KI-optimierte Produktionsplanung und Reihenfolgeplanung

Das echte Ausmaß des Problems

Ein Fertigungsunternehmen mit 50 Aufträgen und 8 Maschinen hat mathematisch bereits Milliarden möglicher Planungskombinationen. Der erfahrene Produktionsplaner löst das intuitiv — mit Erfahrungswissen, Prioritätslisten und viel Handarbeit in Excel oder im ERP-System.

Das Fraunhofer IFF hat in Pilotprojekten gezeigt: KI-basierte Reihenfolgeplanung verkürzt Durchlaufzeiten um durchschnittlich 20 bis 62 % — je nach Komplexität des Fertigungsprozesses. Die Plattform Lernende Systeme (Acatech/VDE) berichtet, dass KI-gestützte Planungssysteme Überproduktion und Lagerkosten im produzierenden Mittelstand um 25 bis 38 % senken.

Das eigentliche Problem ist nicht die Qualität des Planers, sondern die Reaktionsgeschwindigkeit. Wenn Aufträge eingehen, ein Werkzeug bricht, eine Maschine ausfällt oder ein Lieferant zu spät liefert, muss der Plan neu gemacht werden. Manuell dauert das 1 bis 3 Stunden — während sich die Situation weiter verändert. Die Fertigung reagiert immer etwas hinter der Realität.

Dazu kommt das Rüstzeiten-Problem. In der Fertigung entstehen erhebliche Verlustzeiten durch ungünstige Rüstreihenfolgen: Wer zuerst rot lackiert und dann weiß, reinigt länger als umgekehrt. Wer ähnliche Werkstückgeometrien auf einer Maschine bündelt, spart Werkzeugwechsel. Diese Logik ist bekannt — aber sie konsequent in die Planung einzubauen, ist manuell kaum möglich.

Mit vs. ohne KI — ein ehrlicher Vergleich

Einschätzung auf einen Blick

Zeitersparnis — gering (2/5) Klaus spart täglich 1 bis 3 Stunden Planungsarbeit — das ist real. Aber der Weg dorthin dauert 9 bis 18 Monate Projektlaufzeit. In keinem anderen Anwendungsfall der Produktion ist die Schere zwischen Einführungsaufwand und Zeiteinsparung so lang. Wer schnelle Entlastung sucht, findet sie bei Wartungsberichten oder Produktionsdokumentation.

Kosteneinsparung — sehr hoch (5/5) Durchlaufzeitreduktion um 20–62 %, Termintreuequote +15–25 Prozentpunkte, weniger Konventionalstrafen, frühere Rechnungsstellung — in diesem Anwendungsfall ist die Kostenwirkung die höchste im gesamten Produktion-Branch. Für Betriebe mit mehr als 5 Mio. Euro Umsatz übersteigt die Jahreswirkung fast immer die Projektkosten.

Schnelle Umsetzung — sehr gering (1/5) Das ist der schwierigste Start in diesem Branch. ERP-Integration, Arbeitspläne bereinigen, Stammdaten migrieren, Pilotbetrieb parallel — das dauert. Wer sich auf 6 Wochen Einführung eingestellt hat, wird enttäuscht. Die ehrliche Zeitspanne: 9 bis 18 Monate bis der Plan aus dem System dem Plan aus dem Kopf des Planers wirklich überlegen ist.

ROI-Sicherheit — sehr hoch (5/5) Termintreuequote und Durchlaufzeit sind messbar, täglich und ohne Schätzung. Das ist neben Qualitätskontrolle und Predictive Maintenance die zuverlässigste ROI-Basis im Branch — Fraunhofer-Daten, Praxisbelege, gut vergleichbar.

Skalierbarkeit — sehr hoch (5/5) Der Algorithmus arbeitet für 10 Maschinen genauso wie für 200. Jeder neue Auftrag geht automatisch in die Planung. Kein Prozessschritt beim Menschen wird proportional teurer. Das ist der stärkste Skalierer im Branch — zusammen mit Lieferantenmanagement.

