KI-Sichtprüfung-Anbieter im Vergleich: wie Du den richtigen für Deine Fertigung findest
Laut BCG's AI Adoption Report 2025 schaffen es 74 Prozent aller Hersteller, die einen KI-Sichtprüfungs-Piloten starten, nie über die erste Produktionslinie hinaus. An der Technologie liegt es fast nie. Meistens liegt es an der Wahl des Anbieters.
Dieser Guide erklärt die vier Anbieterkategorien im Markt, zeigt die Kriterien, die über den Erfolg eines Rollouts tatsächlich entscheiden, und listet die Fragen auf, die Du in jedem Demo-Termin stellen solltest. Die Basis sind vier Jahre Enao-Deployments in Kunststoffspritzguss, Keramik, PVC-Extrusion und manueller Montage sowie direkte Vergleiche, die wir gegen jede Kategorie gewonnen und verloren haben.
Die vier Kategorien von KI-Sichtprüfungs-Anbietern
Die meisten "Top 50 Anbieter"-Listen im Netz werfen sehr unterschiedliche Produkte in einen Topf. Wenn Du wirklich einen Anbieter auswählen musst, hilft das nicht. Der Markt teilt sich in vier klare Kategorien, jede mit eigenem Zielkunden, eigenem Preismodell und eigener typischer Fehlerquelle.
Enterprise-Machine-Vision-Plattformen sind Cognex, Keyence und Omron. Sie liefern proprietäre Kameras, Beleuchtungssteuerungen sowie regel- und deep-learning-basierte Software als vollständigen Stack. Sie funktionieren gut auf einer Hochvolumen-Linie mit stabiler Umgebung und passendem CapEx-Budget. Sie stoßen an Grenzen, sobald 20 verschiedene SKUs über dieselbe Linie laufen oder jedes Quartal Umbauten anstehen.
Industriekamera plus Software-Stacks kombinieren einen Kamerahersteller wie Basler oder Framos mit Bibliotheken wie MVTec Halcon oder Cognex VisionPro. Das ist der klassische Integrator-Pfad. Er bietet maximale Flexibilität, verlangt aber einen Systemintegrator oder einen internen Vision-Engineer. Die typische Time-to-First-Inspection liegt bei drei bis neun Monaten, die Wartung hängt an dem, der den Stack zusammengebaut hat.
KI-native Cloud-Plattformen sind aus der Deep-Learning-Welle entstanden. Landing AI, Clarifai und andere bieten browserbasierte Annotation, Cloud-Training und Modell-Deployment auf Industrie-PCs. Sie senken die ML-Einstiegshürde, verlangen aber meist weiterhin feste Kameras, feste Beleuchtung und manuelle Übergabe an den Werker.
Mobile-First-Plattformen sind die jüngste Kategorie. Enao Vision ist das vollständigste Beispiel. Die Inspektion läuft auf einem iPhone oder iPad an der Linie, das Modell trainiert mit weniger als 10 Bildern pro Defektklasse, und der Werker ist zugleich der Labeler. Keine dedizierte Kamera, kein Beleuchtungsrig, kein Server.
Wenn Du die zugrunde liegenden Architekturen im Detail verstehen willst, zeigt unser Machine-Vision-Systeme-Guide Smart Cameras, PC-basierte Systeme, Embedded Vision und flottenbasierte Mobile-Inspection im direkten Vergleich.
Die Kriterien, die über den Rollout-Erfolg entscheiden
Marketing-Seiten drehen sich um Accuracy-Zahlen. Accuracy ist der einfache Teil. Der schwierige Teil ist alles, was vor und nach dem Modell passieren muss. Vier Kriterien sind aussagekräftiger als jeder Benchmark.
Time to First Deploy. Wie viele Wochen vergehen zwischen Vertragsunterzeichnung und der ersten echten Inspektion an der Linie? Enterprise-Plattformen liegen bei 12 bis 26 Wochen. Integrator-Stacks bei 16 bis 36 Wochen. KI-native Cloud-Plattformen bei 6 bis 16 Wochen. Mobile-First-Plattformen bei 1 bis 3 Wochen. Jede zusätzliche Woche ist eine Woche, in der Bauteile ohne Qualitätsnetz die Linie verlassen.
Datenbedarf pro Defektklasse. Frag direkt, wie viele Bilder pro Klasse das Modell braucht, um die beworbene Genauigkeit zu erreichen. Enterprise-Plattformen und Integrator-Stacks nennen regelmäßig 500 bis 5.000 Bilder pro Klasse, was jedes Projekt mit seltenen Defekten beerdigt. KI-native Plattformen liegen oft bei 100 bis 500. Mobile-First-Plattformen mit Few-Shot- und Foundation-Model-Backbones arbeiten heute mit 5 bis 20 Bildern pro Klasse. Diese eine Zahl entscheidet, ob Dein Rollout Wochen oder Quartale dauert.
Hardware-Unabhängigkeit. Wenn der Anbieter Dich auf seine Kameras, seine Beleuchtung und seine Gehäuse festlegt, kostet die zweite Linie fast so viel wie die erste. Hardware-unabhängige Anbieter lassen Dich Commodity-Komponenten nutzen und bei Layout-Änderungen umziehen.
