Wartungskalender KI-gestützt optimieren

Das echte Ausmaß des Problems

Kalenderbasierte Wartung ist der Kompromiss, den Betriebe eingehen, wenn ihnen die Daten für besseres fehlen: Jede Anlage bekommt ein festes Intervall, alle vier Wochen, alle 500 Betriebsstunden, einmal im Quartal. Das klingt ordentlich. In der Praxis erzeugt es zwei gleichzeitige Probleme.

Problem eins: Wartungskollisionen. Der Wartungsplan und der Produktionsplan entstehen in verschiedenen Abteilungen, mit verschiedenen Tools, zu verschiedenen Zeiten. Wenn beide aufeinandertreffen, ist der Konflikt unvermeidlich. Laut einer VDMA-Analyse aus 2025 geben 43 Prozent der befragten Maschinenbauunternehmen an, KI in der Instandhaltung einzusetzen oder konkret zu planen, als Hauptmotiv wird fast immer die Kollisionsreduzierung zwischen Wartung und Produktion genannt.

Die Kosten einer ungeplanten Wartungsverschiebung sind selten exakt beziffert, aber real: verschobene Wartungsarbeit erzeugt nachgelagerte Termindruck, Techniker-Überstunden und Folgekollisionen im nächsten Planungszeitraum. Für Betriebe mit drei bis sechs Produktionslinien und 30–80 Wartungsobjekten kann allein der wöchentliche Koordinationsaufwand des Instandhaltungsleiters 8–12 Stunden beanspruchen, Arbeit, die keinen direkten Produktionswert erzeugt.

Problem zwei: Überwartung und Unterwartung gleichzeitig. Feste Intervalle bedeuten: Unkritische Maschinen in Leerlaufphasen werden planmäßig gewartet, ob sie es brauchen oder nicht. Kritische Maschinen mit hoher Last und Verschleiß erhalten dasselbe Intervall wie ihre wenig beanspruchten Schwestern. Machine Learning kann diese Diskrepanz auflösen, nicht durch Sensoren allein, sondern durch die Kombination von Laufzeitdaten, historischen Ausfallmustern und Produktionsplan.

Rechtlicher Rahmen: Die Betriebssicherheitsverordnung (BetrSichV) verpflichtet Betreiber, Wartungsintervalle auf Basis einer Gefährdungsbeurteilung festzulegen, nicht starr nach Kalender, sondern risikobasiert. DGUV-Regeln konkretisieren für viele Maschinentypen, welche Prüffristen mindestens einzuhalten sind. Ein KI-gestützter Wartungskalender kann diese Pflichttermine als Harttermine integrieren und nur die darüber hinausgehenden bedarfsorientierten Wartungen dynamisch optimieren.

Hinweis: Die rechtliche Einordnung (BetrSichV, DGUV-Regeln) bezieht sich auf den Stand Mai 2026. Änderungen an Normen und Vorschriften sind möglich, prüfe aktuelle Fassungen und ziehe im Zweifel juristischen Rat hinzu.

Mit vs. ohne KI, ein ehrlicher Vergleich

Kollisions- und Überwartungsquoten: eigene Schätzwerte basierend auf Praxisberichten aus mehreren CMMS-Implementierungen (Limble, Fiix), keine repräsentative Studie.

Einschätzung auf einen Blick

Zeitersparnis, mittel (3/5) Der Instandhaltungsleiter gewinnt realistisch 2–4 Stunden pro Woche zurück, Koordinationsarbeit, die heute im Dreieck zwischen Excel-Wartungsplan, SAP-Produktionsplan und Technikertelefon verloren geht. Das ist real, aber kein dramatischer Hebel. Kollegen in der Predictive Maintenance vermeiden komplette Notfalleinsätze von 8–12 Stunden je Vorfall; der Scheduling-Ansatz hier ist indirekter. Dass der Planungsprozess sauberer wird, entlastet auch Produktionsleitung und Disponenten, der Effekt verteilt sich über mehrere Personen.

