elunic AI.SEE

Kurzfazit

elunic AI.SEE ist die deutsche Antwort auf Cognex und Keyence in der KI-basierten Sichtprüfung: mit eigenen Hardware-Komponenten (AI.SEE Lens, AI.SEE Edge) für Neuinstallationen und Retrofit-Betrieb auf vorhandenen Standard-Industriekameras, der keinen Komplett-Systemwechsel erzwingt. Für Mittelständler mit bereits installierten Industriekameras ist das ein massiver Kostenhebel. Schwächen sind die noch begrenzte Sichtbarkeit gegenüber den US-Riesen, die fehlende öffentliche Preisliste und die Tatsache, dass die Software ohne Integration in eine Handhabungs- oder Förderanlage nicht produktiv läuft. Für die deutschen Industrie-Use-Cases mit Schweißnahtprüfung, Oberflächeninspektion und Geometriekontrolle ist AI.SEE einer der wenigen ernsthaft empfehlenswerten EU-Anbieter.

Für wen ist elunic AI.SEE?

Mittelständische Maschinenbauer: Wer Komponenten mit wiederkehrenden Fehlerbildern fertigt, Schweißnähte, Oberflächen, Geometrien, und Stückzahlen im dreistelligen bis mittleren vierstelligen Bereich pro Tag bearbeitet, findet hier ein realistisch dimensioniertes System. elunic ist nicht im “Sechs-Sigma-Massenfertigung”-Markt unterwegs, sondern bei Häusern, die qualitätskritisch arbeiten, aber nicht über Volkswagen-Skalen verfügen.

Behälter- und Druckbehälterbauer: Schweißnahtprüfung nach DIN EN ISO 5817 ist ein Paradedisziplin für AI.SEE. Die manuelle 100-%-Sichtprüfung ist personalintensiv und stichprobenartig, KI-gestützte Inline-Prüfung deckt die gesamte Nahtlänge ab und erzeugt automatische Prüfberichte für die TÜV-Dokumentation.

Elektronik- und Medizintechnik-Fertiger: Oberflächeninspektion auf SMD-Bestückung, Leiterplatten oder medizintechnische Bauteile (Implantate, Instrumente). Hier zählt nicht Tonnage, sondern die Detailgenauigkeit bei kleinen Fehlerbildern, eine Stärke der Deep-Learning-Modelle gegenüber regelbasierten klassischen Bildverarbeitungssystemen.

Werke mit bestehender Kamerainfrastruktur: Wer Standard-Industriekameras bereits im Einsatz hat, kann AI.SEE im Retrofit-Modus aufsetzen, ohne neue Kamerasysteme zu beschaffen. Das spart in typischen Projekten 15.000–30.000 € Hardware-Kosten. Für Neuinstallationen ohne vorhandene Infrastruktur bietet elunic mit AI.SEE Lens und AI.SEE Edge eigene Hardware-Komponenten.

Qualitätsleiter mit Retrofit-Mandat: Wenn die Vorstandsvorgabe lautet “KI in der Qualität, aber kein Brownfield-Komplettumbau”, ist AI.SEE einer der wenigen Anbieter, deren Geschäftsmodell explizit auf Retrofit ausgerichtet ist. Das macht Pilotprojekte realistisch finanzierbar.

Weniger geeignet für: Hochvolumen-Automotive-Linien mit sechsstelligen Tagesstückzahlen (dort sind Cognex und Keyence über Jahre etabliert und liefern Komplettstacks), Betriebe ohne Trainingsdaten-Disziplin (Modell-Training braucht 200–500 saubere Referenzbilder), und Anwendungen mit sofortiger Sicherheitszertifizierungspflicht ohne Validierungsphase.

