Wartungsplan-Auswertung und -Optimierung

Das echte Ausmaß des Problems

Facility Manager in Deutschland verbringen nach eigener Einschätzung mehr Zeit mit Notfallreparaturen als mit geplanter Instandhaltung. Laut einer Studie des Fraunhofer IML machen Notfallreparaturen bei Unternehmen mit ungeplanter Instandhaltungsstrategie bis zu 40 Prozent aller Wartungskosten aus — obwohl sie bei konsequenter Planung auf unter 10 Prozent senkbar wären.

Das strukturelle Problem ist simpel: Herstellerwartungsintervalle sind Kompromisse. Ein Hersteller gibt für seine Lüftungsanlage “alle 6 Monate” an — weil das für eine durchschnittliche Betriebsumgebung mit mittlerer Last sinnvoll ist. Ob eure Anlage im Sommer bei 38 Grad Außentemperatur auf voller Last läuft oder in einem klimatisierten Serverraum bei gleichmäßiger Auslastung — der Hersteller macht keinen Unterschied.

Die Realität im Facility Management:

• Übergewartete Anlagen: Anlagen, die selten laufen oder wenig beansprucht werden, werden im gleichen Rhythmus gewartet wie Hochlastanlagen — unnötiger Aufwand
• Untergewartete Anlagen: Hochbeanspruchte Anlagen mit saisonalen Lastspitzen werden nach Standardintervall gewartet — zu selten, Ausfallrisiko steigt
• Fehlende Mustererkennung: Wenn eine Anlage vor einem Ausfall mehrfach kleine Warnsignale sendet, werden sie selten systematisch ausgewertet — weil niemand Zeit hat, hunderte Protokollzeilen manuell zu lesen

Das Deloitte Analytics Institute schätzt in einem Positionspapier aus 2024, dass datengetriebene Instandhaltung die Anlagenverfügbarkeit um 10 bis 20 Prozent erhöhen und den Planungsaufwand für Wartung um 20 bis 50 Prozent reduzieren kann. Diese Zahlen stammen aus einem Industriekontext — im Facility Management sind die Effekte erfahrungsgemäß etwas moderater, aber die Richtung ist konsistent.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Eigene Schätzwerte auf Basis von Erfahrungsberichten aus CAFM-Implementierungsprojekten; keine repräsentative Studie, aber konsistente Beobachtung über mehrere Deployments.

Einschätzung auf einen Blick

Zeitersparnis — mittel (3/5) KI-gestützte Wartungsplanung spart realistisch 3–5 Stunden Planungsaufwand pro Woche für einen Facility Manager — real, aber der Effekt entsteht langsam. In der Startphase kostet die Datenaufbereitung Zeit, die Einsparung beginnt erst nach dem Aufbau einer validen Datenbasis. Unter den Anwendungsfällen in dieser Kategorie ist das ein mittlerer Wert.

Kosteneinsparung — hoch (5/5) Der stärkste Hebel in diesem Bereich. Notfallreparaturen kosten typisch 3–5 Mal mehr als geplante Wartung — allein der eingesparte Notdienst und das verhinderte Havarieschaden-Risiko rechtfertigen die Investition bei ausreichendem Anlagenpark. Bei 50+ regelmäßig gewarteten Anlagen ist eine Einsparung von 15–25 Prozent der Jahreswartungskosten erreichbar, wenn die Datenbasis stimmt.

Schnelle Umsetzung — niedrig (2/5) Der schwächste Punkt. Bis ein Modell verlässlich arbeitet, braucht es mindestens 12–18 Monate historische Daten in guter Qualität. Wer heute startet, hat frühestens nach 6–8 Wochen Datenaufbereitung und 4–6 Wochen Pilotbetrieb erste belastbare Aussagen — und das nur, wenn die Wartungshistorie bereits digital vorliegt. Wer noch auf Papierprotokollen sitzt, muss erst digitalisieren.

ROI-Sicherheit — hoch (4/5) Der Nutzen ist messbar: weniger Notrufe, weniger Havarieschäden, sinkende Reparaturkosten. Anders als bei Wissensassistenten, wo der Nutzen indirekt bleibt, lassen sich vermiedene Notfallreparaturen konkret berechnen. Einziger Vorbehalt: Das Modell arbeitet nur so gut wie die Eingangsdaten.