Kosteneinsparung, mittel (3/5) Die Kosteneinsparung durch vermiedene Wartungskollisionen und reduzierte Überwartung ist real, aber betriebsspezifisch schwer zu beziffern. Was ein vermiedener Produktionsstopp kostet, hängt von Auftragsvolumen, Branche und Lieferverträgen ab. In Betrieben mit niedrigen Stundensätzen und wenig Terminpressur kann der Effekt gering bleiben; in Serienfertigung mit JIT-Lieferkette sind selbst kurze Kollisionen kostspielig. Benchmarks aus CMMS-Implementierungen zeigen Kostenreduktionen von 15–25 Prozent bei vermeidbaren Wartungskosten (Überwartung, Notfallschichten, Ersatzteile auf Expressbestellung).

Schnelle Umsetzung, hoch (4/5) Das ist der entscheidende Unterschied zur Predictive Maintenance, die bis zu 18 Monate für Datensammlung und Modelltraining benötigt: Wartungskalender-Optimierung arbeitet mit Daten, die in SAP PM oder einer CMMS-Datenbank meist schon vorhanden sind, Wartungshistorie, Maschinentypen, Laufzeiten, Produktionspläne. Kein neues Sensorprojekt, keine IIoT-Hardware-Einführung. Ein Pilot ist in 6–10 Wochen möglich. Damit liegt diese UC deutlich vor den sensor-intensiven Anwendungsfällen des Maschinenbaus, auch wenn es kein triviales Ein-Klick-SaaS ist.

ROI-Sicherheit, mittel (3/5) Die Kollisionsrate ist zählbar, vor und nach Einführung. Was schwieriger ist: den Geldwert einer vermiedenen Kollision zu isolieren, weil Produktionsstillstände selten monokausal sind. Technische Instandhaltungsleiter erleben oft die Herausforderung, dem Controlling zu erklären, was nicht passiert ist. Die ROI-Sicherheit steigt, wenn der Betrieb klare KPIs für Wartungskollisionen einführt und 6–9 Monate Baselinedaten vor der Einführung hat.

Skalierbarkeit, hoch (4/5) Einmal integriert, wächst das System mit dem Maschinenpark mit. Weitere Standorte, neue Maschinentypen, zusätzliche Techniker-Teams lassen sich ohne Grundstrukturveränderung einbinden. Deckeneffekte entstehen erst, wenn die Systemintegration (ERP-Schnittstellen, API-Verbindungen) bei großen Anlagenparks komplexer wird, das ist aber ab 500+ Anlagen ein Thema.

Richtwerte, stark abhängig von Betriebsgröße, ERP-Systemlandschaft und Wartungshistorie.

Was das System konkret macht

Der technische Kern ist ein Optimierungsmodell, das drei Datenstränge zusammenführt:

Datenstrang 1, Produktionsplan: Aus dem ERP (SAP PM, Microsoft Dynamics, Infor M3) kommt der rollende Produktionsplan: welche Linie wann läuft, welche Auftragsprioritäten gesetzt sind, wo Kapazitäten ungenutzt bleiben. Wartungsfenster werden automatisch in Phasen niedriger Maschinenauslastung verschoben.

Datenstrang 2, Wartungshistorie und Maschinenstatus: Aus dem CMMS kommen Wartungshistorie, Ausfallmuster, Komponentenalter und, wo vorhanden, Live-Sensordaten. Das System erkennt, welche Maschinen besonders ausfallgefährdet sind und priorisiert deren Wartung gegenüber unkritischen Anlagen.

Datenstrang 3, Ressourcenverfügbarkeit: Techniker-Verfügbarkeit (Schichten, Urlaub, Qualifikationen), Ersatzteil-Lagerstände und externe Dienstleister fließen als Constraints in die Optimierung ein. Ein Wartungsvorschlag, für den der qualifizierte Techniker gerade nicht verfügbar ist, taucht nicht im empfohlenen Fenster auf.

Das Ergebnis ist ein priorisierter Wartungskalender: Hardtermine (gesetzlich vorgeschriebene Prüfungen nach BetrSichV, Herstellervorgaben) werden unverrückbar fixiert. Alle anderen Wartungsaufgaben werden dynamisch in Produktionslücken gelegt, mit einer Konfliktkennzeichnung für den Planer, der letztlich entscheidet.

