26 KI-Use-Cases für die Elektrotechnik: Beispiele aus Fertigung, Planung und Service

Stücklistenprüfung bei komplexen Baugruppen dauert 4–8 Stunden pro Revision und ist fehleranfällig bei großen Teilezahlen.

KI analysiert Stücklisten gegen Normbibliotheken, Einkaufspreislisten und Konstruktionsregeln und kennzeichnet Abweichungen automatisch.

Prüfzeit je BOM-Revision um rund drei Viertel reduziert, weil nur noch markierte Positionen von Hand geprüft werden. Kostenpotenziale automatisch ausgewiesen. Wie stark die Fehlerquote sinkt, zeigt erst eine Vorher-Messung im eigenen Haus.

LLM-Direkteinstieg via Claude + Make.comERP-integrierte BOM-AnalysePLM- oder ERP-Umgebung (Teamcenter / SAP)

Technische Spezifikationen werden für jedes Projekt neu erstellt, 80 % des Inhalts ist wiederkehrend, aber trotzdem manuell.

KI-Assistent extrahiert Anforderungen aus Briefing-Dokumenten und befüllt Spezifikationsvorlagen automatisch mit validierten Standardwerten.

Erstellungszeit pro Spezifikation von 6 Stunden auf 45 Minuten reduziert, Konsistenz über alle Projekte sichergestellt.

LLM + Prompt-Bibliothek (kein Setup)Cloud-CCMS (Paligo / Ähnliches)Enterprise-CCMS mit KI-Modul (SCHEMA ST4)

Hunderte Prüfprotokolle werden manuell gesichtet, systematische Muster und frühe Qualitätssignale bleiben dabei unentdeckt.

KI verarbeitet strukturierte und unstrukturierte Prüfdaten, erkennt Muster und erstellt tägliche Qualitätsberichte automatisch.

Wochenbericht in unter einer Stunde statt in drei bis sechs Stunden. Qualitätsprobleme früher sichtbar, sofern sie sich als schleichender Trend ankündigen. Wie viel früher, zeigt erst der eigene Betrieb.

LLM-Freitextanalyse (kein Setup)Power BI + Python-TrendanalyseIIoT-Plattform (Siemens / SAP)

Servicetechniker verbringen 40–60 % der Diagnosezeit mit systematischem Ausschlussverfahren. Ohne datengestützte Unterstützung bleibt die First-Fix-Rate bei 55–70 % und jede zweite Stunde ist nicht wertschöpfend.

Ein Maschinenlernmodell analysiert Fehlerprotokolle, Messwertverläufe und Anlagendaten, vergleicht sie mit dokumentierten Altfällen und schlägt die wahrscheinlichste Ursache mit Konfidenzwert vor.

Diagnosezeit je Einsatz um 30–50 % gesenkt. First-Fix-Rate steigt von 65 % auf 80–90 %. Reparaturwissen erfahrener Techniker wird explizit gemacht und weitergegeben.

Eigenentwicklung mit Python + scikit-learn (flexibel, aufwändig)Predictive-Maintenance-Plattform wie Augury (schneller, weniger anpassbar)ServiceNow Predictive Intelligence (nur wenn ihr bereits ServiceNow nutzt)

IEC/VDE-Normen ändern sich laufend, und die Überwachung hängt oft an einer Person, die Bulletins liest. Fällt sie aus, laufen Übergangsfristen unbemerkt ab und werden erst beim Audit sichtbar.

Eine Regulatory-Intelligence-Plattform überwacht Norm-Änderungen, verknüpft sie mit dem eigenen Produktportfolio und erzeugt klassifizierte Aufgabenlisten je Norm und Produkt.

Neue Normfassungen und das Ende ihrer Übergangsfristen werden gemeldet, sobald sie feststehen, nicht erst beim Audit. Die Relevanzbewertung bleibt beim Menschen, ist aber je Alert dokumentiert und im Audit vorzeigbar.

