Ersatzteil-Beschaffung: KI gegen den AOG-Albtraum

Das echte Ausmaß des Problems

Boeing schätzt die direkten Kosten einer AOG-Situation auf 10.000 bis 100.000 Dollar pro Stunde — je nach Flugzeugtyp, Route und Ausweichoptionen. Für ein Wide-Body-Flugzeug auf einer Langstreckenroute liegt der Stundensatz am oberen Ende; für einen Regional-Jet auf einer Kurzstrecke am unteren. Aber selbst 10.000 Dollar pro Stunde macht eine 6-stündige AOG-Situation zu einem 60.000-Dollar-Ereignis.

Die $30-Milliarden-Zahl ist branchen- und jahresweit. Aufgeteilt: ca. 60 Prozent davon entfällt auf verlorene Einnahmen und Passagier-Kompensation, 40 Prozent auf direkte Beschaffungs- und Logistikkosten in AOG-Situationen. Ein erheblicher Anteil der AOG-Dauer ist auf Teile zurückzuführen, die nicht verfügbar waren — nicht auf technische Komplexität.

Eine Analyse eines mittelgroßen MRO-Betriebs (publiziert auf Preprints.org, 2025) zeigte: 70 Prozent aller Teilebestellungen dieses Betriebs waren AOG-Aufträge — also reaktive Notbestellungen unter Zeitdruck, über 500 Lieferanten, 70.000 SKUs in fünf Lagern. Von diesen Lagerbeständen waren 37 Prozent zu alt oder überbestellt (slow-moving inventory), während gleichzeitig kritische Teile fehlten.

Das Paradox: zu viel Kapital in falsche Teile gebunden, zu wenig in die richtigen.

Warum passiert das? Klassische Bestandsplanung in der Luftfahrt folgt einem einfachen Prinzip: Halte einen Sicherheitsbestand auf Basis historischer Verbrauchsdaten. Das funktioniert für stabile Flotten mit stabilen Flugprogrammen — aber nicht für:

• Saisonale Schwankungen: Sommerprogramme bedeuten mehr Flugzyklen, mehr Verschleiß an bestimmten Teilen
• Flottenmixänderungen: Eine neu geleasete A320neo hat andere Teileverbrauchsprofile als die ältere A320 CEO
• Service-Bulletin-Kaskaden: Wenn OEM ein Service Bulletin für eine Bauteilkategorie herausgibt, steigt der Bedarf aller betroffenen Betriebe gleichzeitig — Lieferanten sind überlastet
• Alterseffekte: Ältere Flugzeuge haben höhere Ausfallraten bei bestimmten Komponenten — simple historische Averages unterschätzen dies

Die Folge: Überraschende Teileknappheit für genau die Flugzeuge, die am meisten fliegen — und damit die teuersten AOG-Situationen.

Mit vs. ohne KI — ein ehrlicher Vergleich

Beschaffungszeit-Benchmark: ePlane.ai Bericht “Digital Supply Chains Reshape Aviation Parts Procurement” (2024) — Verkürzung von 25 Tagen (2020) auf 12 Tage (2024) als Branchentrend. AOG-Kosten: Boeing-Schätzung. Slow-moving Inventory: eplaneai.com Analyse MRO-Betrieb (AOG-Optimierungsstudie, 2024).

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Das ist der Use Case in dieser Kategorie mit dem niedrigsten Zeitgewinn für einzelne Mitarbeitende. Der Procurement-Manager spart sich stundenlange E-Mail-Runden — das ist real. Aber der eigentliche Nutzen ist finanzieller Natur, nicht primär Zeitersparnis. Verglichen mit der Wartungsdokumentation, die täglich direkten Zeitgewinn für jeden Techniker schafft, ist das Zeitpotenzial hier kleiner und konzentriert auf wenige Beschaffungsmitarbeitende.

Kosteneinsparung — sehr hoch (5/5) Das ist unter allen drei Use Cases dieser Kategorie der stärkste Kostenhebel. AOG-Kostenreduktion in der Größenordnung von 30–40 Prozent — selbst wenn nur ein Bruchteil der $30-Milliarden-Industrie-AOG-Kosten auf ein einzelnes Unternehmen entfällt, sind das reale Millionenbeträge. Dazu kommen 10–15 Prozent günstigere Einkaufspreise durch transparenteren Lieferantenwettbewerb und bessere Lagerkapitalnutzung.

