So wird das Auto-Werk zum lernenden System

TL;DR - Digitale Fabrik 2026

Die digitale Fabrik wird in der Automobilindustrie zunehmend operativ: Digitale Zwillinge, KI-gestützte Planung und Live-Daten aus der Produktion sollen nicht nur Prozesse visualisieren, sondern Entscheidungen vorbereiten und Anlagen steuerbar machen. BMW setzt auf KI in der Fabrikplanung, Schaeffler nutzt digitale Abbilder und Echtzeitdaten zur Beherrschung komplexer E-Mobility-Programme, Volkswagen und Audi treiben Physical AI und softwaredefinierte Robotik voran. Humanoide Roboter gelten dabei als spannendes Zukunftsfeld, bleiben aber noch weit von robuster Serienreife entfernt. Entscheidend wird, aus Demos skalierbare, wirtschaftliche und sichere Lösungen für den Shopfloor zu machen.

Mehr Infos zum Event hier.

Die Automobilproduktion steht vor einem neuen Digitalisierungsschub. Auf dem 21. Kongress Digitale Fabrik in Herzogenaurach zeigten Experten unter anderem von BMW, Volkswagen oder Schaeffler, wie digitale Zwillinge, KI-gestützte Planung und Physical AI die Fabrik verändern könnten. Klar wurde aber auch: Zwischen beeindruckenden Demos und robustem Serieneinsatz bleibt viel Arbeit.

Bei Schaeffler, diesjähriger Gastgeber der Veranstaltung, wurde diese Verschiebung besonders greifbar. Silvio Zamzow, Senior Vice President Operations & SCM E-Mobility beim Zulieferer, beschrieb die Digitalisierung nicht als abstraktes Strategieprojekt, sondern als operative Notwendigkeit. Die Division E-Mobility, die sich durch die Übernahme von Vitesco vor zwei Jahren neu strukturiert hat, sei aus der Startup-Phase herausgewachsen und habe inzwischen ein nennenswertes Seriengeschäft. Damit steige die Komplexität massiv: Eine elektrische Achse könne aus rund 1.200 Bauteilen bestehen, die aus zahlreichen Standorten, Werken und Regionen zusammengeführt werden müssten.

Zamzow nannte ein Beispiel mit 1.280 Komponenten aus 17 Schaeffler-Standorten, sieben Werken und drei Regionen. „Alle Einflüsse, die man haben kann, stecken da drin“, sagte er. Qualität, Material, regionale Risiken und Lieferketten müssten so gemanagt werden, dass am Ende eine sichere Belieferung des Kunden stehe.

Vom digitalen Master zum steuerbaren Zwilling

Für Schaeffler beginnt die Antwort darauf mit einem digitalen Master. Gemeint ist ein möglichst vollständiges digitales Abbild von Standort, Gebäude, Anlagenplanung und Produktentstehung, bevor Investitionen in „Stahl und Eisen“ fließen. Der zweite Schritt sei der digitale Schatten, also der Live-Blick auf Maschinen- und Prozessdaten. Erst aus der Verbindung beider Welten entstehe für Zamzow der digitale Zwilling: ein System, mit dem Produkte und Produktionsprozesse standortunabhängig lenkbar werden.

Der Anspruch ist dabei deutlich operativer als in früheren Digitalisierungsprogrammen. Zamzow verglich den digitalen Schatten mit einem Navigationssystem: Wenn eine Blockade auftrete, müsse das System einen neuen Weg vorschlagen. Übertragen auf die Produktion heißt das: Störungen, Engpässe und Abweichungen sollen nicht mehr erst in nachträglichen Reports sichtbar werden, sondern möglichst in Echtzeit steuerbar sein.

In der E-Mobility-Division ist Schaeffler dabei schon weit fortgeschritten. Zamzow erklärte, 100 Prozent der E-Mobility-Flächen seien digital erschlossen, mit definiertem jährlichem Re-Scan. Konzernweit seien rund 70 Prozent der Produktionsflächen über Navis zugänglich. Hinzu kommen Anwendungen wie der Manufacturing Intelligence Assistant, kurz MIA. Über dieses System können Verantwortliche auf Stations- und Anlagendaten zugreifen, Output, OEE, Stillstände oder Fehlerbilder analysieren und Eskalationen ableiten. „Ich will in Terminen mit Live-Daten diskutieren und nicht mit Daten, die irgendwer eingetragen hat“, sagte Zamzow.

