Lieferzeitprognose für Tischlereien

Das echte Ausmaß des Problems

Tischlereien und Schreinereien arbeiten in einer der handwerklich anspruchsvollsten Auftragssituationen, die es gibt: Losgröße 1, hohe Variantenvielfalt, externe Abhängigkeiten bei jedem Auftrag. Ein Einbauschrank bedeutet: Holzart bestellen, Beschläge bestellen, eventuell Glas von einem Glaser, eventuell Beleuchtung vom Elektriker — und das alles muss zusammentreffen, bevor ein Mitarbeitender überhaupt anfangen kann zu montieren.

Laut Zahlen des Zentralverbands des Deutschen Handwerks zählt das Tischler- und Schreinerhandwerk in Deutschland über 28.000 Betriebe, davon die große Mehrheit mit weniger als 20 Mitarbeitenden (Statista 2023). In Betrieben dieser Größe trägt die Betriebsinhaberin oder der Betriebsinhaber die Terminplanung häufig im Kopf — gestützt auf Erfahrung, Plantafel und Bauchgefühl.

Das funktioniert — bis die Komplexität wächst:

• Mehr parallele Aufträge als eine Person im Überblick halten kann
• Längere Zuliefererketten (Beschläge aus Österreich, Spezialglas auf Bestellung, Arbeitsplatten mit 6 Wochen Lieferzeit beim Hersteller)
• CNC-Engpässe: Eine Fräse, die für drei Projekte gleichzeitig gebraucht wird
• Saisonale Schwankungen: Im Herbst Auftragsspitzen, im Februar die Maschine ausgelastet mit Aufträgen vom Herbst
• Fachkräftemangel: Ein kranker Schleifer reißt den Zeitplan für mehrere Aufträge

Eine Untersuchung der Fertigungsbranche, die Tischlereibetriebe einschloss, zeigte: Ohne systematische Datenanalyse überschätzen Betriebe ihre verfügbare Kapazität um durchschnittlich 20–35 Prozent (Studie ZWF 2024, De Gruyter). Das führt direkt zu Terminversprechen, die nicht haltbar sind.

Die Konsequenzen sind nicht nur Ärger mit dem Kunden. Sie sind auch wirtschaftlich:

• Kulanzleistungen (kostenlose Anpassungen, Nacharbeiten, Rabatte) als Entschuldigung für Terminverzug
• Stornierungen bei besonders langen Verzögerungen
• Reputationsverlust in einem Marktsegment, das stark über Weiterempfehlungen funktioniert
• Interne Hektik: Aufträge werden durcheinandergebracht, Überstunden häufen sich

Mit vs. ohne KI — ein ehrlicher Vergleich

¹ Erfahrungswert aus Handwerksbetrieben mit Losgröße-1-Fertigung; keine repräsentative Erhebung, aber konsistentes Bild aus Branchenberichten. ² Zielgröße aus der ZWF-Studie (2024): Fehlerreduktion von 60,42 % im Möbelbereich bei KI-gestützter Prognose — setzt ausreichend historische Daten voraus.

Der wichtigste Unterschied ist nicht die Genauigkeit der Schätzung allein — es ist die Proaktivität. Ein System, das drei Wochen vor dem versprochenen Termin eine mögliche Verzögerung signalisiert, gibt dem Betrieb Zeit, den Kunden zu informieren und gemeinsam eine Lösung zu finden. Ein System, das gar nicht warnt, führt zum Anruf der Brautmutter.

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5) Der Nutzen liegt nicht in eingesparter Arbeitszeit, sondern in besserer Prognosequalität. Die Planung selbst geht nicht schneller — sie wird genauer. Mitarbeitende sparen kaum Zeit durch das Modell; den Mehrwert erlebt der Betrieb in Form von weniger Nacharbeit und weniger Krisentelefonate mit Kunden. Gemessen am Zeitaufwand steht dieser Anwendungsfall damit unter dem Niveau von Fertigungsdokumentation für CNC-Fräsen oder der Reklamationsbearbeitung, die direkte Arbeitsentlastung bringen.

