Fertigungsplanung mit KI

Das echte Ausmaß des Problems

In der Automobilfertigung ist die Produktionsreihenfolge keine triviale Entscheidung. Welches Fahrzeug oder Bauteil kommt als nächstes auf die Linie, in welcher Reihenfolge? Diese Entscheidung bestimmt, wie oft umgerüstet wird, ob Teile rechtzeitig bereitstehen, ob Kapazitäten gleichmäßig verteilt sind und ob die Nacharbeitstation überlastet ist.

Eine bessere Sequenzoptimierung bedeutet weniger Leerlauf-Slots, weniger Nacharbeit und mehr möglichen Output pro Schicht, ohne mehr Personal oder Maschinen. Beim Zulieferer, der nach Abruf fertigt, wird daraus allerdings nur Geld, wenn die gewonnene Linienzeit verkauft werden kann oder Sonderschichten ersetzt. Die Beispielrechnung unten trennt beide Fälle.

Das Problem ist die kombinatorische Komplexität. Ein Bauteil mit 50 Ausstattungsvarianten, vier Konfigurationen und 20 Sonderoptionen ergibt Millionen theoretischer Sequenzkombinationen. Welche Abfolge verträgt sich auf der Linie ohne Zusatzrüstaufwand? Diese Frage überfordert jede manuelle Planung. Klassische Planungssoftware wie SAP PP löst das mit vereinfachenden Regeln, aber nicht mit echter Optimierung. Echte Optimierung braucht Methoden aus dem Operations Research kombiniert mit datenbasierter Prognose.

Mit vs. ohne KI, ein ehrlicher Vergleich

¹ Eine belastbare Prozentzahl für den Auslastungsgewinn durch APS haben wir nicht gefunden, die kursierenden Werte stammen aus Anbietermaterial. Abschätzen lässt er sich vorab an der eigenen Rüstzeit-Aufstellung: Wie viele Minuten je Schicht gehen auf vermeidbare Wechsel?

Einschätzung auf einen Blick

Zeitersparnis, sehr niedrig (1/5) Das klingt zunächst widersprüchlich, APS spart erheblich Planungszeit. Das Problem: Diese Zeitersparnis tritt erst nach 9 bis 12 Monaten Implementierung ein. Bis dahin investiert die Planungsabteilung erheblich mehr Zeit als im Status quo: Constraint-Dokumentation, Kalibrierung, Parallelplanung, Anpassung des Modells. Von allen Anwendungsfällen in dieser Kategorie ist das der, bei dem man am längsten warten muss, bis die Zeitersparnis spürbar wird.

Kosteneinsparung, niedrig (2/5) Die Investitionskosten sind erheblich: Siemens und Asprova nennen keine Listenpreise, unsere Toolseite zu Asprova nennt nach Kundenberichten 80.000 bis 250.000 Euro Erstinvestition für Mittelständler, dazu kommen oft externe Beraterkosten für 3–9 Monate. Der Nutzen, Effizienzgewinne in Linienauslastung und Rüstzeiten, ist real, aber er braucht Zeit und ist schwer exakt zu isolieren (gleichzeitig laufende Prozessverbesserungen, Personalwechsel und Varianzänderungen machen die Kausalität komplex). Verglichen mit Gebrauchtwagenpreisbewertung oder After-Sales-Automatisierung ist das Kosten-Nutzen-Verhältnis in den ersten Jahren ungünstiger.

Schnelle Umsetzung, sehr niedrig (1/5) Das ist gemeinsam mit der Lieferkettenoptimierung die komplexeste Implementierung in dieser Kategorie. Ein APS-System muss alle Fertigungs-Constraints kennen, und diese sind oft nicht dokumentiert, verteilt über mehrere Personen, und müssen erst formalisiert werden. ERP-Datenqualität ist häufig unzureichend. Parallelplanung ist zwingend. Realistisch für einen Tier-2-Zulieferer mit zwei Linien: Parallelplanung ab Monat sieben, Vollbetrieb nach neun bis zwölf Monaten (Zeitplan unten).

