Rüstzeiten KI-gestützt verkürzen

Das echte Ausmaß des Problems

Rüstzeiten sind der am häufigsten unterschätzte Kapazitätsverlust in der Fertigung. Nicht weil niemand weiß, dass Rüsten Zeit kostet — das weiß jede Schichtleiterin. Sondern weil die gesammelten Rüstzeiten über einen Monat selten konsolidiert ausgewertet werden.

Laut einer Erhebung der Arbeitswissenschaft.net-Plattform (Institut für Arbeitswissenschaft, „Zahlen Daten Fakten: Rüstzeitoptimierung”) haben sich rund die Hälfte der befragten deutschen Fertigungsunternehmen systematisch mit der Analyse ihrer Rüstprozesse beschäftigt — der Rest optimiert nach Bauchgefühl oder gar nicht. Bei denen, die analysiert haben, ließ sich die Rüstzeit im Schnitt deutlich reduzieren. Der entscheidende Hebel war fast immer nicht das einzelne Rüsten schneller zu machen, sondern die Reihenfolge so zu gestalten, dass Werkzeug- und Vorrichtungswechsel minimiert werden.

Was das konkret bedeutet:

• In der Metallbearbeitung machen Rüstzeiten typisch 15–25% der verfügbaren Maschinenzeit aus (Orientierungswert aus Praxisprojekten; stark abhängig von Losgröße und Produktvielfalt)
• In der Kunststoffverarbeitung (Spritzguss, Blasformen) liegt dieser Anteil bei 20–35%, weil Werkzeugwechsel an Spritzgussmaschinen inhärent langsam sind
• Bei hochvarianten Fertigungsbetrieben — also den meisten Maschinenbau-KMU — entfällt ein Großteil dieser Rüstzeit auf vermeidbare Werkzeugwechsel, die durch bessere Auftragsreihenfolge entfallen würden

Der Industrie-Benchmark für gute OEE (Overall Equipment Effectiveness) liegt bei 85% in der diskreten Fertigung. Viele mittelständische Betriebe erreichen 55–70%. Ein erheblicher Teil der Differenz entfällt auf unnötige Rüstzeit.

Eine praxisnahe Kalkulation: Eine Maschine hat 8 Stunden Schichtzeit. Wenn 90 Minuten davon auf Rüsten entfallen, beträgt die Verfügbarkeit für Zerspanung nur 81%. Bei optimierter Rüstreihenfolge reduzieren sich die Rüstzeiten um 25 Minuten — die Verfügbarkeit steigt auf 86%, die tatsächliche Kapazität wächst um rund 6%. Das entspricht dem Produktionsvolumen von fast einem halben Arbeitstag pro Woche — ohne neue Maschine.

SMED und KI — was die Methode alleine schafft und wo KI den Unterschied macht

Wer in der Fertigungsoptimierung unterwegs ist, kennt SMED (Single Minute Exchange of Die). Die klassische Lean-Methode trennt interne Rüstaktivitäten (Maschine steht) von externen (Vorbereitung während des Maschinenlaufs) und hat in Pilotprojekten regelmäßig 40–60% Rüstzeitreduktion erzielt. Studien belegen das: Eine Untersuchung an Schweißroboter-Linien im Automotive-Umfeld (MDPI Sustainability, 2023) reduzierte die Rüstzeit um 36% und die Bewegungsabläufe um 43% — allein durch strukturierte SMED-Analyse, ohne KI.

Das ist real und belastbar. Warum also zusätzlich KI?

SMED optimiert den einzelnen Rüstvorgang. Es macht jeden Umbau schneller, durch bessere Vorbereitung, bessere Standardisierung, bessere Werkzeuge. Das ist der richtige erste Schritt — und viele Betriebe haben ihn noch nicht gemacht.

KI optimiert die Reihenfolge. Ein Betrieb mit 200 Produktvarianten und zehn Maschinen hat mathematisch mehr mögliche Tagessequenzen als Atome im Universum. Kein Mensch kann diese Kombinationsoptimierung vollständig lösen. Machine Learning-Algorithmen — insbesondere Constraint-Programming und Reinforcement Learning — können das: Sie lernen aus historischen Rüstdaten, welche Auftragsfolgen auf welchen Maschinen ähnliche Rüstanforderungen teilen, und erzeugen täglich eine optimierte Sequenz.

