Möbel & Holzverarbeitung

Mitarbeiter müssen Holzarten manuell identifizieren, fehleranfällig, zeitintensiv, abhängig von Expertenwissen, das nicht ersetzbar ist.

Convolutional Neural Network (CNN) klassifiziert Holzarten aus Fotos: Das Modell vergleicht Maserung, Porenstruktur und Farbmuster mit trainierten Bilddatenbanken und liefert automatisch eine Artzuordnung mit Konfidenzwert.

Erkennungszeit von 5 Min. auf unter 30 Sek. reduziert; Fehlerquote unter 2 % statt bisher 8–12 %.

Roboflow Pilot (kein ML-Team nötig)Custom-Modell + EU-Hosting (AWS/Azure)Cognex Inline-Prüfstation (industriell)

CNC-Bediener dokumentieren Fräsparameter, Werkzeugwechsel und Qualitätswerte manuell, zeitaufwändig, lückenhaft, und die Qualität hängt vom einzelnen Bediener ab.

Ein LLM (Large Language Model) liest strukturierte Maschinendaten per OPC-UA oder MTConnect aus, erkennt relevante Ereignisse und generiert daraus strukturierte Fertigungsprotokolle automatisch.

Dokumentationszeit um 60–75 % reduziert (Schätzwert aus Praxisberichten); vollständige Rückverfolgbarkeit jedes Bauteils ohne manuelles Nachtragen.

MachineMetrics + LLM-API (schneller Einstieg)n8n self-hosted + Azure OpenAI EU (volle Kontrolle)Siemens Opcenter MES (ab 20+ Maschinen)

Verkäufer übersetzen Kundenwünsche manuell in technische Spezifikationen, aufwändig, fehleranfällig, und die Qualität hängt von der Erfahrung des Beraters ab.

Ein LLM-gestützter Konfigurations-Assistent (Conversational AI auf Basis von GPT-4 oder Claude) erfragt systematisch Anforderungen, prüft Kombinationsregeln per NLP und generiert fertige Konfigurationsdateien für Produktion und Angebot.

Beratungszeit pro Auftrag von 45 Min. auf 15 Min. reduziert (–30 Min.); Fehler in Spezifikation von 40–60 % auf unter 5 % gesenkt.

ChatGPT / Claude mit System-Prompt (ab 30 €/Monat)CPQ-System Combeenation (ab 500 €/Monat)Vollständiges CPQ + ERP-Integration (Tacton)

Zuschnittplanung erfolgt manuell oder mit veralteter Software, Verschnitt von 15–25 % ist branchenüblich.

2D-Bin-Packing-Algorithmus (Guillotine-Heuristik) berechnet optimale Schnittmuster für gegebene Plattengrößen und Bestellliste in Sekunden, deutlich schneller und präziser als manuelle Planung.

Verschnitt auf 8–12 % reduziert; Materialeinsparung von 5.000–20.000 € pro Jahr bei mittlerer Tischlerei.

Online-Dienst (Zuschnitt24, kein Setup)Spezialsoftware für Holz (Max-Cut, OptiCut)Enterprise-Lösung mit ERP-Anbindung

Montageanleitungen werden manuell erstellt, dauert Tage, Übersetzungen kosten extra, Fehler führen zu Reklamationen.

LLM-Pipeline extrahiert Bauteilhierarchien aus STEP/DXF-Exporten per regelbasierter Geometrieanalyse und generiert daraus strukturierte Schritt-für-Schritt-Texte.

Erstellungszeit von 2–5 Tagen auf 4 Stunden reduziert; Reklamationen durch Montagefehler um 40 % gesunken.

LLM-Prompting mit Stücklisten-Export (kein Setup)Solidworks Composer + Redaktions-WorkflowDedizierter Dokumentationsgenerator mit CAD-Anbindung

Reklamationen werden manuell bearbeitet, lange Antwortzeiten, inkonsistente Beurteilung, Ursachen werden nicht systematisch erfasst.

NLP-Modell klassifiziert Reklamationstext, ordnet Fehlerkategorie zu und gibt Handlungsempfehlung aus Wissensdatenbank.

Bearbeitungszeit von 45 Min. auf 10–15 Min. reduziert; Erstlösungsquote von 55 % auf 70–80 % gesteigert (Schätzwert aus Praxisberichten).

Zapier + ChatGPT-Prompt (kein Setup)Zendesk / Freshdesk mit integrierter KISpezialisierte Reklamationslösung oder Custom LLM

Techniker beschreiben jede neue Produktvariante manuell aus der Zeichnung, Stunden Aufwand pro Produkt, inkonsistente Texte im Katalog, Engpass bei Sortimentserweiterungen.