ROI-Sicherheit, mittel (3/5) APS-Systeme liefern messbare Ergebnisse, aber die Attributionsfrage ist komplex. Wenn die Linienauslastung nach der Implementierung um acht Prozent steigt, ist davon wie viel das APS-System? Wie viel eine parallele Prozessoptimierung? Wie viel die neue Schichtführung? In der Praxis wird der ROI über Rüstzeitreduktion und Mehrdurchsatz gemessen, beides ist zählbar, wenn eine Basismessung vor der Implementierung existiert. Ohne diese Basismessung bleibt der ROI-Nachweis qualitativ.

Skalierbarkeit, hoch (4/5) Das ist der eigentliche Stärkebereich: Je mehr Varianten, je mehr Linien, je mehr Auftragsänderungen, desto mehr Wert liefert ein APS-System. Die E-Mobilitätswende bringt neue Antriebsvarianten, neue Ausstattungskombinationen und neue Produktionsmix-Anforderungen. Manuelle Planung skaliert nicht mit steigender Variantenvielfalt. APS tut es.

Richtwerte, stark abhängig von Fertigungsstruktur, Variantenanzahl und ERP-Datenqualität.

Was das System konkret macht

KI-gestützte Fertigungsplanung arbeitet auf zwei Ebenen: kurzfristige Sequenzoptimierung (welche Reihenfolge auf der Linie?) und mittelfristige Kapazitätsplanung (wie verteilt sich der Auftragseingang auf verfügbare Kapazitäten?).

Constraint-Modell aufbauen Alle Produktionsbeschränkungen werden formalisiert: Welche Konfigurationen dürfen nicht direkt hintereinander folgen (z. B. wegen Farbwechsel-Aufwand)? Welche Teile haben begrenzte Bandpuffer? Welche Stationen haben unterschiedliche Taktzeiten? Dieser Schritt ist aufwendig, er erfordert gutes Prozesswissen, aber er ist die Basis für jede realistische Optimierung.

Demand-Prognose integrieren Das Machine Learning-Modell wird mit historischen Auftragseingangsdaten trainiert und lernt Muster: Welche Modelle und Varianten werden in welchen Mengen bestellt? Gibt es saisonale Effekte? Diese Prognose schärft die Kapazitätsplanung für die nächsten 4 bis 12 Wochen.

Sequenzoptimierung und Simulation Ein Constraint-Optimization-Algorithmus, häufig per Integer Programming oder genetischen Algorithmen, berechnet für einen gegebenen Auftragspool die optimale Produktionsreihenfolge. Das System simuliert mehrere Szenarien und zeigt dem Planer die Auswirkungen verschiedener Entscheidungen. Der Planer trifft die finale Entscheidung, das System liefert die Grundlage.

Echtzeit-Anpassung Wenn ein Auftrag kurzfristig eingeht, eine Anlage ausfällt oder ein Teile-Engpass entsteht, berechnet das System in Minuten einen angepassten Plan, keine mehrstündige Neuplanung mehr. Das ist der unmittelbare operative Vorteil im Tagesgeschäft.

Was das System nicht kann Ein APS-System ist so gut wie das Constraint-Modell, auf dem es basiert. Prozesswissen, das nicht formalisiert wurde, fließt nicht ein. Wenn ein Planer weiß, dass Station 3 bei bestimmter Luftfeuchtigkeit langsamer läuft, ist das kein Wissen, das automatisch im System landet. Implizites Fertigungswissen zu formalisieren ist eine der aufwändigsten und häufig unterschätzten Aufgaben bei der APS-Einführung.

Konkrete Werkzeuge, was wann passt

Siemens Opcenter (ehem. Preactor) , Weit verbreitetes System für Advanced Planning and Scheduling in der diskreten Fertigung. Sehr stark für Automotive-Produktionssequenzierung mit komplexen Constraints. Integration in SAP und andere ERP-Systeme möglich. Preise nennt Siemens nur auf Anfrage; eine Größenordnung liefert erst ein Angebot, für das du Linien, Planungsarbeitsplätze und ERP-Schnittstellen nennst und Lizenz, Wartung und Einführung getrennt ausweisen lässt.

