In einem zentralen Punkt bestand weitgehend Konsens: Messtechnik wird auch ohne künstliche Intelligenz möglich bleiben. Ihre grundlegenden Anforderungen an Genauigkeit, Wiederholbarkeit, Rückführbarkeit und anwendungsspezifisches Knowhow ändern sich nicht. KI wird vielmehr als Werkzeug verstanden, das bestehende Prozesse effizienter, skalierbarer und einfacher nutzbar machen kann. Der entscheidende Punkt ist daher weniger die Frage, ob Messtechnik künftig mit oder ohne KI stattfindet, sondern in welchen Bereichen KI einen messbaren industriellen Mehrwert erzeugen kann. Potenzial sehen die Experten insbesondere in automatisierten Prozessen, hochvarianten Fertigungen und Anwendungen, in denen qualifiziertes Personal knapp ist. Damit verschiebt sich auch die Diskussion über KI von der reinen Technologiebetrachtung hin zur konkreten Anwendung. Während klassische Messalgorithmen weiterhin für die eigentliche metrologische Auswertung verantwortlich sein können, bietet KI Möglichkeiten bei der Interpretation großer Datenmengen, der Nutzerführung oder der automatisierten Bildsegmentierung. Gerade bei CT- und bildbasierten Verfahren kann KI Merkmale hervorheben, die für den Menschen schwer erkennbar sind, und damit die Analyse beschleunigen. Gleichzeitig bleibt die Nachvollziehbarkeit der Ergebnisse eine zentrale Anforderung. Ein metrologischer Algorithmus muss auch künftig erklären können, wie ein Ergebnis zustande kommt und auf welcher Grundlage es als korrekt gilt. Besonders kritisch wird der Einsatz von KI dort, wo sie unmittelbar über Gut oder Schlecht entscheidet. Die Teilnehmer verwiesen auf das Problem möglicher Fehlklassifikationen und Halluzinationen. Deshalb sollte KI nicht unkontrolliert die klassischen, rückführbaren Grundlagen der Messtechnik ersetzen. Denkbar ist vielmehr ein abgestuftes Konzept, bei dem KI den Anwender unterstützt, Daten strukturiert oder Vorentscheidungen trifft, während sicherheits- und qualitätskritische Kernalgorithmen geschützt bleiben. Gleichzeitig gibt es Anwendungen, bei denen menschliche Kontrolle aufgrund der Geschwindigkeit schlicht nicht mehr möglich ist. Bei hochautomatisierten 100%-Inspektionen, etwa in der Batterieproduktion, kann ein Mensch die enorme Menge an Daten nicht mehr vollständig beurteilen. In solchen Fällen wird KI nicht nur zum Komfortgewinn, sondern zur Voraussetzung dafür, bestimmte Prüfaufgaben überhaupt wirtschaftlich und mit hoher Geschwindigkeit umzusetzen.
Digital Twins im Fokus
Ein zweiter Schwerpunkt war der Digital Twin. Dieser soll nach Einschätzung der Diskussionsteilnehmer zu einem integralen Bestandteil des Produkt- und Produktionslebenszyklus werden. Für die Messtechnik eröffnet das die Möglichkeit, präzise 3D-Daten direkt in digitale Produktmodelle einzubringen und damit die Qualität des digitalen Abbilds zu verbessern. Voraussetzung dafür sind offene Schnittstellen und Systeme, die große Datenmengen automatisiert bereitstellen können. Unternehmen, die ihre Systeme entsprechend öffnen, könnten sich damit Vorteile bei automatisierten Prüfprozessen verschaffen. Der Nutzen eines Digital Twins beschränkt sich dabei nicht auf die reine Dokumentation. Bereits bei der Planung und Inbetriebnahme von Messsystemen können digitale Modelle eingesetzt werden, um Messabläufe zu simulieren, Bewegungswege zu optimieren und die spätere reale Inbetriebnahme zu beschleunigen. Bei KMM, 3D-Scannern oder CT-Systemen lassen sich beispielsweise Bauteilhandhabung, Bewegungsabläufe und mögliche Kollisionen virtuell betrachten. Auch die Eignung eines Messsystems für eine konkrete Aufgabe kann sich bereits vor der physischen Installation besser beurteilen lassen. Simulationen können zudem helfen, Unsicherheiten durch Material, Geometrie oder lokale Bauteileinflüsse bereits im Vorfeld abzuschätzen. Auch für die Verbesserung der Messergebnisse selbst bietet der digitale Ansatz Möglichkeiten. Bei CT-Systemen können Simulationen genutzt werden, um systematische Einflüsse zu erkennen und Messfehler zu kompensieren. Dadurch wird der Digital Twin von einem Planungsinstrument zu einem Bestandteil der Messstrategie. Ziel ist letztlich ein durchgängiger digitaler Informationsfluss, der von der Produktentwicklung über die Messplanung bis zur eigentlichen Prüfung reicht.