Preise im Detail

Komponente	Typische Spanne	Was du bekommst
Erstbewertung	0 €	Kostenlose Analyse der Prüfaufgabe, Machbarkeitseinschätzung, grobe Projektabschätzung
Hardware	ca. 30.000–50.000 €	Industriekameras, Optik, Beleuchtung, Steuerrechner (entfällt teilweise bei bestehender Infrastruktur)
Softwarelizenzen	ca. 20.000–30.000 €	AI.SEE-Plattform, Modelltraining, Konfiguration
Integration & Inbetriebnahme	ca. 25.000–35.000 €	Einbindung in Förderanlage/SPS, Schwellwert-Validierung, Schulung
Jährliche Betriebskosten	ca. 20.000–30.000 €	Lizenzen, Retraining bei neuen Produktvarianten, Support
Gesamtprojekt	80.000–130.000 €	Typischer mittelständischer Einstieg, ein bis zwei Prüfplätze

Einordnung: Eine öffentliche Preisliste gibt es nicht, was im B2B-Industrieumfeld branchenüblich ist, aber die Vergleichbarkeit erschwert. Die Zahlen oben sind Branchenerfahrungswerte für Projekte im DACH-Mittelstand, nicht offizielle Listenpreise. Wer bereits Industriekameras im Einsatz hat, kann den Hardware-Anteil deutlich reduzieren, das ist einer der zentralen Hebel, mit denen sich AI.SEE-Projekte gegen Komplettanbieter wie Cognex VisionPro oder Keyence wirtschaftlich behaupten. Die jährlichen Betriebskosten sind nicht trivial: Wer Produktvarianten regelmäßig wechselt, muss mit Retraining-Aufwänden rechnen, die schnell mehrere Tausend Euro im Quartal kosten können. Vor Vertragsabschluss unbedingt einen verbindlichen Aufwandsabschätzung für Modell-Anpassungen einholen.

Stärken im Detail

Flexible Hardware-Strategie als USP. AI.SEE bringt eigene Hardware-Komponenten mit: AI.SEE Lens (Kamera- und Beleuchtungseinheit, für Oberflächeninspektion optimiert) und AI.SEE Edge (lokale Bildauswertung und Prozesssteuerung). Gleichzeitig unterstützt die Software Retrofit-Installationen auf vorhandenen Standard-Industriekameras, was elunic von rein proprietären Stacks wie Cognex oder Keyence abhebt. Für Brownfield-Projekte ist diese Flexibilität oft der entscheidende Vorteil.

Deutscher Anbieter mit echter Industrie-Erfahrung. elunic sitzt in München und arbeitet seit Jahren mit Großindustrie-Kunden zusammen, die Referenzliste umfasst BMW, Volkswagen, ThyssenKrupp, Mercedes-Benz und Krauss Maffei. Diese Erfahrung schlägt sich in realistischer Projektkonzeption nieder: Die Erstbewertung führt häufig dazu, dass elunic einen Use-Case erkennbar abrät, wenn die wirtschaftliche Rechnung nicht aufgeht. Das ist im Beraterbusiness ungewöhnlich seriös.

Deep Learning mit Continual Learning. Die Modelle werden kundenindividuell trainiert und können im laufenden Betrieb mit neuen Produktionsdaten nachtrainiert werden. Das ist ein echter Unterschied zu regelbasierten Sichtprüfsystemen, die bei jedem Produktwechsel komplett neu parametriert werden müssen. Die Modelle lernen Fehlerbilder, die in klassischen Regelwerken kaum zu beschreiben wären, diffuse Oberflächenfehler, leichte Geometrieabweichungen, Materialinhomogenitäten.

Branchenanwendungen über Automotive hinaus. AI.SEE wird in Elektronik, Medizintechnik, Metallverarbeitung, Pharma, Solar und Schiene/Logistik eingesetzt. Das deutet auf eine generische Architektur hin, die nicht nur auf eine Branche optimiert ist, wichtig für mittelständische Maschinenbauer mit gemischten Kundenportfolios.

Inline-, Stand-Alone- und Retrofit-Deployments. AI.SEE lässt sich in laufende Produktionslinien einbinden (Inline), als separate Prüfstation betreiben (Stand-Alone) oder bestehende Anlagen ohne Eingriff in die SPS-Logik nachrüsten (Retrofit). Diese Flexibilität ist gerade für Mittelständler wertvoll, deren Investitions-Roadmaps selten Komplettumbauten erlauben.