Skalierbarkeit — hoch (4/5) Ein einmal aufgebautes Modell skaliert gut auf neue Liegenschaften und zusätzliche Anlagentypen — ohne proportional mehr Analysearbeit. Je mehr Daten einfließen, desto präziser werden die Vorhersagen. Nicht ganz maximal bewertet, weil jede neue Anlagenkategorie initiale Konfigurationsarbeit erfordert.

Richtwerte — stark abhängig von Anlagenzahl, Datenqualität und vorhandener Infrastruktur.

Was das System konkret macht

Predictive Analytics im Facility Management funktioniert auf drei Ebenen:

Ebene 1 — Mustererkennung aus Wartungshistorie: Das System liest vergangene Protokolle: Wann wurde was gewartet? Was wurde dabei gefunden? Wie lange nach einer bestimmten Kombination von Auffälligkeiten kam der nächste Ausfall? Aus diesen Mustern lernt es, welche Signale auf einen bevorstehenden Ausfall hindeuten — auch wenn die Signale allein unauffällig erscheinen.

Ebene 2 — Sensordatenanalyse (optional, aber wirkungsvoller): Wenn Anlagen mit Vibrations-, Temperatur- oder Stromsensoren ausgestattet sind, kann das System Abweichungen von der Norm erkennen, bevor sie im Protokoll landen. Eine Klimaanlage, deren Kompressor graduell mehr Strom zieht als im Vormonat bei gleicher Last, zeigt Verschleiß — Wochen, bevor das Problem akut wird.

Ebene 3 — Dynamische Intervallplanung: Statt fixer Herstellerintervalle generiert das System für jede Anlage individuell: “Diese Anlage hat aktuell niedrige Risikoindikatoren, nächste Wartung kann 2 Wochen verschoben werden” — oder das Gegenteil: “Erhöhte Auffälligkeiten, Inspektion jetzt vorziehen.”

Das Ergebnis ist kein vollautomatisiertes System, das Entscheidungen trifft — es ist ein System, das den Facility Manager mit besseren Informationen versorgt, damit er früher und gezielter handeln kann.

Was ihr datenseitig braucht

Das ist der Punkt, über den die meisten Einführungen stolpern: Ein KI-System für Wartungsplanung ist nur so gut wie die Daten, die es bekommt.

Minimale Voraussetzung: Digitale Wartungsprotokolle aus mindestens 18–24 Monaten, mit Anlagenkennung, Datum, Art der Arbeit und aufgetretenen Auffälligkeiten. Excel-Listen oder einfache CAFM-Exports reichen, solange sie konsistent strukturiert sind.

Was die Aussagekraft deutlich erhöht: Protokollierung von Fehlerbeschreibungen im Freitext (nicht nur “Wartung durchgeführt”), Dokumentation von Notfallreparaturen mit Fehlerart, Laufstundenzähler oder Betriebsstunden je Anlage.

Was nicht ausreicht: Papierprotokolle ohne Digitalisierung, Excel-Dateien ohne einheitliche Anlagenbezeichnungen, Protokolle, bei denen “keine Auffälligkeiten” und leeres Feld nicht unterscheidbar sind.

Ehrliche Einschätzung: Wer seine Wartungshistorie gerade erst anfängt digital zu erfassen, sollte 12–18 Monate Datensammlung einplanen, bevor ein KI-Modell valide Vorhersagen liefern kann. In dieser Zwischenzeit lohnt sich aber schon die Auswertung von Häufigkeiten und Notfallquoten — auch ohne KI.

Konkrete Werkzeuge — was wann passt

remberg — Modernes deutsches CAFM-SaaS mit integriertem KI-Copilot. Wartungsplanung, Störungsmanagement und mobile Techniker-Dokumentation in einem System. Datenhaltung in Deutschland (ISO/IEC 27001). Gut geeignet als Einstieg für Mittelstand: Daten werden sauber strukturiert, der KI-Copilot hilft bei der Auswertung technischer Dokumentationen. Preis auf Anfrage, kein öffentlicher Listenpreis.