Manuelle Recherche + LLM-Analyse (ab 20 €/Monat)Aktualisierungsdienst des Normenverlags, gefiltert per Zapier oder MakeNormenmanagement-Plattform des Normenverlags (Preis je Normauswahl)

Komplexe Produktkonfigurationen brauchen tiefes technisches Wissen. Ein Teil der Angebote enthält Kombinationen, die sich nicht bauen lassen, und das fällt erst in Konstruktion oder Montage auf. Revision, Nacharbeit und Kundenfrust kosten.

Ein CPQ-System mit Constraint-Logik und optionaler KI-Schicht prüft Kompatibilität und technische Regeln in Echtzeit, schlägt valide Varianten vor und erzeugt Angebot und Stückliste automatisch.

Ungültige Kombinationen werden im Angebot gesperrt statt in der Konstruktion entdeckt. Angebotserstellung 30–40 % schneller, weil Nachschlagen und Rückfragen entfallen. Wie stark die Fehlerquote sinkt, hängt an der Vollständigkeit der Regeln, miss sie vorher.

SaaS-CPQ (Zoovu, ServiceNow CPQ)Enterprise-CPQ (Tacton)Eigenentwicklung mit Python + Regel-Engine

Schaltplandokumentation wird manuell aus CAD-Daten extrahiert, fehleranfällig, zeitaufwändig und bei Revisionen schnell veraltet.

Automatisierte Dokumentationspipeline liest CAD-Daten und erzeugt konforme Dokumente nach Unternehmensstandard und Kundenvorgaben.

Die manuelle Dokumentationsarbeit am Projektende entfällt weitgehend; Versionen immer synchron mit CAD-Daten, weniger Kundenrückfragen.

Prompt-gestützt via Claude/ChatGPT (CSV-Export)Eingebaute Automatisierung in EPLAN/WSCADOn-Premise-Integration mit eigenem Rechenzentrum

Kabelberechnungen nach VDE 0100 sind zeitaufwändig und fehleranfällig, gerade bei komplexen Netzen mit vielen Abzweigen.

KI-Assistent führt normkonforme Berechnungen durch, prüft Schutzmaßnahmen und erstellt prüfbare Nachweisdokumentation.

Annahme: 1–2 Std. weniger je Anlage (2–3 Std. von Hand gegen 45–60 Min. inklusive Prüfung), selbst mitstoppen; VDE-konforme Nachweisdokumentation aus dem System, Fehler vor Ausführung erkannt.

Kostenloser Online-Kabelrechner (kein Setup)Kabelberechnungssoftware mit Update-Vertrag oder ENYEXPERT-AppMaßgeschneiderter Claude/ChatGPT-Prompt (API)

Angebotskalkulation für Elektroinstallationen dauert 2–4 Stunden und basiert oft auf Erfahrungswerten statt aktuellen Kostendaten.

KI analysiert Leistungsverzeichnis, greift auf Referenzprojekte und aktuelle Materialpreise zu und erstellt Vorkalkulation in Minuten.

Kalkulationszeit von 2–4 Stunden auf 30–45 Minuten reduziert, Gewinnmargen um 3–5 % verbessert durch genauere Kostenansätze.

KfE + Claude/ChatGPT (kein Setup)Spezialsoftware Moser/Ziemer (1–4 Wochen)Cloud-Lösung ServiceTitan/Tradify (4–8 Wochen)

Manuelle Endkontrolle kostet 30–45 Minuten pro Schaltschrank und ist bei steigendem Auftragsvolumen das Nadelöhr der Produktion. Ein einziger Verdrahtungsfehler im Feld kostet leicht 5.000–20.000 Euro.

Computer Vision prüft Verdrahtung, Komponenten und Beschriftung gegen den hinterlegten Schaltplan. Ein funktionaler Signaltest verifiziert Klemmbelegung und Schutzfunktionen. Die Kombination ersetzt die zeitaufwändige manuelle Sichtkontrolle.