Richtwerte — stark abhängig von Fertigungskomplexität, ERP-Qualität und Auftragsvolumen.

Was das Planungssystem konkret macht

Das Herzstück ist ein Advanced Planning and Scheduling (APS)-System. Es kennt alle Aufträge, alle Maschinen, alle Rüstzeiten und alle Liefertermine gleichzeitig — und löst das Optimierungsproblem mathematisch.

Constraint-basierte Optimierung stellt sicher, dass kein Auftrag auf einer Maschine eingeplant wird, die nicht verfügbar ist, kein Werkzeug verwendet wird, das nicht eingerichtet ist, und keine Kapazität überbucht wird. Das sind harte Grenzen — keine Schätzungen.

Machine Learning kommt bei der Zeitschätzung ins Spiel: Wie lange dauert Auftrag X auf Maschine Y tatsächlich — basierend auf historischen Rückmeldungen? Das Modell lernt, dass Charge Stahl 42CrMo4 auf der Drehbank Müller immer 12 % länger braucht als die Normzeit. Diese Korrekturen verbessern den Plan über Zeit.

Echtzeit-Replanning ist das entscheidende Merkmal. Wenn eine Maschine ausfällt, berechnet das System in Minuten einen neuen Gesamtplan mit Auswirkungsanalyse: „Dieser Ausfall verschiebt 4 Aufträge. Auftrag 4821 (Konventionalstrafe!) kann auf Maschine 5 umgeplant werden — Verzögerung: 2 Stunden. Alle anderen Liefertermine halten.” Der Planer entscheidet, klickt auf Freigeben.

Rüstzeit-Optimierung passiert automatisch: Das System bündelt Aufträge mit gleichen oder ähnlichen Rüstbedingungen. In der Praxis spart das 8–15 % der Maschinenrüstzeit (Schätzwert aus Praxisberichten) — ohne dass jemand explizit danach fragt.

Integrations-Realität

Das APS-System braucht Daten aus deinem ERP. Das ist der kritische Pfad — nicht der Algorithmus.

Was das ERP liefern muss: Auftragsstammdaten (Mengen, Termine, Prioritäten), Arbeitspläne (welcher Bearbeitungsschritt auf welcher Maschine, mit Normzeiten), Stücklisten (Materialverfügbarkeit), Maschinenstammdaten (Kapazitäten, Wartungsfenster, Werkzeugzuordnung) und Ist-Rückmeldungen aus der Fertigung.

Wo es hakt: Arbeitspläne sind in vielen ERP-Systemen veraltet oder unvollständig. Normzeiten wurden vor Jahren einmal gepflegt und seitdem nie korrigiert. Maschinen-Capabilities sind nicht strukturiert erfasst. Das ist kein Tool-Problem — das ist ein Stammdaten-Problem. Ein Datenaudit im ersten Projektmonat deckt auf, wie viel Bereinigung nötig ist. Erfahrungsgemäß: mehr als erwartet.

Alte ERP-Systeme: Nicht jedes ERP hat eine offene API. Lösung für ältere Systeme: CSV-Export-basierter Datenaustausch (täglich oder häufiger), Semi-manuelle Synchronisation am Anfang, dann schrittweise Automatisierung. Kein Anbieter verlangt heute vollautomatische bidirektionale Integration als Voraussetzung — man kann mit manuellen Exporten anfangen.

Welche Integration wann: Kleine Betriebe (bis 20 Maschinen) starten oft mit Excel-Import/Export. Mittlere Betriebe (20–100 Maschinen) brauchen eine API-Anbindung. Große Betriebe wollen bidirektionale Echtzeit-Synchronisation mit MES — das ist das aufwendigste Szenario.

