KI-Wartungsassistent für Spritzgussmaschinen

Das echte Ausmaß des Problems

Maschinenstillstände in der Kunststoffverarbeitung kosten zwischen 30 und 500 Euro pro Stunde — je nach Maschinengröße, Auftragslage und ob ein Folgeauftrag blockiert wird. Die meisten Stillstände sind nicht primär ein technisches Problem, sondern ein Wissensproblem: Wer weiß was, und wer ist gerade erreichbar?

Eine Analyse von Branchendienstleistern zeigt: Rund 77 % der Industrieunternehmen sehen Predictive Maintenance als Schlüssel zur Wettbewerbsfähigkeit — aber weniger als 20 % der kleinen und mittleren Fertigungsbetriebe haben die Sensorinfrastruktur, um echte Predictive-Maintenance-Systeme zu betreiben. Was fast jeder Betrieb aber hat, sind Handbücher, Wartungshistorien und die Köpfe erfahrener Techniker — und genau das kann ein KI-Assistent erschließen, ohne teure Sensorik.

Was der Wissensmangel konkret kostet:

• Ein Serviceeinsatz des Maschinenherstellers (Reisekosten + Stundensatz + Wartezeit): typisch 800–2.500 Euro je Einsatz
• Unnötige Rufbereitschaftskosten am Wochenende: 180–400 Euro Pauschale, selbst wenn das Problem in 20 Minuten lösbar gewesen wäre
• Verlängerte Stillstände durch Diagnosezeitverlust (Handbuch suchen, falsche Maßnahme versuchen, dann die richtige): oft 1–3 Stunden Mehraufwand je Störungsfall
• Wissensverlust: Wenn der erfahrene Einrichter das Unternehmen verlässt, dauert die mittlere Störungsbehebungszeit bis zum nächsten erfahrenen Mitarbeiter messbar länger

Der Schichtführer-Effekt: In Spritzgussbetrieben gibt es typisch einen oder zwei Mitarbeitende, die “alle Maschinen kennen”. Wenn diese Person nicht verfügbar ist — Urlaub, Krankheit, Nachtschicht — steigen Stillstandszeiten messbar. Das ist kein Qualitätsproblem, es ist ein Wissenszugangs-Problem, das ein KI-Assistent direkt adressiert.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Zeitverbesserungen entstammen Erfahrungswerten aus RAG-Projekten in der Fertigungsindustrie und publizierten Fallstudien zur Instandhaltungs-KI. ¹ Einsparwert bei Serviceeinsätzen stark abhängig von Maschinenalter, Hersteller-Servicekultur und Ersatzteilverfügbarkeit.

Einschätzung auf einen Blick

Zeitersparnis — sehr hoch (5/5) Das ist der dominante Vorteil in dieser Kategorie. Wenn eine Maschine steht und die Schicht im Dunkeln tappt, ist jede eingesparte Diagnosestunde bares Geld. Der Assistent ersetzt nicht den Techniker — er gibt ihm in Sekunden den richtigen Kontext: Handbuchseite, letzte ähnliche Störung, empfohlener Lösungsweg. Was bisher 90 Minuten Suche war, dauert 5 Minuten. Kein anderer Use Case in dieser Kategorie liefert so unmittelbare Zeitentlastung.

Kosteneinsparung — hoch (4/5) Jeder verhinderte externe Serviceeinsatz spart 800–2.500 Euro. Jeder Rufbereitschaftseinsatz, der wegfällt, weil das Nachtschichtteam die Lösung selbst gefunden hat, spart 400–800 Euro. Das ist direkt messbar. Zusätzlich: Weniger Leerläufe durch falsch diagnostizierte Störungen, weniger unnötig getauschte Teile durch bessere Diagnose. Der Vorbehalt: Die Kostenersparnis tritt nur ein, wenn das System tatsächlich genutzt wird — ein Assistent, den die Techniker nicht fragen, hilft nicht.