Kontrollzeit von 35–45 Minuten auf 8–12 Minuten reduziert, automatische Prüfdokumentation ohne Nacharbeit, Feldrückläufer durch konsistente 100-Prozent-Kontrolle signifikant verringert.

CAD-Vergleich-Kamerasystem (kein ML-Training)CV-Pilotmodell via Landing AI / RoboflowVollintegration: Kamerarig + CV + Signaltest

EMV-Dokumentation für CE-Kennzeichnung erfordert stundenlanges Zusammenstellen von Prüfberichten, Normbezügen und Konformitätserklärungen.

KI extrahiert relevante Daten aus Prüfberichten, prüft Normvollständigkeit und erstellt CE-konforme Dokumentationssets automatisch.

Annahme: Technische Dokumentation je Produkt in 4–8 Stunden statt 3–5 Arbeitstagen, selbst nachmessen; fehlende Prüfungen fallen vor dem Labortermin auf statt danach.

Compliance Dokumenten-KI / Regulatory Automation

Technischer Support verbringt einen spürbaren Teil des Tages mit Triage und Weiterleitung von Anfragen statt mit Problemlösung, und jede falsch geleitete Mail kostet mehrere Leute je 20 Minuten.

NLP-System klassifiziert eingehende E-Mails und Tickets nach Produktkategorie, Fehlertyp und Dringlichkeit und leitet automatisch weiter.

Triageaufwand deutlich reduziert, laut Pexon Consulting lassen sich bis zu 70 % der Tickets nach Training vollautomatisch routen. Erstantwortzeit laut Freshworks-Benchmark im Schnitt 55 % kürzer, Eskalationen reduziert.

Helpdesk-AutomatisierungNLP-KlassifizierungML-gestütztes Routing mit ERP-Anbindung

Kalenderbasierte Wartung führt zu unnötigen Stopps bei gesunden Anlagen und verpasst echte Schäden, die sich zwischen zwei Terminen aufbauen.

ML-Modelle analysieren Sensorwerte und Ausfallhistorie in Echtzeit und empfehlen individuelle, risikoadjustierte Prüftermine, konform mit DGUV Vorschrift 3.

Laut Anbieterangaben 30–50 % weniger ungeplante Ausfälle und 15–25 % weniger Wartungskosten. Prüfintervalle nach DGUV V3 datengestützt begründbar. Rechnet sich nur bei hohen Ausfallkosten je Störung.

Condition Monitoring / Predictive Maintenance mit IoT-Sensoren und ML

Netzberechnungen in Planungsbüros sind zeitintensiv und fehleranfällig: Lastfluss, Kurzschluss und Schutzkoordinierung werden in separaten Iterationsrunden per Hand durchgeführt, Änderungen erfordern vollständige Neuberechnungen, Selektivitätsfehler werden erst bei Abnahme erkannt.

KI-Assistent importiert Netzpläne (DXF/IEC-CIM), berechnet Lastfluss- und Kurzschlussszenarien automatisch, schlägt Schutzeinstellungen vor und prüft Selektivitätsketten gegen IEC 60909 / VDE 0102, Berechnungsschleifen laufen nachts unbeaufsichtigt.

Rechenschleifen laufen automatisiert statt von Hand. Annahme: 8–20 Std. weniger je Projekt, vor allem Selektivitätsnachweis (4–8 statt 0,5–1,5 Std.) und Bericht (4–8 statt 1–2 Std.), selbst nachmessen. Inkonsistente Schutzeinstellungen fallen vor der Abnahme auf, Nachweisdokumente entstehen aus dem Modell.

pandapower-Skripte (Open Source)PowerFactory/NEPLAN Python-APILLM-Assistent für Doku und Normprüfung

Halbleiterengpässe treffen unvorbereitet, Notfallkäufe auf dem Spotmarkt kosten ein Vielfaches des Listenpreises, und ein fehlendes Bauteil kann die ganze Linie stoppen.