„Wir wollen die Use Cases jetzt technisch zur Reife bringen“

Drei Jahre hat Daimler Truck im Projekt Twin4Trucks digitale Zwillinge in der Lkw-Produktion getestet. Projektleiter Ekkehard Brümmer erklärt, welche Use Cases nun im Einsatz sind – und warum 5G, KI und Datenräume auch nach Projektende herausfordernde Themen bleiben.

Gerade im Brownfield ist das jedoch kein Selbstläufer. In der Diskussion wurde deutlich, dass Schaeffler in den vergangenen Jahren zunächst die technische Basis schaffen musste. Mehr als 10.000 Maschinen seien über ein eigenes Machine-Connectivity-Programm auf einen einheitlichen Standard gebracht worden. Erst dadurch entsteht jener Data Layer, auf dem Dashboards, digitale Zwillinge und künftige KI-Anwendungen überhaupt aufsetzen können.

BMW setzt auf KI in der Produktionsplanung

Auch bei BMW ist der digitale Zwilling die Grundlage für den nächsten Schritt. Tobias Delago, Researcher Virtual Factory bei der BMW Group, machte deutlich, dass der Einsatz von KI in der Produktionsplanung besonderen Bedingungen unterliegt. Die Komplexität sei hoch, die Datenbasis im Vergleich zu klassischen Machine-Learning-Anwendungen aber begrenzt. BMW habe zwar weltweit große Produktionsstrukturen, aber eben nicht Tausende identische Anlagen als Trainingsgrundlage. „Wir haben 16 Produktionsstandorte“, sagte Delago. Für ein Machine-Learning-Modell sei das keine „coole Anzahl“.

Deshalb verfolgt BMW nach Delagos Darstellung einen neurosymbolischen Ansatz. Dabei werden probabilistische KI-Verfahren mit deterministischem Expertenwissen kombiniert. Das klingt abstrakt, lässt sich aber an einem einfachen Planungsbeispiel erklären: Eine KI muss nicht nur Vorschläge für Anlagenlayouts generieren, sondern auch Regeln beachten, die für Menschen selbstverständlich sind. Eine Produktionsanlage sollte etwa nicht auf einer Hallensäule platziert werden. Genau dieses Wissen müsse symbolisch eingebracht werden, um KI-Systeme in der Planung belastbar zu machen.

Delago ordnete den Weg in eine mehrstufige Digitalisierungslogik ein. Zunächst habe BMW Anlagen weltweit gescannt und mit Planungssystemen verbunden. Darauf folgten holistische Planungsumgebungen, Simulation und Optimierung im Industrial Metaverse. Nun rücke die KI-gestützte und zunehmend agentische Planung in den Fokus. Ziel sei nicht, beliebige Anlagen generativ zu entwerfen, sondern verfügbare Betriebsmittel sinnvoll anzuordnen und Planungsvarianten schneller zu bewerten. Der Maßstab sei dabei hoch: Ein KI-Vorschlag müsse mindestens so gut sein wie das Kopieren und Anpassen einer bewährten Anlage aus einem früheren Projekt.

Lars Fritzsche, Geschäftsführer von IMK Industrial Intelligence, zeigte gemeinsam mit Delago, wie KI Planungsprozesse konkret beschleunigen kann. In der EMA-Software von IMK lassen sich manuelle Tätigkeiten, Ergonomie, Produktivität und Materialflüsse simulieren. Bisher war vor allem der Aufbau solcher Simulationen aufwendig. Genau hier setzt KI an: Aus Textinformationen, Arbeitsanweisungen und 3D-Daten soll automatisch eine erste Simulation entstehen.

Fritzsche sprach von einer neuen Qualität, weil KI Objekte in der 3D-Szene auch dann zuordnen könne, wenn Bezeichnungen nicht exakt mit der Arbeitsanweisung übereinstimmen, etwa bei Abkürzungen oder verschiedenen Sprachen. In einem Beispiel habe ein erfahrener Anwender rund neun bis zehn Minuten benötigt, die KI etwa eine Minute. Das entspreche einem Potenzial von 80 bis 90 Prozent bei der Erstellung einer Erstsimulation. Gleichwohl bleibe der Mensch entscheidend. Fritzsche betonte, aus seiner Sicht mache „am Ende, wenn jeder einfach KI nutzt, trotzdem noch der Mensch den Unterschied“. Der Mensch definiere Prämissen, stoße Optimierungsschleifen an und validiere Ergebnisse.