Konkrete Werkzeuge — was wann passt

Siemens Opcenter APS (ehemals Preactor) — Marktführer im deutschen Maschinenbau für APS. Extrem leistungsfähig, gut dokumentiert, viele Implementierungspartner in Deutschland. Hoher Einführungsaufwand (6–12 Monate), hohe Lizenzkosten (50.000–150.000 Euro), aber das zuverlässigste System für komplexe Mehrmaschinenplanung. Für Betriebe mit über 20 Maschinen und mehr als 100 gleichzeitigen Aufträgen.

Asprova — japanischer Anbieter mit deutschem Vertrieb, spezialisiert auf APS für diskrete Fertigung. Günstigerer Einstieg als Opcenter (20.000–50.000 Euro Lizenz), weniger Implementierungsaufwand, gut für Einzel- und Serienfertigung. Empfehlenswert für Betriebe mit 5–20 Maschinen als erster ernsthafter APS-Schritt.

Julius AI — als analytischer Einstieg für kleinere Betriebe ohne APS-Budget: Auftragsdaten als Tabelle hochladen, Planungsanalyse und Optimierungsvorschläge per KI generieren lassen. Kein integriertes System, kein Echtzeit-Replanning — aber praktischer erster Schritt, um zu verstehen, wo Optimierungspotenzial liegt. Kosten: 20 Euro/Monat.

Microsoft 365 Copilot — für die Kommunikationsseite: Produktionsplan als Excel-Export zusammenfassen, Lieferverzögerungen automatisch in Kundenmails formulieren, Auswirkungsanalyse als Statusbericht aufbereiten. Kein Ersatz für ein APS-System, aber sinnvolle Ergänzung für Planer.

Make.com — für Automatisierungsbrücken: ERP-Export auslösen → APS-Import automatisieren → Planänderungen per Teams-Nachricht kommunizieren. Für die Lücken zwischen Systemen, die keine native Integration haben.

Datenschutz und Datenhaltung

Produktionsplandaten sind keine personenbezogenen Daten im Sinne der DSGVO — sie beschreiben Aufträge, Maschinen und Zeiten, keine Personen. Das vereinfacht die rechtliche Lage erheblich.

Relevant wird DSGVO, wenn Schichtzeiten einzelner Mitarbeitender Teil der Planungslogik sind — dann greift BetrVG §87 Abs. 1 Nr. 2 (Lage der Arbeitszeit, Mitbestimmungspflicht) und Nr. 6 (technische Überwachung). Für den Fall, dass das APS-System Maschinenführerzuordnungen vornimmt oder Personalleistung indirekt erfasst, ist eine Betriebsvereinbarung notwendig.

Für reine Auftrags-/Maschinenplanung ohne Personalbezug: Keine AVV erforderlich, Daten können in EU-Cloud oder On-Premise laufen. Siemens Opcenter und Asprova bieten beide On-Premise-Betrieb an — für Betriebe mit Industrie-Datenschutzanforderungen oder restriktiver IT-Policy empfohlen.

Was es kostet — realistisch gerechnet

Kleiner Einstieg (Excel + Julius AI, ohne Systemintegration):

• Julius AI: 20 Euro/Monat
• Aufbau strukturierter Auftragsdatenbank: 10–20 Stunden einmalig
• Ergebnis: Datenbasierte Planungsanalyse, manuelle Optimierungsvorschläge — kein Echtzeit-Replanning

Seriöses APS für Mittelstand (Asprova, 5–20 Maschinen):

• Lizenz: 20.000–50.000 Euro einmalig
• Implementierung (ERP-Anbindung, Stammdaten, Schulung): 3–6 Monate
• Laufende Wartung: 15–20 % der Lizenz/Jahr
• Gesamtprojekt: 40.000–90.000 Euro

Enterprise APS (Siemens Opcenter, >20 Maschinen):

• Gesamtprojekt inkl. ERP-Integration: 80.000–200.000 Euro
• Implementierungszeit: 9–18 Monate
• ROI-Horizont: 18–36 Monate