KI-System kombiniert Distributor-Bestandstrends, Lead-Time- und Lifecycle-Daten (z. B. SiliconExpert, Supplyframe Commodity IQ) und internes ERP zu täglichem Risiko-Score je Bauteil, Alerts mit Handlungsfenster in Wochen.

Engpässe Wochen früher erkannt, solange sie sich in Markt- und Bestandsdaten ankündigen. Weniger Notfallkäufe zum Spotpreis. Wie viele Produktionsstopps das verhindert, ist nicht belegt und hängt an der Reaktion des Einkaufs.

Bauteil-Monitoring (Marktdaten)Supply Chain Intelligence mit ERPMulti-Tier Risiko-Plattform

Professionelle Fachübersetzungen kosten 0,12–0,20 € pro Wort und dauern Wochen, bei häufigen Produktänderungen bleibt die Dokumentation in Exportsprachen chronisch veraltet.

DeepL API mit firmeneigenem Fachglossar und Translation Memory übersetzt technische Dokumente in Minuten statt Wochen, mit Terminologie-Kontrolle für Normbezeichnungen.

Übersetzungskosten um 50–70 % reduziert, Turnaround von Wochen auf Stunden bis wenige Tage je Sprache, konsistente IEC/VDE-Terminologie über alle Sprachen und Dokumenttypen.

DeepL API mit GlossarMT-Post-Editing-WorkflowCAT-Tool mit TM und Termbase

Manuelle Produktionsplanung für variantenreiche Elektronikfertigung zerbricht an der Komplexität: Zu viele Aufträge, zu viele Maschinen, zu viele sequenzabhängige Rüstzeiten, und dann kommt noch eine Lieferverzögerung dazwischen.

Ein KI-Planungssystem optimiert die Auftragsreihenfolge unter Berücksichtigung realer Rüstmatrizen, aktueller Maschinenverfügbarkeit und ERP-Bedarfssignalen, und rechnet bei Störungen innerhalb von Minuten einen neuen Belegungsplan.

Annahme: 15–25 % weniger Rüstzeit, bei 15–30 % Rüstanteil also 2–8 % mehr Laufzeit; eine unabhängige Messung dazu haben wir nicht gefunden. Dazu schnellere Umplanung und bessere Liefertermintreue. Geld wird die gewonnene Maschinenzeit nur, wenn die Linie der Engpass ist.

Regelbasiertes APSAPS mit ML-OptimierungIntegrierte Supply-Chain-Plattform

Neue Produkte und Normenänderungen erfordern ständig neue Schulungsunterlagen, die Erstellung bindet wochenlang die Zeit von Elektrofachkräften, die eigentlich im Einsatz gebraucht werden.

KI extrahiert Kerninhalte aus Servicedokumenten und Prüfprotokollen, strukturiert sie als Lernmodule mit Aufgaben und hält den Inhalt bei Normenänderungen synchron.

Erstellungszeit pro Schulungsmodul kürzer, vor allem beim Sichten der Dokumente und bei Quizfragen. Ein Anbieter verspricht 70–85 % weniger, unabhängig gemessen hat das niemand, drei Pilotmodule zeigen deinen Wert. Unterweisungsnachweis nach DGUV Vorschrift 1 lückenlos digital dokumentiert.

NotebookLM für ersten Modul-EntwurfiSpring Suite oder TalentLMS mit KI-AuthoringVollständiges LMS mit Nachweis und Rollenpfaden

Einkäufer vergleichen Lieferantenangebote manuell in Excel, Preishistorie, Liefertreue-Kennzahlen und Qualitätsauffälligkeiten liegen in verschiedenen Systemen und werden selten zusammengeführt.

KI-Plattform aggregiert ERP-Einkaufsdaten, Reklamationsquoten und Marktpreisindizes, berechnet Lieferanten-Scores automatisch und flaggt Preisausreißer mit Benchmark-Vergleich.