Schnelle Umsetzung — mittel (3/5) Die Prognosemodelle sind technisch bekannt (Gradient Boosting, Prophet) und nicht neu. Die Herausforderung ist Datenverfügbarkeit: Wer saubere Daten zu Flugzyklen, historischen Teileverbrauchsraten und Lagerbeständen hat, kann in 10–16 Wochen einen funktionierenden Piloten aufsetzen. Wer diese Daten noch in Silos zwischen AMOS, SAP und Excel hat, braucht länger — oder muss Datenmigration vorlagern.

ROI-Sicherheit — hoch (4/5) Einer der klarsten ROI-Cases in der gesamten Luft-Raumfahrt-Kategorie. AOG-Kosten sind messbar, Beschaffungspreise sind messbar, Lagerkapitalbindung ist messbar. Kein indirekter Nutzen, kein “gefühlte Verbesserung” — sondern Zahlen, die direkt in der P&L erscheinen. Nicht die volle 5, weil der Umfang des ROI stark von der Ausgangssituation abhängt: Wer ohnehin gutes Bestandsmanagement hat, sieht kleinere Verbesserungen.

Skalierbarkeit — sehr hoch (5/5) Das Modell wird besser, je mehr Daten vorhanden sind. Eine Flotte, die wächst, verbessert die Prognosequalität. Mehr Lieferanten im Netzwerk bedeuten bessere Preisoptimierung. Der Aufwand pro zusätzlichem Flugzeug ist nahezu null. Das ist der skalenfreundlichste Use Case unter den dreien — optimal für Betriebe mit Wachstumsambitionen.

Richtwerte — stark abhängig von Flottenumfang, Datenqualität und Lieferantennetzabdeckung.

Was das System konkret macht

Zwei Kernfunktionen, die zusammenspielen:

Funktion 1 — Predictive Analytics: Bedarfsprognose

Ein Machine-Learning-Modell (typischerweise Gradient Boosting + Prophet für Zeitreihendaten) lernt aus historischen Teileverbrauchsdaten und korreliert sie mit: Flottengröße, Flugzykluszahl je Flugzeugtyp, Flugzeugalter und Betriebsstunden, Saisonalität, offenen Work Orders, aktuellen Service Bulletins und ADs.

Das Modell prognostiziert für jeden Artikel im Ersatzteillager: Wann wird dieser Teil wahrscheinlich benötigt? In welcher Menge? Wie kritisch ist der Artikel (Flugbetrieb-relevant oder nicht)? Ausgabe: Bestellempfehlung mit Zeitfenster und Priorität — 4, 8 und 12 Wochen im Voraus.

Funktion 2 — Automatisierter Beschaffungsprozess

Statt einer Kette von E-Mails an 5 Lieferanten generiert das System automatisch RFQs (Requests for Quotation), verteilt sie an qualifizierte Lieferanten im Netzwerk, empfängt Angebote strukturiert, führt Preisvergleiche durch und erstellt eine Entscheidungsvorlage für den Einkäufer. Bei definierten Standardteilen unter einem Schwellenwert kann die Bestellung auch vollautomatisch ausgelöst werden.

Die Automatisierung übernimmt die Routine — der Einkäufer entscheidet bei Ausnahmen und kritischen Teilen.

Integration mit dem MRO-System: Bedarfsmeldungen aus AMOS (Work Orders, geplante Checks) fließen automatisch in die Prognose ein. Bestellauslösungen werden zurück ins AMOS-Materialmanagement übertragen. Keine manuelle Dateneingabe in zwei Systeme.

Datenschutz und Datenhaltung

Ersatzteildaten und Lieferanteninformationen sind geschäftskritisch — Preiskonditionen, Lieferantenverträge, Ausfallhistorien geben Einblicke in operative Schwächen, die Wettbewerber ausnutzen könnten. DSGVO ist relevant, wenn Mitarbeiterdaten (Besteller, Lieferantenkontakte) verarbeitet werden.

