Maschinenbau

Ungeplante Stillstände kosten 5–10% der Produktionskapazität. Präventive Wartung nach Kalender überwartet viele Teile und übersieht trotzdem echte Defekte.

Zeitreihen-Anomalieerkennung auf Sensordaten (Vibration, Temperatur, Strom), ML-Modell lernt Normalbetrieb und schlägt Alarm bei Abweichung.

Stillstandzeiten um 30–50% reduzierbar (Schätzwert aus Praxisberichten). Wartungskosten sinken um 15–25% durch bedarfsgerechten Eingriff statt Kalenderintervall.

Einstieg: Strommessung + Excel/Schwellwert-AlarmIndustrieplattform (Siemens Industrial Edge, IBM Maximo)Custom ML-Modell (Azure ML, AWS SageMaker)

Manuelle Sichtprüfung erkennt nur 70–80% der Fehler bei hohem Durchsatz. Prüfer ermüden, Qualitätsstandards schwanken, Reklamationsquoten bleiben konstant hoch.

Computer Vision mit trainierten Erkennungsmodellen (Defect Detection), Kamera + Industriebeleuchtung + Echtzeitklassifikation an der Linie.

Erkennungsrate auf 95–99% steigerbar. Prüfgeschwindigkeit 10x höher als manuell. Dokumentation automatisch.

Software-Proof-of-Concept (Landing AI, eigene Kamera)Proprietäres Kamerasystem (Cognex, KEYENCE)Custom-Lösung mit offenen Frameworks (YOLO, Roboflow, Basler)

Technische Redaktion bindet 20–40 Stunden je Produktversion. Bei Variantenvielfalt und kurzen Markteinführungszeiten entstehen Engpässe, Dokumentation verzögert Auslieferung.

LLM-gestützte Texterstellung aus strukturierten Quelldaten (CAD-Export, ERP-Stückliste) mit Regelwerk für Normen wie EN ISO 20607.

Redaktionszeit um 40–60% senkbar (Schätzwert aus Praxisberichten). Konsistente Terminologie. Mehrsprachige Ausgabe ohne Mehraufwand.

Custom LLM-Workflow (kein CCMS, Proof of Concept)Paligo Cloud-CCMS + DeepLSCHEMA ST4 + plusmeta (Vollausbau)

Lieferkettenstörungen wie Insolvenzen, Naturkatastrophen oder Exportbeschränkungen treffen Maschinenbauer oft unvorbereitet. Manuelle Lieferantenüberwachung ist nicht skalierbar.

Automatisiertes Web-Monitoring mit NLP-Klassifikation: Nachrichten, Finanzdaten und Branchenberichte werden auf Risikosignale gescannt und priorisiert.

Frühwarnzeit von Wochen statt Tagen. Alternativlieferanten früher ansprechen. Produktionsstopps durch Materialengpässe um 20–40 % reduzierbar (Schätzwert aus Praxisberichten).

Web-Monitoring + Make.com (Einstieg, manuell)Everstream Analytics (Mittelstand, ab 200 €/Monat)Resilinc / riskmethods (Enterprise, ab 50.000 €/Jahr)

Angebotserstellung für Sondermaschinen dauert 3–10 Arbeitstage und bindet erfahrene Konstrukteure. Bei zu vielen Anfragen entstehen Engpässe, Angebote kommen zu spät.

LLM mit Zugriff auf historische Projektdaten schlägt Kostenpositionen, Stundenansätze und Lieferzeiten vor, Kalkulatoren prüfen schneller und passen an.

Angebotsdauer um 40–60% kürzer. Kapazität für 2–3x mehr Anfragen ohne neue Mitarbeiter.

ChatGPT/Claude mit Projekthistorie (manuell, kein Setup)Make.com + OpenAI API + ERP-AnbindungEigenentwicklung: LLM + SAP/proALPHA-Integration

Zu viel Lagerkapital in seltenen Teilen gebunden, gleichzeitig Stillstand bei Engpässen für häufige Verschleißteile. Bestandsplanung läuft auf Erfahrungswerten und Bauchgefühl.