Was das System nicht macht

KI-Scheduling optimiert die Planung, es ersetzt nicht das Urteil der Instandhaltungsfachkraft. Ob eine Maschine trotz „grünem Status” dringend gewartet werden muss, weil der erfahrene Techniker ein Geräusch gehört hat, bleibt eine menschliche Entscheidung. Das System liefert den besten Vorschlag auf Basis verfügbarer Daten, die Freigabe liegt beim Instandhaltungsleiter.

Warum Wartungskalender-Optimierung kein Predictive-Maintenance-Ersatz ist

Die Frage kommt regelmäßig: Ist das nicht das gleiche wie Predictive Maintenance?

Nein, die Ansätze adressieren verschiedene Probleme. Predictive Maintenance erkennt anhand von Sensordaten (Vibration, Temperatur, Stromaufnahme), dass eine Maschine in zwei Wochen ausfallen wird. Die Antwort ist: “Diese Maschine braucht jetzt Wartung.”

Wartungskalender-Optimierung beantwortet eine andere Frage: “Wann in den nächsten vier Wochen ist der beste Moment, diese Maschine planmäßig zu warten, mit Blick auf Produktionsauslastung, Technikerkapazität und relative Dringlichkeit?”

Beide Ansätze ergänzen sich gut: Predictive Maintenance erzeugt ungeplante, dringende Wartungsbedarfe, die das Scheduling-System dann in den verfügbaren Kapazitäten platziert. Aber Scheduling-Optimierung funktioniert auch ohne Predictive Maintenance, und ist deutlich einfacher einzuführen, weil kein Sensorprojekt vorausgeht.

Konkrete Werkzeuge, was wann passt

Limble CMMS, für Einsteiger ohne bestehendes CMMS Limble eignet sich für Betriebe, die bisher mit Excel oder Papier arbeiten und einen vollständigen digitalen Neustart machen wollen. Das Predictive-Maintenance-Modul ist inklusive, der Einstieg dauert wenige Tage, und der Wartungskalender ist sofort nutzbar. Einschränkung: Interface und Support nur auf Englisch, Datenhaltung in den USA (kein EU-Hosting). Für sensible Produktionsdaten oder KRITIS-Betriebe ein Ausschlusskriterium. Starter ab 28 USD/Nutzer/Monat.

Fiix CMMS, für Rockwell-Umgebungen und mittlere Betriebe Fiix ist besonders stark, wenn bereits Rockwell-Steuerungen und FactoryTalk im Einsatz sind. Das KI-Recommendations-Modul im Pro-Tarif analysiert Wartungshistorie und schlägt bedarfsorientierte Intervalle vor. Die Anbindung an SAP über REST-API ist möglich, erfordert aber Entwicklerarbeit. Auch hier: Datenhaltung USA, kein Deutsch. Starter ab 35 USD/Nutzer/Monat.

IBM Maximo Application Suite, für Enterprise-Betriebe mit komplexem Anlagenpark Maximo ist der Marktstandard bei Betrieben mit 500+ Anlagen und regulierten Umgebungen. Die Optimierungsmodule (Maximo Manage, Maximo Health) kombinieren Instandhaltungsplanung mit KI-gestützter Priorisierung. Vollständige SAP-PM-Integration möglich. Realistisches Budget: 3.000–8.000 USD/Monat SaaS; On-Premise-Projekte im sechsstelligen Bereich. Nur sinnvoll für Betriebe mit eigenem IT-Team und erfahrenem Implementierungspartner.

SAP PM / SAP EAM, wenn SAP schon da ist Wer S/4HANA betreibt, hat SAP Plant Maintenance (PM) als Modul bereits lizenziert, oft ungenutzt oder nur minimal konfiguriert. Das eingebettete Optimierungsmodul (Advanced Asset Management in SAP S/4HANA Cloud) ergänzt den klassischen Wartungsplan um risikobasierte Priorisierung. Kein Zusatztool nötig, aber Customizing-Aufwand und SAP-Beraterzeit einplanen.