Empfohlene Konfiguration:

• SAP + Azure ML (EU-Region): Für Betriebe, die SAP MM für Materialwirtschaft nutzen — Azure Machine Learning über West Europe oder Switzerland North, AVV automatisch vorhanden
• On-premise Prognosemodell: Für Betriebe mit sehr sensitiven Lieferantenverträgen — Python-basiertes Modell auf eigenem Server, keine Cloud-Abhängigkeit. Nur Angebotsvergleich über externen Dienst
• ePlane.ai: US-Datenhosting — für europäische Betriebe AVV prüfen; stärkere Lieferantennetz-Abdeckung in US/globalen Märkten als in Europa

Für alle Lieferantendaten, die an externe Plattformen übertragen werden: Sicherstellen, dass Lieferantenverträge keine Exklusivitäts- oder Vertraulichkeitsklauseln enthalten, die die Weitergabe an Drittplattformen einschränken.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten:

• Eigenentwicklung (Prognosemodell + RFQ-Automatisierung + AMOS-Integration): 30.000–60.000 Euro
• Fertiglösung wie ePlane.ai (Konfiguration + Anbindung): günstigere Einrichtung, dafür US-Hosting und weniger Individualanpassung; Preise auf Anfrage

Laufende Kosten (monatlich):

• Azure ML + API-Kosten: 500–1.500 Euro/Monat je nach Volumen
• Modellwartung (neue Flugzeugtypen, Daten-Updates): 2–4 Stunden/Monat intern
• Lieferantennetz-Pflege: initial höher, dann stabil ca. 4 Stunden/Monat

Was du dagegenrechnen kannst: Ein vermiedenes AOG-Ereignis mittlerer Größe (6 Stunden, Kurzstreckenjet): 40.000–80.000 Euro. Wenige vermiedene AOG-Ereignisse pro Jahr amortisieren die Einrichtungskosten vollständig. Dazu: 10–15 Prozent Preisreduktion auf Ersatzteilkäufe. Bei einem MRO-Betrieb mit 2 Millionen Euro Jahresbeschaffungsvolumen entspricht das 200.000–300.000 Euro Einsparung — ohne AOG-Prävention.

Konservative Rechnung für einen mittelgroßen Betrieb (50 Flugzeuge, 4 Mio. Beschaffungsvolumen/Jahr):

• Preisvorteil Beschaffung (12 %): 480.000 Euro/Jahr
• AOG-Prävention (3 Ereignisse à 50.000 Euro): 150.000 Euro/Jahr
• Laufende Kosten System: ca. 18.000 Euro/Jahr
• Netto-Nutzen: ca. 612.000 Euro/Jahr (erste 12 Monate nach Amortisation der Einrichtungskosten)

Diese Rechnung ist optimistisch — ein Prozent Preisvorteil mehr oder weniger ist wenig, aber bei 4 Mio. Beschaffungsvolumen realistisch. Die Anzahl vermiedener AOG-Events hängt stark von der Ausgangssituation ab.

Drei typische Einstiegsfehler

1. Das Prognosemodell ohne saubere Historien-Daten aufsetzen. Garbage in, garbage out — trifft hier besonders zu. Ein Gradient-Boosting-Modell, das mit 18 Monaten unvollständiger Verbrauchsdaten trainiert wird, produziert Prognosen mit schlechter Qualität. Die erste Frage vor dem Projekt: Wie vollständig sind die historischen Teileverbrauchsdaten? Sind Lagerabgänge sauber erfasst? Sind AOG-Bestellungen von regulären Bestellungen unterscheidbar? Ohne saubere Datenbasis muss die Datenbereinigung vorgelagert werden — das kostet 4–8 Wochen und wird häufig unterschätzt.

2. Den Beschaffungsprozess vollautomatisieren, bevor Vertrauen gewachsen ist. Die technische Möglichkeit, Bestellungen ab einem bestimmten Schwellenwert vollautomatisch auszulösen, ist verlockend — aber gefährlich als erster Schritt. Ein falsch kalibriertes Modell, das 20 Teile bestellt, die nicht gebraucht werden, kostet teures Lagerkapital. Empfohlener Ansatz: Sechs Monate lang Bestellvorschläge generieren und manuell freigeben — das Einkaufsteam lernt dabei, die Qualität der Prognosen einzuschätzen. Erst dann Schwellenwerte für Automation setzen.