BMW industrialisiert die Virtuelle Fabrik

Virtuelle Planung ist bei BMW ein Kernelement der iFactory, dem Masterplan des OEMs. Durch clevere Tools entstehen digitale Zwillinge der Werke. Perspektivisch sollen sich die Produktionsplanungskosten so deutlich senken lassen.

Physical AI wird zum nächsten Automatisierungsschritt

Jenseits von Simulation und Planung zeigte Volkswagen, wie KI bereits in reale Automatisierungsaufgaben hineinwächst. Timon Thomaser, Leiter Analytical & Physical AI Produktion bei Volkswagen, und Henning Löser, Leiter Innovationsmanagement bei Audi, stellten den Begriff „AI Robotics“ in den Mittelpunkt. Physical AI bedeute, dass KI in der physischen Welt agiere. Wenn dies in Robotern geschehe, spreche Volkswagen von AI Robotics.

Wichtig war Thomaser die Abgrenzung zum Hype um humanoide Roboter. Humanoide seien für Volkswagen nur ein Teilgebiet. Der Formfaktor sei zweitrangig, entscheidend seien die Fähigkeiten, die in ein Robotersystem integriert werden. Ziel sei es, Prozesse zu automatisieren, die bislang nicht automatisierbar waren, Qualität zu erhöhen und Engineering-Aufwand zu reduzieren. Thomaser sprach von der Erwartung, den Engineering-Aufwand für klassische Robotik um bis zu 70 Prozent senken zu können. Gerade unter dem Kostendruck deutscher Werke sei dieses Potenzial strategisch relevant.

Der Volkswagen-Konzern hat das Thema in einem Dreischalenmodell organisiert. Ein Lead-Team von Volkswagen und Audi koordiniert, ein Core-Team bindet die zwölf Automobilmarken ein, eine Community soll Wissen breiter in den Konzern tragen. Die Roadmap ist dreistufig: zunächst Use Cases umsetzen und lernen, was funktioniert; anschließend erfolgreiche Anwendungen auf weitere Standorte ausrollen; schließlich den Automatisierungsgrad deutlich erhöhen. Thomaser sprach von dem Ziel, perspektivisch 50 Prozent zusätzlicher Prozesse zu automatisieren.

Als Beispiel nannte er das Handling von Kabeln in der Batteriemontage im VWN-Werk Hannover. Dort entnimmt ein Roboter ein Kabel aus einer Kiste, ein zweiter übernimmt es und steckt es in der realen Produktion in die Batterie. Grundlage sind Kameradaten, CAD-Modelle und synthetische Trainingsdaten. Der zweite Use Case betraf das Entpacken von Kugellagern aus Kartons und das Trennen von Verpackungsmaterialien. Hier arbeitete Volkswagen mit dem US-Startup Rhoda AI zusammen. Nach rund zehn bis 15 Stunden zusätzlichem Training habe das System mit zwei stationären Robotern die Aufgabe stabil bewältigt. Thomaser zeigte sich beeindruckt von den Möglichkeiten und kündigte an, das Thema Ende des Jahres in Wolfsburg in Serie bringen zu wollen.

Audi will Robotik aus der Automatisierungsbox lösen

Löser weitete den Blick anschließend auf die Architektur der Automatisierung. Klassisch werde in der Industrie für eine Funktion eine Kiste gekauft: Kamera, Rechner, Steuerung, Roboterhardware. Doch diese Logik passe immer weniger zu einer Welt, in der sich Software und KI-Hardware in kurzen Zyklen weiterentwickeln. Ein Roboter, der heute gekauft wird, müsse auch in drei Jahren noch mit neuen KI-Modellen und leistungsfähigerer Hardware umgehen können.

Löser plädierte deshalb für ein neues Paradigma. Funktionen sollten nicht dauerhaft an proprietäre Hardware gebunden sein, sondern als Software virtualisiert oder containerisiert im lokalen Rechenzentrum laufen können. Audi habe gemeinsam mit Partnern bereits gezeigt, dass eine speicherprogrammierbare Steuerung mit Safety Integrity Level 3 in einer solchen Architektur betrieben werden könne. Daraus leitet Löser den nächsten Schritt ab: Wenn eine virtuelle SPS möglich ist, warum sollte dann nicht auch Roboterpfadplanung vom Roboter getrennt und zentral auf skalierbarer Hardware betrieben werden?