Schnelle Umsetzung — mittel (3/5) Das ist die gute Nachricht im Vergleich zur Rezepturoptimierung: Wenn die Maschinendokumentation bereits digital vorliegt (PDFs, Handbücher, Wartungsanleitungen), ist ein erster Pilotassistent in 4 bis 8 Wochen einsatzbereit. Die Herausforderung liegt oft in der Vorbereitung der Störungshistorie: Wenn die in Papier-Schichtbüchern steckt, muss sie zuerst digitalisiert werden. Das Schöne: Auch ohne vollständige Störungshistorie liefert der Assistent sofortigen Wert durch die Handbuch-Suche allein.

ROI-Sicherheit — mittel (3/5) Den ROI kannst du messen — über reduzierte Stillstandszeiten, weniger Serviceeinsätze und eingesparte Rufbereitschaftsstunden. Was schwieriger zu messen ist: verhinderte Eskalationen (die Maschine, die eine Stunde früher wieder lief), verbessertes Technikerwissen über die Zeit und die Verkürzung des Onboardings. Der ROI ist real, aber nicht alle Bestandteile lassen sich sauber in einer Zahl zusammenfassen.

Skalierbarkeit — hoch (4/5) Jede neue Maschine, die ins System aufgenommen wird, verbreitert den Nutzen. Jede dokumentierte Störung, die in die Wissensbasis einfließt, macht das System für alle Techniker besser. Im Vergleich zur Qualitätskontrolle (jede Linie braucht eigene Hardware) oder der Rezepturoptimierung (jede Materialklasse braucht neue Trainingsdaten) skaliert ein Wissensassistent sehr gut — weil Textdokumente deutlich günstiger zu indexieren sind als physische Systeme aufzubauen.

Richtwerte — stark abhängig von Maschinenanzahl, Alter der Dokumentation, Digitalisierungsgrad und Schichtstruktur.

Was der Assistent konkret macht

Das technische Prinzip ist Retrieval-Augmented Generation (RAG) — dieselbe Architektur wie ein interner Wissensassistent, aber spezialisiert auf Maschinendokumentation und Instandhaltungswissen.

Im Kern: Das System indexiert alle relevanten Dokumente — Maschinenhandbücher (PDF), Störungsprotokolle (Excel oder Schichtbuch), Wartungsanleitungen, Hersteller-Service-Bulletins, interne “Lessons Learned”-Dokumente — und macht sie semantisch durchsuchbar. Wenn ein Techniker auf seinem Tablet fragt: “Fehlercode E-302 an der Demag 120-Tonne, was bedeutet das und was soll ich zuerst prüfen?”, sucht das System in allen indexierten Dokumenten nach relevanten Textstellen und generiert eine direkte Antwort — mit Quellenangabe.

Was das konkret bedeutet: Ein Techniker in der Nachtschicht muss nicht mehr 120 Seiten Handbuch durchblättern. Er fragt auf Deutsch, bekommt eine Antwort auf Deutsch, mit Verweis auf Seite 47 des Wartungshandbuchs und auf den Störungseintrag vom 12. März 2024, bei dem dasselbe Problem an Maschine 3 aufgetreten ist und mit “Druckventil Position 3 reinigen” behoben wurde.

Das System kann auch Wartungschecklisten generieren, für Saisonwechsel (Werkzeugwechsel, Kühlwasserumstellung), für bestimmte Maschinenypen oder für neue Mitarbeitende. Diese Checklisten entstehen nicht aus generischen KI-Kenntnissen, sondern aus der spezifischen Dokumentation eures Maschinenparks.

Was der Assistent nicht kann

Er sieht die Maschine nicht. Wenn das Problem mechanisch, visuell oder taktil erkennbar ist — ein ungewöhnliches Geräusch, eine Geruchsveränderung, ein sichtbarer Riss — ist der Techniker vor Ort unersetzlich. Der Assistent gibt Kontext und Richtung, ersetzt aber nicht die handwerkliche Diagnose.

Er kann auch nichts vorhersagen, was nicht in den Daten steht. Wenn ein Bauteil noch nie Probleme gemacht hat und nie in einem Störungsprotokoll erwähnt wurde, hat der Assistent dazu keine Information.

Konkrete Werkzeuge — was wann passt

ChatGPT (Enterprise oder Teams) — Für Betriebe, die schnell starten wollen: Handbücher als PDF hochladen, direkt fragen. ChatGPT unterstützt Datei-Uploads im Gespräch. Einschränkung: Keine persistente Datenbank, Dateien müssen je Sitzung neu hochgeladen werden. Für einen strukturierten Pilottest mit 5–10 Handbüchern ausreichend. US-gehostet; für den Enterprise-Plan mit deaktiviertem Training-Opt-in angemessen für nicht hochsensible technische Dokumentation.