Die Kombination erzielt mehr als beides allein. Wer zuerst SMED einführt (jeden Rüstvorgang um 30% schneller) und danach die Reihenfolge optimiert (weitere 20% sparen, weil ganze Werkzeugwechsel wegfallen), landet bei 44% Gesamteinsparung — deutlich mehr als jede Methode für sich.

Praktische Empfehlung: Wenn ihr noch kein SMED habt, startet dort. Die KI-gestützte Reihenfolgeoptimierung baut auf strukturierten Rüstdaten auf — die SMED-Einführung erzeugt genau diese Daten als Nebenprodukt.

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Basiert auf Praxisberichten aus SMED-KI-Projekten in Kunststoffverarbeitung und Metallbearbeitung (2023–2024); stark abhängig von Prozessreife und vorhandener Datenlage.

Einschätzung auf einen Blick

Zeitersparnis — hoch (4/5)
15–30% Rüstzeitreduktion klingt nach einer kleinen Zahl — in der Praxis sind das bei vier Rüstvorgängen pro Schicht 30–60 Minuten täglich je Maschine. Bei fünf Maschinen entstehen bis zu fünf Stunden freie Maschinenzeit täglich, die statt für Rüsten für Zerspanung genutzt werden. Diese Einsparung ist direkt im Schichtbuch sichtbar — keine Umrechnung, keine Schätzung nötig.

Kosteneinsparung — hoch (4/5)
Der Kapazitätsgewinn durch OEE-Verbesserung ist die wirksamste Kostensenkung, die ein Fertigungsbetrieb ohne neue Maschineninvestition erzielen kann. Eine Stunde mehr Maschinenlaufzeit täglich entspricht bei einem CNC-Zentrum mit Stundensatz 80–150 € einem Jahreswert von 17.000–33.000 € je Maschine. Nicht die höchste Punktzahl unter allen Anwendungsfällen dieser Kategorie, weil die eingesparte Kapazität erst dann Umsatz generiert, wenn sie durch Aufträge ausgelastet ist.

Schnelle Umsetzung — mittel (3/5)
Der Weg zum produktiven Piloten dauert realistisch 8–14 Wochen: Datenerfassung und -aufbereitung (3–4 Wochen), MES- oder ERP-Anbindung (4–6 Wochen), Pilottest und Kalibrierung (2–4 Wochen). Wer RüstPlan ohne MES-Integration einsetzt, kann in 3–4 Wochen zu ersten Ergebnissen kommen. Im Vergleich zu anderen Anwendungsfällen dieser Kategorie liegt das im Mittelfeld — kein komplexes Kamerasystem, aber auch kein SaaS-Tool, das in zwei Tagen läuft.

ROI-Sicherheit — sehr hoch (5/5)
Das ist der entscheidende Vorteil dieses Anwendungsfalls: Rüstzeiten sind die am direktesten messbare Kennzahl in der Fertigung. Jeder Rüstvorgang hat einen Zeitstempel im Schichtbuch, in der MDE-Anlage oder im MES. Vorher/Nachher-Vergleich ist eindeutig, wochengenau auswertbar, kein Schätzen, kein Attributionsproblem. Das unterscheidet diesen Anwendungsfall von Qualitätskontrolle per Kamera oder Energieoptimierung, wo der Effekt schwieriger zu isolieren ist.

Skalierbarkeit — mittel (3/5)
Das Modell skaliert innerhalb einer Maschinengruppe gut — mehr Aufträge, mehr Daten, bessere Vorschläge. Aber jeder neue Maschinentyp, jede neue Materialgruppe und jede neue Produktfamilie braucht eine eigene Lernphase und oft eigene Regeln. Das ist keine technische Schwäche, sondern eine physikalische Realität: Rüstähnlichkeit ist maschinenspezifisch.

Richtwerte — stark abhängig von Maschinenpark, Losgröße und bestehender Datenlage.

Was das System konkret macht

Der technische Kern der KI-gestützten Rüstoptimierung besteht aus zwei unabhängigen, aber ergänzenden Modulen:

Modul 1: Historische Reihenfolgeoptimierung

Das System nimmt die Produktionsaufträge des nächsten Tages (oder der nächsten Schicht) aus dem ERP oder MES und berechnet die Auftragsreihenfolge, die die Gesamtrüstzeit minimiert. Dafür lernt es aus historischen Rüstdaten: Welche Auftragspaare hatten kurze Rüstzeiten? Welche langen? Gibt es Materialgruppen oder Werkzeugfamilien, die typisch “zusammenpassen”?