Seine Vision reicht bis zur Echtzeitkopplung von digitalem Zwilling und realer Roboterzelle. Eine zentrale Steuerung könnte dann wissen, wo sich jeder Roboter befindet, wie Prozesszeiten schwanken und wie Programme „on the fly“ angepasst werden müssen. Klassische Verriegelungen, bei denen ein Roboter wartet, bis der andere seine Position erreicht hat, könnten dadurch reduziert werden. Löser sieht darin eine Chance, bestehende und künftige Anlagen flexibler und kostengünstiger zu betreiben.

So arbeiten Ingolstadt und Györ beim Bau des Audi Q3 zusammen

Bisher wurde der Q3 nur in Györ gebaut. Nun läuft das kompakte SUV auch im bayerischen Stammwerk vom Band. Audi erhofft sich von der Verbundfertigung Vorteile in verschiedenen Bereichen.

Auch hier relativierte er den Blick auf humanoide Systeme. Auf dem Shopfloor gebe es kaum Tätigkeiten, bei denen Mitarbeitende Treppen steigen müssten. „Warum also zwingend Beine?“, fragte Löser in die Runde. Und warum sich auf menschliche Spannweite begrenzen, wenn vier Meter für einen Seitenwandrahmen sinnvoller sind? Löser formulierte es zugespitzt: „Humanoide Robotik liefere wichtige Impulse bei Perzeption, Reaktion auf Umwelteinflüsse und Software. Für die Produktion müsse man diese Fähigkeiten aber auf Bauformen übertragen, die tatsächlich zum Prozess passen.“

Humanoide Roboter: großes Potenzial, große Lücken

Genau diese Einordnung vertiefte Sebastian Reitelshöfer vom Lehrstuhl für Fertigungsautomatisierung und Produktionssystematik der FAU Erlangen-Nürnberg. Er zeichnete ein ambivalentes Bild der humanoiden Robotik. Einerseits könnten solche Systeme für Europa und Deutschland zu einem neuen industriellen Zukunftsfeld werden. Gerade die Automobil- und Zulieferindustrie verfüge über Knowhow, um komplexe mechatronische Systeme in hoher Qualität zu bauen. Andererseits sei der industrielle Einsatz noch weit von der Alltagstauglichkeit entfernt.

Reitelshöfer warnte davor, Demo-Videos mit produktiver Reife zu verwechseln. Anfang 2025 habe es praktisch keine marktverfügbaren humanoiden Systeme gegeben. Inzwischen gebe es mit Unitree und Agibot erste kaufbare Plattformen, doch diese seien noch nicht mit robusten Industrierobotern gleichzusetzen. Beim Unitree G1 etwa fehlten CE-Kennzeichnung und industrielle Reife; nach wenigen Minuten könnten einfache Belastungen bereits an Grenzen stoßen. Solche Systeme seien geeignet, um zu üben und Use Cases vorzubereiten, aber noch nicht für den breiten produktiven Einsatz.

Zugleich verwies Reitelshöfer auf die Dynamik chinesischer Hersteller. Unternehmen wie Agibot seien erst seit kurzer Zeit am Markt, kommunizierten aber bereits hohe Stückzahlen. China investiere massiv in humanoide Robotik. Für Europa stelle sich daher nicht nur die Frage nach dem Einsatz in Fabriken, sondern auch nach industrieller Souveränität. Wenn Robotersysteme künftig eine Art Workforce in Pflege, öffentlichem Raum oder Produktion würden, könne eine starke Abhängigkeit von außereuropäischen Anbietern problematisch werden.

Humanoide Roboter kommen in den Fabriken an

Eine neue Studie sieht humanoide Roboter vor dem Sprung in Produktion und Logistik. Vor allem China baut seine Marktführerschaft aus, während Unternehmen auf sinkende Kosten und schnelle Amortisation hoffen.

KI sei dabei ein zentraler Enabler, aber nicht die ganze Lösung. Visual-Language-Action-Modelle funktionierten in Demos beeindruckend, erreichten unter Laborbedingungen aber noch nicht die Zuverlässigkeit, die in der Produktion nötig sei. Reitelshöfer sprach von Erfolgsquoten um 80 bis 85 Prozent für einzelne Aktionen. Für industrielle Prozesse, in denen Ausschuss und Stillstand teuer sind, reiche das nicht aus. Hinzu kämen Normung, Sicherheit, soziale Akzeptanz und Mechatronik. Besonders kritisch sieht er geplante Normen für stabilisierte Robotersysteme, wenn sie Anforderungen aus der kollaborativen Robotik nahezu unverändert übertragen. Der Nachweis, dass ein frei agierendes KI-System bei Körperkontakt definierte Schmerztoleranzgrenzen einhält, könne den Einsatz in Europa erheblich erschweren.