Claude (Pro oder API) — Claude hat ein sehr großes Kontextfenster (200.000 Token) und kann längere Handbücher auf einmal verarbeiten. Für strukturierte Pilottests mit kompletten Maschinenhandbüchern gut geeignet. Ebenfalls US-gehostet.

Microsoft 365 Copilot — Wenn ihr bereits Microsoft-Infrastruktur nutzt (SharePoint, Teams), ist Copilot die naheliegende Lösung. Maschinendokumente in SharePoint ablegen, Copilot indiziert sie automatisch. Vorteil: EU-Datenresidenz möglich, bereits bekannte Oberfläche. Kosten: ca. 30 Euro/Person/Monat zusätzlich. Besonders geeignet für Betriebe, die bereits Microsoft 365 im Einsatz haben.

Custom RAG auf eigener Infrastruktur — Maximale Kontrolle und Datensouveränität. Dokumente bleiben auf eigenen Servern, kein Drittanbieter-Cloud-Zugang. Erfordert Entwicklerunterstützung für die Einrichtung (Pinecone/Weaviate als Vektordatenbank, OpenAI oder lokales Modell). Für Betriebe mit sensiblen Maschinenkonfigurationen oder besonderen Datenschutzanforderungen. Einrichtungskosten: 5.000–15.000 Euro einmalig.

Siemens Industrial Edge — Wer Siemens-Maschinen betreibt und die Dokumentation im Siemens-Ökosystem hält, kann Industrial Edge als Basis für maschinennahe Auswertung nutzen. Stärke: Maschinendaten (Alarmhistorie, Betriebsstunden, Zyklusparameter) direkt mit dem Assistenten verknüpfen. Höherer Investitions- und Integrationsaufwand.

Zusammenfassung:

• Schneller Einstieg ohne IT-Projekt → ChatGPT oder Claude als Pilottest
• Microsoft-Ökosystem vorhanden → M365 Copilot auf SharePoint
• Datensouveränität wichtig → Custom RAG auf eigener Infrastruktur
• Siemens-Maschinenpark → Industrial Edge als erweitertes System

Datenschutz und Datenhaltung

Maschinenhandbücher und technische Dokumentation enthalten in der Regel keine personenbezogenen Daten — der DSGVO-Aufwand ist hier gering. Anders sieht es aus, wenn Störungsprotokolle dokumentieren, welcher Mitarbeiter eine Schicht hatte oder welcher Techniker eine Wartung durchgeführt hat. Diese Daten sind personenbezogen und unterliegen damit der DSGVO.

Praktisch relevanter als DSGVO ist für viele Betriebe der Schutz von Betriebsgeheimnissen: Maschinenparameter, interne Wartungsstrategien und Einstellwissen können für Wettbewerber wertvoll sein. US-gehostete Dienste (ChatGPT, Claude) sollten für hochsensible Konfigurationsdaten nur mit aktivem Opt-out aus dem Training-Dateneinsatz verwendet werden — Enterprise-Pläne bieten das standardmäßig.

Für Betriebe in der Automotive-Zulieferkette mit IATF-16949-Anforderungen ist EU-Datenhosting der sichere Weg. Microsoft 365 Copilot mit EU Data Boundary oder eine selbst gehostete RAG-Lösung erfüllen diese Anforderung.

Wenn das System Protokolldaten enthält, die Mitarbeiter-Aktivitäten zeigen (welche Schicht, welcher Techniker hat welche Wartung gemacht), ist der Betriebsrat einzubeziehen (§ 87 Abs. 1 Nr. 6 BetrVG) — das gilt auch für digitale Instandhaltungssysteme.

