Maschinenbau

Wartungstechniker verbringen 30–50% der Störungszeit mit Fehlersuche in Handbüchern und Logdateien. Erfahrungswissen über wiederkehrende Muster ist nicht systematisch dokumentiert.

LLM mit Zugriff auf SPS-Logs, Maschinendokumentation und historischen Reparaturberichten — strukturierte Diagnose + Lösungsvorschlag in natürlicher Sprache.

Diagnosezeit um 40–70% kürzer. Weniger Eskalationen an Senior-Techniker oder Hersteller-Support.

LLM + OPC-UA-Integration + interne Wissensbasis (Reparaturberichte, Schaltpläne)

Energiekosten machen 5–15% der Fertigungskosten aus. Einsparpotenziale sind da, aber ohne Datenanalyse kaum sichtbar — zu viele Variablen, zu wenig Überblick.

Zeitreihenanalyse auf Smart-Meter-Daten und Maschinenzustandsdaten: Optimierungsvorschläge für Anlaufsequenzen, Spitzenlastzeitfenster und Standby-Konfigurationen.

5–15% Energieeinsparung typisch. Bei 500.000 €/Jahr Energiekosten: 25.000–75.000 € Einsparung.

Energy-Management-Plattform mit KI-Zeitreihenanalyse und Predictive Optimization

Montageanleitungen für neue Baugruppen kosten 5–15 Redaktionstage je Version. Bei häufigen Konstruktionsänderungen veralten sie schnell — aktuelle Versionen fehlen in der Fertigung.

CAD-zu-Anleitung-Pipeline: 3D-Viewer rendert Explosionszeichnungen, LLM beschreibt Montageschritte basierend auf Bauteilbeziehungen und Toleranzangaben.

Erstellungszeit von Wochen auf Tage. Anleitungen automatisch aktuell bei Konstruktionsänderung.

CAD-Integration + LLM (Creo Illustrate, SOLIDWORKS Composer, Cortona3D)

Rüstzeiten fressen 10–25% der verfügbaren Maschinenkapazität. Reihenfolgeplanung basiert auf Erfahrung einzelner Einrichter — Potenziale bleiben ungehoben.

Kombinationsoptimierung über historische Rüstdaten: Ähnliche Aufträge bündeln, Werkzeugwechsel minimieren, Einrichter vorab informieren.

Rüstzeiten um 15–30% senkbar. OEE-Steigerung von 5–10 Prozentpunkten ohne Investition in neue Maschinen.

Planungsoptimierung + MES-Integration (SAP PP, Siemens Opcenter)

Schweißnahtfehler werden oft erst bei Endkontrolle oder beim Kunden entdeckt. Nacharbeiten kosten das 5–20-fache einer Erstkorrektur. Prüfung im Nachgang ist zu spät.

Inline Computer Vision mit Wärmebild + Geometriemessung: Echtzeitbewertung während des Schweißens, sofortige Rückmeldung an Schweißer oder Roboterprogramm.

Ausschussrate um 40–70% senken. Nacharbeitskosten halbieren. DIN EN ISO 5817 Dokumentation automatisch.

Inline-Vision-System (z.B. Meta Vision, ISRA VISION, Servo-Robot)

Sicherheitsbeauftragte ertrinken in Protokollen, ohne die tatsächlich kritischsten Risikobereiche zu kennen. Auswertung ist manuell und dauert Wochen statt Stunden.

NLP-Textanalyse über alle Sicherheitsdokumente: Mustererkennung über Vorfalltypen, Bereiche und Häufigkeiten — mit automatischer Risikoprioritätsliste.

Auswertungszeit von Tagen auf Stunden. Blinde Flecken in der Sicherheitsanalyse reduzieren. Unfallquote langfristig messbar senken.

LLM-Textanalyse + Sicherheitsmanagementsystem (z.B. Intelex, SAP EHS)

Lieferantenbewertungen laufen einmal jährlich, basieren auf unvollständigen Daten und binden 2–5 Arbeitstage je Bewertungszyklus im Einkauf.

