Amazon Lookout for Equipment

Kurzfazit

Wichtige Vorabwarnung: Neue Kunden können Amazon Lookout for Equipment seit dem 7. Oktober 2025 nicht mehr nutzen. Der Dienst wird am 7. Oktober 2026 für alle Kunden vollständig eingestellt; bestehende Modelle und Konsolen werden ab diesem Datum nicht mehr verfügbar sein. AWS verweist Kunden auf die native Anomalieerkennung in AWS IoT SiteWise als Nachfolge-Lösung. Wer Lookout for Equipment bereits einsetzt, sollte spätestens jetzt den Migrationsplan beginnen. Das Tool selbst war technisch solide: multivariate Anomalieerkennung auf Sensor-Zeitreihen ohne ML-Wissen, mit EU-Hosting in Frankfurt. Für Neuprojekte scheidet es vollständig aus.

Für wen ist Amazon Lookout for Equipment?

Bestehende Lookout-Kunden mit Migrationsbedarf: Wer den Dienst aktuell produktiv nutzt, sollte einen klaren Migrationsplan auf AWS IoT SiteWise (oder eine Alternative) bis spätestens Q3/2026 aufsetzen. Das ist die einzige sinnvolle Zielgruppe, und auch hier liegt der Fokus auf Exit, nicht Einstieg.

Neue Kunden: Der Zugang ist seit dem 7. Oktober 2025 gesperrt. Kein neues Konto kann den Dienst mehr aktivieren.

Forschungsteams und Proof-of-Concepts (nur auf bestehenden Konten): Für nicht-produktive Auswertungen auf bereits aktivierten Konten bietet Lookout bis Oktober 2026 noch eine schnelle Möglichkeit, multivariate Modelle ohne eigenes ML-Setup zu erstellen. Neue Forschungskonten lassen sich nicht mehr einrichten.

Flottenbetreiber mit aktivem Wartungsvertrag: Logistiker mit Kühltransport-Flotten, die AWS IoT Greengrass auf Edge-Gateways einsetzen und Lookout for Equipment für die Cloud-Inferenz nutzen. Migration auf SiteWise oder eine Drittanbieter-Lösung (Augury, Senseye, C3 AI) sollte jetzt geplant werden.

Weniger geeignet für (besonders ab 2026): Alle neuen Projekte ohne harte Zeitlinie vor Oktober 2026, Unternehmen außerhalb des AWS-Ökosystems (Azure-Kunden zu Azure Anomaly Detector, Google-Kunden zu Vertex AI), kleinere Mittelständler ohne ML/IoT-Engineering-Kapazität (siehe Limble CMMS für integrierte einfachere Anomalieerkennung), und Betriebe, die ein UI-getriebenes Out-of-the-Box-Tool suchen, Lookout liefert APIs, keine Bedienoberfläche für Wartungsplaner.

Preise im Detail

Komponente	Preis (Juni 2026)	Anmerkung
Datenaufnahme	0,20 USD/GB	Historische Sensordaten für Training
Modelltraining	0,24 USD/Trainingsstunde	Min. 1 Stunde
Scheduled Inference	0,25 USD/Inference-Stunde	Pro aktivem Modell, kontinuierliche Überwachung
Free Trial	50 GB Daten, 250 Trainingsstunden, 168 Inferenzstunden (neue Nutzer)	Nur erster Monat; Neukunden seit Oktober 2025 gesperrt
Volumenrabatt	Auf Anfrage ab 100 Assets	Über AWS Account Manager

Einordnung: Realistische monatliche Kosten für 35 Kühltransporter mit 5-Minuten-Inferenz und 8 Sensoren je Fahrzeug liegen bei ca. 250–350 USD/Monat. Die AWS-Beispielrechnungen sprechen von etwa 2.174–2.277 USD/Jahr für typische Anwendungen. Das ist gemessen am vermiedenen Schaden eines einzigen Totalausfalls eines Kühltransports (45.000–90.000 € verlorene Ware) günstig. Aber: Bei einer Restlaufzeit bis Oktober 2026 muss in jeder TCO-Rechnung der Migrationsaufwand zur Nachfolgelösung mitkalkuliert werden, das kann je nach Architektur-Tiefe zwischen 20 und 100 Personentage bedeuten. Wer jetzt erst startet, hat den ROI nicht mehr, der den Aufwand rechtfertigt.

Stärken im Detail

Multivariate Anomalieerkennung ohne ML-Team. Lookout for Equipment lernt das Normverhalten aus historischen Sensordaten und erkennt Korrelations-Anomalien zwischen mehreren Sensoren, etwa wenn Druck und Temperatur gleichzeitig in ungewöhnliche Bereiche wandern. Wer in einem ML-Team das gleiche bauen würde, braucht typischerweise 3–6 Monate für ein produktionsreifes Modell. AWS liefert das Ergebnis in Tagen.