Was es kostet — realistisch gerechnet

Einmalige Vorbereitungskosten

• Dokumentation zusammenführen und digitalisieren (falls Papierdokumente): 1–3 Wochen intern
• RAG-System einrichten (bei Custom-Lösung): 5.000–15.000 Euro extern; bei M365 Copilot: Konfigurationsaufwand 1–2 Tage
• Schulung der Techniker: 4–8 Stunden je Team

Laufende Kosten

• ChatGPT Enterprise oder Claude Pro: 20–40 Euro/Person/Monat (nur für Personen, die den Assistenten nutzen)
• Microsoft 365 Copilot: ca. 30 Euro/Person/Monat
• Custom RAG: 100–300 Euro/Monat Infrastruktur

Woher der ROI kommt — konkretes Szenario Betrieb mit 15 Spritzgussmaschinen, aktuell 12 externe Serviceeinsätze pro Jahr à 1.200 Euro durchschnittlich = 14.400 Euro/Jahr externe Servicekosten. Wenn der Assistent 4 davon verhindert, weil der Techniker die Lösung selbst findet: 4.800 Euro Einsparung. Dazu 30 Minuten Stillstandszeit je verhinderte Fehldiagnose, 20 Mal pro Jahr: 10 Stunden × 100 Euro/Stunde Stillstandskosten = 1.000 Euro. Gesamteinsparung konservativ: 5.800 Euro/Jahr. Bei M365-Copilot-Kosten von 30 Euro × 3 Techniker × 12 Monate = 1.080 Euro: deutlich positiver ROI.

Das ist das konservative Szenario. Wer Rufbereitschaftseinsätze am Wochenende reduziert, sieht deutlich höhere Einsparungen.

Drei typische Einstiegsfehler

1. Alle Dokumente auf einmal indexieren, ohne Qualitätsprüfung. Auch im Wartungsassistenten gilt: Schlechte Daten produzieren schlechte Antworten. Wenn das System ein veraltetes Handbuch aus 2008 und eine aktualisierte Servicedokumentation aus 2023 indexiert, die sich widersprechen, antwortet es möglicherweise auf Basis des alten Stands. Bevor ein Dokument ins System kommt: Wer ist Eigentümer? Ist es aktuell? Bei veralteten Dokumenten entscheiden: aktualisieren oder ausschließen, nie beides gleichzeitig drin lassen.

2. Das System nur für Technik, nicht für Techniker bauen. Ein Wartungsassistent, den Techniker in der Nachtschicht nicht nutzen, weil er zu kompliziert zu bedienen ist oder weil niemand ihnen erklärt hat, was er kann, hat keinen Wert. Die Einführung muss mit den Technikern zusammen passieren: Was sind ihre drei häufigsten Fragen bei Störungen? Teste das System genau damit. Zeige, dass es tatsächlich helfen kann. Dann nutzen sie es freiwillig.

3. Den Assistenten einführen und die Störungshistorie nicht weiter pflegen. Ein RAG-System wird über die Zeit besser, wenn neue Dokumente und neue Störungserfahrungen regelmäßig eingespeist werden. Wer das System nach dem Launch nicht weiter pflegt, hat nach zwei Jahren einen Assistenten, der die letzten hundert Störungsfälle nicht kennt. Das klingt offensichtlich — aber in der Praxis ist “Störung gelöst, Maschine läuft wieder, Dokumentation schreibe ich später” die Standardreaktion. Lösung: Die Dokumentation direkt in den Lösungsworkflow einbauen, nicht als optionalen Nachschritt.

Was mit der Einführung wirklich passiert

Erfahrene Einrichter und Techniker, die das Gefühl haben, dass “die KI ihre Arbeit übernimmt”, sind die schwierigste Gruppe in der Einführungsphase. Das lässt sich mit einer ehrlichen Positionierung auflösen: Der Assistent ist das digitale Gedächtnis — er behält das, was du weißt, und gibt es an andere weiter. Wenn der erfahrene Einrichter das System mit seinem Wissen füttert, wird sein Wissen unsterblich im Unternehmen. Das ist ein Statusgewinn, keine Bedrohung.

Die häufigste Nutzungshürde in der Praxis: Techniker tippen die Frage nicht, weil sie nicht wissen, wie sie sie formulieren sollen — oder weil sie Angst haben, eine “dumme Frage” zu stellen. Abhilfe: Das System mit einer kleinen Bibliothek typischer Fragen und Antworten starten, die Techniker als Einstieg nutzen können. “Zeig mir Beispielfragen” als Feature einbauen.