Predictive Maintenance und Daten
Ein weiteres Zukunftsthema ist die Nutzung >von Messdaten für Predictive Maintenance und die Prozessüberwachung. Nach Aussage der Diskussionsteilnehmer gibt es bereits heute Anwendungen, in denen Messtechnik Produktionsprozesse kontinuierlich bewertet. Entscheidend ist dabei nicht nur der einzelne Messwert, sondern die statistische Betrachtung vieler Daten über einen längeren Zeitraum. So lassen sich Trends erkennen, bevor Toleranzgrenzen tatsächlich überschritten werden. Messtechnik wird damit zunehmend zum Werkzeug der Produktionsoptimierung. Werden Messdaten in geeigneten Software-Plattformen zusammengeführt und visualisiert, können Anwender erkennen, wie stark Toleranzbereiche in der Produktion tatsächlich ausgeschöpft werden. Auf diese Weise lassen sich Prozessdriften frühzeitig identifizieren und Gegenmaßnahmen einleiten. Predictive Maintenance wird damit nicht ausschließlich zur Frage des Maschinenzustands, sondern auch zur Frage, wie sich Mess-, Produktions- und Prozessdaten miteinander verknüpfen lassen. Die breite Einführung entsprechender Lösungen dürfte allerdings schrittweise erfolgen. Zunächst werden vermutlich OEMs und Unternehmen mit kritischen Maschinen oder besonders hohen Qualitätskosten entsprechende Systeme einsetzen. Für kleinere und mittlere Unternehmen kann Predictive Maintenance ebenfalls interessant sein, allerdings muss der wirtschaftliche Nutzen klar nachgewiesen werden. Entscheidend ist damit der Return on Investment. Gerade bei kleineren Betrieben kann der wirtschaftliche Effekt zwar besonders groß sein, gleichzeitig fehlt dort jedoch häufig die kritische Masse an Daten und Infrastruktur. Aus Sicht der Anbieter besteht deshalb eine wichtige Aufgabe darin, den konkreten Nutzen transparent zu machen und anhand vorhandener Produktionsdaten zu zeigen, welche Einsparungen oder Qualitätsverbesserungen tatsächlich erreichbar sind.
Software wird wichtiger
Mit der zunehmenden Digitalisierung verändert sich auch die Rolle der Messtechnik-Software. Die Diskussion machte deutlich, dass klassische Software-Funktionen keineswegs durch KI verschwinden werden. Im Gegenteil: Die fundamentalen Algorithmen für Messung, Kalibrierung, Rückführbarkeit und Auswertung bleiben unverzichtbar. Was sich verändert, ist die Art und Weise, wie Anwender mit diesen Funktionen arbeiten. Ein Ziel ist eine deutlich niedrigere Einstiegshürde. Software soll Nutzer künftig stärker durch Messaufgaben führen, auch wenn deren metrologisches Spezialwissen begrenzt ist. KI kann hier als Assistenz dienen, beispielsweise indem sie geeignete Schritte vorschlägt, Daten strukturiert oder bei der Erstellung von Messplänen unterstützt. Der Anwender muss dadurch nicht jede technische Funktion im Detail kennen. Gleichzeitig darf die Vereinfachung der Bedienung nicht dazu führen, dass die eigentlichen metrologischen Grundlagen und ihre Rückführbarkeit verloren gehen. Gerade die traditionelle Messtechnik-Software erhält dadurch eine zusätzliche Bedeutung. Sie kann zur Kontrollinstanz werden, mit der KI-basierte Ergebnisse bewertet und überprüft werden. Ein mögliches Zukunftsszenario besteht somit nicht aus einer vollständigen Ablösung klassischer Software durch KI, sondern aus einer Kombination: KI übernimmt Assistenz- und Automatisierungsaufgaben, während die etablierte Messtechnik-Software die physikalisch und mathematisch nachvollziehbare Grundlage der Messung bildet.