EU-Datenhaltung und DSGVO-Konformität. Im Industriedaten-Umfeld zwar weniger personenbezogen-sensibel, aber für viele Konzern-Compliance-Vorgaben relevant: elunic verarbeitet in der EU, mit AVV und nachvollziehbaren Datenschutzpflichten. Das ist gegenüber US-Anbietern bei zunehmender Datensouveränitäts-Diskussion ein konkreter Wettbewerbsvorteil.

Schwächen ehrlich betrachtet

Begrenzte Marktsichtbarkeit gegenüber den Riesen. Cognex und Keyence haben tausende installierter Sichtprüfsysteme weltweit, dichte Vertriebsnetze und etablierte Beziehungen zu Produktions-Ingenieuren. elunic ist deutlich kleiner und außerhalb der DACH-Region wenig präsent. Wer eine internationale Standortrolle abdecken muss, ist mit den US-Anbietern oft strukturell besser bedient, auch wenn elunic technisch ebenbürtig sein kann.

Keine öffentliche Preisliste. Im B2B-Industrieumfeld branchenüblich, aber dennoch unbefriedigend: Wer überschlägig prüfen will, ob AI.SEE im Budget liegt, muss erst durch ein Beratungsgespräch, das bindet auf beiden Seiten Ressourcen, bevor klar ist, ob das Projekt überhaupt sinnvoll ist. Andere Anbieter (auch aus der Industrie) gehen inzwischen offener mit Preisspannen um.

Anbieterstatements zur Erkennungsgenauigkeit. “99,7 % Erkennungsgenauigkeit” und “bis zu 90 % Ausschussreduktion” klingen beeindruckend, sind aber Marketing-Zahlen ohne unabhängige Validierung. In realen Projekten hängt die tatsächliche Erkennungsrate massiv von Bildqualität, Trainingsdaten und Beleuchtung ab, typisch sind eher 95–98 % in produktiven Umgebungen, was immer noch sehr gut ist, aber realistischer einzuordnen.

Trainingsdaten-Aufwand wird oft unterschätzt. Für jeden Anwendungsfall braucht das Modell saubere Referenzbilder von Gutteilen und dokumentierten Fehlern, typischerweise 200 bis 500 pro Klasse. Diese Bilder müssen mit konsistenter Beleuchtung, Position und Annotation entstehen. Wer keinen disziplinierten Prozess für Trainingsdatenpflege etabliert, bekommt mittelmäßige Erkennungsraten.

Keine eigene Handhabungs- und Förderlösung. AI.SEE ist Bildverarbeitung, nicht Robotik. Wer eine schlüsselfertige Prüfzelle mit Roboter, Förderband und Auswurfmechanik braucht, muss zusätzlich einen Systemintegrator mitfinanzieren. Cognex und Keyence haben hier Komplettstacks im Angebot, was die Projektsteuerung vereinfacht.

Validierungsphase ist personalintensiv. Vier bis acht Wochen Parallelbetrieb mit manueller Prüfung sind Standard, und in der Zeit bindest du qualifiziertes Prüfpersonal doppelt. Das ist im Projektplan oft unterschätzt und führt regelmäßig zu Verzögerungen, wenn das Personalbudget nicht entsprechend eingestellt ist.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Hochvolumen-Automotive-Prüfung brauchst	Cognex VisionPro oder Keyence (jeweils etabliert, aber proprietäre Hardware)
Allgemeine Computer-Vision-Plattform für eigene Entwicklung suchst	Modelle oder ChatGPT Vision API
Open-Source-Computer-Vision für Eigenentwicklung willst	YOLO, OpenCV, PyTorch-basierte Eigenentwicklung
Generative KI zur Trainingsdaten-Synthese ergänzen willst	für synthetische Defekt-Bilder

Erwähnenswert ohne eigene Tool-Seite: VITRONIC (deutscher Anbieter mit starkem Fokus auf Automotive-Karosseriebau und Logistik), MVTec HALCON (deutsche Bildverarbeitungs-Bibliothek, sehr stark, aber für Eigenentwicklung), Cognex VisionPro Deep Learning, Keyence VS-Serie und Sensopart (deutscher Hersteller von intelligenten Vision-Sensoren). Im Segment “deutscher KI-Sichtprüfungsanbieter mit Software-First-Ansatz” hat elunic eine ungewöhnlich klare Positionierung, die meisten Wettbewerber bieten entweder Komplettsysteme oder reine Bibliotheken.

