Edge-KI vs. Cloud-KI in der Fertigung: Latenz, Bandbreite und die wahren Kosten

Was ist der eigentliche Unterschied zwischen Edge-KI und Cloud-KI?

Wo die Inferenz läuft. Edge-KI führt das Modell auf Hardware an oder nahe der Maschine aus, einem Box-PC im Schaltschrank, einem Panel-PC an der Linie. Cloud-KI schickt die Daten an ein entferntes Rechenzentrum und liefert die Antwort zurück. Die Branche stimmt mit ihrem Budget ab: IDC beziffert die weltweiten Ausgaben für Edge Computing auf fast 261 Milliarden US-Dollar im Jahr 2025, mit Kurs auf 380 Milliarden US-Dollar bis 2028, wobei KI-Workloads zu den am schnellsten wachsenden Treibern gehören (IDC, März 2025).

Keine Seite gewinnt alles. Die Entscheidung hängt von drei messbaren Dingen ab: Latenz, Bandbreite und was Sie eine falsche Antwort oder eine unterbrochene Verbindung kostet.

Wie weit ist die Cloud wirklich entfernt?

Microsoft veröffentlicht gemessene Round-Trip-Zeiten zwischen seinen Regionen, und die Geografie ist unerbittlich. Von Central India aus dauert ein Round Trip nach South India etwa 20 ms und nach Jio India West etwa 29 ms, West Europe ist jedoch rund 140 ms entfernt und East US etwa 198 ms (Azure-Netzwerklatenzstatistik, 2026). Und das gilt von Rechenzentrum zu Rechenzentrum auf dem Backbone von Microsoft, bevor die Letzte-Meile-Anbindung Ihres Werks, der VPN-Overhead und die Wartezeit in der Inferenz-Warteschlange hinzukommen.

Eine Bildprüfung, die bei 60 Teilen pro Minute einen Ausschussarm steuert, hat ein Entscheidungsfenster von einer Sekunde. Davon 200 ms für einen Netzwerk-Round-Trip aufzuwenden, mit Verarbeitung das Doppelte, ist machbar, bis die Verbindung zu jittern beginnt. Eine Sicherheitsverriegelung oder ein geschlossener Regelkreis kann sich darauf überhaupt nicht verlassen. On-Device-Inferenz beseitigt die Variable vollständig: Die Antwort wird wenige Zentimeter von der Kamera entfernt berechnet.

Was auf dem Spiel steht, ist gut dokumentiert. Die Studie True Cost of Downtime von Siemens beziffert ungeplante Stillstände auf 1,4 Billionen US-Dollar pro Jahr für die 500 größten Unternehmen der Welt, etwa 11 % der Umsätze, wobei eine stillstehende Automobillinie bis zu 2,3 Millionen US-Dollar pro Stunde kostet (Siemens/Senseye, 2024). Die ITIC-Umfrage 2024 ergibt, dass eine einzige Stunde für mehr als 90 % der mittleren und großen Unternehmen über 300.000 US-Dollar kostet (ITIC, 2024). Eine KI-Architektur, die nicht mehr funktioniert, sobald das WAN ausfällt, ist ein Stillstandsrisiko, das Sie selbst gewählt haben.

Was kostet das Streamen von Video in die Cloud tatsächlich?

Rechnen Sie es für eine bescheidene Linie durch. Nehmen Sie zehn Inspektionskameras, die jeweils H.264 mit angenommenen 4 Mbps streamen, eine gängige Einstellung für industrielles 1080p-Video. Das sind 40 Mbps durchgehend, rund 13 TB pro Monat. Cloud-Egress aus Asien-Regionen bei Azure kostet nach den ersten 100 GB kostenlos 0,12 US-Dollar pro GB (Azure-Bandbreitenpreise), und die Upload-Richtung erfordert eine symmetrische Geschäftsanbindung, die für die Spitze und nicht für den Durchschnitt dimensioniert ist.

Kompression hilft, ändert aber nichts an der Form des Problems: Axis misst für seinen Zipstream-Codec eine Einsparung von durchschnittlich 50 % oder mehr gegenüber Standard-H.264 (Axis-Whitepaper), was immer noch Terabytes bedeutet, die jeden Monat bewegt werden, für immer. Edge-Inferenz kehrt den Fluss um: Das Video bleibt im Werksnetz, und nur Ergebnisse, ein Gut/Schlecht, ein Fehlerausschnitt, eine Zählung, wandern in Kilobytes nach oben.

Wie sieht es mit Datenschutz und Verfügbarkeit aus?

Für viele indische Hersteller ist der entscheidende Faktor nicht der Preis, sondern die Kontrolle. Produktionsvideos können proprietäre Prozesse, Kundenteile und Personen offenlegen. Sie vor Ort zu behalten vereinfacht sowohl die Vertraulichkeits- als auch die Compliance-Gespräche. Und ein Edge-System prüft während eines ISP-Ausfalls, eines Vorfalls in einer Cloud-Region oder eines Wartungsfensters weiter; die Ergebnisse werden synchronisiert, sobald die Verbindung zurückkehrt. Die Linie wartet nicht auf das Internet.

Wann gewinnt Cloud-KI trotzdem?

An drei Stellen, und etwas anderes zu behaupten wäre unehrlich. Training: Das Erstellen oder Feinabstimmen von Modellen erfordert GPU-Leistung, die ein Werk selten besitzt. Mieten Sie sie in der Cloud und bringen Sie das trainierte Modell dann an die Edge. Flottenanalytik: Das Zusammenführen von Ergebnissen vieler Linien oder Standorte für Dashboards und Langzeittrends ist eine natürliche Cloud-Aufgabe, das Datenvolumen ist winzig, weil die Edge es bereits reduziert hat. Arbeiten ohne Echtzeitanforderung: Monatliche Audit-Durchläufe oder die Stapelverarbeitung von Dokumenten haben keinen Latenzanspruch. Das Muster, das sich in der Praxis durchsetzt, ist hybrid: in der Cloud trainieren, an der Edge inferieren, in der Cloud aggregieren.

Wie bringen Sie Edge-KI in die Fertigung?

Die Hardware ist heutzutage der einfache Teil. Kompakte lüfterlose Systeme wie der Avalue EMS-ARH kombinieren Intel Core Ultra Prozessoren mit einer integrierten NPU für kontinuierliche Bildverarbeitungs-Inferenz, der ACP-3588 bringt eine 6-TOPS-NPU auf ein lüfterloses ARM-Board für kostensensible Einsätze, und Workstations mit PCIe-Steckplätzen nehmen diskrete GPUs auf, wenn ein System Dutzende Streams überwachen muss. Welche Klasse zu Ihrem Workload passt, erklärt genau unser Einkaufsleitfaden für Edge-KI-Server, und wenn Sie den Vergleich auf Chip-Ebene wünschen, lesen Sie unseren Leitfaden NPU vs. GPU vs. CPU für Edge-Inferenz. Sprechen Sie mit uns über die Dimensionierung einer Pilotlinie, es ist ein kleineres Projekt, als die meisten Teams erwarten.