IBM Maximo Application Suite — Die Enterprise-Lösung für große Anlagenparks. Maximo verbindet klassisches EAM mit KI-basierter Predictive Maintenance und SCADA-Integration. Für Facility Management mit hunderten Anlagen, DVGW-konformen Wartungsfristen und Integration in SAP PM. Gesamtprojektbudgets typisch 6-stellig. Nur sinnvoll ab ca. 500+ verwalteten Assets und einem dedizierten IT-Projektteam.

Planon — IWMS-Plattform für Corporate Real Estate und großes Facility Management. Neben Instandhaltung auch Flächenmanagement und ESG-Reporting. Passend für Konzerne und Dienstleister mit mehrstöckigem Liegenschaften-Portfolio. Implementierungsaufwand ähnlich wie Maximo.

ChatGPT / Claude für Protokollauswertung — Für Einstieg ohne Plattformkosten: Gesammelte Wartungsprotokolle als CSV in ChatGPT laden und nach Mustern fragen. Kein Echtzeit-Monitoring, kein dynamisches Intervallupdate — aber ein valider erster Schritt zur Mustererkennung in historischen Daten ohne neue Software. Kostenlos bis ca. 20 Euro/Monat.

Wann welcher Ansatz:

• Mittelstand (10–200 Anlagen, bestehende CAFM-Lücke) → remberg
• Großunternehmen mit ERP-Integration → IBM Maximo oder Planon
• Einstieg ohne Budget für neue Software → ChatGPT auf historischen Daten
• Sensor-Infrastruktur bereits vorhanden → IBM Maximo oder spezialisierte IoT-Plattform

Datenschutz und Datenhaltung

Wartungsdaten enthalten in der Regel keine personenbezogenen Daten im Sinne der DSGVO — es geht um Anlagen, nicht um Personen. Eine Ausnahme: Wenn aus Protokollen hervorgeht, welcher Techniker wann welche Arbeit durchgeführt hat, gelten diese Einträge als personenbezogene Beschäftigtendaten nach Art. 88 DSGVO.

Für Systeme, die Sensordaten aus Gebäuden erfassen, ist zusätzlich zu prüfen: Werden dabei auch Daten erhoben, die Rückschlüsse auf die Anwesenheit oder das Verhalten von Personen ermöglichen (z.B. CO2-Sensoren in Büros)? In diesem Fall gelten verschärfte Anforderungen an Transparenz und Zweckbindung.

Praktisch relevant:

• remberg: Datenhaltung in Deutschland, AVV verfügbar, ISO/IEC 27001-Zertifizierung
• IBM Maximo on AWS/Azure EU: EU-Datenhaltung möglich, Auftragsverarbeitungsvertrag über IBM Cloud Standard-AVV
• Planon SaaS: EU-Datenhaltung, DSGVO-konforme Verarbeitung
• ChatGPT/Claude mit CSV-Upload: Für sensitive Betriebsdaten oder Protokolle mit Personenbezug US-Hosting beachten — für reine anonymisierte Anlagendaten vertretbar mit AVV

Was es kostet — realistisch gerechnet

Einrichtungskosten

• remberg: Projektbasiert, erfahrungsgemäß 3.000–15.000 Euro für Einrichtung, Migration und Schulung je nach Anlagenzahl
• IBM Maximo: Mindestens 50.000 Euro Projektbudget für kleinste Deployments, typisch 6-stellig
• Planon: Ähnliche Größenordnung wie Maximo
• ChatGPT-Ansatz: Nur interner Aufwand — 2–4 Wochen für Datenaufbereitung und Prompt-Entwicklung

Laufende Kosten

• remberg SaaS: Auf Anfrage, Schätzung 300–2.000 Euro/Monat je nach Nutzerzahl und Assets
• IBM Maximo on AWS: Ab ca. 3.000 USD/Monat für kleine Deployments
• ChatGPT Plus: 20 Euro/Monat

Was dagegen steht Ein einzige verhinderte Havarie an einer Klimaanlage (Kompressortausch Notdienst) kostet typisch 3.000–8.000 Euro. Bei 50 Anlagen und einer Notfallrate von 15 Prozent sind das 7–12 Notfälle pro Jahr. Wenn das System 40 Prozent davon verhindert, sind das 3–5 Notfälle gespart — 9.000–40.000 Euro jährlich, konservativ gerechnet.

