Wann lohnt sich Vision AI?

Nicht jedes visuelle Problem braucht AI. Manchmal reicht ein guter Sensor, manchmal ist die Datengrundlage zu dünn, und manchmal übersteigen die Kosten den Nutzen. Diese Lektion gibt Ihnen eine Entscheidungsmatrix für fundierte Build-vs.-Buy-Entscheidungen.

Entscheidungsmatrix

Wann Vision AI sinnvoll ist ✅

Kriterium	Indikation für Vision AI
Volumen	> 1.000 visuelle Prüfungen/Tag
Variabilität	Viele Produktvarianten, kein festes Template
Genauigkeit	Menschliche Prüfer erreichen < 95 % Genauigkeit
Geschwindigkeit	Taktzeiten < 1 Sekunde erforderlich
Konsistenz	Subjektive Bewertung durch verschiedene Prüfer problematisch
Umgebung	Gefährliche oder unzugängliche Prüfumgebung
Daten	Genügend Beispielbilder (mind. 100 pro Klasse) vorhanden

Wann Vision AI NICHT sinnvoll ist ❌

Kriterium	Indikation gegen Vision AI
Volumen	< 50 Prüfungen/Tag (manuell günstiger)
Einfachheit	Problem lösbar mit einfacher Sensorik (Lichtschranke, Waage)
Daten	Zu wenige Beispiele, Defekte zu selten oder zu variabel
Kosten	Fehlerkosten gering (< 1.000 €/Jahr)
Veränderung	Prüfobjekt ändert sich wöchentlich (ständiges Re-Training nötig)
Physik	Defekt visuell nicht erkennbar (z. B. interne Materialfehler ohne Röntgen)

Build vs. Buy

Option 1: Cloud-API (Buy)

Google Vision, AWS Rekognition, Azure CV — fertige APIs für Standard-Tasks.

Vorteile: Schneller Start, keine ML-Expertise nötig, skaliert automatisch Nachteile: Daten verlassen das Unternehmen, laufende Kosten, begrenzte Customization Kosten: 1–5 €/1.000 Bilder Ideal für: Prototyping, Standard-OCR, generische Klassifikation

Option 2: Platform (Buy + Customize)

Roboflow, Landing AI, Clarifai — No-Code/Low-Code CV-Plattformen.

Vorteile: Custom-Modelle ohne Programmierung, visuelles Labeling, One-Click-Deploy Nachteile: Vendor Lock-in, monatliche Lizenzkosten, weniger Kontrolle Kosten: 500–5.000 €/Monat Ideal für: KMU ohne Data-Science-Team, schnelle Iteration

Option 3: Custom (Build)

PyTorch + eigenes Team — volle Kontrolle, maximale Anpassung.

Vorteile: Volle Kontrolle über Daten und Modell, keine Vendor-Abhängigkeit, optimierte Performance Nachteile: Benötigt ML-Engineers, längere Entwicklungszeit, Wartungsaufwand Kosten: 50.000–300.000 € initial + Team Ideal für: Differenzierung durch CV, kritische Anwendungen, hohes Volumen

Entscheidungshilfe

Ist CV ein Kernprodukt oder Wettbewerbsvorteil?
  → Ja: BUILD
  → Nein:
    Reichen Standard-APIs?
      → Ja: CLOUD-API
      → Nein: PLATTFORM

Kostenplanung

Total Cost of Ownership (TCO) — 3-Jahres-Betrachtung

Kostenart	Cloud-API	Plattform	Custom
Setup	2.000 €	10.000 €	100.000 €
Laufend (Jahr)	12.000 €	36.000 €	80.000 €
3-Jahres-TCO	38.000 €	118.000 €	340.000 €
Break-Even vs. manuell	Sofort	6 Monate	18 Monate

Versteckte Kosten

Oft unterschätzt:

Labeling: 50–200 Stunden für initialen Datensatz
Edge Hardware: 5.000–30.000 € pro Standort
Integration: SPS-Anbindung, ERP-Konnektoren, Alerting
Re-Training: Modelle müssen bei Produktänderungen aktualisiert werden
Support: Wer hilft, wenn die AI falsch liegt? Wer monitort?

Pilot-Strategie

Der 30-60-90-Tage-Plan

Tag 1–30: Proof of Concept

Problemdefinition und Datensichtung
100+ Beispielbilder sammeln und labeln
Quick Prototype mit Cloud-API oder Plattform
Go/No-Go-Entscheidung basierend auf Genauigkeit

Tag 31–60: Pilot

Modell verfeinern, mehr Daten sammeln
Integration in bestehenden Workflow (semi-automatisch)
KPIs definieren und messen
Stakeholder-Feedback einholen

Tag 61–90: Evaluation

ROI berechnen basierend auf Pilot-Daten
Skalierungsplan erstellen
Build vs. Buy final entscheiden
Business Case für Rollout erstellen

Goldene Regel: Starten Sie mit dem teuersten visuellen Problem in Ihrem Unternehmen. Der ROI muss offensichtlich sein — dann folgt das Budget automatisch.