Random-Forest-Zeitreihenmodell kombiniert Maschinenlaufzeiten, Wartungshistorie und Einkaufsdaten zu automatischen Bestellvorschlägen mit intelligenter Risikosteuerung.

Lagerkapital um 20–35% senken. Notfallbestellungen (3–5x teurer) um 60–70% reduzieren. Verfügbarkeitsquoten 95–99% halten.

ERP-internes Prognose-Modul (kein Mehraufwand)RELEX Solutions SaaS (200+ Artikel, SAP-Integration)Custom ML-Modell (AWS/Azure) für volle Kontrolle

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 historische Reparaturberichte, strukturierte Diagnose + Lösungsvorschlag in natürlicher Sprache.

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

LLM direkt (Handbuch als Kontext, kein Setup)Node-RED + RAG-Pipeline on-premisesSiemens Industrial Edge (vollintegriert)

Energiekosten machen 5–15% der Fertigungskosten aus. Standby-Lasten, ungünstige Anlaufsequenzen und Leistungspreismaxima kosten täglich Geld, ohne dass jemand das ohne Datenanalyse sieht.

LSTM-Zeitreihenanalyse auf Sub-Meter-Daten mit ERP-Schichtkontext identifiziert konkrete Einsparmuster: unnötige Standby-Last, Spitzenlastbeiträge und suboptimale Maschinenstartreihenfolgen.

5–15% Energieeinsparung durch systematisch gefundene Muster. Bei 500.000 €/Jahr Energiekosten: 25.000–75.000 € Einsparung nachweisbar.

KI-Erstanalyse mit ChatGPT/Claude auf Abrechnungsdaten (kein Setup)Open-Source-Stack: InfluxDB + Grafana + Python (Eigenaufwand)Fertiglösung: online-EnMS oder Siemens Industrial Edge (inkl. Setup)

Montageanleitungen für neue Baugruppen kosten 5–15 Redaktionstage je Version. Bei häufigen Konstruktionsänderungen veralten sie schnell, mit direkten Folgen für Montagefehler, Haftungsrisiken und CE-Freigaben.

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

Erstellungszeit von Wochen auf Tage. Anleitungen automatisch aktuell bei Konstruktionsänderung. Geringeres Haftungsrisiko durch normkonforme, vollständige Dokumentation.

CAD-Integration + 3D-Rendering + LLM (SOLIDWORKS Composer, Creo Illustrate, Cortona3D + Claude/OpenAI)

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

Constraint-Programming und Reinforcement Learning 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.

Excel-Export + KI-Assistent (ChatGPT/Claude)RüstPlan SaaS ohne MES-AnbindungSiemens Opcenter APS oder SAP DM

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.

Landing AI LandingLens (Cloud-POC)Keyence CV-X oder elunic AI.SEEVITRONIC VIRO WSI mit Roboter-Integration

Nach jedem Arbeitsunfall oder Beinaheunfall liest jemand manuell durch Berichte, Zeugenaussagen und Protokolle. Muster über Quartale, Schichten und Bereiche hinweg werden erst sichtbar, wenn es zu spät ist.

NLP-Textanalyse über alle Sicherheitsdokumente: wiederkehrende Standorte, Schichtmuster, Workstation-Cluster und Beinahe-Vorfalls-Trajektorien, automatisch erkannt, nach Risiko priorisiert.

Quartalsauswertung von 3 Tagen auf 4 Stunden. Blinde Flecken in der Sicherheitsanalyse systematisch schließen. Unfallquote langfristig messbar senken, vorausgesetzt, die Meldekultur stimmt.

EHS-Plattform mit KI-Mustererkennung (z.B. Quentic, SafetyCulture)LLM-Textanalyse unstrukturierter Berichte (ChatGPT, Claude)BI-Auswertung auf DGUV-konformen Meldedaten

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

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

Bewertungszyklen von jährlich auf quartalsweise möglich. Einkauf spart 70–80 % der manuellen Auswertungszeit je Zyklus.

