeln auf und tragen belegte Betriebszahlen nach, sobald sie vorliegen.