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.

In einer Produktionslinie, die 1.000 Fahrzeuge pro Tag fertigt, kann eine Reduktion der Rüstzeiten um fünf Prozent Millionen Euro pro Jahr einsparen. Eine bessere Sequenzoptimierung bedeutet weniger Leerlauf-Slots, weniger Nacharbeit und mehr Output pro Schicht — ohne mehr Personal oder Maschinen.

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.

Das Bundesministerium für Wirtschaft und Klimaschutz förderte ab 2023 das REPLAKI-Forschungsprojekt (REalistische Planung mit KI), das genau diese Herausforderung untersucht: Wie lässt sich KI in volatilen, unzureichend digitalisierten Wertschöpfungsketten für „Batch size 1”-Produktion einsetzen? Das zeigt, wie komplex das Thema ist — und wie aktiv daran gearbeitet wird.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Effizienzwerte aus APS-Implementierungen in der diskreten Fertigung. Tatsächliche Werte abhängig von Linienarchitektur, Variantenanzahl und Datenqualität.

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: 20.000 bis 100.000 Euro für Lizenz und Implementierung, dazu 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. Realistisches Minimum bis Produktivbetrieb: sechs bis neun Monate für einen Tier-2-Zulieferer mit zwei Linien.

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) — Marktführer 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. Enterprise-Preisgestaltung, typisch ab 100.000 Euro für mittelgroße Implementierungen inklusive Beratung.

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. Günstiger als Siemens Opcenter, gut geeignet für Tier-2-Zulieferer mit 2–5 Linien.

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, Budget unter 50.000 Euro → Asprova
• 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. In diesem Fall gilt Art. 88 DSGVO in Verbindung mit § 26 BDSG (Datenschutz im Beschäftigungsverhältnis) — und die Betriebsratsmitwirkung ist zu klären, bevor persönliche Leistungsdaten automatisiert erfasst werden.

Für reine Produktionssequenzierung ohne Personaldaten ist der datenschutzrechtliche Aufwand minimal. Ein AVV mit dem APS-Anbieter ist trotzdem sinnvoll — nicht aus DSGVO-Pflicht, sondern um Vertraulichkeit von Produktionsdaten und Fertigungs-Know-how zu sichern.

EU AI Act Hinweis: APS-Systeme, die im Hintergrund Entscheidungen über Produktionsreihenfolgen treffen, könnten je nach Ausgestaltung unter die Anforderungen des EU AI Act fallen (insbesondere wenn Systeme mit unmittelbarem Einfluss auf Arbeitsbedingungen genutzt werden). Dieser Punkt ist noch in der Auslegungsklärung — für Implementierungen ab 2026 empfiehlt sich eine rechtliche Einordnung.

Was es kostet — realistisch gerechnet

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

• Keine Toolkosten außer ChatGPT/Julius AI (20–50 Euro/Monat)
• 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: 20.000–80.000 Euro einmalig oder 1.500–5.000 Euro/Monat (SaaS)
• Implementierungsaufwand: 3–9 Monate, externe Berater oft nötig
• ROI-Erwartung: 5–15% Effizienzsteigerung in Linienauslastung und Rüstzeitreduktion

ROI-Beispiel: Tier-1-Zulieferer, 2 Fertigungslinien, je 200 Einheiten/Tag, durchschnittliche Rüstzeit 8 Minuten, 15 Rüstvorgänge pro Schicht. APS reduziert auf 11 Rüstvorgänge: 4 × 8 Minuten = 32 Minuten gewonnene Produktionszeit pro Schicht = ca. 3–4 zusätzliche Einheiten. Bei 300 Schichten/Jahr und 150 Euro Deckungsbeitrag pro Einheit: 135.000–180.000 Euro Zusatzertrag. APS-Investition: 50.000–100.000 Euro einmalig. Amortisation: 1–2 Jahre.

Das konservative Szenario: Nur 3 Rüstvorgänge weniger statt 4, nur 200 Schichten: 3 × 8 Minuten = 24 Minuten = ca. 3 Einheiten × 150 Euro × 200 Schichten = 90.000 Euro. Immer noch über der Investitionsschwelle — wenn die Datenbasis und die Implementierung stimmen.

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 6 bis 9 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

• REPLAKI-Forschungsprojekt: Bundesministerium für Wirtschaft und Klimaschutz, Förderbekanntmachung 2023. Projektbeschreibung „REalistische Planung mit KI in volatilen Wertschöpfungsketten”.
• APS-ROI-Benchmarks: RELEX Solutions, „The Executive Guide to AI-Driven Production Planning & Scheduling” (2025); MangoGem APS Optimizer, Benchmark-Daten aus APS-Implementierungen (2024). Typische Payback-Perioden 6–12 Monate (mittlere Komplexität), Durchsatzsteigerung 15–25%.
• Rüstzeit-ROI-Beispiel: Erfahrungswerte aus APS-Implementierungen bei Automotive-Tier-1-Zulieferern. Rüstzeiten und Deckungsbeiträge: Illustrative Annahmen, nicht repräsentative Studie.
• EU AI Act: Verordnung (EU) 2024/1689, in Kraft seit 1. August 2024, Anwendung ab 2025/2026 je nach Risikostufe.
• 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.