SAP Digital Manufacturing , Für SAP-Kunden die direkte Verlängerung der ERP-Landschaft in die Fertigung. Sequenzoptimierung, MES-Funktionen und KI-Prognosen zunehmend integriert. Sinnvoll, wenn SAP das zentrale System ist und der Daten-Stack bereits aufgebaut ist.

Asprova , APS-System mit Stärken bei Lean-Manufacturing-Logik, in Deutschland weniger verbreitet als Siemens, aber sehr leistungsfähig bei Constraint-basierter Sequenzoptimierung, gut geeignet für Tier-2-Zulieferer mit 2–5 Linien. Keine Listenpreise; unsere Toolseite nennt nach Kundenberichten 80.000 bis 250.000 Euro Erstinvestition aus Lizenz und Erstprojekt. Ob das günstiger ist als Opcenter, zeigt nur ein Angebot mit gleichem Umfang.

Power BI , Kein Planungstool, aber wichtig für das Monitoring von Produktionskennzahlen: Linienauslastung, Rüstzeithäufigkeit, Bandlückenanalyse. Guter erster Schritt, bevor ein APS-Invest gerechtfertigt wird, zeigt, wo die echten Verluste entstehen.

Julius AI , Für explorative Analyse von Produktionsdaten aus CSV-Exports: Wo entstehen die meisten Rüstzeiten? Welche Sequenzkombinationen verursachen Bandlücken? Als analytischer Schritt vor der APS-Entscheidung sehr nützlich.

Microsoft 365 Copilot , Nicht für Sequenzoptimierung geeignet, aber nützlich für Planerberichte, KPI-Zusammenfassungen und das Erstellen von Planungsunterlagen aus Excel-Daten.

Zusammenfassung: Wann welcher Ansatz

• SAP-Umgebung, komplexe OEM-Anforderung → SAP Digital Manufacturing
• Standalone-APS, Tier-1 oder größerer Tier-2 → Siemens Opcenter
• Tier-2, 2–5 Linien → Asprova, Angebot gegen Opcenter halten
• Analyse vor der APS-Entscheidung → Julius AI + Power BI

Datenschutz und Datenhaltung

Fertigungsplanung verarbeitet in der Regel keine personenbezogenen Daten, Auftragsdaten, Maschinenkennzahlen, Teilenummern und Kapazitätsdaten sind keine personenbezogenen Informationen im Sinne der DSGVO.

Ausnahme: Wenn Schichtdaten, Mitarbeiterzuordnungen oder Qualifikationsprofile in das System einfließen, ist DSGVO-Relevanz gegeben. Dann braucht die Verarbeitung eine Rechtsgrundlage aus Art. 6 DSGVO; § 26 BDSG gilt seit dem EuGH-Urteil vom 30.03.2023 (C-34/21) als kaum noch tragfähige Grundlage. Der Betriebsrat bestimmt nach § 87 Abs. 1 Nr. 6 BetrVG mit, bevor persönliche Leistungsdaten automatisiert erfasst werden.

Für reine Produktionssequenzierung ohne Personaldaten ist der datenschutzrechtliche Aufwand minimal. Eine Geheimhaltungsvereinbarung mit dem APS-Anbieter ist trotzdem sinnvoll, um Produktionsdaten und Fertigungs-Know-how zu schützen. Ein AVV ist dafür das falsche Werkzeug, er regelt Personendaten, nicht Betriebsgeheimnisse.

EU AI Act Hinweis: Anhang III der KI-Verordnung zählt die Hochrisiko-Bereiche abschließend auf, die Fertigungsplanung steht dort nicht. Nr. 2 erfasst nur Sicherheitsbauteile kritischer Infrastruktur, also Strom-, Gas-, Wärme-, Wasser- und Verkehrsnetze, eine Produktionslinie gehört nicht dazu. Ein APS, das Aufträge auf Maschinen sequenziert, ist damit kein Hochrisiko-System. Die Grenze verläuft dort, wo dasselbe System Menschen zuteilt: Steuert es Schichten, Aufgabenzuweisung oder Leistungsbewertung einzelner Beschäftigter nach deren Verhalten oder persönlichen Merkmalen, greift Anhang III Nr. 4 Buchst. b, und die Pflichten aus Kapitel III Abschnitte 1 bis 3 gelten dafür ab dem 2. Dezember 2027. Unabhängig von der Einstufung verlangt Art. 4 seit dem 2. Februar 2025, die Entwicklung der KI-Kompetenz der eigenen Planerinnen und Planer zu unterstützen.