Regelbasierte Geometrie-Extraktion (ezdxf/STEP-Parser) liefert Maße und Materialcodes; ein LLM generiert daraus kanalspezifische Produktbeschreibungen (Katalog, ERP, Händlerportal) auf Basis einmalig definierter semantischer Kontext-Steckbriefe.

Dokumentationsaufwand pro Produkt von 2–3 Std. auf 30–45 Min. reduziert; konsistentere Produktbeschreibungen; schnellere Sortimentserweiterungen.

ezdxf + OpenAI API (Open Source, Developer nötig)Make.com/n8n + LLM-Pipeline (Low-Code)Werk24 API + Vollintegration (kommerziell)

Lieferzeitversprechen werden aus dem Bauch heraus gegeben, führt zu Terminverzug und Kundenenttäuschungen.

Ein Predictive-Analytics-Modell analysiert historische Auftragsdaten, Kapazitäten und Materialverfügbarkeit und berechnet daraus realistische Fertigstellungstermine.

Terminüberschreitungen deutlich reduziert, Kundenkommunikation verbessert, Kulanzaufwand gesenkt, und die Werkstatt besser ausgelastet.

Predictive Analytics / Kapazitätsplanungs-KI

Küchenangebote dauern 2–4 Stunden pro Auftrag, Kalkulation ist komplex und fehleranfällig bei individuellen Wünschen.

LLM-basierter Kalkulationsassistent (CPQ) verarbeitet Maße und Ausstattungsmerkmale, greift auf aktuelle Materialpreise per DATANORM-Schnittstelle zu und generiert vollständige Angebotspositionen.

Angebotszeit von 2–4 Std. auf 45–75 Min. reduziert; Kalkulationsfehler von 10–20 % auf unter 3 % gesenkt.

LLM-Kalkulationsassistent mit PreistabelleHandwerkersoftware mit KI-Angebots-AgentCPQ-Planungssoftware mit Katalogsynchronisation

Holzeinkäufer handeln reaktiv, zu späte Bestellungen führen zu Lieferengpässen, zu frühe zu hohen Lagerkosten. Manuelle Preisprognosen sind unzuverlässig.

LSTM-basierte Demand-Forecasting-KI kombiniert eigene Auftragsprognose mit externen Marktpreisdaten (HPE-Index, BMEL) und empfiehlt Bestellzeitpunkte und -mengen, mit klaren Unsicherheitsintervallen.

Lagerkosten um 15–25 % reduziert; Lieferengpässe messbar reduziert; bessere Verhandlungsposition durch Timing-Wissen.

Demand-Forecasting-Layer auf ERP-DatenBestandsoptimierung mit MarktpreisdatenLSTM-Forecasting plus Commodity-Preisprognose

Sichtprüfung von lackierten Oberflächen ist manuell, subjektiv und zu langsam, Fehler werden erst beim Kunden entdeckt, wo die Nachbesserung fünfmal so teuer ist.

Ein Kamerasystem mit trainiertem Computer-Vision-Modell scannt jede Oberfläche nach Lackierung oder Schleifen, markiert Fehlstellen automatisch und stoppt fehlerhafte Teile vor dem Versand.

Ausschussrate von 4,5 % auf 1,8 % reduziert; Reklamationskosten um 30.000 € p.a. gesunken; Prüfpersonal für Ursachenanalyse freigestellt statt Sichtkontrolle.

No-Code-CV-Modell als Proof-of-ConceptSoftware-Plattform plus vorhandene KamerasInline-Kamerasystem mit Deep-Learning-Modell

Holzfeuchte wird manuell gemessen und in Papierprotokollen erfasst, lückenhaft, reaktiv, kein Frühwarnsystem.

IoT-Sensoren liefern Dauermesswerte; regelbasierte Alarmlogik und LSTM-gestützte Zeitreihenauswertung erkennen Feuchtetrends und Grenzwertüberschreitungen, bevor Schäden entstehen.

Feuchtebedingte Reklamationen um 50–80 % reduzierbar; Papierprotokoll-Aufwand von 30–60 Min./Tag entfällt; lückenlose Verlaufsdaten für Reklamationsnachweise verfügbar.