3. Das Lieferantennetz nicht vorher qualifizieren. Eine automatisierte RFQ-Plattform, die RFQs an 50 Lieferanten sendet, von denen 30 keine EASA-konforme Zertifizierung haben, produziert Angebote, die nicht verwendet werden dürfen. Bevor die Plattform live geht: alle Lieferanten auf EASA Part-145 Approved Supplier List setzen, Zertifikate pflegen, Lieferantenbewertung einrichten. Das ist Vorarbeit, die den Beschaffungsteams in der Praxis 4–6 Wochen kostet.

Was mit der Einführung wirklich passiert — und was nicht

Der Einkauf hat in MRO-Betrieben oft eine starke persönliche Komponente: langjährige Lieferantenbeziehungen, Vertrauen auf Gegenseitigkeit, Sonderkonditionen, die telefonisch ausgehandelt wurden und nirgendwo dokumentiert sind. Eine KI-Beschaffungsplattform macht diese Prozesse transparenter — und das ist für manche Einkäufer zunächst unangenehm.

Zwei Muster treten regelmäßig auf:

Einkäufer fühlen sich ersetzt. Wenn das System vorschlägt, statt dem langjährigen Partner einen neuen Lieferanten zu beauftragen, weil dieser 8 Prozent günstiger ist, entsteht Reibung. Die Gegenmaßnahme: Das System macht Vorschläge; die finale Entscheidung liegt beim Einkäufer. Gute Systeme zeigen auch qualitative Faktoren: Zuverlässigkeit, Bewertungshistorie, Liefertreue — nicht nur Preis.

Lieferanten, die bislang Monopolstellung hatten, verlieren Anteile. Das ist kein unbeabsichtigter Nebeneffekt — es ist das Ziel. Aber es kann vertragliche und relationationale Konsequenzen haben. Vor dem Rollout: bestehende Exklusivverträge prüfen. Nicht alle können im ersten Schritt in den Wettbewerb überführt werden.

Was konkret hilft:

• Einkaufsteam in die Lieferantenqualifizierung einbinden — sie kennen die Qualitätshistorie besser als jede Datenbank
• Ersten Einsatz auf Teile beschränken, für die keine feste Lieferantenbeziehung besteht (Consumables, Expendables)
• Preis-Leistungs-Transparenz als Argument nutzen: “Das System macht sichtbar, was bisher nicht sichtbar war”

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Lieferantenbeziehungen sind langfristig und funktionieren gut — warum das ändern?” Bestehende Lieferantenbeziehungen können im System abgebildet werden: bevorzugte Lieferanten bekommen einen Bias-Faktor, sodass sie bei gleicher Qualität den Zuschlag erhalten. Das System macht bestehende Beziehungen nicht kaputt — es macht sie transparent und verhandelbar. Wer bisher günstig war, bleibt günstig.

„Unsere Flotte ist zu klein für ML-Prognosen.” Ab ca. 15–20 Flugzeugen mit ausreichend Historien-Daten (mindestens 2 Jahre) produzieren ML-Prognosen bessere Ergebnisse als einfache Sicherheitsbestand-Formeln. Unter 15 Flugzeugen ist eine einfachere regelbasierte Bestandsplanung oft ausreichend und günstiger. Ein realistisches erstes Projekt für kleinere Betriebe: Automatisierung des RFQ-Prozesses ohne ML-Prognose — das allein spart erheblichen manuellen Aufwand.

„Was, wenn das Modell einen falschen Bedarf prognostiziert und wir Teile kaufen, die wir nicht brauchen?” Das wird passieren — Prognosemodelle sind keine Orakel. Die Qualität eines guten Modells liegt bei 70–85 Prozent Genauigkeit bei einem 4-Wochen-Horizont. Der Vergleich: Klassische Sicherheitsbestandsplanung liegt bei 50–60 Prozent — und hat trotzdem viele AOG-Situationen. Das System muss nicht perfekt sein, um besser als der Status quo zu sein. Die Falsch-Positive werden durch den manuellen Freigabeprozess in der Pilotphase erkannt und das Modell kalibriert.