Zusammenfassung: Wann welcher Ansatz

• Noch kein CMMS, unter 200 Anlagen → Limble CMMS
• Rockwell/FactoryTalk-Umgebung → Fiix
• 500+ Anlagen, reguliertes Umfeld → IBM Maximo
• SAP PM bereits lizenziert, aber ungenutzt → SAP EAM/SAP PM konfigurieren

Wann Wartungskalender und Schichtplan nicht zusammenpassen

Ein Sonderfall, der in der Praxis häufig unterschätzt wird: Instandhaltung läuft in der Regel tagsüber, Produktion oft im Drei-Schicht-Betrieb. Wenn Produktionslinien nachts und am Wochenende laufen, sind die verfügbaren Wartungsfenster eng. Das Scheduling-Modell muss wissen, wann eine Anlage stillsteht, nicht nur, wann sie laut Produktionsplan geplant ist.

Typisches Problem: Der Plan sagt “Linie 4 macht Samstag Pause”, aber der Schichtplan hat für Samstagfrüh eine Sonderschicht eingetragen, die noch nicht ins ERP übertragen wurde. Das System optimiert auf Basis veralteter Daten, der Konflikt taucht erst auf, wenn der Techniker anrückt.

Die Lösung ist nicht technisch, sondern organisatorisch: Schichtänderungen müssen in dasselbe System einfließen wie der Produktionsplan, idealerweise mit Vorlaufzeit von mindestens 48 Stunden. Diese Datenintegration ist oft das unterschätzte Bottleneck bei der Einführung.

Datenschutz und Datenhaltung

CMMS-Systeme verarbeiten Betriebsdaten (Maschinenparameter, Wartungshistorie, Laufzeiten), aber auch personenbezogene Daten der Technikenden: Schichtpläne, Qualifikationsnachweise, Zeiterfassung für Wartungsaufträge. Sobald diese Daten an einen Cloud-Anbieter übertragen werden, gilt die DSGVO, Art. 28 schreibt einen Auftragsverarbeitungsvertrag (AVV) vor.

Konkret je Tool:

• Limble CMMS: Datenhaltung USA. AVV erhältlich auf Anfrage, aber kein EU-Hosting. Für Betriebe, die keine personenbezogenen Technikerprofile hinterlegen wollen, reduziert sich das DSGVO-Risiko deutlich, Maschinentelemetrie ohne Personenbezug ist nicht schutzbedürftig.
• Fiix: Datenhaltung USA. Gleiches Bild wie Limble, AVV auf Anfrage, kein EU-Hosting.
• IBM Maximo: IBM Cloud ist in der EU-Region verfügbar; On-Premise-Deployment möglich. Beste Option für Betriebe mit strengen Datenhaltungsanforderungen oder KRITIS-Status.
• SAP PM / SAP EAM: Datenhaltung je nach SAP-Deployment, On-Premise oder EU-Cloud (RISE with SAP, EU-Rechenzentren). DSGVO-konform konfigurierbar.

Empfehlung: Vor dem Tool-Entscheid klären, ob Technikerprofile (Name, Qualifikationen, Arbeitszeiten) im System hinterlegt werden sollen. Wenn ja, zwingt das zu einer EU-Lösung oder On-Premise.

Kein Ersatz für Rechtsberatung, bei Unsicherheit über Datenschutzpflichten bitte immer den betrieblichen Datenschutzbeauftragten einbeziehen.

Was es kostet, realistisch gerechnet

Einmalige Einrichtungskosten

• CMMS-Konfiguration + Datenmigration (Wartungshistorie): 5.000–20.000 Euro je nach Anlagenparkkomplexität und Tool
• ERP-Anbindung (SAP PM ↔ CMMS): 3.000–12.000 Euro für API-Entwicklung, falls kein Standard-Konnektor existiert
• Datenpflege (veraltete Wartungsintervalle bereinigen, Maschinentypen erfassen): 20–60 Personenstunden intern

Laufende Kosten (monatlich)