Was es kostet, realistisch gerechnet

Einstieg (Excel-basierte Optimierung mit KI-Unterstützung):

• Keine Toolkosten außer ChatGPT Plus (23 Euro/Monat) oder Julius AI (Plus 20 USD/Monat, Pro 45 USD/Monat, abgerechnet in US-Dollar)
• Machbar für Zulieferer mit einfachen Linien und wenigen Varianten
• Nicht skalierbar für komplexe Multi-Constraint-Umgebungen

Mittelklasse APS (z. B. Asprova oder Siemens Opcenter Mid-Market):

• Software-Lizenz: nur auf Angebot. Siemens veröffentlicht für Opcenter keine Listenpreise, Asprova ebenfalls nicht; hol dir von beiden ein Angebot mit derselben Linien- und Arbeitsplatzzahl, getrennt nach Lizenz, Wartung und Einführung
• Implementierungsaufwand: 3–9 Monate, externe Berater oft nötig
• Wirkung: weniger Rüstvorgänge und kürzere Umplanung, der Effekt auf die Linienauslastung ist vorab nur über die eigene Rüstzeit-Aufstellung abschätzbar

ROI-Beispiel: Tier-1-Zulieferer, 2 Fertigungslinien, zusammen 200 Einheiten am Tag. Auf einer Linie fallen je Schicht 15 Rüstvorgänge à 8 Minuten an. APS reduziert auf 11: 4 mal 8 Minuten = 32 Minuten Linienzeit je Schicht. Bei 300 Schichten im Jahr sind das 9.600 Minuten, 160 Stunden, rund 20 Achtstundenschichten.

Was das in Euro wert ist, hängt davon ab, ob ihr die Zeit verkaufen könnt:

• Die Linie ist der Engpass, und der Kunde ruft mehr ab, als sie heute schafft. Dann zählt der Deckungsbeitrag: Bei der Taktzeit dieser Linie sind 32 Minuten rund 3 zusätzliche Einheiten je Schicht, bei 150 Euro Deckungsbeitrag 3 mal 150 mal 300 = 135.000 Euro im Jahr.
• Ihr fertigt nach festem Abruf, der Normalfall beim Zulieferer. Dann verkauft ihr keine Einheit mehr. Die gewonnene Zeit ersetzt Sonderschichten und Überstunden und ist genau so viel wert, wie euch rund 20 Sonderschichten im Jahr kosten, sofern ihr heute überhaupt welche fahrt. Ohne Sonderschichten bleibt ein Gewinn an Planbarkeit, kein Geldbetrag.

Vorsichtige Variante: nur 3 Rüstvorgänge weniger und 200 Schichten, also 24 Minuten je Schicht. Im Engpassfall sind das gut 2 Einheiten, 2 mal 150 mal 200 = 60.000 Euro, im Abruffall rund 10 eingesparte Sonderschichten.

Die APS-Investition kennst du erst mit dem Angebot. Maßgeblich ist der Fall, der bei euch tatsächlich gilt: Liegen Lizenz, Einführung und das erste Jahr Wartung unter diesem Jahreswert, ist die Investition im ersten Jahr wieder drin; laufende Wartung oder Abo-Gebühren gehören jedes Jahr mit in die Rechnung. Mit den 80.000 bis 250.000 Euro, die unsere Toolseite für Asprova nennt, trägt sich das System im Abruffall nur, wenn ihr heute tatsächlich viele Sonderschichten fahrt.

Vier typische Einstiegsfehler

1. Mit allen Constraints auf einmal starten, und dann das erste Ergebnis wegwerfen. Das APS-System liefert nach Woche drei seinen ersten Vorschlagsplan. Der Teamleiter schaut kurz drauf: Station 4 und Station 7 dürfen nicht hintereinander laufen, das weiß jeder auf der Linie, stand aber nirgends dokumentiert. Der Plan ist wertlos. Das Vertrauen ins System ist weg, bevor es begonnen hat. Tatsächlich sind die meisten Constraints nicht dokumentiert, sie stecken im Kopf des erfahrenen Teamleiters. Lösung: Mit zwei bis drei Kernconstraints starten, Modell kalibrieren, schrittweise erweitern.