Auch die soziale Interaktion werde unterschätzt. Reitelshöfer schilderte ein Beispiel aus einem Werk, in dem mobile Roboter aufgrund eines Betriebsratsbeschlusses nicht mehr sprechen dürfen. Der Grund: Die Systeme hätten ohne Szenenverständnis wiederholt Mitarbeitende gestört. Bei humanoiden Robotern seien die Erwartungen noch höher, weil ihre Form menschliches Verhalten suggeriere. Wenn diese Systeme in Produktionsumgebungen akzeptiert werden sollen, müssten sie nicht nur sicher, sondern auch sozial angemessen agieren.

Simulation als Brücke zwischen Hype und Serienfähigkeit

Ein gemeinsamer Nenner der Vorträge war die Rolle der Simulation. Ob bei BMW, Volkswagen oder Schaeffler: Digitale Modelle sollen nicht nur Planung visualisieren, sondern Entscheidungen vorbereiten, Varianten bewerten und reale Systeme steuerbar machen. Fritzsche zeigte, wie humanoide Roboter in EMA-Szenarien simuliert und mit manuellen Tätigkeiten oder Cobots verglichen werden können. Dabei geht es nicht nur um Taktzeit, sondern auch um Laufwege, Energieverbrauch, Ergonomie und Kosten-Nutzen-Bewertungen. Selbst für Roboter bleibe Arbeitsplatzgestaltung relevant, sagte Fritzsche sinngemäß: Ein humanoider Roboter brauche länger, verbrauche mehr Energie oder verschleiße schneller, wenn er ständig schwere Teile vom Boden aufheben müsse.

Damit wird Simulation zur Übersetzungsinstanz zwischen technologischer Euphorie und industrieller Realität. Sie hilft, Use Cases zu identifizieren, Wirtschaftlichkeit abzuschätzen und physische Grenzen sichtbar zu machen, bevor teure Hardware in Linien integriert wird. Gerade weil viele humanoide Systeme noch nicht verfügbar oder nicht ausreichend robust sind, kann die virtuelle Bewertung dazu beitragen, die richtigen Anwendungen vorzubereiten.

Die digitale Fabrik wird operativer

Was die Beiträge in Herzogenaurach verband, war ein nüchterner Blick auf den Nutzen. Die digitale Fabrik wird nicht mehr primär als Visualisierungsumgebung verstanden, sondern als operatives Steuerungsinstrument. Bei Schaeffler geht es darum, globale E-Mobility-Programme mit Live-Daten beherrschbar zu machen. Bei BMW sollen KI und Simulation die Planung beschleunigen. Volkswagen sucht nach AI-Robotics-Use-Cases, die reale Automatisierungslücken schließen. Audi denkt die Architektur der Automatisierung neu, weg von festen Hardwareboxen hin zu softwaredefinierten Funktionen. Und die Forschung mahnt, dass humanoide Robotik nur dann zum industriellen Zukunftsfeld wird, wenn Sicherheit, Normung, Mechatronik und Akzeptanz mitwachsen.

Damit zeigt die Digitale Fabrik 2026 eine Branche im Übergang. Die Automobilproduktion hat viele Grundlagen der digitalen Fabrik geschaffen: gescannte Werke, vernetzte Maschinen, Datenplattformen, virtuelle Modelle. Der nächste Schritt besteht darin, diese Grundlagen intelligent zu nutzen. KI soll nicht nur analysieren, sondern planen, optimieren, steuern und physisch handeln. Doch der Weg in die autonome Fabrik wird kein Sprung, sondern eine Abfolge harter Integrationsarbeit. Die entscheidende Frage lautet daher nicht, ob KI und Physical AI die Produktion verändern. Sondern wie schnell es gelingt, aus beeindruckenden Demonstratoren robuste, skalierbare und wirtschaftliche Produktionslösungen zu machen.

Wie die Vision der autonomen Fabrik Wirklichkeit wird

Physical AI hat das Potenzial, die Automobilproduktion grundlegend zu transformieren. Das hängt allerdings ab von weltweit anerkannten Datenstandards und dem Vertrauen in die mit ihnen entwickelten Werkzeuge, erklärten Experten von Hyundai, Lucid oder Schaeffler auf Nvidias GTC-Event in Taipeh.