So steigst du ein

Schritt 1: Anwendungsfall sauber beschreiben. Bevor du Kontakt aufnimmst, dokumentiere die Prüfaufgabe: Welche Bauteile, welche Fehlerbilder, welche Stückzahl pro Tag, welche Norm? Wenn vorhanden, sammle 20–30 Beispielbilder von Gut- und Schlechtteilen, die machen die Erstbewertung deutlich konkreter. Nimm dann Kontakt mit elunic über elunic.com auf. Die Erstbewertung ist kostenlos und dauert in der Regel ein bis zwei Wochen.

Schritt 2: Machbarkeit und Hardware-Frage klären. elunic analysiert, welche Kamera-Optik und Beleuchtung für deine Geometrie geeignet ist, und prüft, ob vorhandene Hardware integriert werden kann. Diese Phase ist wertvoll, weil sie oft 15.000–30.000 € Hardware-Kosten sparen oder im Gegenteil notwendige Investitionen sichtbar machen kann. Lass dir die Empfehlung schriftlich geben, sie wird Basis der Angebotsphase.

Schritt 3: Proof-of-Concept mit Trainingsdaten. Du lieferst 200–500 Referenzbilder, elunic trainiert das Basismodell. Plane 4–8 Wochen Parallelprüfung mit manuellem Prüfer ein, in der Schwellwerte und Fehlerkategorien validiert werden. Wichtig: Diese Phase braucht Personal, kalkuliere sie mit ein, sonst leidet die Datenqualität. Am Ende steht ein dokumentiertes Erkennungs- und Falscherkennungs-Profil.

Schritt 4: Inbetriebnahme und kontinuierliche Verbesserung. Nach erfolgreichem PoC erfolgt die produktive Inbetriebnahme, entweder als Inline-Integration in die bestehende Linie oder als separater Prüfplatz. Etabliere von Anfang an einen Prozess für die Sammlung weiterer Trainingsdaten aus dem laufenden Betrieb. Continual Learning funktioniert nur, wenn neue Fehlerbilder systematisch erfasst und annotiert werden.

Ein konkretes Beispiel

Ein mittelständischer Behälterbauer (ca. 120 Mitarbeitende) fertigt Sonderdruckbehälter für die Chemieindustrie in Bayern. Die manuelle Sichtprüfung durch zwei Schweißfachleute deckte rund 60 % der Nahtlänge stichprobenhaft ab, zu wenig für DIN EN ISO 5817 Bewertungsgruppe B, die für die Endabnahme gefordert war. Nach AI.SEE-Einführung wurden die bereits vorhandenen Industriekameras in der Prüfkabine um die KI-Auswertung erweitert. Die Bauteile wandern auf einem Drehteller unter den Kameras durch, das Modell prüft jede Nahtsektion auf Poren, Risse, Bindefehler und Geometrieabweichungen, 100 % Nahtabdeckung statt 60 %. Der Prüfbericht wird automatisch generiert, TÜV-kompatibel dokumentiert und ans ERP übergeben. Gesamtinvestition: ca. 95.000 € (Hardware bestand, Software 25.000 €, Integration 40.000 €, Validierung 30.000 €). Amortisation nach 14 Monaten durch eingesparte Nacharbeitskosten, zwei vermiedene Kundenreklamationen und freigesetzte Prüferkapazität, die jetzt für komplexere Sonderfälle eingesetzt wird. Die jährlichen Betriebskosten von ca. 25.000 € sind nach dem ersten Jahr eingeplant und im Qualitätsbudget verankert.