Angebotsvergleich per Distributor-API statt aus fünf Browser-Tabs, Annahme: 1,5–3 Std. auf 10–20 Min., beim nächsten Vergleich selbst stoppen. Datenbasierte Verhandlungsvorbereitung für den verhandelbaren Teil des Einkaufs, Lieferantenrisiken frühzeitig erkannt. Wie viel Prozent ihr spart, zeigt erst der erste Verhandlungszyklus.

Octopart API + n8n für PreisabfragenTacto oder Jaggaer für MittelstandSAP Ariba oder LevaData für Großunternehmen

Energiekostentreiber in elektrischen Anlagen bleiben unsichtbar, weil Messdaten aus Zählern, SCADA und Smart Metern manuell nicht konsolidierbar sind und Lastspitzen im Nachhinein nicht mehr korrigierbar sind.

KI analysiert 15-Minuten-Lastprofile, erkennt systematische Gleichzeitigkeitsprobleme und berechnet, welche Schaltmaßnahmen die Leistungspreis-Abrechnung konkret entlasten.

Einsparpotenziale von 8–20 % identifizierbar, laut einer Studie in zehn Fabriken 6–25 %; Spitzenlastkappung oft in Wochen umsetzbar; Datenbasis für Energieaudit nach EDL-G und Energiemanagement nach EnEfG.

Julius AI für ersten Lastgang-TestENIT Energy oder Power BI für MittelstandSchneider EcoStruxure oder Siemens Insights Hub

Elektrokonstrukteure wiederholen in jedem Projekt dieselben Makros, suchen manuell nach passenden Betriebsmitteln im Katalog und prüfen Verdrahtungsregeln per Augenschein, obwohl ein großer Teil der Schaltplaninhalte projektübergreifend ähnlich ist.

KI-Copilot direkt im E-CAD (WSCAD ELECTRIX AI 2026, seit Oktober 2024 produktiv verfügbar; EPLAN bewirbt einen eigenen Copilot, Reifegrad vor dem Kauf prüfen) analysiert Projektanforderungen, schlägt Komponenten aus dem eigenen Gerätekatalog vor, übernimmt Makro-Platzierung und prüft Verdrahtungsregeln gegen IEC 60617.

Weniger Zeit für Komponentensuche, Makro-Platzierung und Schrankaufbau, laut Herstellerfallstudie bei WAGO 50 % kürzere Projektlaufzeiten; Regelverstöße fallen während der Eingabe auf statt im Review; Einarbeitungszeit neuer Konstrukteure verkürzt.

wscaduniverse-Katalog kostenlos nutzenWSCAD ELECTRIX AI direkt im E-CADEPLAN mit Cogineer/eBUILD, Copilot-Reifegrad prüfen

PCB-Layout-Ingenieure verbringen einen großen Teil der Projektzeit mit manuellem Routing und iterativer EMV-Optimierung, Design-Rule-Checks werden erst spät im Prozess ausgeführt, Fehler kosten teure Prototypenschleifen.

KI-gestütztes PCB-Layout (Cadence Allegro X AI, Quilter.ai, CELUS) platziert Bauteile regelbasiert, generiert Routing-Vorschläge unter Berücksichtigung von Signalintegrität und Wärmeverteilung und flaggt DRC-Verletzungen in Echtzeit.

Platzierung und Routing laut Herstellerbenchmark in 75 Minuten statt drei Tagen, weniger layoutbedingte Respins, jeder davon kostet laut einem Cadence-Reseller 10.000–50.000 USD.

Quilter.ai Free-Tier auf KiCad oder AltiumCELUS für vorgelagerte KonzeptphaseCadence Allegro X AI für High-Speed-Designs

Klassische regelbasierte AOI-Systeme erzeugen auf dicht bestückten Platinen (BGA, QFN) Pseudofehlerraten von 20–40 %, Bediener bestätigen Alarm für Alarm manuell und verlieren Vertrauen ins System, echte Fehler werden übersehen.