EU-Region Frankfurt (eu-central-1). Voll DSGVO-konform in Deutschland nutzbar. AVV nach Art. 28 DSGVO über den AWS Customer Agreement standardmäßig verfügbar. Für deutsche und europäische Industriekunden ein entscheidender Vorteil gegenüber US-Only-Diensten.

5-Minuten-Inferenz für Echtzeitnahe Reaktion. Konfigurierbare Inferenzfrequenz, 5 Minuten Intervall ist das Minimum. Für Kühlketten, in denen ein Ausfall innerhalb von 30 Minuten zu Warenschaden führen kann, ist das schnell genug für eine sinnvolle Eskalation. Erkannte Anomalien werden direkt mit Konfidenzwert und beitragenden Sensoren ausgegeben.

Tiefe AWS-Integration. AWS IoT Core, IoT Greengrass (Edge), S3 (Datenhaltung), EventBridge (Eskalation), Lambda (Verarbeitung), QuickSight (Visualisierung). Wer in der AWS-Welt arbeitet, fügt Lookout an seine bestehende Pipeline an. Das ist der Vorteil eines managed Service, aber gleichzeitig genau der Lock-in, der bei der Einstellung jetzt schmerzt.

Pay-as-you-go ohne Mindestlaufzeit. Kein Vertrag, kein Minimum. Wer das Werkzeug einen Monat testet und wieder abschaltet, zahlt nur den realen Verbrauch. Das war eine der attraktivsten Eigenschaften, und bleibt bis Oktober 2026 unverändert.

Eingearbeitete Domäne-Kenntnis. AWS hat das Modell auf industrielle Kontexte trainiert (Kompressoren, Pumpen, Kühlaggregate, Motoren). Das Ergebnis ist meist sofort brauchbar, ohne dass eigene Feature Engineering nötig wäre, ein klarer Vorteil gegenüber generischen Anomalie-Werkzeugen.

Schwächen ehrlich betrachtet

Discontinuation am 7. Oktober 2026 ist die zentrale Schwäche. AWS hat angekündigt, Konsole und Ressourcen ab diesem Datum nicht mehr bereitzustellen. Bestehende Modelle stoppen, neue lassen sich nicht mehr trainieren. Das ist ein harter Cut, der jede Investitionsentscheidung dominiert. Selbst wenn der Dienst technisch hervorragend wäre, die verbleibenden Monate reichen nicht für ein produktives Roll-out mit ROI-Begründung. AWS verweist auf AWS IoT SiteWise mit nativer Anomalieerkennung als Nachfolger, was für bestehende Kunden eine machbare, für Neueinsteiger aber die direkt zu prüfende Option ist.

Migrationsaufwand nicht trivial. Wer Lookout for Equipment heute produktiv betreibt, hat Datenpipelines, Trainings-Konfigurationen, Inferenz-Schedules und Downstream-Integrationen aufgebaut. Die Migration auf IoT SiteWise verlangt eine neue Datenmodellierung (Assets, Properties, Anomaly Detection Definitions) und eine neue Integration in EventBridge, Lambda und Co. Realistisch: 20–100 Personentage je nach Komplexität.

Kein UI für Wartungsplaner. Lookout liefert eine technische API/Konsole für Data Engineers, nicht eine Wartungsoberfläche für Hausmeister. Die Brücke zu einem operativen CMMS (Limble CMMS, Planon, Hero Software) ist Eigenarbeit. Das war schon vor der Discontinuation eine Schwäche.

Pricing-Sprünge bei wachsender Sensor-Dichte. Wer von 35 Fahrzeugen auf 350 wächst, sieht die Kosten linear bzw. überproportional steigen, jedes Asset bringt eigene Inferenz-Stunden. Bei 100+ Assets lohnt das Gespräch mit dem AWS Account Manager für Volumenrabatte; öffentlich gibt es keine transparente Staffelung.

Datenbedarf-Schwelle. Mindestens 14 Tage historische Daten sind nötig, sinnvoll sind 6 Monate. Wer ohne historische Sensorhistorie startet, muss diese Trainingsphase einplanen, Anomalieerkennung beginnt nicht am Tag 1.

Kein deutscher Support. Standard-AWS-Support ist englischsprachig. Premium-Support (Enterprise/Business) kann auf Deutsch sein, aber das ist ein Aufpreis-Modell. Für Werkleiter ohne Englischkompetenz ist das ein Reibungspunkt.

Lock-in im AWS-Ökosystem. Die Vorteile gibt es nur in Kombination mit AWS IoT, S3, EventBridge. Wer keine AWS-Strategie hat oder gerade von AWS migriert, sollte gar nicht erst beginnen, nicht zuletzt wegen der Discontinuation, die ohnehin zum Plattformwechsel zwingt.