Kosteneinsparung — mittel (3/5) Die Einführung kostet real Geld: ERP-Basisinfrastruktur, Datenbereinigung, Modellentwicklung oder Konfiguration. Einsparpotenzial entsteht über weniger Kulanzaufwand, weniger Nacharbeit durch falsch terminierte Aufträge und bessere Maschinenauslastung. Dieser Nutzen ist real — aber auf der Zeitachse der Amortisation muss man rechnen, statt glauben. Gemessen an den anderen Anwendungsfällen dieser Kategorie liegt die Lieferzeitprognose im Mittelfeld: mehr Wirkung als rein kommunikative Anwendungen wie die CAD-Zeichnungsdokumentation, aber weniger unmittelbar messbar als die Materialoptimierung beim Holzzuschnitt.

Schnelle Umsetzung — gering (2/5) Der entscheidende Engpass ist die Datenbasis: Wer kein digitales ERP hat, muss zuerst eins einführen — das dauert Monate. Wer eins hat, muss die historischen Daten aufbereiten — das dauert Wochen. Erst dann kann ein Prognosemodell trainiert werden. Realistische Pilotdauer: 10–16 Wochen. Wer eine schnelle Lösung sucht, ist hier falsch. Die akademische Forschung (ZWF 2024, Springer 2023) zeigt, dass belastbare Modelle typischerweise mehrere Tausend Aufträge als Trainingsbasis brauchen.

ROI-Sicherheit — mittel (3/5) Der Nutzen ist real, aber schwer zu isolieren. Wie viel des Rückgangs bei Terminüberschreitungen kommt vom KI-Modell, wie viel von der insgesamt verbesserten Disziplin durch die ERP-Einführung? Kundenzufriedenheit ist als Proxy nötig, da ein direkter ROI-Kalkül schwierig ist. Ähnliche Herausforderung wie bei anderen indirekt wirkenden Systemen in dieser Kategorie.

Skalierbarkeit — mittel (3/5) Das Modell lässt sich auf weitere Standorte ausweiten — aber jeder Standort braucht seine eigene historische Datenbasis. Ein zentrales Modell für alle Werkstätten eines Betriebs funktioniert nur, wenn die Produktionsbedingungen annähernd gleich sind. Bei sehr unterschiedlichen Werkstätten (eine mit CNC, eine reine Handarbeit) muss separat trainiert werden.

Richtwerte — stark abhängig von vorhandener Datenbasis, ERP-Reifegrad und Auftragsvolumen.

Was das System konkret macht

Predictive Analytics für die Lieferzeitprognose in einer Tischlerei ist kein Zaubertrick — es ist Machine Learning auf historischen Auftrags- und Produktionsdaten. Im Kern passiert folgendes:

Das System analysiert alle abgeschlossenen Aufträge der Vergangenheit und lernt, welche Faktoren die tatsächliche Fertigstellungsdauer beeinflusst haben. Typische Einflussvariablen:

• Auftragstyp und Komplexität: Ein Einbauschrank ist anders als eine Tür, eine Küche wieder anders als ein Büfett
• Materialverfügbarkeit: Welche Materialien mussten bestellt werden, wie lange hat die Lieferung historisch gedauert?
• Aktuelle Auslastung: Wie viele Aufträge sind gleichzeitig in Bearbeitung? Wie ausgelastet sind CNC und Schleifer?
• Saison und externe Einflüsse: Herbst bedeutet erfahrungsgemäß mehr parallele Aufträge
• Mitarbeiterverfügbarkeit: Urlaube, bekannte Kapazitätsengpässe

Das trainierte Modell gibt bei einem neuen Auftrag eine Prognose aus — nicht “8 Wochen”, sondern “mit 80-prozentiger Wahrscheinlichkeit zwischen 6 und 10 Wochen, am wahrscheinlichsten 8 Wochen”. Diese Differenzierung ermöglicht ehrlichere Kundenkommunikation: Entweder du gibst die Bandbreite an (“frühestens 6, spätestens 10 Wochen, ich halte dich auf dem Laufenden”) — oder du planst konservativer und behältst dir Spielraum.