Das Ergebnis ist ein täglicher Sequenzvorschlag, der an den Produktionsplaner oder die Schichtleiterin geliefert wird — kein zwingender Automatismus, sondern ein Vorschlag, der manuell überschrieben werden kann, aber eine deutlich bessere Ausgangslage schafft als reine Terminoptimierung.

Modul 2: Proaktives Werkzeug-Vorstaging

Auf Basis des Sequenzvorschlags berechnet das System, welche Werkzeuge, Vorrichtungen und Rüsthilfsmittel für die nächsten zwei bis drei Aufträge bereitstehen müssen. Der Einrichter bekommt eine Checkliste — idealerweise auf einem Tablet — die zeigt, was bis Auftragsstart vorbereitet sein muss. Das ist die KI-Umsetzung des SMED-Kernprinzips: Externe Rüstaktivitäten (Vorbereitung) vor den Maschinenstillstand verlagern.

Warum das besser ist als menschliche Planung

Ein erfahrener Einrichter kennt “seine” Maschinen und kann ähnliche Aufträge intuitiv bündeln. Das Problem: Er kennt die Rüstähnlichkeit über 200 Produktvarianten und zehn Maschinen nicht vollständig auswendig — und er ist nicht verfügbar, wenn der Nachtschichtplan für den nächsten Tag festgelegt wird.

Machine-Learning-Algorithmen können dieses kombinatorische Problem exakt lösen, rund um die Uhr, für beliebig viele Maschinen gleichzeitig. Ein weiterer Effekt: Das Modell extrahiert implizites Wissen erfahrener Einrichter aus den historischen Daten — wenn bestimmte Auftragspaare historisch immer kurze Rüstzeiten hatten, lernt das System diese Regel, auch ohne dass sie jemals explizit dokumentiert wurde.

Was ihr datenseitig braucht, bevor ihr anfangen könnt

Das ist der am häufigsten übersprungene Abschnitt in der Projektplanung — und der Grund, warum viele Einführungsprojekte nach sechs Monaten stagnieren.

Mindestanforderung: Strukturierte Rüstzeiterfassung

Das System kann nur optimieren, was es kennt. Das bedeutet konkret: strukturierte, digitale Aufzeichnungen von vergangenen Rüstvorgängen mit mindestens diesen vier Feldern:

1. Maschinen-ID — welche Maschine?
2. Auftrag vorher / Auftrag nachher — zwischen welchen Produkten wurde gerüstet?
3. Rüstdauer in Minuten — gemessene Zeit, nicht geschätzte
4. Datum und Schicht — für Trendanalysen und Schichtvarianz-Auswertungen

Wenn diese Daten derzeit auf Papier, in Excel-Schichtbüchern oder gar nicht vorliegen, ist der erste Schritt kein KI-Projekt, sondern eine Datenerfassung. Typisch braucht man 200–500 Rüstvorgänge als Trainingsbasis für ein erstes Modell — das sind bei fünf Rüstvorgängen täglich sechs bis zehn Wochen Vorlauf.

Optimale Ergänzung: Maschinendatenerfassung (MDE)

MDE-Systeme liefern automatische Zeitstempel für Maschinenstillstände und Maschinenstarts. Damit lässt sich Rüstzeit automatisch aus der Differenz zwischen Auftragsende und Produktionsbeginn ableiten — ohne manuellen Eintrag. Wenn ihr MDE bereits habt, ist die Datengrundlage oft besser als gedacht.

Kritische Warnung: ERP-Auftragsqualität zuerst prüfen

Die Optimierung berechnet den besten Plan auf Basis der Aufträge, die ins System eingehen. Wenn ERP-Aufträge unvollständige Stücklisten, fehlende Maschinenzuordnungen oder fehlerhafte Fertigungszeiten enthalten — optimiert das System auf einem fehlerhaften Fundament. Vor dem Start der KI-Optimierung solltet ihr eine Woche lang eure eigene ERP-Auftragsqualität bewusst prüfen.