Alternativen im Vergleich

Wenn du…	…nimm stattdessen
Bei AWS bleibst und SiteWise prüfst	AWS IoT SiteWise (Nachfolge-Lösung, keine eigene Tool-Seite)
Integrierte einfache Anomalieerkennung im CMMS willst	Limble CMMS
Enterprise-IWMS mit eigenen Predictive-Modulen suchst	Planon
Allgemeine KI-Recherche zu Predictive Maintenance willst	Perplexity

Erwähnenswert ohne eigene Tool-Seite: AWS IoT SiteWise (vom Anbieter selbst empfohlene Nachfolgelösung mit nativer Anomalieerkennung), Azure Anomaly Detector (Microsoft-Welt), Google Vertex AI mit Time Series Insights (GCP-Welt), Augury (spezialisierter Anbieter für Maschinengesundheit mit Sensor-Hardware), Senseye (jetzt Siemens), C3 AI, IBM Maximo Predict, sowie Open-Source-Optionen wie Anomalize (R), PyOD oder TensorFlow für Eigenentwicklung. Für Neuprojekte sind AWS IoT SiteWise (innerhalb AWS) oder eine spezialisierte Drittanbieter-Lösung (Augury, Senseye) die richtige Wahl, Lookout for Equipment ist mit der angekündigten Einstellung kein strategischer Kandidat mehr.

So steigst du ein

Hinweis: Diese Schritte gelten für bestehende Lookout-Workloads oder eng begrenzte Pilotprojekte mit klarer End-Datum-Logik vor Oktober 2026. Neue produktive Projekte sollten direkt mit AWS IoT SiteWise oder einer Alternative gestartet werden.

Schritt 1: Richte eine AWS-IoT-Core-Pipeline ein, die Sensordaten deiner Anlagen oder Fahrzeuge (Kompressordruck, Verdampfertemperatur, Motorstrom) via MQTT empfängt und in S3 speichert. Für mobile Anwendungen empfiehlt sich AWS IoT Greengrass auf einem Edge-Gateway (z. B. Raspberry Pi im Kühlaggregat-Schaltkasten).

Schritt 2: Bereite mindestens 14 Tage historische Sensordaten im CSV-Format vor (empfohlen: 6 Monate, um saisonale Muster abzudecken). Erstelle ein Lookout-Modell mit dem Konsolen-Assistenten, kein Python-Code erforderlich, nur eine Label-Datei mit bekannten Ausfallzeiträumen.

Schritt 3: Aktiviere die Inferenz mit 5-Minuten-Intervall. Verbinde die Anomalie-Ausgabe über Amazon EventBridge mit deinem Dispositionssystem oder einer Slack/Teams-Benachrichtigung. Erkannte Anomalien enthalten Konfidenzwert und die Hauptursachen-Sensoren.

Schritt 4 (Migrationsplan): Plane parallel die Migration auf AWS IoT SiteWise oder eine Alternative. Welche Datenformate, welche Trainings-Konfigurationen, welche Downstream-Integrationen müssen migriert werden? Wer Lookout heute betreibt, sollte spätestens Q3/2026 den Cutover abgeschlossen haben, der harte Cut am 7. Oktober 2026 lässt keinen Puffer.

Ein konkretes Beispiel

Ein Logistiker aus Norddeutschland mit 35 Kühltransportern (Lebensmittelverteilung an den Einzelhandel) speist seit zwei Jahren CAN-Bus-Daten seiner Thermo-King-Aggregate via AWS IoT Greengrass in Lookout for Equipment. Nach 8 Wochen Trainingsdaten erkannte das System erhöhtes Motorstrom-Rauschen als Frühindikator für verschlissene Kompressor-Lager, typischerweise 48 bis 72 Stunden vor dem thermisch bedingten Aggregatausfall. Die monatlichen AWS-Kosten für 35 Fahrzeuge (5-Minuten-Inferenz, je 8 Sensoren) lagen bei rund 280 USD. Ersparnis durch den ersten verhinderten Totalausfall mit Kühlgut-Verlust: zwischen 45.000 und 90.000 €. Aktueller Status (Mai 2026): Die IT-Leitung hat den Migrationsplan auf AWS IoT SiteWise begonnen, geplanter Cutover Juli 2026, drei Monate Puffer vor dem AWS-End-of-Life. Geschätzter Migrationsaufwand: ca. 45 Personentage, hauptsächlich für die Neumodellierung der Asset-Hierarchie und die Re-Integration in das hauseigene Dispositions-Dashboard. Die operative Predictive-Maintenance-Praxis selbst bleibt erhalten.