Der ROI-Nachweis ist möglich, aber erfordert konsequentes Tracking: Welche Wartungen wurden nach KI-Empfehlung vorgezogen? Welche Notfälle wurden verhindert? Diese Dokumentation muss von Anfang an mitlaufen.

Drei typische Einstiegsfehler

1. Mit unvollständigen Daten starten und das Modell für falsche Vorhersagen verantwortlich machen. Der häufigste Fehler. Ein Modell, das aus lückenhaften oder inkonsistenten Protokollen lernt, gibt lückige Empfehlungen. Wenn die Protokolle drei Jahre lang nur “Wartung OK” ohne Detailbeschreibung enthalten, hat das Modell keine Basis für Mustererkennung. Lösung: Datenqualität vor dem Start ehrlich bewerten und wenn nötig 6 Monate lang systematisch nacherfassen, bevor das Modell aktiviert wird.

2. Predictive Maintenance für alle Anlagen gleichzeitig einführen. Zu viel auf einmal. Verschiedene Anlagentypen haben unterschiedliche Verschleißmuster und brauchen separate Modell-Konfigurationen. Wer mit Lüftungsanlagen, Aufzügen, Heizungsanlagen und Kältemaschinen gleichzeitig startet, verliert den Überblick. Lösung: Mit einer Anlagenkategorie beginnen, bei der Notfallreparaturen besonders teuer oder häufig sind — dort ist der Nutzen am klarsten messbar.

3. Das System läuft — und niemand liest die Empfehlungen. Maintenance-Prediction-Systeme liefern Empfehlungen, keine automatischen Aktionen. Wenn das Team im Alltagsstress die KI-Vorschläge ignoriert, weil die bisherige Routine weiterläuft, bleibt der Nutzen aus. Lösung: Klare Prozessregel, wer die Empfehlungen täglich prüft, und wer entscheidet, ob eine vorgezogene Wartung initiiert wird. Ohne diesen menschlichen Freigabeprozess ist das System wertlos.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist der einfachste Teil. Das Schwierigere ist die Disziplin in der Datenpflege.

Typisches Muster in der Einführungsphase: Das Team ist motiviert, Protokolle werden sorgfältig ausgefüllt. Nach sechs Monaten schleicht sich der Alltag ein — Protokolle werden kürzer, Auffälligkeiten werden nicht mehr konsequent eingetragen, weil “das ja der Assistent macht”. Das KI-System lernt dann auf immer schlechteren Daten und gibt schlechtere Empfehlungen. Das Team verliert das Vertrauen. Das System wird abgeschaltet.

Das ist vermeidbar. Was konkret hilft:

• Protokollierung-Standards von Anfang an dokumentieren und einhalten: Was muss zwingend eingetragen werden, damit die Daten verwertbar bleiben?
• Monatliche Datenqualitätsprüfung: Lückenrate, Vollständigkeit der Fehlerbeschreibungen — nicht als Kontrollinstrument, sondern als Qualitätsfeedback
• Einen Anlagenverantwortlichen pro Anlagenkategorie benennen, der die KI-Empfehlungen für seinen Bereich reviewt

Zur Erwartungssetzung: Die ersten KI-Empfehlungen werden nicht perfekt sein. Ein gutes System sollte nach 6 Monaten bessere Empfehlungen liefern als nach 3 Monaten — wenn dieser Fortschritt nicht sichtbar ist, ist das ein Signal, die Datenbasis zu überprüfen.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Daten sind zu schlecht für KI.” Möglicherweise. Aber das lässt sich überprüfen: Exportiere die letzten 24 Monate Wartungshistorie und prüfe, ob Anlagenkennung, Datum und Art der Arbeit konsistent vorhanden sind. Wenn ja, ist die Grundlage besser als befürchtet. Wenn nein, ist das die Information, die du für dein nächstes Gespräch mit dem Geschäftsführer brauchst — nicht “unsere Daten sind schlecht”, sondern “wir brauchen 12 Monate konsequentere Erfassung, bevor wir KI sinnvoll nutzen können.”