IoT-Sensoren + Alarm-RegelnZeitreihen-Dashboard + AlertingVollständiges IoT-Monitoring-System

Holzfehler werden erst spät im Prozess entdeckt, manuelle Sichtprüfung ist fehleranfällig, kostspielig nachgelagert und verursacht Ausschuss bei bereits verarbeiteten Teilen.

Inline-Kamerasystem mit trainiertem CNN erkennt Fehlerklassen (Astlöcher, Risse, Blaustich, Schimmel) direkt am Band und stoppt oder markiert fehlerhafte Chargen automatisch.

Ausschussquote um 30–50 % reduziert; Fehlerkosten fallen früh im Prozess an statt nach Weiterverarbeitung, Einsparpotenzial 15.000–60.000 € je nach Produktionsvolumen.

Computer Vision für HolzfehlerInline-Qualitätskontrolle am BandIndustrial AI mit SPS-Integration

Produktentwicklung reagiert zu spät auf Markttrends: Wenn ein Trend auf Pinterest sichtbar ist, hat er seinen Peak schon fast erreicht.

Computer Vision analysiert täglich Millionen Social-Media-Bilder auf Designattribute (Silhouetten, Oberflächentexturen, Farbpaletten); NLP-Modelle werten Fachpublikationen und Patentdatenbanken aus, bis zu 24 Monate vor der Mainstream-Welle.

Rechercheaufwand pro Quartal von 2–4 Tagen auf 4–6 Stunden reduziert; Trendfrüherkennung 12–24 Monate vor dem Massenmarkt-Peak; Kollektionsfehlwetten mit potenziellem Abschreibungsrisiko von 80.000–250.000 € je Fehlkollektion vermieden.

Google Trends + Exploding TopicsSocial Image AnalysisTrend Intelligence + NLP + Patente

PEFC- und FSC-Audits binden 2–3 Wochen Mitarbeiterzeit, weil Nachweise dezentral liegen, Lieferantenzertifikate unbemerkt ablaufen und Deklarationen auf Lieferscheinen fehlerhaft sind.

OCR-gestützte Dokumenten-KI (z. B. Azure Document Intelligence, Konfuzio) extrahiert Zertifikatsnummer, Gültigkeitsdatum und Produktkategorien aus eingehenden PDFs; ein NLP-Assistent prüft Lieferscheine auf Deklarationspflichtfelder und erstellt konforme Audit-Checklisten.

Audit-Vorbereitung von 3 Wochen auf 4–5 Tage reduziert; abgelaufene Lieferantenzertifikate werden 90 Tage vor Ablauf erkannt; Nicht-Konformitäten im Vorfeld abgestellt.

Dokumenten-Abfrage per LLMOCR-ZertifikatsextraktionCompliance-Workflow + Alerting

Lieferantenbewertungen erfolgen sporadisch und bauchgefühlsgeleitet, Qualitätsprobleme, Feuchtetoleranzen und fehlende EUDR-Nachweise werden erst erkannt, wenn die Produktion bereits steht.

Ein regelbasiertes Scoring-Modell aggregiert Messwerte aus der Eingangskontrolle, Liefertreue und Zertifikatsstatus zu einer gewichteten Lieferanten-Scorecard; ein LLM (z. B. Claude, ChatGPT) generiert daraus strukturierte Bewertungstexte und meldet Grenzwertüberschreitungen sowie EUDR-Dokumentationslücken automatisch.

Lieferantenbewertung von 2 Arbeitstagen auf 3 Stunden pro Quartal reduziert; kritische Lieferantenrisiken 4–8 Wochen früher erkannt als zuvor.

Excel-Scorecard + LLM-BewertungstextAnalytics-Dashboard + KI-ScoringEUDR-Compliance-Automation

Produktkatalog-Pflege kostet 6–10 Stunden pro Woche, Inkonsistenzen zwischen ERP und Webshop sind häufig, Variantendaten für RAL-Farben und Abmessungen explodieren.

PIM-System mit KI-Beschreibungsgenerierung synchronisiert ERP-Daten kanalübergreifend, prüft Abweichungen und erzeugt optimierte Produkttexte aus strukturierten Attributen.

Pflegeaufwand von 8 Std./Woche auf 2–3 Std./Woche reduziert; Fehlerrate bei technischen Angaben messbar gesenkt, vorausgesetzt, ERP-Daten sind sauber.

LLM-Textgenerierung pro SKUPIM-Automatisierung + SyncPIM + KI-Texte + ERP-Integration

Sägeblätter, Fräser und Schleifmittel werden nach Gefühl gewechselt, entweder zu früh (Kosten) oder zu spät (Ausschuss und Nacharbeit).