Automatische Datenaggregation aus ERP, Wareneingang und Reklamationsmanagement — LLM erstellt Bewertungsbericht mit konkreten Handlungsempfehlungen.

Bewertungszyklen von jährlich auf quartalsweise möglich. Einkauf spart 80% der manuellen Auswertungszeit.

ERP-Datenintegration + LLM-Reporting (SAP SRM, Jaggaer)

Täglich 10–50 Prüfberichte von Lieferanten und eigener QS landen im Postfach. Manuelle Durchsicht bindet 2–4 Stunden täglich und verzögert Freigaben.

Dokumentenextraktion mit LLM: Messwerte, Toleranzen, Normnachweise und Abweichungen werden automatisch extrahiert, verglichen und bei Grenzwertüberschreitung eskaliert.

Sichtungszeit um 70–80% reduzieren. Freigaben schneller. Nichtkonforme Teile früher gesperrt.

Dokumenten-KI (z.B. Hyperscience, Rossum, Azure Document Intelligence)

Komplexe Maschinenoptionen führen zu fehlerhaften Kundenspezifikationen — Korrekturen in der Konstruktion kosten 5.000–50.000 €. Vertrieb benötigt technisches Fachwissen für Beratung.

Regelbasierter Konfigurator mit LLM-Erklärungs-Layer: technische Kompatibilitätsprüfung + natürlichsprachige Begründung warum bestimmte Kombinationen nicht funktionieren.

Fehlkonfigurationen um 80–90% reduzieren. Vertrieb unabhängiger von Konstrukteuren.

CPQ-System (Configure Price Quote, z.B. Tacton, Camos, SAP CPQ)

Schadensgutachten dauern 5–15 Arbeitstage und kosten 2.000–10.000 € extern. Reklamationsbearbeitung stockt, Kunden warten. Internes Know-how für Schadensanalyse fehlt.

Computer Vision + LLM: Fotos des Schadensteils werden analysiert, Schadenstypen klassifiziert und ein strukturierter Erstbefund erstellt — Grundlage für Entscheidung intern/extern.

Erstbefund in 30 Minuten statt 5 Tagen. 60% der Fälle ohne externes Gutachten klärbar.

Custom Vision + LLM (Azure Custom Vision, GPT-4 Vision, Claude)

Reklamationen stapeln sich im Posteingang, Priorisierung nach Bauchgefühl. Bearbeiter suchen 20–40 Minuten nach vergleichbaren Vorfällen in der Vergangenheit.

NLP-Klassifikation + Ähnlichkeitssuche über historische Reklamationsdaten: automatische Priorisierung, Zuordnung und Lösungsvorschlag für Bearbeiter.

Erstantwortzeit um 50–70% senken. Bearbeitungszeit je Fall um 30–40% kürzen.

CRM-Integration mit NLP (Salesforce Service Cloud, Zendesk + KI-Layer)

Wartung nach festen Monatsintervallen ignoriert tatsächlichen Maschinenzustand. Gleichzeitig kollidieren Wartungsfenster mit Produktionsengpässen — beides kostet Kapazität.

Optimierungsmodell kombiniert Produktionsplan, Maschinentelemetrie und Wartungshistorie zu dynamischen Wartungsvorschlägen — angezeigt als priorisierter Kalender.

Produktionsausfälle durch Wartungskollisionen um 30–40% reduzieren. Überwartung vermeiden.

CMMS + KI-Scheduling (IBM Maximo, SAP PM + Optimierungsmodul)

Arbeitsvorbereitung erstellt für jeden Fertigungsauftrag manuell Begleitdokumente. Bei 50–200 Aufträgen pro Woche bindet das 10–30 Stunden — und Fehler passieren.

Regelbasierte Dokumentengenerierung aus ERP-Daten + LLM für Freitextfelder: Laufkarte, Prüfplan und Sonderhinweise automatisch befüllt und ausgedruckt.

AV-Aufwand für Standardaufträge um 60–80% reduzieren. Fehlerquote in Dokumenten halbieren.

ERP-Dokumentengenerierung (SAP PP + Smartforms, proALPHA Reports)

Hotline-Mitarbeiter beantworten täglich 20–50 Standardanfragen zu Fehlersuche und Wartungsintervallen. Erreichbarkeit nur Geschäftszeiten, Wartezeiten 15–40 Minuten.