Change-Management-Realität. Wer muss was lernen, und wie viele davon? Eine Plattform, die einen Vision-Engineer und einen Data Scientist verlangt, ist in Ordnung, wenn Du sie hast. Die meisten kleinen und mittelständischen Hersteller haben sie nicht, und deshalb haben wir unseren Guide zur Qualitätskontrolle in manueller Montage geschrieben. Werker als Labeler ist der Unterschied zwischen einem Piloten, der ausrollt, und einem, der im Regal stehen bleibt.
Fragen, die Du in jedem Demo stellen solltest
Die fünf Fragen unten bringen 90 Prozent dessen ans Licht, was Vendor-Marketing gerne verschweigt.
Könnt Ihr die Demo mit meinen echten Defektproben fahren? Wenn die Antwort lautet "Schick uns 500 Bilder und wir melden uns in vier Wochen", ist der Anbieter nicht bereit für Deine Linie. Wenn sie lautet "Schick uns 10 Bilder und wir zeigen Dir morgen eine Demo", dann schon.
Was passiert, wenn sich meine Linienkonfiguration ändert? Jede Linie verändert sich. Neue SKUs, neue Halterungen, andere Beleuchtung. Frag nach dem konkreten Retraining-Workflow und der Stillstandszeit in Stunden.
Wem gehören die Modellgewichte? Manche Anbieter behandeln das trainierte Modell als ihr IP. Das wird wichtig, wenn Dein Qualitätsleiter wechselt und Du die Plattform austauschen willst. Vertrag vor der Demo lesen, nicht danach.
Wie sieht der Preis bei zwei, fünf und 20 Linien aus? CapEx-Preise brechen im Rollout in die eine Richtung, Subscription-Preise in die andere. Beides kann funktionieren, die Break-Even-Punkte liegen aber sehr unterschiedlich. Unser CapEx-zu-OpEx-Guide vergleicht die Beschaffungsmodelle im Detail.
Wie geht Ihr mit Beleuchtungsschwankungen um? Eine Demo auf einem abgeschirmten Labortisch beweist nichts. Frag, wie sich das Modell bei 30 Prozent Lux-Schwankung verhält. Unser Beleuchtungs-Guide erklärt, warum eine gute KI-Lösung kein 500-Euro-Licht braucht.
Rote Flaggen, die Rollouts killen
Vier Muster tauchen in jedem gescheiterten Deployment auf, das wir nachträglich retten sollten.
Feste Beleuchtungsanforderungen, die nach Installation nicht mehr änderbar sind. Mindest-Bildmengen über 1.000 pro Defektklasse bei seltenen Defekten. Sechs Monate oder mehr bis zur ersten Inspektion. Proprietäre Kamera-Bindung, die jede zusätzliche Linie so teuer macht wie die erste.
Wenn zwei oder mehr dieser Muster im Standard-Deployment-Paket eines Anbieters auftauchen, sinkt die Wahrscheinlichkeit, dass Dein Pilot die Produktion erreicht, unter 30 Prozent. Unser Beitrag zu den häufigsten Setup-Fehlern führt die vollständige Liste auf.
Die richtige Wahl hängt vom Kontext ab
Es gibt keinen universell besten Anbieter. Drei Kontextfaktoren bewegen die Antwort stärker als alles andere.
Einzellinie versus Multi-Plant-Rollout. Enterprise-Plattformen mit fester Kamerainstallation rechnen sich auf einer Hochvolumen-Linie mit einer SKU. Mobile-First-Plattformen gewinnen auf Multi-Line- und Multi-SKU-Rollouts, in denen Hardware-Kosten skalieren.
Greenfield versus Brownfield. Wenn Du eine neue Linie planst und Kameras, Beleuchtung und Halterungen spezifizieren kannst, ist der Enterprise-Weg vertretbar. Wenn Du eine seit zehn Jahren laufende Linie nachrüstest, sind hardware-unabhängige Plattformen meist die einzige Kategorie, die bis zur Produktion kommt.
Eigenes ML-Team oder nicht. Wenn Du Data Scientists und Vision-Engineers hast, geben Dir KI-native Cloud-Plattformen und Integrator-Stacks die größte Kontrolle. Wenn nicht, sind Mobile-First-Plattformen mit Werker-Labeling die einzige Kategorie, in der der Rollout nicht an Recruiting hängt.
Wo Enao steht
Enao Vision gehört zur Mobile-First-Kategorie. Teams fahren die Inspektion auf einem iPhone oder iPad an der Linie, nutzen 5 bis 20 Bilder pro Defektklasse und deployen die erste Linie in 1 bis 3 Wochen. Der Trade: weniger spezialisierter Durchsatz, dafür Flexibilität. Das ist die richtige Entscheidung für mittelständische Hersteller mit 20+ SKUs auf mehreren Linien. Es ist die falsche Entscheidung, wenn Du eine einzige Linie mit 5.000 Teilen pro Minute und einem Produkt über zehn Jahre betreibst.
Wir sind transparent mit beiden Seiten. Passt Dein Use Case nicht, sagen wir das im ersten Call. Passt er, fahren wir innerhalb von 48 Stunden eine Demo mit Deinen echten Defektproben.
Nächster Schritt
Nimm drei der fünf Demo-Fragen oben mit in Dein nächstes Vendor-Gespräch. Wenn ein Anbieter auf "Könnt Ihr die Demo diese Woche mit meinen Proben fahren?" nicht mit Ja antwortet, ist das aussagekräftiger als jede G2-Review. Unsere Seite der Antwort zeigen wir offen auf der Enao-Vision-Produktseite und Du kannst direkt von dort eine Demo mit Deinen eigenen Samples buchen.