Konkrete Werkzeuge — was wann passt

RüstPlan — wenn der Einstieg pragmatisch sein soll
Die einzige spezialisierte SMED-KI-Software, die explizit für den deutschen Mittelstand entwickelt wurde. RüstPlan kombiniert digitale Rüstchecklisten (die gleichzeitig die Datenbasis aufbauen) mit KI-gestützter Reihenfolgeoptimierung nach Werkzeugfamilien und Maschinenähnlichkeit. Besonders für Spritzgießer, Stanzereibetriebe und Metallverarbeiter mit 3–20 Maschinen. Kein IT-Projekt, kein MES nötig — Pilotbetrieb in 1–2 Wochen realistisch. Preis: 32 €/Monat für bis zu 5 Maschinen (Starter), 66 €/Monat für bis zu 20 Maschinen (Professional), 124 €/Monat unbegrenzt (Enterprise). 14 Tage kostenlos testen, keine Kreditkartenpflicht.

Siemens Opcenter APS — wenn ihr Siemens-Infrastruktur habt
Das Advanced Planning and Scheduling-Modul von Siemens Opcenter integriert Rüstzeiten als explizite Constraint in die Feinplanung — Aufträge mit niedrigem Rüstaufwand werden automatisch gebündelt. Sinnvoll für Betriebe, die bereits Siemens Opcenter Execution als MES nutzen und die Rüstoptimierung direkt in die bestehende Fertigungsplanung einbetten wollen. Implementierungsdauer 6–12 Monate, Lizenzkosten 50.000–200.000 €/Jahr. Wirtschaftlich nur mit vorhandener Siemens-Infrastruktur.

SAP Digital Manufacturing — wenn SAP S/4HANA das ERP ist
SAP Digital Manufacturing enthält OEE-Dashboards und Planungsmodule, die Rüstdaten aus SAP PP auswerten können. Die Rüstoptimierung ist kein dediziertes Modul, sondern Teil der übergreifenden OEE-Analytik und Feinplanung. Geeignet für SAP-Kunden, die Rüstzeiten als Teil eines umfassenden MES-Projekts angehen wollen. Kosten: fünf- bis sechsstellig jährlich, Implementierung 12–24 Monate.

Kostenloser Einstieg: Excel-Export + KI-Assistent
Bevor ihr eines dieser Systeme einführt, könnt ihr die Grundidee in zwei bis drei Stunden kostenlos validieren: Auftragsliste der letzten vier Wochen aus dem ERP exportieren, Rüstzeiten ergänzen und mit einem KI-Assistenten analysieren lassen. Der Prompt weiter unten zeigt, wie das geht. Das Ergebnis ist kein vollständiges Optimierungsmodell, aber ein erster Eindruck davon, welche Auftragscluster sich in euren Daten bereits abzeichnen — und ob das Potenzial die Investition rechtfertigt.

Zusammenfassung: Wann welcher Ansatz

• 3–20 Maschinen, kein MES, schneller Start gewünscht → RüstPlan
• Siemens-Ökosystem vorhanden, Planung und MES zusammen → Siemens Opcenter APS
• SAP S/4HANA als ERP, umfassendes MES-Projekt geplant → SAP Digital Manufacturing
• Erstvalidierung ohne Budget → Excel-Export + KI-Assistent

Datenschutz und Datenhaltung

Die Daten in einem Rüstoptimierungssystem sind überwiegend Maschinendaten, Auftragsdaten und Produktionspläne — keine personenbezogenen Daten im klassischen Sinne. Das vereinfacht die DSGVO-Situation erheblich im Vergleich zu HR- oder Kundenkommunikationslösungen.

Dennoch gibt es zwei Punkte, die vorab zu klären sind:

Mitarbeiterdaten in Rüstprotokollen: Wenn das System erfasst, wer (namentlich oder per Badge-ID) welchen Rüstvorgang durchgeführt hat, werden personenbezogene Daten verarbeitet. Das ist für Varianzanalysen (warum ist Schicht A 15% schneller als Schicht B?) wertvoll — erfordert aber eine Betriebsvereinbarung und eine DSGVO-konforme Verarbeitungsgrundlage. Lösung: Entweder auf die Personenerfassung verzichten (Schicht-ID statt Person-ID reicht für die meisten Analysen) oder eine explizite Betriebsratsabstimmung vor dem Start.

