Elektrotechnik

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 um 75–80 % reduziert, Fehlerquote in freigegebenen Stücklisten von 3–8 % auf unter 1 % gesenkt (Schätzwert aus Praxisberichten), Kostenpotenziale automatisch ausgewiesen.

LLM-Direkteinstieg via Claude + Make.comERP-integrierte BOM-AnalysePLM-System (Teamcenter / SAP Digital Manufacturing)

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.

Auswertungszeit um 80 % reduziert (Schätzwert aus Praxisberichten), Qualitätsprobleme 1–4 Wochen früher erkannt, Trendberichte ohne Aufwand.

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, eine Person kann 100+ relevante Normen nicht systematisch verfolgen. Compliance-Lücken entstehen unbemerkt 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.

Keine verpassten Normänderungen. Zertifizierungsvorbereitung um 30–50 % schneller (Schätzwert aus Praxisberichten). Compliance-Lücken werden Wochen vor dem Audit sichtbar statt beim Auditor.

Manuelle Recherche + LLM-Analyse (ab 20 €/Monat)Zapier/Make-Automatisierung mit IEC-API (50–150 €/Monat)Spezialisierte Plattform (Norm.ai o.ä., 200–500 €/Monat)

Komplexe Produktkonfigurationen brauchen tiefes technisches Wissen. 10–15 % der Angebote enthalten Fehler, die erst in Konstruktion oder Montage auffallen, und 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.

Konfigurationsfehlerquote um 70–80 % reduziert. Angebotserstellung 30–40 % schneller. Neue Vertriebsmitarbeiter sind in 2–3 Monaten produktiv statt in 6–12.

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.

15–20 Stunden Dokumentationsarbeit pro Projekt entfallen (~60 % Reduktion, Schätzwert); 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.

2–3 Stunden Berechnungszeit pro Anlage eingespart (ca. 70 % Reduktion, Schätzwert); VDE-konforme Nachweisdokumentation automatisch, Fehler vor Ausführung erkannt.

Kostenloser Online-Kabelrechner (kein Setup)Spezialsoftware iDimDE / ENYEXPERT (Lizenz)Maßgeschneiderter 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.

Dokumentationsaufwand pro Produkt um 60–70 % reduziert, CE-Konformität lückenlos nachweisbar, Markteinführung beschleunigt.

Compliance Dokumenten-KI / Regulatory Automation

Technischer Support verbringt 30–40 % der Zeit mit Triage und Weiterleitung von Anfragen statt mit Problemlösung.

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

Triageaufwand um 70 % reduziert, Erstantwortzeit von 4 Stunden auf unter 60 Minuten gesenkt, 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.

Ungeplante Ausfälle um 30–50 % reduziert, Wartungskosten um 15–25 % gesenkt, Prüfintervalle rechtssicher an den tatsächlichen Anlagenzustand angepasst.

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.

Berechnungszeit pro Netzplanungsprojekt um 40–60 % reduziert, Selektivitätsfehler vor Abnahme erkannt, Schutzeinstellungsdokumente automatisch erstellt, mehr Projekte mit dem gleichen Team.

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

Halbleiterengpässe treffen unvorbereitet, Produktionsstopps durch fehlende Bauteile kosten täglich 5.000–50.000 €.

KI-System kombiniert Distributor-Bestandstrends, Engineering-Aktivitätssignale (Supplyframe DesignSense) und internes ERP zu täglichem Risiko-Score je Bauteil, Alerts mit Handlungsfenster in Wochen.

Engpässe 8–12 Wochen früher erkannt, Produktionsstopps um 60–80 % reduziert, Notfallbeschaffungskosten gesenkt.

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 2 Wochen auf 2–4 Stunden, 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.

15–25 % weniger Rüstzeiten, 8–18 % bessere Maschinenauslastung, Liefertermintreue dauerhaft über 90 %, ohne Nachtschichten als Puffer einzuplanen.

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 von 3 Wochen auf 2–3 Tage reduziert; Schulungsnachweis nach DGUV Vorschrift 3 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 von 2 Stunden auf 15–20 Minuten reduziert, Einkaufspreise um 4–9 % gesenkt durch datenbasierte Verhandlungsvorbereitung, Lieferantenrisiken frühzeitig erkannt.

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; Spitzenlastkappung oft in Wochen umsetzbar; Datenbasis für ISO 50001-Audit und EU-Energieauditpflicht.

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 70 % der Schaltplaninhalte projektübergreifend ähnlich sind.

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

Konstruktionszeit pro Schaltschrankprojekt um 30–50 % reduziert (WAGO: 50 % kürzere Projektlaufzeiten); Normkonformitätsfehler vor dem Review eliminiert; Einarbeitungszeit neuer Konstrukteure verkürzt.

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

PCB-Layout-Ingenieure verbringen 40–60 % 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.

Layout-Zeit pro Board um 35–65 % reduziert, Prototypenanläufe von durchschnittlich 3 auf 1–2 Iterationen gesenkt, Respin-Kosten von 10.000–50.000 € pro Iteration vermieden.

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