Woran du merkst, dass das zu dir passt

• Du hast mindestens 15–20 Flugzeuge mit mindestens 2 Jahren sauber erfasster Teile-Verbrauchshistorie — darunter ist ML-Prognose schwer zu rechtfertigen
• Du hattest in den letzten 12 Monaten mindestens 3–5 AOG-Situationen, die auf fehlende Teile zurückzuführen waren, nicht auf technische Komplexität
• Dein Beschaffungsprozess läuft noch über E-Mail mit manuellen Preisvergleichen — hier ist der Automatisierungseffekt am größten
• Du hast Zugang zu sauberen historischen Daten zu Flugzyklen und Teileverbrauch — oder bist bereit, 4–6 Wochen in die Datenbereinigung zu investieren
• Deine Lieferantenbasis hat Wettbewerb — mindestens 3–5 alternative Lieferanten pro wichtigem Teilekatalog

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

1. Unter 15 Flugzeugen oder unter 18 Monaten Verbrauchshistorie. Die Datenbasis ist zu klein für belastbare ML-Prognosen. Empfehlung: Zuerst saubere Datenerfassung in AMOS oder SAP, dann in 18 Monaten reassessieren. Automatisierter RFQ-Prozess allein (ohne Prognose) kann aber auch für kleinere Betriebe sinnvoll sein.

2. Lieferantenbasis ohne EASA-Zertifizierung gepflegt. Wenn der Lieferantenstamm nicht systematisch auf gültige Part-145-Lieferantengenehmigungen geprüft ist, produziert das System Angebote, die nicht legal beschafft werden dürfen. Voraussetzung: gepflegte Approved Supplier List mit validen Zertifikaten.

3. Beschaffung und Lager in getrennten IT-Systemen ohne Integration. Wenn Lagerbestand, Bestellhistorie und Flottendaten in drei verschiedenen Systemen ohne Schnittstellen liegen, ist die Datenintegration der eigentliche Engpass. In diesem Fall zuerst die Dateninfrastruktur konsolidieren — dann das Prognosemodell aufbauen.

Das kannst du heute noch tun

Starte mit einer AOG-Retrospektive: Analysiere die letzten 12 Monate AOG-Ereignisse in deinem Betrieb. Für jede AOG-Situation: Was war der fehlende Teil? War er in der letzten Bestellhistorie vorher vorhanden und einfach nicht rechtzeitig nachbestellt worden? Wie viele der AOG-Stunden wären bei proaktiver Bestellung vermeidbar gewesen?

Diese Analyse — 1–2 Stunden Recherche in AMOS oder dem Lagersystem — gibt dir den ehrlichsten Ausgangswert für den Business Case.

Parallel dazu: Nutze diesen Prompt, um eine erste Stichproben-Prognose zu erstellen. Exportiere Teileverbrauchsdaten der letzten 12 Monate für 10–20 kritische Teile und lade sie in ChatGPT mit Data Analysis oder Julius AI hoch:

Quellen & Methodik

• AOG-Kosten $10.000–$100.000/Stunde: Boeing, veröffentlicht in Aviation Week Network, „Optimizing Aerospace Supply Chain With AI and Big Data” (2024). Kostenspanne abhängig von Flugzeugtyp und Route.
• $30 Milliarden Industrie-AOG-Verluste: IATA-Schätzung, zitiert in Preprints.org, „Managing Operational Efficiency and Reducing Aircraft Downtime by Optimization of AOG Processes” (2025).
• 70 % AOG-Bestellungen, 37 % Slow-Moving Inventory: eplaneai.com, AOG-Optimierungsfall-Studie (2024). Einzelfall-Analyse — nicht repräsentativ für alle MRO-Betriebe, aber konsistent mit Branchenbeobachtungen.
• Beschaffungsdauer von 25 auf 12 Tage: eplaneai.com, „Digital Supply Chains Reshape Aviation Parts Procurement” (2024). Branchentrend 2020–2024.
• 35 % Inventar-Kostenreduktion durch AI: McKinsey & Company, zitiert in Aerospace Innovations, „Targeting the Achilles heel of Supply Chain Management” (2024). Laut Forrester-Analyse im Auftrag von McKinsey — Zahl als Obergrenze, nicht als garantierter Durchschnittswert einzuordnen.
• Prognosemodell-Technologien (Gradient Boosting, Prophet): Standard-Zeitreihenprognose-Ansatz; publiziert in GJETA, „AI-based workflow optimization in aviation” (2025).

Du willst wissen, wie dein konkreter AOG-Rückblick aussieht und welche Datengrundlage du für ein Prognosemodell brauchst? Meld dich — das klären wir in einem kurzen Gespräch.