Was das Modell nicht kann: Es kann externe Überraschungen nicht vorhersagen — Lieferant geht in Insolvenz, Maschinenschaden, plötzlicher Krankenstand. Es kann nur auf Basis der Vergangenheit strukturell ähnliche Situationen erkennen und daraus Wahrscheinlichkeiten ableiten.

Das kritische Fundament: Ein solches Modell braucht eine digitale Produktionshistorie. Wer Auftragszeiten, Materialbestellungen und Fertigstellungsdaten nicht im System erfasst, hat keine Trainingsdaten — und dann gibt es kein Modell. Die Vorarbeit ist das ERP, nicht die KI.

Datenbasis: Was das Modell wirklich braucht

Das ist der Teil, über den Anbieter ungern sprechen — und der entscheidet, ob dieses Vorhaben in deiner Tischlerei realistisch ist oder nicht.

Eine Untersuchung der Fertigungsprognose in Betrieben mit kundenindividueller Fertigung (ZWF 2024, De Gruyter) zeigte: Das Metallverarbeitungsunternehmen im Versuch hatte 100.000 Datenpunkte aus 15.000 Fertigungsaufträgen als Trainingsbasis. Das Möbelproduzent-Case im selben Paper arbeitete mit 1,5 Millionen Datenpunkten über 18 Monate. Das ist industrielle Großserienfertigung — nicht Maßmöbel-Tischlerei.

Was bedeutet das für einen handwerklichen Betrieb mit 5–20 Mitarbeitenden und 80–300 Aufträgen pro Jahr?

Datenpunkte = Aufträge × Erfassungstiefe (Zeitstempel, Materialien, Maschinenzeiten). Schätzwerte auf Basis der Studie — nicht auf individuelle Betriebe übertragbar ohne Prüfung.

Die ernüchternde Wahrheit: Die meisten Tischlereien unter 15 Mitarbeitenden haben nicht genug Daten für ein eigenständig trainiertes Machine-Learning-Modell. Was funktioniert, ist eine abgestufte Lösung:

1. Stufe 1 — Regelbasierte Prognose: Auf Basis von Richtwerten aus dem ERP (typische Durchlaufzeiten pro Auftragstyp) plus aktueller Auslastung. Kein ML, aber strukturierter als Bauchgefühl. Das können ERP-Systeme wie HERO Software oder profacto heute schon.

2. Stufe 2 — Hybrides Modell: Branchenweite Benchmarks (durchschnittliche Durchlaufzeit pro Auftragstyp) kombiniert mit betriebseigenen Anpassungsfaktoren. Anbieter wie z.B. Branchensoftware-Hersteller, die über viele Tischlereien kumulierte Daten haben, können hier Mustererkennung anbieten.

3. Stufe 3 — Echtes ML auf eigenen Daten: Erst realistisch ab mehreren Hundert Aufträgen pro Jahr mit sauberer ERP-Datenbasis über mindestens drei Jahre. Das ist industrielle Tischlerei oder ein Verbund mehrerer Betriebe.

Für die große Mehrheit der deutschen Tischlereien ist Stufe 1 die ehrliche Empfehlung — und sie liefert schon einen messbaren Unterschied gegenüber dem Bauchgefühl.

Konkrete Werkzeuge — was wann passt

Das Werkzeug für Lieferzeitprognose in Tischlereien ist kein einzelnes KI-Tool — es ist eine Kombination aus ERP-Basis, Planungsmodul und optionaler Analyseschicht.

HERO Software — wenn du noch kein ERP hast oder von Excel wechselst HERO Software ist die meistgenutzte Cloud-Handwerkersoftware im DACH-Raum (31.000+ Betriebe). Das System erfasst Aufträge, Zeiten und Projektfortschritt digital — das ist die Datenbasis für alles, was danach kommt. Für kleinere Tischlereien reicht oft die Auslastungsübersicht in HERO, um aus dem Bauchgefühl herauszukommen. Preis: ab 69 €/Monat. Für reine Terminplanung und Auftragsübersicht ein solider, pragmatischer Einstieg.

profacto — wenn du CAD/CAM mit interiorcad nutzt oder tiefer in die Fertigungssteuerung willst profacto von extragroup ist seit über 25 Jahren speziell auf Tischler und Schreiner ausgerichtet. Die Version profacto PPS bietet ein Kapazitätsplanungsmodul: Projekte werden Mitarbeitenden, Maschinen und Kostenstellen zugeordnet, die Auslastung ist visuell sichtbar. Wichtig: Wer interiorcad (CAD/CAM von extragroup) verwendet, bekommt mit profacto eine durchgehende Integration von der Zeichnung bis zur Auftragssteuerung. Preis nur auf Anfrage.