RAG-System über Maschinenhandbücher und Ersatzteilkataloge: Chatbot beantwortet Serviceanfragen mit dokumentenbasierter Präzision — eskaliert nur bei komplexen Fällen.

70–80% der Serviceanfragen vollautomatisch beantwortbar. Support-Team für komplexe Fälle freigestellt.

RAG-Chatbot über Produktdokumentation (z.B. Intercom + OpenAI, eigene Lösung)

Komplexe Niedrigvolumen-Teile erfordern stundenlange manuelle Kalkulation durch erfahrene Vertriebsingenieure — die Kapazität ist begrenzt, Angebote kommen zu spät, und unterschätzte Aufwände fressen die Marge.

ML-Modell extrahiert geometrische Features aus CAD-Dateien (Bohrungen, Freistiche, Toleranzklassen) und kombiniert sie mit historischen Auftrags- und Kostendaten zu einer Erstpreisschätzung mit Konfidenzband.

Angebotszeit von 2–3 Tagen auf 2–4 Stunden reduzierbar. Margenabweichungen durch Unterschätzung um 20–35% verringerbar, da das Modell versteckte Komplexitätstreiber sichtbar macht.

Feature-Extraktion aus STEP/IGES + Gradient-Boosting-Regression (z.B. XGBoost) auf historischen ERP-Daten

Historische Konstruktionspläne in Papierform verblassen, sind nicht elektronisch durchsuchbar und gehen bei Mitarbeiterwechsel oder Archivschäden dauerhaft verloren. Rekonstruktionen kosten Wochen.

KI-OCR extrahiert Maße, Stücklisten und Bauteilbezeichnungen aus eingescannten Technischen Zeichnungen. Semantische Segmentierung identifiziert Ansichten, Schnitte und Toleranzangaben und überführt alles in strukturierte CAD-Metadaten.

Suchdauer für historische Konstruktionsdetails von Stunden auf Sekunden reduziert. Basis für Retrofit-Projekte und Ersatzteilbeschaffung ohne Neukonstruktion.

Hochauflösungs-Scan + Dokumenten-KI (z.B. Azure Document Intelligence, Google Document AI) + domänenspezifisches Fine-Tuning

Maschinenbediener und CNC-Programmierer verbringen unverhältnismäßig viel Zeit mit dem manuellen Erstellen von Werkzeugwegen für Bohrbilder, Taschen und Konturen — auch wenn diese Geometrien vielfach vorkommen.

KI analysiert CAD-Features (Geometrieklassifikation, Toleranzen, Material) und generiert automatisch parametrisierte Werkzeugwege inkl. Werkzeugauswahl, Schnittparametern und Kollisionsprüfung für Standardoperationen.

NC-Programmierzeit für Standardgeometrien um 60–80% reduzierbar. Programmierfehler und Wiederholeinrichtungen deutlich seltener; Programmierer können sich auf komplexe Sondergeometrien konzentrieren.

Feature-Recognition aus CAD + regelbasierte + ML-gestützte CAM-Automatisierung (z.B. Siemens NX CAM APIs, Fusion 360 Add-ins)

Ausschussraten in Zerspanungslinien entstehen durch Wechselwirkungen von Werkzeugverschleiß, Kühlmitteltemperatur, Spindelbelastung und Materialcharge — zu viele Variablen für manuelle Analyse, zu wenig Zeit für systematische DoE.

Kausales ML-Modell (z.B. auf Basis von Causal Forests oder DAG-Inferenz) analysiert kontinuierliche Prozessdatenströme aus allen Bearbeitungsschritten und isoliert die jeweils dominanten Einflussgrößen auf den Ausschuss.

Ausschussrate um 20–40% senkbar durch gezielte Parameteranpassung. Reaktionszeit nach Qualitätsabweichung von Tagen auf Stunden verkürzt.

MES/SCADA-Datenintegration + Causal-ML (DoWhy, EconML) oder Gradient Boosting mit SHAP-Erklärbarkeit