ROI-Beispiel (konservativ): Maschinenbauunternehmen, 35 Mitarbeitende in der Fertigung, 8 Mio. Euro Jahresumsatz. Termintreuequote vorher: 78 %. Nach KI-Planung: 94 %. Wirkung: Konventionalstrafen entfallen (-30.000 Euro/Jahr), 2 frühere Rechnungsstellungen pro Monat (Liquiditätseffekt ~15.000 Euro/Jahr), Planungsaufwand -1,5 Std./Tag = 35.000 Euro/Jahr. Konservative Jahreswirkung: 80.000 Euro. Projektkosten: 70.000 Euro. Amortisation: unter 12 Monate.

Drei typische Einstiegsfehler

Fehler 1 — Die ERP-Datenqualität wird unterschätzt. Das APS-System ist so gut wie die Arbeitspläne und Normzeiten, die es bekommt. Wenn Normzeiten seit Jahren nicht aktualisiert wurden oder Arbeitspläne nur für die Hälfte der Aufträge gepflegt sind, plant der Algorithmus mit falschen Grundannahmen. Das Ergebnis: ein Plan, der mathematisch optimal ist — aber in der Praxis nicht funktioniert. Lösung: Datenaudit im ersten Projektmonat, Bereinigung priorisieren, notfalls Parallelerfassung in den ersten 3 Monaten.

Fehler 2 — Der erfahrene Planer wird übergangen. Klaus hat Wissen, das kein System kennt: Maschine 3 läuft montags langsamer, Kunde Brenner ruft immer an, wenn sein Auftrag in Verzug gerät, Werkzeug 4711 ist eigentlich nur auf Maschine 5 gut eingerichtet. Wenn das APS-System ohne Klaus eingeführt wird und er es nicht mitgestaltet, wird er es sabotieren — nicht aus Böswilligkeit, sondern weil er weiß, dass es ohne sein Wissen falsch plant. Lösung: Klaus ist der erste Nutzer, sein Wissen wird als Planungsregel einprogrammiert.

Fehler 3 — Zu schnell auf Vollautomatik umgestellt. Der Schritt von “Plan als Vorschlag” zu “Plan wird automatisch freigegeben” klingt logisch — spart ja wieder Zeit. In der Praxis führt Vollautomatik in den ersten Monaten zu Planfehlern, die niemand mehr rechtzeitig erkennt. Faustregel: Mindestens 6 Monate Parallelbetrieb mit manueller Prüfung, dann schrittweise Autonomie erhöhen — und einen klaren Rücknahme-Trigger definieren.

Was mit der Einführung wirklich passiert — und was nicht

Woche 1–4 nach Inbetriebnahme: Der Plan aus dem System sieht fremd aus. Klaus vertraut ihm nicht, weil er Maschinen belegiert, die er “nie so belegen würde”. Manchmal hat er recht — Stammdaten fehlen. Manchmal hat der Algorithmus recht — und Klaus lernt das erst durch 3 Wochen Parallelvergleich.

Monat 2–5: Die ersten Erfolge werden sichtbar. Ein Rüstzeit-Block wird optimiert, den niemand explizit konfiguriert hat. Der Algorithmus merkt selbst, dass Auftragstyp A immer mit Typ B kombiniert werden sollte. Vertrauen wächst — aber langsam.

Monat 6–12: Der Planer ändert sich vom Planer zum Überwacher. Statt Plan zu bauen, prüft er Ausnahmen und freigegebene Abweichungen. Das ist eine neue Rolle — und manche Planer kommen damit gut zurecht, andere nicht. Frühzeitig kommunizieren, was sich ändert.

Was nicht passiert: Das System plant nicht “von selbst optimal” ohne Pflege. Wenn neue Maschinentypen hinzukommen, neue Produktgruppen entstehen oder sich Lieferzeiten strukturell ändern, muss das Regelwerk angepasst werden. Ein APS-System ist kein selbstlernender Roboter — es ist ein sehr guter Rechner mit dem Regelwerk, das du ihm gibst.