Excel + ChatGPT/Claude für BerichtePower BI + LLM-Schicht (Azure OpenAI)Tacto, SAP Ariba oder Jaggaer ONE

Täglich 10–50 Prüfberichte verschiedener Lieferanten und der eigenen QS landen im Postfach. Manuelle Durchsicht bindet 2–4 Stunden täglich und verzögert Freigaben, mit dem Risiko, dass eine Abweichung auf Seite 3 eines 12-seitigen PDFs einfach übersehen wird.

NLP-basierte Dokumenten-KI (Intelligent Document Processing) extrahiert Messwerte, Toleranzen, Normnachweise und Chargeninformationen automatisch aus PDFs. Liegt ein Wert außerhalb der Spezifikation, eskaliert das System sofort, statt die Verantwortung beim müden Prüfer zu lassen.

Sichtungszeit um 70–80 % reduzieren, nichtkonformer Teileschlupf frühzeitig stoppen, Freigaben beschleunigen und die Chargendokumentation lückenlos ins ERP zurückschreiben.

Dokumenten-KI (turian, Azure AI Doc Intel.)+ Validierungslogik gegen Spezifikationen+ ERP/QMS-Anbindung (SAP QM, Rossum)

Komplexe Maschinenoptionen führen zu fehlerhaften Kundenspezifikationen. Änderungsaufträge in der Konstruktion kosten 15.000–40.000 € pro Fall. Vertrieb ist ohne Senior-Ingenieur kaum handlungsfähig.

LLM-gestützter Konfigurator: natürliche Sprache wird in technisch valide Konfigurationen übersetzt, Kompatibilitätsregeln werden in Echtzeit geprüft, vorläufige Stückliste und Angebotsgliederung werden generiert.

Fehlkonfigurationsrate sinkt um 80–90%. Vertrieb handlungsfähig ohne Senior-Konstrukteur. Konfigurationszeit sinkt von 2–4 Stunden auf 20–40 Minuten.

CPQ-System (Tacton, camos, encoway)+ LLM-Schicht für natürliche Sprache+ RAG-Eigenentwicklung als Alternative

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.

GPT-4o Vision oder Claude für ersten Pilot+ Custom Vision (Roboflow, LandingLens)+ LLM für strukturierte Befundberichte

Reklamationen stapeln sich im Posteingang, Priorisierung passiert nach Bauchgefühl. Bearbeiter suchen 20–40 Minuten nach vergleichbaren Vorfällen, und niemand erkennt sofort, ob ein Fall Gewährleistungsrisiken birgt.

NLP-Klassifikation auf historischen Reklamationsdaten: automatische Einstufung nach Typ und Dringlichkeit, SLA-bewusstes Routing, Sentiment-Eskalation und vorausgefüllter 8D-Report-Entwurf.

Erstantwortzeit um 50–70% kürzen. Bearbeitungszeit je Fall von 35 auf 18 Minuten senken. Gewährleistungsfälle früh identifizieren, bevor teure Nachbesserungen ausgelöst werden.

Freshdesk/Zendesk mit KI-Layer+ CAQ-System (BabtecQ) mit SAP-Anbindung+ Custom-Klassifikator auf Azure OpenAI

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

Constraint-basiertes Optimierungsmodell (Integer Programming) kombiniert Produktionsplan, Maschinentelemetrie und Wartungshistorie zu dynamischen Wartungsvorschlägen, angezeigt als priorisierter Kalender.

Produktionsausfälle durch Wartungskollisionen um 30–40% reduzieren. Überwartung vermeiden. Planungsaufwand des Instandhaltungsleiters deutlich senken.