• Limble CMMS Standard: ab 28 USD/Nutzer/Monat (4 Nutzer: ca. 110 USD ≈ 100 Euro)
• Fiix Plus: ab 55 USD/Nutzer/Monat (4 Nutzer: ca. 220 USD ≈ 200 Euro)
• IBM Maximo SaaS: ab ca. 3.000 USD/Monat (nur für Enterprise-Umgebungen sinnvoll)
• SAP PM: keine Zusatzlizenz wenn S/4HANA vorhanden; Beratungsaufwand für Konfiguration: 500–2.000 Euro/Monat in der Einführungsphase

Was du dagegen rechnen kannst Bei einem Betrieb mit 5 Instandhaltungstechnikenden (Bruttostundensatz inkl. Lohnnebenkosten ca. 45–55 Euro): Wenn das System zwei Notfall-Schichten pro Monat verhindert (je 3 Stunden, 2 Personen), sind das 540–660 Euro gesparte Mehrarbeitszuschläge, pro Monat. Hinzu kommen Opportunitätskosten vermiedener Produktionsstillstände, die aber betriebsspezifisch sind.

Realistisch: In einem mittleren Betrieb mit 80 Anlagen liegt der Break-even (Einrichtungskosten ÷ monatliche Einsparungen) bei 9–18 Monaten, mit hoher Varianz je nach Ausgangssituation.

Wie du den ROI tatsächlich misst Nicht rückwärts rechnen (“was hätten wir gespart?”), sondern prospektiv: Kollisionsrate vor der Einführung 3 Monate verfolgen, dann 3 Monate nach Einführung vergleichen. Die Delta-Zahl in Stunden multipliziert mit dem internen Stundensatz ergibt einen prüfbaren Wert.

Drei typische Einstiegsfehler

1. Alle Wartungsaufgaben gleichzeitig migrieren Der Impuls ist verständlich: einmal alles ins neue System, dann ist man fertig. In der Praxis landen dann 400 Einträge mit unterschiedlicher Datenqualität im CMMS, manche mit korrekten Intervallen, manche veraltet, manche doppelt. Das System optimiert dann Datenmüll, und die Kollisionsrate sinkt in den ersten drei Monaten gar nicht, weil fehlerhafte Intervalle neue Konflikte erzeugen statt alte zu lösen. Besser: Die 20 Prozent kritischsten Anlagen zuerst, mit bereinigten Daten, und die Optimierung von dort aus ausweiten.

2. Das Modell wartet und der Mensch ändert alles manuell Wenn das System einen Wartungsvorschlag für Donnerstag macht und der Instandhaltungsleiter ihn täglich auf Freitag verschiebt, ohne die Gründe zurückzumelden, lernt das Modell nicht. Systeme wie Fiix und Limble haben Feedback-Mechanismen: Warum wurde ein Vorschlag abgelehnt? Dieses Feedback verbessert künftige Empfehlungen. Wer die Schnittstelle nicht nutzt, zahlt die Lizenz für einen Kalender, der nie besser wird.

3. Keine Synchronisation mit dem Schichtplan Das häufigste operative Problem nach der Einführung: Das Modell optimiert auf Basis des Produktionsplans, aber der Schichtplan ist separat gepflegt und nicht synchronisiert. Wartungsvorschläge landen in “freien” Fenstern, die de facto nicht frei sind. Lösung: Einen klaren Prozess definieren, wer Schichtplanänderungen wann in welches System einträgt, und das CMMS als führendes System für die Integration etablieren.

Der Maintenance-Fehler, der still passiert: Nach einem Jahr produktivem Betrieb ist das Modell auf den Maschinenzustand der Einführungszeit trainiert. Wenn seitdem neue Maschinentypen dazukamen, sich die Schichtmuster geändert haben oder bestimmte Anlagen durch veränderte Produktmixe anders belastet werden, können die Empfehlungen zunehmend daneben liegen, ohne dass ein Alarm auslöst. Plan: Halbjährliche Überprüfung der Modellparameter, ausgelöst durch Betriebsveränderungen.