Cloud-Hosting der Systeme:

• RüstPlan — EU-Hosting, DSGVO-konform, AVV auf Anfrage verfügbar
• Siemens Opcenter APS — EU-Rechenzentren, deutschsprachiger Siemens-Support
• SAP Digital Manufacturing — SAP BTP mit wählbarer EU-Region, AVV standardmäßig im SAP-Vertrag enthalten

Wer mit On-Premises-only-Anforderungen arbeitet (Sicherheitsbereich, exportkontrollpflichtige Teile), findet bei allen drei Systemen Hybrid- oder On-Premises-Optionen, die ausschließlich im eigenen Netzwerk bleiben.

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

• Datenaufbereitung und historische Analyse: 2–4 Wochen Eigenaufwand
• Externe Beratung und MES/ERP-Anbindung: 5.000–30.000 € je nach Komplexität
• Bei RüstPlan ohne MES-Anbindung: Eigenaufwand ca. 1–2 Wochen, kaum externer Bedarf

Laufende Kosten (monatlich)

• RüstPlan Starter (bis 5 Maschinen): 32 €/Monat
• RüstPlan Professional (bis 20 Maschinen): 66 €/Monat
• Siemens Opcenter APS: 4.000–17.000 €/Monat (Jahresvertrag)
• SAP Digital Manufacturing: Preise auf Anfrage, typisch fünf- bis sechsstellig jährlich

Wie der ROI konkret gemessen wird

Das Besondere an diesem Anwendungsfall ist, dass der ROI direkt messbar ist — nicht als Schätzung, sondern als gemessene Differenz in Rüstprotokollen:

• Vorher-Messung: 4 Wochen Baseline-Daten erfassen — durchschnittliche Rüstzeit pro Maschinengruppe und Produktfamilie
• Nachher-Messung: 4 Wochen nach Einführung dieselbe Auswertung

Für ein Praxisbeispiel: Eine Maschine mit Stundensatz 100 € und täglich drei Rüstvorgängen mit je 25 Minuten Einsparung spart 75 Minuten pro Tag = 1,25 Stunden. Jahreswert bei 220 Arbeitstagen: 27.500 €/Maschine. Bei fünf Maschinen ergibt das 137.500 € jährlich.

Ein Praxisbericht (ind-ai.net, „Rüstzeitoptimierung im Zeitalter von Industrie 4.0”) dokumentiert eine OEE-Verbesserung von 68% auf 79% mit einer Gesamtinvestition von 45.000 € (Sensoren, Software, Integration). Amortisationszeit unter 12 Monaten.

Konservatives Szenario: 50% der kalkulierten Einsparung wird im ersten Jahr realisiert — etwa weil die Kalibrierung Zeit braucht und Einrichter dem Vorschlag nicht immer folgen. Selbst dann übersteigt der ROI bei fünf Maschinen die Investitionskosten meist im zweiten Jahr deutlich.

Vier typische Einstiegsfehler

1. Starten, bevor die Datenbasis steht.
Der häufigste Fehler: ein Optimierungswerkzeug einführen, bevor 200 oder mehr strukturierte Rüstprotokolle vorliegen. Das Ergebnis ist ein Algorithmus, der auf drei Wochen Stichprobendaten generalisiert — Sequenzvorschläge, die gegenüber der menschlichen Planung keine messbare Verbesserung zeigen, oft sogar schlechter abschneiden, weil seltene aber teure Übergänge nicht im Datensatz vertreten sind. Einrichter merken das nach einer Woche und folgen dem Vorschlag nicht mehr — das Projekt ist faktisch gescheitert, auch wenn die Software noch läuft. Lösung: Erst sechs bis acht Wochen konsequent Rüstzeiten digital erfassen, dann mit der Optimierung beginnen.

2. Den Reihenfolgevorschlag als Befehl behandeln.
Ein guter Sequenzvorschlag ist ein Startpunkt, kein Endpunkt. Der Algorithmus kennt keine Eilaufträge, keine Qualitätsprobleme von heute Morgen, keine Maschine, die in zwei Stunden zur Wartung muss. Schichtleiterinnen und Einrichter müssen den Vorschlag jederzeit überschreiben können — und sollen es auch tun. Wer das System als starres Diktat einführt, provoziert Widerstand. Wer es als “Vorschlag, der 80% der Zeit passt” einführt, bekommt Akzeptanz.