KI-AOI-Systeme trainieren auf realen Produktionsbildern und unterscheiden zuverlässig zwischen echten Defekten und akzeptablen Variationen, Pseudofehlerrate unter 5 %, echte Defekterkennungsrate über 98 %.

Nacharbeit und Fehlalarme um 60–80 % reduziert, Durchsatz auf der SMT-Linie erhöht, Ausschussrate messbar gesenkt, insbesondere bei BGA- und QFN-Bestückung.

Bestehendes AOI mit Deep-Learning-Modul nachrüstenCognex VisionPro Deep Learning oder Keyence XG-XKoh Young KAP für 3D-AOI im Premiumsegment

Halbleiterfabs produzieren täglich hunderttausende Wafer, die manuelle Defektklassifizierung ist ein Engpass. Inkonsistente Klassifizierungen zwischen Inspektoren führen zu verspäteten Prozessrückkopplungen und unkontrollierten Excursions.

Ein Convolutional Neural Network (CNN) klassifiziert Wafer-Bin-Maps vollautomatisch in bekannte Defektklassen (Edge-Ring, Scratch, Center, Donut, Local, Clustered), mit Konfidenzwert und automatischer Eskalation bei unbekannten Mustern.

Klassifizierungsdurchsatz steigt um Faktor 10–50. Erkennung von Excursions in unter zwei Stunden statt 24–72 Stunden. ROI durch Yield-Schutz: bereits 1 % Yield-Verbesserung entspricht bei 300-mm-Produktion Millioneneinsparungen pro Jahr.

WM-811K-Datensatz als Open-Source-StartpunktTransfer Learning auf ResNet/EfficientNet, fab-trainiertIntegration in KLA Klarity oder Onto Discover via KLARF

Bondbrüche beim Encapsulating-Prozess sind erst nach dem Verguss sichtbar, dann ist das Bauteil Ausschuss. Bei 0,1–0,3 % Ausfallrate in High-Volume-Produktion summiert sich der Schaden schnell auf sechsstellige Beträge.

ML-Modell korreliert Vergussparameter (Einspritzgeschwindigkeit, Viskosität, Temperatur, Werkzeuggeometrie) mit Bondbruch-Ereignissen. Hochgeschwindigkeitskamera detektiert abnormale Fließfront in Echtzeit für sofortigen Eingriff.

Bondbruch-Rate sinkt um 60–80 %. Ausschusskosten bei Bauteilen mit 2–20 € Einzelwert bei 100k+ Stück/Tag sind direkt kalkulierbar. Erstmalige Sichtbarkeit des Vergussverhaltens in Echtzeit.

Ensemble-ML auf Prozesslogger-DatenHochgeschwindigkeitskamera-Vision an Gate-PositionVollkette mit Röntgen-Feedback und SPC-Loop

Thermische Ausdehnung und mechanischer Verschleiß verschieben Pick-and-Place-Köpfe um Mikrometer pro Stunde, unterhalb der Alarmgrenze, aber oberhalb der Toleranz für Fine-Pitch-Bauteile. Stille Fehlerstaplung wird erst nach 1.000+ Boards sichtbar.

ML-Modell analysiert Versatztrends aus Fiducial-Messpunkten und AOI-Feedback-Daten, berechnet maschinelle Driftrate pro Kopf und Temperaturprofil und schlägt proaktive Korrekturfaktoren für die Maschinensteuerung vor.

Löt-Fehlstellenrate durch Versatz sinkt um 40–70 %. Maschinenkorrektur-Intervall verlängert sich von 2 auf 8 Stunden. AOI-Durchfallrate bei Fine-Pitch-Bauteilen sinkt messbar.

Zeitreihen-ML auf Fiducial-KoordinatenSPC-Integration in SMT-LiniensteuerungClosed-Loop via Koh Young KPO oder Open-Stack