Was mit der Einführung wirklich passiert, und was nicht

Die Techniker sind selten das Problem. Erfahrungsgemäß gibt es zwei menschliche Stolperstellen:

Die Produktionsleitung, die “ihre” Verfügbarkeiten schützt. Ein Scheduling-System wird nur dann eine Kollision verhindern, wenn beide Seiten ihre Daten ehrlich einpflegen. Wenn die Produktionsleitung Stillstandsphasen nicht transparent kommuniziert (weil sie Angst hat, dass die Kapazität dann für andere Aufgaben genutzt wird), optimiert das System auf ein unvollständiges Bild. Das ist eine Kulturaufgabe, keine technische. Vor der Einführung: Klären, wer welche Daten pflegt und wer im Konfliktfall entscheidet.

Die Instandhaltenden, die keine “Empfehlung” wollen. Erfahrene Instandhaltungstechnikerinnen und -techniker kennen ihre Maschinen. Wenn ein System ihnen sagt, wann eine Wartung fällig ist, kann das als Bevormundung wirken, besonders wenn das System einen Vorschlag macht, der dem eigenen Urteil widerspricht. Wichtig: Das System empfiehlt, der Mensch entscheidet. Diese Botschaft muss vor dem ersten Tag der Einführung klar gesagt worden sein, nicht erst wenn der erste Konflikt auftaucht.

Was konkret hilft:

• Vor der Einführung gemeinsame Datenpflegestandards definieren: Was ist ein “Wartungsobjekt”? Was gilt als “Ausfallereignis”?
• Die ersten vier Wochen täglich 15 Minuten gemeinsame Kalender-Überprüfung Instandhaltung + Produktionsplanung, zum Anpassen, nicht zum Überstimmen
• Einen expliziten “Override-Protokoll”-Prozess einführen: Wer eine Empfehlung ablehnt, schreibt in zwei Sätzen warum, das verbessert das Modell und schafft Nachvollziehbarkeit

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände, und was dahintersteckt

“Unsere Maschinen brauchen feste Wartungsintervalle, das ist Herstellervorschrift.” Herstellervorschriften definieren Mindestintervalle, keine Maximalintervalle. Das Optimierungsmodell kann Herstellerfristen als unverrückbare Harttermine hinterlegen und trotzdem die darüber hinausgehenden Wartungsaufgaben dynamisch einplanen. Kein Hersteller schreibt vor, an welchem Dienstag im Quartal gewartet werden muss, nur wie oft mindestens. Der Spielraum, den das System nutzt, ist real.

“Das funktioniert nur bei großen Betrieben mit vielen Daten.” Nicht ganz. Die ersten Optimierungsgewinne entstehen nicht aus komplexem Machine Learning, sondern aus simpler Konflikt-Visualisierung: Wann kollidiert welche Wartung mit welchem Produktionsauftrag? Das lässt sich mit 30–50 Anlagen und 6 Monaten Wartungshistorie bereits sinnvoll auswerten. Komplexere prädiktive Empfehlungen brauchen mehr Daten, aber der Basisnutzen ist früher erreichbar.

“Der Instandhaltungsleiter macht das gerade ja auch irgendwie.” Er macht es. Aber mit steigendem Maschinenpark, wechselnden Schichtmodellen und wachsendem Termindruck wird “irgendwie” immer teurer. Und er macht es jede Woche neu, ohne dass das Wissen aus vergangenen Konflikten automatisch in künftige Planungen einfließt. Das System akkumuliert Erfahrung; der menschliche Planer startet jede Woche wieder von vorne.

Woran du merkst, dass das zu dir passt

Grüne Signale, das passt:

• Dein Betrieb hat 30 oder mehr Anlagen und mindestens 3 Instandhaltungstechnikende
• Wartungskollisionen mit Produktionsaufträgen passieren regelmäßig, mindestens 2-mal pro Monat
• Die Wartungshistorie der letzten 12+ Monate ist digital verfügbar (CMMS, SAP PM oder zumindest strukturiertes Excel)
• Ein ERP-System ist im Einsatz und der Produktionsplan ist dort gepflegt
• Der Instandhaltungsleiter verbringt mehr als 5 Stunden pro Woche mit Koordination statt mit fachlicher Arbeit

Harte Ausschlusskriterien, noch nicht jetzt:

1. Unter 30 Anlagen oder unter 3 Instandhaltungstechnikenden. Der Koordinationsaufwand ist zu gering, als dass ein Scheduling-System ihn sinnvoll optimieren könnte. Ein geteilter digitaler Kalender (Google Calendar, Outlook) mit strukturierten Einträgen reicht in diesem Kontext vollständig aus.