Realistischer Zeitplan mit Risikohinweisen

Häufige Einwände — und was dahintersteckt

„Unsere Fertigung ist zu individuell — ein Algorithmus kann das nicht planen.” Genau das dachten Betriebe, die heute mit APS-Systemen arbeiten. Der Algorithmus kennt keine Branche — er löst ein mathematisches Optimierungsproblem mit den Regeln, die du definierst. Das Regelwerk muss aufwendig konfiguriert werden. Aber kein Algorithmus behauptet, besser zu sein als dein erfahrener Planer bei Sondereinschätzungen. Die KI ist besser bei Routinefällen und gleichzeitigen Änderungen — genau dort, wo menschliche Kapazität an Grenzen stößt.

„Unser ERP-System ist zu alt für eine solche Integration.” Das ist ein häufiges, aber lösbares Problem. Excel-basierte Zwischenschicht, Cloud-APS ohne tiefe ERP-Integration oder halbautomatische Synchronisation per Dateiexport — alle drei Varianten funktionieren in der Praxis. Kein Anbieter verlangt heute vollautomatische bidirektionale Integration als Voraussetzung. Man kann mit manuellen Exporten starten und schrittweise automatisieren.

Woran du merkst, dass das zu dir passt

Du solltest mit KI-Produktionsplanung anfangen, wenn:

• Dein Produktionsplaner mehr als 1,5 Stunden täglich mit manueller Auftragskoordination verbringt
• Eilaufträge regelmäßig den gesamten Wochenplan durcheinanderwerfen
• Eure Termintreuequote unter 90 % liegt und Rüstzeit-Bündelung nie systematisch gemacht wird
• Das Planungs-Know-how an 1–2 Personen hängt und du weißt, was passiert, wenn die ausfallen

Definitiv noch nicht, wenn:

• Du weniger als 5 Maschinen oder weniger als 20 gleichzeitig laufende Aufträge hast — die Komplexität rechtfertigt den Systemaufwand nicht
• Eure Arbeitspläne im ERP unvollständig oder veraltet sind und ihr nicht bereit seid, sie zu bereinigen — das APS-System verschlimmert das Problem, es löst es nicht
• Euer ERP gerade gewechselt wird oder in den nächsten 18 Monaten gewechselt wird — wartet, bis die neue Basis stabil ist

Das kannst du heute noch tun

Starte heute mit Julius AI: Exportiere deine offenen Fertigungsaufträge aus dem ERP (Auftragsnummer, Maschine, Normzeit, Liefertermin, Priorität) und lass die KI analysieren, welche Aufträge auf welchen Maschinen Kapazitätskonflikte erzeugen und welche Reihenfolge-Umstellungen Engpässe lösen könnten. Das ist keine Produktionslösung — aber ein sehr gutes erstes Bild, ob sich der APS-Aufwand lohnt.

Quellen & Methodik

• Fraunhofer IFF — Pilotprojekte KI-basierte Reihenfolgeplanung, Durchlaufzeitreduktion 20–62 %, Bericht 2022/2023
• Acatech/VDE Plattform Lernende Systeme — KI-Planung im produzierenden Mittelstand, Kostenreduktionseffekte 25–38 %, White Paper 2023
• VDMA Studie Digitalisierung Maschinenbau — Termintreuequoten und Planungsaufwand im deutschen Maschinenbau, 2022
• Fraunhofer IPA — APS-Einführungsprojekte im deutschen Mittelstand, Erfahrungswerte Implementierungsdauer und ROI-Horizont, 2023
• Eigene Einschätzung — Kostenrahmen und Implementierungszeiten basierend auf Anbieter-Dokumentationen und Branchenerfahrung. ROI-Beispiel ist ein konservativ gerechnetes, plausibles Szenario — keine garantierte Prognose.