3. Nur die Rüstzeiten optimieren, das Vorstaging vergessen.
Die Reihenfolge zu optimieren, ohne das Werkzeug-Vorstaging anzupassen, ist wie den Spielplan zu verbessern ohne die Beteiligten zu informieren. Wenn der optimierte Auftrag anläuft, das Werkzeug aber noch am falschen Ort ist, verpufft die Rüstzeitoptimierung: Statt der kalkulierten 20–25 Minuten Einsparung je Vorgang bleibt der Einrichter weiterhin bei 15+ Minuten Suchzeit — die Rüstzeit sinkt auf dem Papier, nicht in der Halle. Vorstaging-Listen müssen mit dem Sequenzvorschlag mitgeliefert werden — automatisch oder per Tablet-App.

4. Das System wird eingeführt, aber nicht kalibriert — der stille Killer.
Das trifft sechs bis zwölf Monate nach der Einführung. Die erste Kalibrierung mit historischen Daten ist gut. Aber die Produktion ändert sich: neue Werkzeuge, neue Materialien, neue Produktvarianten. Das Modell kennt die neuen Aufträge nicht und greift auf generalisierte Regeln zurück — Rüstähnlichkeitsvorschläge werden systematisch schlechter. Was das auslösen sollte: Wenn neue Produktvarianten mehr als 10% des Auftragsvolumens ausmachen, braucht das Modell neue Trainingsdaten. Bei RüstPlan geschieht das durch neue Rüstprotokolle kontinuierlich. Bei komplexeren Systemen braucht es eine namentlich benannte Person, die den Modell-Refresh verantwortet.

Was mit der Einführung wirklich passiert — und was nicht

Rüstoptimierung klingt nach einem reinen Software-Projekt. Es ist eines der ältesten Change-Management-Themen in der Fertigung.

Die Einrichter sind das Herzstück — und die größte Hürde.

Laut arbeitswissenschaft.net nennen 29% der Betriebe fehlende Mitarbeiterbereitschaft als wichtigstes Hemmnis bei der Rüstzeitoptimierung — wichtiger als Technologie oder Kosten. Das ist keine Überraschung für alle, die schon einmal einen erfahrenen Einrichter über ein neues Planungssystem haben schimpfen hören.

Ein erfahrener Einrichter hat fünfzehn Jahre Wissen, welche Aufträge zusammenpassen. Er weiß, dass Maschine 3 nach Auftrag 4711 immer 10 Minuten länger braucht, weil die Aufspannung nie 100% sitzt. Er weiß, welches Werkzeug nachlässt und bald getauscht werden muss. Dieses Wissen hat das System nicht.

Wenn der Algorithmus einen Vorschlag macht, den der Einrichter für falsch hält, gibt es zwei Möglichkeiten: Entweder erklärt man die Entscheidungslogik — und nimmt sein Feedback auf, um das Modell zu verbessern. Oder er ignoriert den Vorschlag dauerhaft und das Projekt ist gescheitert, auch wenn die Software noch läuft.

Was konkret hilft:

• Einrichter in die Kalibrierungsphase einbeziehen: Sie prüfen die ersten Sequenzvorschläge und geben Feedback, das ins Modell einfließt. Wer am Modell mitgebaut hat, verwendet es auch.
• Einen “Feedback-Kanal” einrichten: Wenn der Vorschlag überschrieben wird, soll der Einrichter in zwei Klicks angeben können, warum — das sind die wertvollsten Trainingsdaten, die das System bekommen kann.
• Schichtleiterin als Champions-Rolle: Die Person, die täglich mit dem Planungsvorschlag arbeitet, muss das System verstehen und verteidigen können — eine Stunde Training und eine Woche enger Begleitung am Anfang.

Was nicht funktioniert:

• Top-down einführen ohne Einbindung der Einrichter
• Versprechen, dass “der Algorithmus es besser weiß” — das stimmt nur in einem sehr spezifischen Sinne und provoziert sofort Gegenbeispiele aus dem Arbeitsalltag
• Den ersten Piloten an der komplexesten Maschine starten — lieber eine klar strukturierte, gut dokumentierte Maschine nehmen, einen Erfolg demonstrieren, dann ausweiten

Realistischer Zeitplan mit Risikohinweisen

Zur Zeitangabe: Wer RüstPlan ohne MES-Anbindung einsetzt, kann Phase 1–3 auf 3–4 Wochen komprimieren. Wer SAP Digital Manufacturing oder Siemens Opcenter APS einführt, rechnet mindestens 12 Monate Vorlauf.