Microsoft Power BI — wenn du eigene ERP-Daten auswerten und visualisieren willst Microsoft Power BI kann Daten aus HERO Software oder profacto auslesen und daraus ein Auslastungs-Dashboard bauen: Welche Wochen sind überlastet? Wie lange dauern Aufträge durchschnittlich nach Auftragstyp? Wo verzögern Materiallieferungen am häufigsten? Das Desktop-Tool ist kostenlos, die Pro-Lizenz für gemeinsamen Zugriff kostet 12,10 €/Person/Monat. Setzt voraus, dass die ERP-Daten per Export oder API zugänglich sind.

Microsoft Project — wenn du Einzelprojekte mit vielen Abhängigkeiten seriös planen willst Für große Tischlereiaufträge (Ladeneinrichtung, Messebau, mehrstufige Küchenprojekte mit vielen Unteraufgaben) ist Microsoft Project das mächtigste Terminplanungstool. Es plant Abhängigkeiten, Ressourcen und kritische Pfade exakt — aber es ist für jeden einzelnen Auftrag Aufwand, kein automatisches Prognosesystem. Sinnvoll ab einem Projektwert von ca. 20.000 €+.

Zusammenfassung: Wann welcher Ansatz

• Kein ERP vorhanden → erst HERO Software oder profacto einführen
• ERP vorhanden, aber keine Auswertung → Microsoft Power BI für Analyse und Auslastungsübersicht
• Großprojekte mit vielen Abhängigkeiten → Microsoft Project für Einzelprojektplanung
• Industrielle Losgröße oder Verbund mehrerer Betriebe → maßgeschneidertes ML-Modell (Entwicklerunterstützung nötig)

Datenschutz und Datenhaltung

Lieferzeitprognose-Systeme verarbeiten Auftragsdaten, Kundendaten und in der Regel Mitarbeiterdaten (Kapazitäten, Verfügbarkeiten). Für DSGVO-Konformität sind zwei Punkte relevant:

Kundendaten in der Produktionsplanung: Sobald ein Auftrag einen Kundennamen trägt und das System diesen Datensatz verarbeitet, gilt Art. 28 DSGVO — ein Auftragsverarbeitungsvertrag (AVV) mit dem Softwareanbieter ist Pflicht. HERO Software und profacto sind DACH-Anbieter mit EU-Datenhaltung — AVV auf Anfrage erhältlich.

Mitarbeiterdaten und Kapazitätsplanung: Wenn das System Verfügbarkeiten einzelner Mitarbeitender erfasst (Urlaub, Krankenstand, Stundenkonten), werden personenbezogene Daten verarbeitet. Das ist DSGVO-relevant und in Betrieben mit Betriebsrat mitbestimmungspflichtig. Lösung: Kapazitäten auf Rollenebene erfassen (Schreiner, CNC-Bediener) statt auf Personen — das reduziert die DSGVO-Anforderungen erheblich.

Cloud vs. lokal: Wer besonders sensible Kundendaten verarbeitet (z.B. Einbau in Privatwohnungen mit Adressdaten), sollte auf EU-Hosting achten. Alle hier genannten Tools betreiben ihre Systeme in der EU. Microsoft Power BI ist über Microsoft 365 EU Data Boundary-konform konfigurierbar.

Was es kostet — realistisch gerechnet

Lieferzeitprognose ist kein Tool, das man einfach dazukauft. Sie entsteht auf einer Infrastruktur, die oft zuerst aufgebaut werden muss.