Was sich messbar verändert, wenn das System gut läuft: Neue Techniker werden deutlich schneller selbstständig. Statt sechs Monate lang den erfahrenen Kollegen zu fragen, haben sie nach vier Wochen ein Werkzeug, das die Antworten kennt. Das entlastet die Experten und beschleunigt das Onboarding.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Techniker kennen die Maschinen auswendig — die brauchen keinen Assistenten.” Das stimmt für die Erfahrenen. Es stimmt nicht für die Nachtschicht-Besetzung, die seit sechs Monaten dabei ist, und nicht für die Kollegen, die die exotischere der fünfzehn Maschinen nicht kennen. Und es stimmt nicht mehr, wenn der Erfahrene im Urlaub ist. Der Assistent ist keine Lösung für erfahrene Techniker — er ist die Lösung für alle anderen Situationen.

„Das kostet Geld und wir wissen nicht, ob es sich lohnt.” Rechne den letzten Serviceeinsatz durch: Reisekosten, Stundensatz, Wartezeit, Produktionsausfall. Wenn du in einem Jahr drei solcher Einsätze hattest, von denen einer verhindert worden wäre, wenn der Techniker in der Nacht die richtige Handbuchseite gefunden hätte, weißt du, was das System wert ist. Ein Microsoft-Copilot-Pilot für drei Nutzer kostet 90 Euro im ersten Monat. Das ist das Risikokapital.

Woran du merkst, dass das zu dir passt

Das passt gut zu deinem Betrieb, wenn:

• Du einen oder zwei “Maschinengurus” hast, die bei jedem Problem angerufen werden — und deren Abwesenheit die Produktion stresst
• Deine Maschinenhandbücher digital vorliegen oder digitalisierbar sind (PDFs, auch gescannt)
• Du regelmäßig externe Serviceeinsätze des Maschinenherstellers hast, die 800 Euro aufwärts kosten
• Du neue Techniker einarbeitest und die Einarbeitungszeit auf 2–4 Wochen verkürzen willst
• Dein Maschinenpark älter als 5 Jahre ist und Handbücher nur noch sporadisch verfügbar sind

Das passt noch nicht, wenn:

• Deine gesamte Maschinendokumentation in Papierordnern liegt und niemand Zeit hat, sie zu digitalisieren
• Du unter 5 Maschinen hast und das Team die Maschinen komplett und zuverlässig kennt
• Du echte Predictive Maintenance (Sensorüberwachung, Ausfall-Prognose) willst — dafür braucht es Siemens Industrial Edge oder MachineMetrics, nicht einen Textassistenten

Das kannst du heute noch tun

Öffne ChatGPT und lade das Handbuch eurer häufigsten Problemmaschine als PDF hoch. Stelle dann die fünf Fehlercodes, die in den letzten 12 Monaten am häufigsten aufgetaucht sind. Nicht als Experiment — als echten Test: Gibt das System nützliche Antworten? Zeigt es die richtigen Stellen? Wenn ja, hast du deinen Proof of Concept in 30 Minuten.

Quellen & Methodik

• Flowdit / Branchenanalyse (2024): “KI im Field Service: Wie Predictive Maintenance die Wartung in anlagenintensiven Branchen verändert” — 77 % der Industrieunternehmen sehen PM als Schlüssel; flowdit.com
• Infeos (2024): “Predictive Maintenance: KI erkennt Maschinenfehler, bevor sie auftreten” — Ausfallzeitenreduktion 30 %, Wartungskostensenkung 20–40 %; infeos.eu
• Produktion.de: “Das kostet eine Stunde Stillstand in der Fertigung” — Bandbreite Stillstandskosten; produktion.de
• MFR Deutschland (2024): Überblick Predictive Maintenance in deutschen Fertigungsbetrieben; mfr-deutschland.de
• § 87 Abs. 1 Nr. 6 BetrVG: Mitbestimmungsrecht des Betriebsrats bei technischen Einrichtungen zur Mitarbeiterüberwachung — anwendbar bei Störungsprotokoll-Systemen mit Personenbezug
• Eigene Einschätzungen bezüglich Zeitwerten, Kostenszenarien und Implementierungsdauer basierend auf RAG-Projekten in der Fertigungsindustrie; keine repräsentative Studie