2. ERP-Datenqualität als gegeben annehmen. APS-Systeme brauchen saubere Stammdaten: aktuelle Rüstmatrizen, korrekte Taktzeiten, vollständige Teileverfügbarkeitsdaten. In der Praxis sind diese Daten häufig unvollständig, veraltet oder über mehrere Systeme verteilt. Die Datensäuberung vor der APS-Implementierung dauert in der Regel zwei bis vier Wochen länger als geplant, und kann nicht übersprungen werden.

3. Planer als Passagiere behandeln. Ein APS-System, das Pläne vorschlägt, die Planer nicht verstehen oder nachvollziehen können, erzeugt Widerstand. „Black-Box-Planung” ist das häufigste Akzeptanzproblem. Lösung: Das System muss immer erklären können, warum eine Sequenz vorgeschlagen wurde. Und Planer müssen die Möglichkeit behalten, begründet abzuweichen, das System ist Unterstützung, kein Befehlsgeber.

4. Constraint-Modell nach Go-live nicht aktuell halten. Produktionslinien ändern sich: neue Varianten kommen hinzu, Stationen werden umgebaut, Rüstzeiten verschieben sich durch geänderte Reihenfolgeregeln. Ein APS-System, dessen Constraint-Modell nicht mit diesen Änderungen mitwächst, liefert zunehmend suboptimale Pläne, ohne Fehlermeldung, ohne sichtbare Warnung. Planer merken das erst, wenn sie immer häufiger vom System-Vorschlag abweichen. Lösung: Jede produktionsrelevante Änderung löst eine obligatorische Constraint-Review aus; einmal pro Quartal findet ein formaler Abgleich des Modells mit dem aktuellen Fertigungsstand statt.

Was mit der Einführung wirklich passiert, und was nicht

Der erste Produktivplan des APS-Systems wird schlechter sein als der des erfahrenen Planers. Das ist normal und kein Zeichen für ein schlechtes System, es ist ein nicht ausreichend kalibriertes Modell. Die Kalibrierungsphase dauert typischerweise zwei bis vier Monate. Wer das nicht kommuniziert, verliert in dieser Phase das Vertrauen des Teams.

Planer, die sich durch das System bedroht fühlen. Kein Planer hört gerne: „Das System plant das jetzt besser als du.” Die bessere Botschaft ist ehrlicher: „Das System übernimmt die kombinatorische Rechnung, du übernimmst die Entscheidung und die Kommunikation mit dem Kunden.” Das ist keine Rhetorik, sondern die Realität: APS ersetzt das Rechnen, nicht das Urteilen.

Was konkret hilft:

• Einen erfahrenen Planer als System-Champion einsetzen, jemand, der die Constraints kennt und das Modell mitformuliert
• Eine Parallelplanungsphase von mindestens 4 Wochen, in der APS-Pläne neben manuellen Plänen laufen und verglichen werden
• Einen monatlichen Review-Termin für Modellkalibrierung und Schwachstellen-Analyse

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

„Unsere Fertigungsplanung funktioniert seit Jahren gut, warum ändern?” Die Antwort liegt in der Variantenvielfalt: Wenn heute 20 Fahrzeugvarianten geplant werden, mögen bestehende Methoden ausreichen. Wenn es 200 werden, durch E-Mobilitätsvarianten, individualisierte Ausstattungen, neue Antriebsoptionen, wächst die Komplexität exponentiell. Der richtige Zeitpunkt für APS ist, bevor die Komplexität die manuelle Planung überwältigt, nicht danach.

„Das implementiert sich niemand in einem Jahr.” Das kommt auf den Scope an. OEM-Vollimplementierungen dauern 2 bis 3 Jahre. Für einen Tier-2-Zulieferer mit 2 Linien und 50 Auftragspositionen pro Woche ist ein funktionsfähiges System in 9 bis 12 Monaten erreichbar. Der Schlüssel ist ein klar begrenzter Pilotscope: eine Linie, ein Schichtmodell. Der Rest folgt iterativ.