CMMS mit KI-Scheduling (Limble, Fiix)+ ERP-Anbindung an Produktionsplan+ IBM Maximo für Enterprise-Umgebungen

Für jede Sondermaschine erstellt die Arbeitsvorbereitung manuell Fertigungsbegleitscheine für 400–800 Einzelteile, ein Aufwand von 2–3 Tagen je Fertigungsauftrag, bevor die Produktion überhaupt beginnen kann.

LLM-gestützte Generierung von Fertigungsbegleitpapieren aus ERP-Auftragsdaten, Stücklisten und Arbeitsplänen: Laufkarte, Prüfplan und Materialzertifikats-Checkliste werden sekundenschnell erzeugt, der AV-Mitarbeitende prüft und freigibt statt von Grund auf zu erstellen.

AV-Aufwand für Begleitdokumentation von 2–3 Tagen auf 2–4 Stunden je Fertigungsauftrag senken. Vollständiger ISO-9001-Audit-Trail ohne Mehraufwand.

Power Automate + CraftMyPDF (Low-Code)+ up2parts für CAD-basierte Arbeitsplanung+ MES-Integration (GFOS, SAP Digital Mfg.)

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.

60–80% der Serviceanfragen vollautomatisch beantwortbar. Support-Team für komplexe Fälle freigestellt.

Helpdesk-SaaS mit KI (z.B. Freshdesk Freddy AI)Zendesk Suite mit AI AgentsEigene RAG-Pipeline auf Azure OpenAI

Komplexe Einzelteile erfordern stundenlange manuelle Kalkulation durch erfahrene Fachleute, die Kapazität ist begrenzt, Angebote kommen zu spät, und unterschätzte Aufwände fressen die Marge.

KI-System extrahiert Geometriemerkmale aus STEP-Dateien (Bohrungen, Freistiche, Toleranzklassen) per Feature-Recognition, kombiniert sie per Gradient-Boosting-Regression mit historischen Auftragsdaten und liefert in Minuten eine nachvollziehbare Erstschätzung mit Aufschlüsselung nach Material, Rüstzeit und Bearbeitungszeit.

Angebotszeit von 1–4 Stunden auf 10–30 Minuten reduzierbar. Deutlich höheres Anfrageaufkommen handhabbar. Kalkulationsfehler durch Geometrie, die übersehen wird, spürbar reduziert.

Konfigurierbare Kalkulations-Engine (z.B. Spanflug MAKE)KI-CAM-Assistent (z.B. CloudNC CAM Assist)ML-Regression auf historischen ERP-Daten

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

Transformer-basierte OCR-Modelle extrahieren Maße, Stücklisten und Bauteilbezeichnungen aus eingescannten technischen Zeichnungen. Semantische Segmentierung per CNN identifiziert Ansichten, Schnitte und Toleranzangaben und überführt alles in strukturierte CAD-Metadaten.

Suchdauer für historische Konstruktionsdetails von 2–8 Stunden auf unter 3 Minuten reduziert. Neukonstruktionskosten von 5.000–50.000 € je Projekt bei gefundenem Altplan vermieden. Basis für Retrofit-Projekte und Ersatzteilbeschaffung ohne Neukonstruktion.

Hochauflösungs-Scan + Dokumenten-KI (z.B. Werk24)Azure Document Intelligence mit Custom-ModellOn-Premise OCR (ABBYY FlexiCapture) + PLM-Integration

NC-Programmierer verbringen unverhältnismäßig viel Zeit mit dem manuellen Erstellen von Werkzeugwegen für Bohrbilder, Taschen und Konturen, auch wenn diese Geometrien immer wieder vorkommen.

Random-Forest- und Gradient-Boosting-Modelle analysieren CAD-Features per Feature-Recognition, erkennen Standardgeometrien und generieren automatisch parametrisierte Werkzeugwege inkl. Werkzeugauswahl, Schnittparametern und Bearbeitungsreihenfolge für wiederkehrende Operationen.

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

CAM-Plugin (z.B. CloudNC CAM Assist)Fusion 360 mit Machining IntelligenceHexagon ProPlanAI für Esprit Edge

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.