2. Keine digitale Wartungshistorie (alles auf Papier oder in unstrukturierten Excel-Dateien). Ohne Datengrundlage der letzten 12–18 Monate optimiert das Modell auf Basis von Intervallvorgaben allein, das ist kaum besser als ein normaler Kalender. Erst Papierarchive digitalisieren, dann Optimierung einführen.

3. Kein ERP oder kein CMMS mit API-Zugriff. Wenn Produktionsplan und Wartungsplan nicht aus einem gemeinsamen Datentopf kommen und auch nicht verbunden werden können, fällt der zentrale Vorteil weg: die Kollisionserkennung. Ohne Integration bleibt das System ein Wartungskalender ohne Produktionsbezug, das ist besser als nichts, aber kein Optimierungshebel.

Das kannst du heute noch tun

Starte mit einer Bestandsaufnahme, kostenlos, ohne Tool-Entscheid:

Exportiere aus deinem ERP (oder aus dem manuellen Kalender) alle Wartungsaufgaben der letzten 3 Monate und alle Produktionsaufträge im selben Zeitraum. Füge sie in zwei Spalten einer Tabelle zusammen. Zähle, wie oft Wartungstermine in Zeiten hoher Produktionsauslastung fallen. Das ist deine Baseline, und der erste Datenpunkt für das Gespräch mit der Geschäftsführung.

Für die erste automatisierte Konfliktanalyse mit einem LLM, bevor du ein CMMS kaufst:

Quellen & Methodik

• VDMA-Umfrage KI im Maschinenbau 2025: Verband Deutscher Maschinen- und Anlagenbau (VDMA), Jahresauswertung 2025, 43 % der Maschinenbauunternehmen setzen KI oder ML ein; Predictive Maintenance und Wartungsplanungsoptimierung als meistgenannte Anwendungsfelder. (vdma.org)
• Mindsquare KI Use Case Wartungsplanung: Mindsquare GmbH, „KI Use Case: Wartungsplanung in der Instandhaltung” (2024). Praxisüberblick zu Anwendungsfeldern und typischen Implementierungsmustern. (mindsquare.de)
• Limble CMMS Pricing: Veröffentlichte Tarifpreise, Stand Mai 2026, Standard ab 28 USD/Nutzer/Monat. (limble.com/learn/cost)
• Fiix Pricing: Veröffentlichte Tarifpreise, Stand Mai 2026, Starter ab 35 USD/Nutzer/Monat. (fiixsoftware.com)
• IBM Maximo Application Suite: IBM-eigene Preisinformationen (auf Anfrage); Richtwerte aus Implementierungsberichten. (ibm.com/products/maximo)
• Model Drift in Produktionssystemen: Tacnode.io, „Agent Drift and AI Drift: Why Production AI Models Quietly Get Worse” (2025). Zum Risiko von Modell-Drift ohne explizite Qualitätsverschlechterungsanzeige. (tacnode.io)
• BetrSichV / DGUV-Instandhaltungsregeln: Betriebssicherheitsverordnung (BetrSichV), aktuelle Fassung; DGUV-Fachbereich Holz und Metall, „Instandhaltung von Maschinen und Anlagen”. (dguv.de)
• Kosteneinsparungen und Kollisionsraten: Eigene Schätzwerte basierend auf Implementierungsberichten von Limble CMMS und Fiix (publizierte Case Studies, Stand April–Mai 2026); keine repräsentative Studie.

Du willst wissen, ob deine Wartungshistorie für den Einstieg ausreicht und welches Tool zu eurer SAP-Landschaft passt? Meld dich, das klären wir in einem kurzen Gespräch.