DSGVO & Datenschutz

• Anbieter: Amazon Web Services EMEA SARL (Luxemburg) für europäische Kunden, Amazon Web Services Inc. (USA) als Konzernmutter.
• Datenhosting: Lookout for Equipment ist in mehreren AWS-Regionen verfügbar, inkl. eu-central-1 (Frankfurt). Konsequente Wahl der Frankfurt-Region hält Trainings- und Inferenzdaten in Deutschland.
• Auftragsverarbeitung (AVV): AWS bietet standardmäßig einen AVV nach Art. 28 DSGVO über den AWS Customer Agreement / AWS Data Processing Addendum.
• Datennutzung: AWS nutzt Kundendaten nicht für das Training generischer Modelle. Modelle in Lookout for Equipment sind kundenspezifisch und auf den eigenen Daten trainiert.
• EU-US Data Privacy Framework: AWS ist zertifiziert; bei Nutzung von US-Regionen greifen entsprechende Schutzmechanismen.
• Empfehlung: Bei Nutzung der Frankfurt-Region ist die DSGVO-Lage gut. Personenbezogene Daten gehören aber grundsätzlich nicht in Sensor-Telemetrie, wer Maschinendaten mit Bedienerzuordnung verknüpfen will, sollte diese Verknüpfung im internen System halten und nur anonyme Asset-IDs an Lookout schicken.

Gut kombiniert mit

• Limble CMMS, Lookout erkennt die Anomalie, Limble generiert daraus den konkreten Wartungsauftrag und verfolgt SLA und Ausführung. Über die Limble-REST-API lässt sich die EventBridge-Anomalie als Work Order anlegen.
• Planon, Für Konzernkunden im IWMS-Umfeld: Lookout-Anomalien werden via API ins Planon-Asset-Modul übergeben und dort als Wartungsauftrag mit Eskalationsworkflow verwaltet.
• Perplexity, Für Recherche zu Migrationspfaden, IoT-SiteWise-Best-Practices oder vergleichbaren Drittanbieter-Lösungen. Liefert aktuelle Quellen, was bei einer aktiven Discontinuation besonders wertvoll ist.

Unser Testurteil

Amazon Lookout for Equipment verdient angesichts des laufenden Auslaufens nur noch 2 von 5 Sternen. Das Tool war technisch solide: multivariate Anomalieerkennung auf Sensor-Zeitreihen, EU-Hosting in Frankfurt, schnelle Inferenz, vernünftiges Pay-as-you-go-Modell. Aber: Neue Kunden kommen seit Oktober 2025 gar nicht mehr rein. Bestehende Workloads laufen bis Oktober 2026, dann ist Schluss. Für Neuprojekte scheidet der Dienst vollständig aus. Die richtige Wahl ist jetzt: AWS IoT SiteWise mit nativer Anomalieerkennung (Nachfolger im AWS-Ökosystem) oder eine spezialisierte Lösung (Augury, Senseye, Limble CMMS mit eingebauter Anomalieerkennung). Lookout for Equipment war zu seiner Zeit gut, seine Zeit ist vorbei.

Was wir bemerkt haben

• Oktober 2025, Neue Kunden können Amazon Lookout for Equipment seit dem 7. Oktober 2025 nicht mehr aktivieren. Bestehende Kunden erhalten Zugang bis zum 7. Oktober 2026, danach wird der Dienst vollständig eingestellt. AWS verweist auf die native Anomalieerkennung in AWS IoT SiteWise als Nachfolgelösung.
• 2025–2026, Die Pay-as-you-go-Preise wurden gegenüber dem Marktstart angepasst: Datenaufnahme jetzt 0,20 USD/GB (vorher 0,05 USD/GB), Inferenz 0,25 USD/Stunde (vorher 0,15 USD/Stunde). Die Anpassung ist gemessen am gelieferten Wert moderat, fällt aber bei großen Sensor-Flotten messbar ins Gewicht.
• 2023, Die Frankfurt-Region (eu-central-1) wurde verfügbar, was Lookout für deutsche Industriekunden überhaupt erst DSGVO-konform nutzbar gemacht hat. Ein wichtiger Schritt, der jetzt allerdings nur noch eine Restlaufzeit von rund 1,5 Jahren hat.
• 2021, Markteinführung als General Availability. Lookout for Equipment positionierte sich von Anfang an als “Managed ML für Industrie-Sensoren”, ein Markt, der seitdem deutlich diverser geworden ist. Die Entscheidung von AWS, den Dienst zugunsten von SiteWise (mit dem deutlich breiteren Funktionsumfang als Asset-Performance-Management-Plattform) einzustellen, ergibt strategisch Sinn, operativ ist sie für bestehende Kunden trotzdem ein Bruch.