Einmalige Einrichtungskosten

• Einführung ERP-Basissystem (falls nicht vorhanden): 5.000–15.000 € extern + 4–8 Wochen interne Zeit für Datenmigration, Schulung, Prozessanpassung
• Einrichtung Kapazitätsplanungsmodul: 1.000–5.000 € je nach System und Anbieter
• Datenbereinigung und Historienaufbau: typisch 2–4 Wochen Arbeit intern
• Optionale Power-BI-Dashboard-Entwicklung für Auslastungsanalyse: 2.000–8.000 € Dienstleister

Laufende Kosten (monatlich)

• HERO Software ab 69 €/Monat (Basis), weitere Nutzer und Module extra
• profacto: auf Anfrage — erfahrungsgemäß im Bereich 100–400 €/Monat je nach Ausbaustufe
• Microsoft Power BI Pro: 12,10 €/Person/Monat (falls für Auslastungsdashboards genutzt)

Konservatives ROI-Szenario Angenommen, eine Tischlerei mit 10 Mitarbeitenden und 150 Aufträgen pro Jahr hat bisher 35 % Terminüberschreitungsrate. Pro Verzögerung entstehen durchschnittlich 200 € Kulanzaufwand (Rabatte, Nacharbeiten, Fahrtkosten für Kundengespräche). Das sind 52 Aufträge × 200 € = 10.400 € pro Jahr. Wenn das System die Rate auf 15 % senkt, reduzieren sich die Kulanzfälle auf 22 — Einsparung: ca. 6.000 € pro Jahr. Dazu kommen schwer messbare Effekte: Reputation, Weiterempfehlungen, Mitarbeiterzufriedenheit.

Die Gesamtinvestition (ERP-Einführung + laufende Kosten Jahr 1) liegt bei 10.000–25.000 €. Amortisation im konservativen Szenario: 2–4 Jahre — vorausgesetzt, die Datenbasis ist sauber und das System wird konsequent genutzt.

Drei typische Einstiegsfehler

1. Das KI-Tool vor dem ERP kaufen. Wer auf die Suche nach einem “KI-Lieferzeitprognosetool” geht, bevor er die Datenbasis hat, kauft eine Lösung für ein Problem, das er noch nicht hat. Die Predictive Analytics-Schicht kommt am Ende — erst kommt das ERP mit sauberer Auftragserfassung, dann die Analyse, dann die Prognose. In der Praxis heißt das: Wer kein ERP hat, muss zuerst eins einführen. Das ist der Hauptjob, nicht die KI.

2. Externe Zulieferer-Abhängigkeiten unterschätzen. Das System kann nur prognostizieren, was es kennt. Wenn 30–40 % der Verzögerungen durch Zuliefererprobleme entstehen — Beschläge kommen drei Wochen später, Glas ist beim Lieferanten nicht vorrätig, Arbeitsplatten haben Engpass — hilft die beste interne Kapazitätsplanung wenig. Diese externen Faktoren müssen aktiv ins System eingepflegt werden (Bestelldaten, Liefertermine, Status-Updates) — das ist händische Pflege, die ein Mitarbeitender täglich macht. Wer das unterschätzt, bekommt ein Modell, das 60 % der Situation erfasst.

3. Das Modell bleibt statisch — und veraltet still. Das ist der gefährlichste Fehler. Ein Modell, das im März trainiert wurde, kennt die Kapazitätssituation im Oktober nicht — neue Mitarbeitende, veränderte Auftragstypen, neue CNC-Maschine. Eine Forschungsgruppe (ZWF 2024) zeigte, dass Modelle ohne Nachtraining bei veränderter Produktionsumgebung um 30–77 % schlechtere Prognosen liefern als ein aktuell gepflegtes Modell. Die Lösung ist eine regelmäßige Kalibrierung: Jedes Quartal prüfen, ob die tatsächlichen Fertigstellungsdauern noch mit den Prognosen übereinstimmen — und bei Abweichungen nachtrainieren oder die Richtwerte anpassen.

Was mit der Einführung wirklich passiert — und was nicht

Die Technik ist handhabbar. Das Schwierige ist das Datenverhalten des Teams.