Häufige Einwände — und was dahintersteckt

„Wir machen das bereits mit SMED, da brauchen wir keine KI.”
SMED und KI-Reihenfolgeoptimierung lösen verschiedene Probleme. SMED macht jeden einzelnen Rüstvorgang effizienter — das ist der richtige erste Schritt. Die KI-Reihenfolgeoptimierung fragt: In welcher Reihenfolge sollten die Aufträge überhaupt stehen, damit die Gesamtrüstzeit minimiert wird? Das ist eine kombinatorische Frage, die SMED methodisch nicht beantwortet. Wer bereits SMED hat, hat auch die Daten für die KI-Optimierung — der nächste logische Schritt ist bereits vorbereitet.

„Unsere Rüstzeiten sind ohnehin gering, wir produzieren hauptsächlich Großserien.”
Das ist ein legitimes Argument. Bei Aufträgen mit Laufzeiten von mehreren Tagen pro Stück und einem Rüstanteil unter 2% der Maschinenzeit bringt Rüstoptimierung wenig. Der wirtschaftliche Break-even liegt bei mindestens drei bis vier Rüstvorgängen pro Maschine und Tag mit einer durchschnittlichen Rüstzeit von 30+ Minuten. Darunter lohnt sich die Investition rechnerisch nicht — dann sind andere Hebel wie Predictive Maintenance oder Energieverbrauch optimieren wirkungsvoller.

„Unsere Aufträge sind zu individuell für Mustererkennung.”
Gerade in der Sondermaschinenbranche mit hoher Variantenvielfalt ist die intuitive Annahme, dass “kein Auftrag dem anderen gleicht”, verständlich — und oft falsch. Was ähnlich ist, sind Materialgruppen (Stahl 42CrMo4 vs. Aluminium 6082), Aufspannstrategien (Drehen vs. Fräsen), Toleranzklassen und Werkzeugfamilien. Das System lernt diese versteckten Ähnlichkeiten aus den Daten — und findet Cluster, die ein Mensch nach 200 verschiedenen Aufträgen nicht mehr vollständig überblickt.

„Das verstehen unsere Einrichter nicht und sie werden es ablehnen.”
Das ist keine Aussage über das System, sondern über die Einführungsqualität. Wenn der erste Kontakt des Einrichters mit dem Werkzeug ein Vorschlag ist, den er für falsch hält — ohne Erklärung — lehnt er es zu Recht ab. Wenn der erste Kontakt eine Session ist, in der er drei Auftragspaare benennt, die seiner Meinung nach “zusammenpassen”, und das System sie korrekt identifiziert — ist die Reaktion meist die entgegengesetzte.

Woran du merkst, dass das zu dir passt

• Du hast mindestens drei bis fünf Rüstvorgänge pro Maschine und Tag mit einer Durchschnittsrüstzeit von mehr als 20 Minuten
• Du produzierst hohe Variantenvielfalt — mehr als 30–50 verschiedene Produkte oder Produktfamilien laufen auf denselben Maschinen
• Rüstzeiten werden bereits irgendwie erfasst — auch wenn es bisher nur Schichtbücher oder Excel-Listen sind
• Du hast das Gefühl, dass gut ausgelastete Maschinen trotzdem nicht ihre volle Kapazität liefern — der OEE-Verfügbarkeitsfaktor liegt unter 75%
• Die Reihenfolgeplanung hängt an einer oder zwei Personen — bei deren Urlaub oder Krankheit wird es kompliziert

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

1. Weniger als zwei bis drei Rüstvorgänge pro Maschine und Tag. Bei Betrieben mit sehr langen Losgrößen (Laufzeit 8+ Stunden pro Auftrag) ist Rüstzeit ein kleiner Anteil der Gesamtmaschinenzeit. Eine Reduktion von 20% Rüstzeit entspricht dann weniger als 1% Effizienzgewinn — die Investition trägt sich nicht. Hier lohnen sich andere Hebel zuerst.