„Wir haben nicht die Ressourcen für ein solches Projekt.” Das stimmt häufig, und ist manchmal die richtige Entscheidung. APS lohnt sich nicht für jeden. Wenn die Fertigungslinie wenig variiert, Auftragsmengen stabil sind und die Planungskomplexität handhabbar bleibt, ist der Aufwand für APS nicht gerechtfertigt. Wer diesen Use Case in Betracht zieht, sollte zuerst mit Julius AI oder Power BI eine Datenanalyse der eigenen Rüstzeiten und Auslastungsschwankungen machen, und prüfen, ob das Optimierungspotenzial überhaupt ausreicht, um den Invest zu rechtfertigen.

Woran du merkst, dass das zu dir passt

• Eure Fertigungslinie produziert mehr als 20 aktive Varianten gleichzeitig, mit unterschiedlichen Rüstanforderungen
• Planungsaufwand für Tages- und Wochenplanung übersteigt 2–3 Stunden täglich für erfahrene Planer
• Auftragsänderungen führen regelmäßig zu mehrstündiger Umplanung, der Planer ist dauerhaft reaktiv
• Rüstzeiten machen mehr als 5 Prozent der Produktionszeit aus, rechne: Rüstvorgänge × Durchschnitts-Rüstzeit ÷ Gesamtproduktionszeit
• Ihr habt saubere ERP-Daten, Stücklisten, Taktzeiten, Rüstmatrizen, Materialverfügbarkeit sind aktuell und vollständig

Wann es sich (noch) nicht lohnt: Bei weniger als 20 aktiven Varianten und stabilen Auftragseingängen ist ein APS-System Overkill. Auch wenn die ERP-Datenbasis nicht stimmt, wenn Stammdaten fehlen oder veraltet sind, verschwendet man mehr Zeit in der Implementierung als man gewinnt. Zuerst die Datenbasis aufräumen, dann APS.

Unter 50 Mitarbeitenden in der Fertigung ist das Verhältnis von Implementierungsaufwand zu Produktivitätsgewinn in der Regel ungünstig. Ein strukturierter Excel-Planungsprozess mit KI-gestützter Analyse (Julius AI) kann in dieser Größenordnung die meisten relevanten Verbesserungen liefern.

Das kannst du heute noch tun

Bevor du ein APS-System evaluierst: Analysiere deine eigenen Rüstzeit-Daten. Wenn das ERP diese Daten nicht hat, führe zwei Wochen lang eine einfache Strichliste: Wann wird gerüstet? Wie lange? Bei welchen Übergängen? Diese Datenerhebung kostet nichts und zeigt, ob das Optimierungspotenzial überhaupt vorhanden ist.

Für die erste Analyse eigener Produktionsdaten hilft dieser Prompt:

Quellen & Methodik

• Rüstzeit-ROI-Beispiel: Rüstzeiten, Schichtzahl und Deckungsbeitrag sind illustrative Annahmen, keine Messung.
• Asprova-Erstinvestition 80.000–250.000 Euro: Unsere Asprova -Toolseite, nach Kundenberichten, keine Anbieterangabe.
• Datenschutz im Beschäftigungsverhältnis: EuGH, Urteil vom 30.03.2023, C-34/21; § 87 Abs. 1 Nr. 6 BetrVG.
• EU AI Act: Verordnung (EU) 2024/1689 in der Fassung der Verordnung (EU) 2026/1744, in Kraft seit 1. August 2024, allgemeiner Geltungsbeginn 2. August 2026. Die Pflichten aus Kapitel III Abschnitte 1 bis 3 gelten für Hochrisiko-Systeme nach Anhang III ab dem 2. Dezember 2027.
• Siemens Opcenter, SAP Digital Manufacturing, Asprova: Veröffentlichte Produktinformationen der jeweiligen Anbieter (Stand April 2026).

Du willst wissen, ob sich APS für eure Fertigungsstruktur lohnt, und welcher Einstieg für euren Reifegrad passt? Meld dich.