DSGVO & Datenschutz

• Anbieter: elunic AG, Erika-Mann-Str. 23, 80636 München, Deutschland, deutscher Anbieter mit deutschem Recht und deutscher Gerichtsstand.
• Datenhaltung: Verarbeitung innerhalb der EU. Konkrete Rechenzentren werden im Einzelfall vertraglich geregelt, bei On-Premises-Installationen verbleiben Daten vollständig beim Kunden.
• Datenkategorien: Industriedaten (Bilder von Produkten, Prozessparameter, Fehlerkategorien), in der Regel keine personenbezogenen Daten. Bei vernetzter Auswertung können MES-Daten relevant werden.
• AVV: Standardmäßig verfügbar. Bei On-Premises-Installationen entfällt der AVV-Bedarf weitgehend, da Daten das Werk nicht verlassen.
• Empfehlung für Unternehmen: Für sicherheitskritische Anwendungen (Druckbehälter, Tragelemente, Medizintechnik-Implantate) zusätzlich unabhängige Validierung der Erkennungsraten und Dokumentation für die Behördenabnahme einplanen. AI.SEE ersetzt nicht die regulatorische Verantwortung des Herstellers.

Gut kombiniert mit

• , wenn die Trainingsdatenpflege strukturiert über mehrere Prüfaufgaben skalieren soll, hilft eine Data-Science-Plattform für Versionierung, Annotation und MLOps. AI.SEE liefert die produktive Inferenz, Dataiku die unternehmensweite Datenpipeline.
• , für ergänzende eigene Modellexperimente (z. B. Vortraining auf öffentlich verfügbaren Defekt-Datensätzen, bevor mit eigenen Daten finetuned wird). Hugging Face liefert die Modell-Bibliothek, AI.SEE die produktive Integration.
• , synthetische Defekt-Bilder können in Use-Cases mit seltenen Fehlerbildern die Trainingsdatenbasis ergänzen. Erfordert Erfahrung, kann aber Erkennungsraten bei Klassen mit wenigen realen Beispielen messbar verbessern.

Unser Testurteil

elunic AI.SEE verdient 3 von 5 Sternen. In der Kerndisziplin, KI-basierte Sichtprüfung für mittelständische Industriekunden in der DACH-Region, gehört es zu den besten verfügbaren Optionen. Die Kombination aus eigenen Hardware-Komponenten (AI.SEE Lens, AI.SEE Edge) und Retrofit-Fähigkeit für bestehende Kamerainfrastruktur ist ein echtes Unterscheidungsmerkmal gegenüber Cognex und Keyence. Die Referenzen bei VW, BMW und ThyssenKrupp belegen die technische Reife. Trotzdem reicht es nicht für 4 Sterne: Die fehlende öffentliche Preisliste, die nur durch Anbieterstatements belegten Genauigkeitszahlen, die in der Realität unterschätzte Trainingsdaten- und Validierungsaufwände sowie die begrenzte internationale Sichtbarkeit gegenüber den US-Riesen sind reale Punkte. Für deutsche Mittelständler mit konkretem Use-Case (Schweißnahtprüfung, Oberflächeninspektion, Geometriekontrolle) und vorhandener Kamerainfrastruktur ist AI.SEE die naheliegende Wahl, für hochvolumige Automotive-Linien oder schlüsselfertige Prüfzellen sind etablierte Komplettanbieter weiterhin die robustere Antwort.

Was wir bemerkt haben

• 2025–2026, elunic hat das Produktportfolio um “eluna Multi Agent” erweitert, eine Open-Source-AI-Agenten-Plattform für industrielle Workflows. Damit positioniert sich elunic neben der Sichtprüfung zunehmend als breiterer KI-Industrie-Partner, interessant, aber für AI.SEE-Kunden zunächst nebensächlich.
• 2025, Die Referenzliste umfasst inzwischen über 100 Industriekunden, darunter alle deutschen OEMs (VW, BMW, Mercedes-Benz) sowie Großzulieferer wie ThyssenKrupp und Krauss Maffei. Das stärkt die Marktposition im DACH-Mittelstand.
• Mai 2026, Anbieterangaben (99,7 % Erkennungsgenauigkeit, 90 % Ausschussreduktion) bleiben Marketing-Zahlen ohne unabhängige Validierung. Reale Projekt-Erkennungsraten liegen typischerweise zwischen 95 und 98 %, was immer noch sehr gut ist, aber realistischer einzuordnen.
• Hinweis, Die englische Produktwebsite (elunic.com/en/aisee/) ist deutlich ausführlicher als die deutsche. Das ist im B2B-Industriemarketing typisch, deutet aber darauf hin, dass elunic seine internationale Sichtbarkeit aktiv ausbaut.