2. Keine strukturierte Zeiterfassung der Rüstvorgänge vorhanden. Wer nicht weiß, wie lange seine Rüstvorgänge aktuell dauern, kann die Verbesserung nicht messen — und dem System fehlen die Trainingsdaten für den ersten Vorschlag. Der Erstschritt ist hier keine KI, sondern einfache digitale Zeiterfassung: ein Tablet, eine Checkliste, vier Felder. Erst wenn drei bis vier Monate strukturierte Daten vorliegen, macht KI-Optimierung Sinn.

3. Reine Papierproduktionsplanung ohne digitale Auftragsabfolge. Das System berechnet die optimale Sequenz auf Basis von morgen verfügbaren Aufträgen — diese müssen digital vorliegen. Wer Fertigungsaufträge ausschließlich auf Papierlaufkarten plant und kein ERP oder Produktionsleitstand hat, muss zuerst die Digitalisierung der Auftragssteuerung angehen. Das ist die Voraussetzung, nicht die Ergänzung zur KI-Rüstoptimierung.

Das kannst du heute noch tun

Exportiere die Fertigungsaufträge der letzten vier Wochen aus deinem ERP oder deiner Auftragsverwaltung als CSV oder Excel. Du brauchst mindestens: Maschinen-ID, Produktnummer oder Kurzbezeichnung, Auftragsstart und Auftragsende — und wenn verfügbar die gemessene Rüstdauer.

Dann lade die Tabelle in ChatGPT oder Claude hoch und verwende diesen Prompt:

Das dauert 30 Minuten und zeigt dir, ob das Potenzial bei euch vorhanden ist — bevor du einen Cent für Software ausgibst. Wenn das Ergebnis zeigt, dass 45+ Minuten tägliche Einsparung realistisch sind, hat sich das Gespräch mit RüstPlan oder einem der anderen Werkzeuge gelohnt.

Quellen & Methodik

• Rüstzeitoptimierung in deutschen Fertigungsbetrieben: Arbeitswissenschaft.net, „Zahlen Daten Fakten: Rüstzeitoptimierung” (Institut für Arbeitswissenschaft) — 29% Mitarbeiterbereitschaft als Haupthemmnis, 26% Wissensmangel; etwa die Hälfte der befragten Betriebe hat sich systematisch mit dem Thema beschäftigt. Verfügbar unter arbeitswissenschaft.net (letzter Abruf Mai 2026).
• SMED + KI Fallstudie Kunststoffverarbeitung: ResearchGate / IEOMSOCIETY, „Reduction of Changeover Time by Using the SMED Technique with the Assistance of Lean Manufacturing Tools in a Plastic Company” (2024) — NEGRI BOSSI 650 Spritzgussmaschine, 65% Downtimereduktion, 46,8% Verbesserung der Process Cycle Efficiency durch Kombination von SMED, Fuzzy Logic und KI.
• Automotive Schweißroboter-Linie: MDPI Sustainability, „Setup Time Reduction of an Automotive Parts Assembly Line Using Lean Tools and Quality Tools” (2023) — 36% Rüstzeitreduktion, 43% Reduktion der Bewegungsabläufe während des Rüstvorgangs.
• OEE-Praxisbericht KMU: ind-ai.net, „Rüstzeitoptimierung im Zeitalter von Industrie 4.0” — OEE-Steigerung von 68% auf 79% (11 Prozentpunkte) mit einer Gesamtinvestition von 45.000 € (Sensoren, Software, Integration); Amortisationszeit unter 12 Monate.
• SMED-Theorie und OEE-Industriebenchmark: quality.de, „SMED — Rüstzeitreduzierung” (2025); OEE-Benchmark 85% für diskrete Fertigung aus VDMA-Praxiserfahrungen.
• Preisangaben RüstPlan: Veröffentlichter Preiskatalog ruestzeitoptimierung.de (Stand April 2026, verifiziert im Tool-Profil).
• Preisangaben Siemens Opcenter APS, SAP Digital Manufacturing: Veröffentlichte Anbieterinformationen sowie Erfahrungswerte aus Projekten (Stand April 2026).

Du willst wissen, ob euer Maschinenpark und eure Losgröße für KI-Rüstoptimierung geeignet sind — oder ob zuerst eine andere Maßnahme mehr bringt? Meld dich für ein kurzes Erstgespräch.