Die Erfassungs-Verweigerer. In Werkstätten, die lange papierbasiert gearbeitet haben, ist die digitale Auftragserfassung eine Kulturveränderung. Wenn Gesellen die Arbeitszeiten nicht in das System eingeben — weil sie es vergessen, weil es umständlich ist, weil der Meister es nicht kontrolliert — fehlen die Daten, auf denen die Prognose basiert. Das Prognosemodell kann nur so gut sein wie die Disziplin bei der Eingabe.

Die Plantafel-Loyalisten. Viele Handwerksmeister haben zwanzig Jahre mit einer physischen Plantafel gearbeitet und sehr gute Intuition entwickelt. Ein System, das zu Beginn schlechtere Schätzungen liefert als das Bauchgefühl der Meisterin, wird schnell als nutzlos abgestempelt — auch wenn es in drei Monaten besser sein wird. Lösung: Transparenz über die Lernkurve einplanen. Die ersten Monate sind Training, keine Produktion.

Was konkret hilft:

• Eine Person klar benennen, die für die Datenpflege (Auftragserfassung, Materialstatus, Zeitbuchungen) verantwortlich ist
• In den ersten drei Monaten täglich 15 Minuten für Nachträglichkeitskontrolle einplanen: Stimmen die eingetragenen Fertigstellungen mit den echten überein?
• Dem Team explizit erklären, warum die Erfassung für alle besser wird — mehr Klarheit, weniger Überraschungen, weniger Wochenendarbeit zur Rettung überfälliger Aufträge
• Die ersten positiven Erfahrungen sichtbar machen: Wenn der erste Auftrag früher fertig ist weil das System den CNC-Engpass vorab gezeigt hat, ist das die beste Werbung für das System

Realistischer Zeitplan mit Risikohinweisen

Wichtig: Wer mit einem bestehenden ERP startet, kann Phase 2 überspringen — aber Datenpflege und Kalibrierung sind in jedem Fall nötig. Ohne saubere Historiedaten ist eine Prognose nicht möglich.

Häufige Einwände — und was dahintersteckt

„Ich kenne meine Aufträge — ich brauche kein System dafür.” Für 5 parallele Aufträge stimmt das. Bei 25 parallelen Aufträgen mit je mehreren Abhängigkeiten stimmt es nicht mehr. Das Limit des Bauchgefühls liegt nicht bei der Qualität des Meisters — es liegt bei der menschlichen Kapazität, komplexe Interdependenzen gleichzeitig zu verwalten. Das System ersetzt das Bauchgefühl nicht, es ergänzt es bei steigender Komplexität.

„KI ist zu kompliziert und teuer für uns.” Das stimmt für vollständiges Machine Learning — da braucht es Daten, Expertise und Infrastruktur. Für regelbasierte Kapazitätsplanung auf ERP-Basis gilt das nicht. HERO Software bietet ab 69 €/Monat eine strukturierte Auftragsübersicht, die deutlich mehr ist als die Plantafel — kein Data Scientist nötig.

„Was ist mit Aufträgen, die der Kunde spontan ändert?” Änderungen sind in Tischlereien Normalfall. Jede Änderung kostet Zeit und verändert die Auslastung. Ein gut eingerichtetes System macht diese Änderungen sichtbar: Wenn ein Auftrag erweitert wird, sieht man sofort, welche anderen Termine in Gefahr geraten. Das ist heute oft verborgen — bis es zu spät ist.

Woran du merkst, dass das zu dir passt

Grüne Ampeln — du profitierst wahrscheinlich:

• Du hast mehr als 10 parallele Aufträge in der Werkstatt
• Terminüberschreitungen passieren dir regelmäßig — mehr als 2–3 Mal im Quartal
• Materialbestellungen haben regelmäßig Einfluss auf deine Terminplanung
• Du hast bereits ein ERP oder Handwerkersoftware im Einsatz — zumindest für Auftragserfassung
• Du fertigst pro Jahr mehr als 100 Aufträge ab

Drei harte Ausschlusskriterien — wann es sich nicht lohnt:

1. Unter 80 Aufträgen pro Jahr. Ohne ausreichend historische Daten ist kein Prognosemodell trainierbar. Was hilft: eine einfache Checkliste für die Kalkulation von Durchlaufzeiten je Auftragstyp — kein KI, aber strukturierter als Bauchgefühl. Das kostet nichts und lässt sich in einer Stunde entwerfen.