OPC-UA-Datenerfassung + KNIME-AnalyseSiemens Industrial Edge mit ML-AppsCausal-ML (DoWhy/EconML) auf Azure ML

Investitionsentscheidungen für Maschinenmodernisierungen basieren auf Erfahrungswissen einzelner Personen statt auf systematischer Datenanalyse.

Gewichtetes Scoring-Modell (Gradient Boosting bei großem Park, regelbasiertes Scoring bei unter 30 Maschinen) kombiniert Anlagenalter, Wartungskosten, Energieverbrauch und Ausfallhistorie zu einem Nachrüst-Score je Maschine, und liefert die strukturierte Grundlage für den Investitionsantrag.

Priorisierte Investitionsliste mit nachvollziehbarer Datenbasis statt Bauchgefühl, vermeidet falsch gesetzte CapEx; eine vermiedene Fehlinvestition bei einem 600.000 €-Budget spart typisch 80.000–200.000 €.

Gewichtetes Scoring in Excel oder Power BI (kein ML nötig)ML-Modell auf CMMS-/ERP-Daten mit BI-DashboardEnterprise EAM (IBM Maximo / SAP PM) mit integrierter Analyse

Falsche Montagereihenfolgen erzeugen latente Spannungen in Bauteilen, die erst 6–18 Monate später als Feldausfall sichtbar werden, und dann 1.000-fache Behebungskosten verursachen.

Computer Vision und Sensorfusion überwachen jeden Montageschritt gegen die Soll-Sequenz und stoppen die Linie, bevor das Teil die Station verlässt.

Sequenzfehler in Echtzeit an der Station erkannt, verhindert Feldausfälle, die 10–50× teurer sind als Korrektur vor dem Verbau.

Digitale Arbeitsanweisung mit Sequenz-Gate (Tulip)CV-Modelltraining ohne ML-Team (Landing AI / Roboflow)Industrielles Vollsystem on-premises (Cognex / Keyence)

Schulungsbedarf wird durch Befragungen oder Beobachtungen ermittelt, subjektiv, aufwändig und oft zu spät nach dem Fehler.

Maschinenprotokolle verraten Bedienverhalten: Ein Anomalie-Erkennungsmodell (Isolation Forest / Random Forest) analysiert Vorschubabweichungen, ignorierte Warnmeldungen und Zykluszeit-Ausreißer je Bediener und schlägt gezielten Schulungsbedarf vor.

Gezielter Schulungseinsatz statt Gießkannenprinzip, Ausschuss aus Bedienerfehlern auf 0,3–2 % reduzierbar, Einarbeitungszeit von 4–10 auf 3–7 Wochen verkürzt, messbar nach Schulungsmaßnahme.

MachineMetrics OEE-Report (kein Modelltraining nötig)Siemens Insights Hub + Anomalie-Apps (EU-konform)Azure ML + InfluxDB selbst gehostet (volle Datenkontrolle)

Feste Werkzeugwechselintervalle führen zu Frühwechseln bei 60–70 % Reststandzeit oder, schlimmer, zu unerkanntem Verschleiß mit Ausschuss und Maschinenbruch.

Körperschallsensor am Spindelgehäuse erfasst Hochfrequenzsignale (50–500 kHz); ein Random-Forest- oder CNN-Klassifikationsmodell lernt Verschleißsignaturen aus FFT-Merkmalen und schlägt rechtzeitig vor dem Werkzeugbruch Alarm.

Werkzeugkosten sinken um 15–30 % durch Bedarfswechsel, Ausschussrate durch Verschleißdurchläufer fällt, Nachtschichten ohne Überwachungspersonal werden möglich.

Speziallösung (Montronix, Marposs), kein IT-Team nötigPlattform-Integration (Siemens Industrial Edge), ab 5+ MaschinenEigenentwicklung (Python + MLflow), für In-house-ML-Teams