Standzeiterfassung per MDE oder QR-Scan kombiniert mit regelbasiertem Schwellwertmodell und LLM-Auswertungsschicht, das System empfiehlt optimale Wechselintervalle und protokolliert automatisch.

Werkzeugkosten um 15–25 % gesenkt, Ausschussrate durch stumpfe Werkzeuge von 2–4 % auf unter 1 % reduziert, Wartungsaufwand vollständig dokumentiert und nachweisbar.

Digitale WerkzeugverwaltungStandzeittracking via QR/MDELLM-Auswertung der Protokolle

Mündliche Absprachen führen zu Streit, Fotos liegen verteilt auf Privathandys, und die Handnotizen des Meisters sind für Gesellen unleserlich.

LLM-Transkription und Named-Entity-Extraktion wandeln Sprachnotizen, WhatsApp-Chats und Baustellen-Fotos in strukturierte Projektmappen um, digital unterzeichnet, bei Reklamationen beweissicher.

Dokumentationsaufwand von 1,5–2 Stunden auf 20–30 Minuten pro Projekt reduziert; Streitigkeiten über mündliche Absprachen durch schriftliche Kundenfreigabe vermieden.

Sprachnotiz-AppLLM-Transkription & StrukturierungHandwerker-Dokumentations-App

EU-Exportdokumentation kostet 3–5 Stunden pro Sendung, Fehler führen zu Zollverzögerungen und Bußgeldern.

KI-Dokumentenassistent nutzt NLP und LLM-basierte Textgenerierung, um EORI-Angaben, Ursprungsnachweise und Zolltarife automatisch aus der Produktdatenbank zu befüllen.

Dokumentationszeit von 4 Std. auf 45 Min. reduziert; Fehlerquote in Zolldokumenten von 8 % auf unter 1 % gesunken.

Dokumenten-KIZolldatenbank-AnbindungExport-Compliance-Assistent

Kunden können sich Möbel zu Hause schwer vorstellen, Farb- und Größenfehlkäufe führen zu hohen Retourenquoten und Kaufabbrüchen im Online-Shop.

AR-Plattform kombiniert CNN-basierte Computer Vision mit Tiefensensorik, um Raumdimensionen automatisch zu messen und Möbel in Echtzeit maßstabsgetreu ins Kamerabild zu rendern, inkl. Holzart- und Farbauswahl direkt im AR-View.

Conversion-Rate um 20–112 % gestiegen (DFS/Vertebrae 2020: 22-facher ROI); Retourenquoten bei AR-genutzten Produkten um 25–40 % gesunken.

Shopify AR (nativer Viewer)3D-ProduktvisualisierungWebAR-Plattform mit Konfigurator

Energie macht 10–20 % der Produktionskosten in holzverarbeitenden Betrieben aus, Trockenkammern, Kompressoren und CNC-Anlagen laufen oft auf Maximalleistung, unabhängig vom tatsächlichen Bedarf.

Industrial-AI-Plattform setzt LSTM-Zeitreihenmodelle und XGBoost-basierte Lastprognosen ein, um Maschinendaten, Auftragslage und Strompreissignale zu einem Echtzeit-Steuermodell zu kombinieren: Anlaufzeiten werden vorgezogen, Lastspitzen gebrochen, Trocknungszyklen optimiert.

Energieeinsparung 10–20 % nachgewiesen; bei 220.000 € Jahresstromkosten entspricht das 22.000–44.000 €, ohne Produktionseinschränkung.

Industrial IoTEnergy-Optimization-AIPredictive Scheduling

Großkunden und Behörden fordern zunehmend belegbare Scope-3-Daten, manuelle Datensammlung aus Lieferantenfragebögen ist fehleranfällig, zeitintensiv und hält keiner Prüfung stand.

Supply-Chain-Carbon-Intelligence aggregiert Transportdaten, Holzherkunftsnachweise und Energieverbrauch der Vorlieferanten; ein ML-Klassifikationsmodell ordnet jedem Materialeintrag den passenden Emissionsfaktor zu, füllt Datenlücken mit aktivitätsbasierten Schätzwerten und erstellt CSRD-konforme Berichte automatisch.

Berichtsaufwand von 3–6 Wochen auf 2–3 Tage reduziert; Großkundenaudits bestanden; Förderprogramme und EU-Taxonomie-konforme Finanzierung einfacher zugänglich.

Scope-3-TrackingCSRD-Reporting-AISupply-Chain-Carbon-Intelligence