2. Kein ERP und keine Bereitschaft, eins einzuführen. Lieferzeitprognose setzt digitale Auftragserfassung voraus. Ohne ERP gibt es keine Trainingsdaten. Wer nicht bereit ist, Aufträge digital zu erfassen, sollte dieses Vorhaben zurückstellen — nicht weil die Idee schlecht ist, sondern weil die Infrastruktur fehlt.

3. Mehr als 50 % der Verzögerungen kommen von Zulieferern mit unzuverlässigem Lieferverhalten. Wenn externe Faktoren das Bild dominieren und du keinen Einfluss auf die Zuverlässigkeit deiner Zulieferer hast, hilft die beste interne Prognose wenig. Hier wäre Holzeinkauf mit KI optimieren der relevantere erste Schritt.

Das kannst du heute noch tun

Öffne eine Tabelle (Excel, Google Sheets) und trage die letzten 20 abgeschlossenen Aufträge ein: Auftragstyp, versprochener Termin, tatsächlicher Fertigstellungstermin, Hauptgrund für Abweichung.

Das dauert 45 Minuten. Was du danach weißt: Wie hoch deine tatsächliche Terminüberschreitungsrate ist, welche Auftragstypen besonders problematisch sind, und ob externe Zulieferer oder interne Kapazität der Haupttreiber ist. Diese Auswertung ist die Grundlage für jede Folgestrategie — und du brauchst dafür weder KI noch Software.

Wenn du darüber hinaus gehen willst: Gib die tabellierten Daten in ChatGPT oder Claude ein und lass das Modell die Muster beschreiben. Das ist keine Lieferzeitprognose-KI — aber es ist ein erster Blick auf deine Daten, der kostenlos und ohne technisches Setup funktioniert.

Für die mittelfristige Planung: hier ist ein Prompt, mit dem du starten kannst.

Quellen & Methodik

• ZWF 2024 — De Gruyter: „KI-gestützte Prognose von Durchlauf- und Lieferzeiten in der Einzel- und Kleinserienfertigung”, Zeitschrift für wirtschaftlichen Fabrikbetrieb (ZWF), Jg. 119 (2024). Untersucht AutoML + Lifelong Learning für Fertigungsprognosen; Furniture-Case: 60,42 % Fehlerreduktion; Metalworking-Case: 37,96 % Fehlerreduktion; Trainingsdaten: 100.000+ Datenpunkte / 15.000+ Aufträge (Metall), 1,5 Mio. Datenpunkte über 18 Monate (Möbel). DOI: 10.1515/zwf-2024-0162
• Springer Journal of Intelligent Manufacturing (2023): „Case study on delivery time determination using a machine learning approach in small batch production companies”. Bestätigt ML-Ansätze für Einzelfertigung. DOI: 10.1007/s10845-023-02290-2
• Statista (2023): Anzahl der Betriebe im Tischler- und Schreinerhandwerk in Deutschland. Quelle: Statista.com, Daten Zentralverband des Deutschen Handwerks.
• Auftragsdaten-Richtwerte: Erfahrungswerte aus Handwerksbetrieben mit Maßfertigung; keine repräsentative Erhebung.
• HERO Software: Preise und Produktinformationen hero-software.de (Stand April 2026).
• extragroup / profacto: Produktinformation extragroup.de, dds-online.de (Stand Mai 2026).
• Concept Drift — Forschungsstand: Baier et al. (2021), KIT-Bibliothek Karlsruhe, „Handling Concept Drift for Predictions in Business Process Mining” — ergänzend zur ZWF-Studie für das Verfallsrisiko statischer Modelle.

Du willst wissen, ob deine Datenbasis für einen solchen Ansatz ausreicht — oder welcher Einstieg für deinen Betrieb der realistische ist? Ein kurzes Gespräch genügt, um das einzuschätzen.