„Das rechnet sich für uns nicht.” Rechne die Notfallreparaturkosten der letzten 12 Monate zusammen. Dann multipliziere die Summe mit 0,4. Das ist die konservative Obergrenze dessen, was ein gut eingeführtes System einsparen könnte — wenn 40 Prozent der Notfälle durch Frühwarnhinweise verhindert werden. Wenn diese Zahl unter 10.000 Euro liegt, hat das System wirtschaftlich tatsächlich keinen starken Case. Wenn sie darüber liegt, lohnt sich der Vergleich mit den Implementierungskosten.

„Wir haben zu wenig Anlagen.” Unter 30 regelmäßig gewarteten Anlagen ist ein vollständiges KI-Predictive-Maintenance-System wirtschaftlich schwer zu rechtfertigen. Hier ist ein einfaches CAFM-System mit strukturierter Protokollierung und manueller Auswertung realistischer — und das schafft gleichzeitig die Datenbasis für später.

Woran du merkst, dass das zu dir passt

• Du hast mindestens 50 regelmäßig gewartete Anlagen (Klimaanlagen, Lüftungen, Heizungsanlagen, Aufzüge)
• Notfallreparaturen machen mehr als 20 Prozent deiner jährlichen Wartungskosten aus
• Du hast Wartungsprotokolle aus den letzten 2 Jahren digital vorliegen — auch wenn sie lückig sind
• Dein Team verbringt mehr als 4 Stunden pro Woche mit Wartungsplanung, obwohl ein System diese Analyse besser könnte
• Du benutzt noch Herstellerintervalle für alle Anlagen ohne individuelle Anpassung

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Weniger als 30 Anlagen oder Wartungskosten unter 80.000 Euro jährlich. Der Implementierungsaufwand übersteigt den möglichen Nutzen. Ein einfaches CAFM-System mit konsequenter Protokollierung reicht vorerst.

2. Wartungshistorie liegt noch auf Papier. Digitalisierung der Protokolle ist der notwendige erste Schritt — KI-Analyse kommt danach. Direkt mit KI zu starten, ohne strukturierte digitale Daten, führt zu frustrierenden Ergebnissen.

3. Keine Kapazität für Datenpflege. Ein Predictive-Maintenance-System, das keine aktuellen Daten bekommt, verschlechtert sich über Zeit. Wenn niemand im Team die 2–4 Stunden pro Woche für Datenqualitätssicherung aufbringen kann, ist die Investition nicht nachhaltig.

Das kannst du heute noch tun

Lade die Wartungsprotokolle der letzten 24 Monate als CSV oder Tabelle in ChatGPT hoch und stelle diese Fragen:

• “Welche Anlagen haben die meisten Notfallreparaturen — und in welchem Monat häufen sich diese?”
• “Gibt es Anlagen, bei denen häufig kleine Auffälligkeiten protokolliert wurden, bevor ein Notfall eintrat?”
• “Wie hoch ist der Anteil geplanter vs. ungeplanter Wartungen pro Anlagentyp?”

Das dauert 30 Minuten und kostet nichts. Was du danach weißt: ob deine Datenbasis bereits verwertbare Muster enthält — und welche Anlagenkategorie als erstes für Predictive Maintenance geeignet ist.

Quellen & Methodik

• Deloitte Analytics Institute (2024): Positionspapier zu datengetriebener Instandhaltung — zitiert Potenziale von +10–20 % Anlagenverfügbarkeit und –20–50 % Planungsaufwand bei industriellen Anlagen. Anlagefolger für FM-Kontext sind eigene Einschätzungen.
• Fraunhofer IML: Forschungsarbeiten zu Predictive Maintenance und Anlagenmanagement; Notfallreparaturquoten bei ungeplanter Instandhaltung basieren auf Fraunhofer-Veröffentlichungen zum Thema.
• remberg, IBM Maximo, Planon: Anbieterangaben zu Funktionsumfang, Zertifizierungen und Einsatzbereichen (Stand April 2026) — eigene Einschätzungen zu Kosten und Implementierungsdauer basieren auf Erfahrungswerten.
• Implementierungserfahrungen: Eigene Schätzwerte aus CAFM-Einführungsprojekten bei FM-Dienstleistern und Industrieunternehmen mit 50–500 Anlagen.