KI-Kalkulation in der Fertigung: Angebote aus ERP-Daten
KI schätzt Herstellkosten für neue Aufträge auf Basis ähnlicher vergangener Projekte aus dem eigenen ERP, konsistenter und mit nachvollziehbarer Begründung statt Bauchgefühl.
Mit KI-Agenten recherchiert und geschrieben, verantwortlich: Redaktion KI-Syndikat. So arbeiten wir Fehler melden
- Problem
- Angebote kalkulieren dauert bei individuellen Fertigungsaufträgen Stunden. Fehlerhafte Kalkulationen kosten entweder Aufträge durch zu hohe Preise oder Marge durch zu niedrige.
- KI-Lösung
- Ein Ähnlichkeitsabgleich über abgeschlossene Aufträge im ERP findet die nächstgelegenen Vergleichsprojekte und leitet daraus einen Kostenbereich mit Konfidenzeinschätzung ab.
- Typischer Nutzen
- Die Kalkulation startet mit einem begründeten Kostenbereich und drei benannten Vergleichsprojekten statt mit einem leeren Blatt. Der Kalkulator prüft und entscheidet, statt zu suchen.
- Setup-Zeit
- Erster Test mit Excel und ChatGPT heute möglich
- Kosteneinschätzung
- 0–8 Std. Setup (Einstieg), ab 0 €/Monat laufend
Kurzfazit
KI-Kalkulation in der Fertigung heißt hier: Für eine neue Anfrage sucht ein Ähnlichkeitsabgleich die drei bis fünf nächstgelegenen abgeschlossenen Aufträge in eurem ERP und leitet daraus einen Herstellkostenbereich mit Begründung ab. Der Kalkulator prüft und entscheidet. Testen kannst du das mit einem ERP-Export und ChatGPT oder Claude, das Setup dauert zwei bis vier Stunden. Belastbar wird der Abgleich ab etwa 50 vergleichbaren Projekten je Teilegruppe. SAP S/4HANA hat dafür kein eigenes KI-Modul, Costimator rechnet modellbasiert ohne KI.
Verwandte Fälle im Maschinenbau: CNC-Angebotspreisermittlung für komplexe Einzelteile aus STEP-Dateien und Angebote für Sondermaschinen schneller kalkulieren. Alle Werkzeuge der Branche stehen unter KI-Tools für den Maschinenbau.
Dienstag, 14:45 Uhr. Der Kalkulator Stefan Mayer öffnet eine neue Zeichnung, die gerade per E-Mail ankam: Trägerplatte aus Aluminium 6061, 280 × 180 × 12 mm, 4 Bohrungen, 2 gefräste Taschen, Oberfläche eloxiert. Stückzahl: 50. Liefertermin gewünscht: 3 Wochen.
Stefan kennt ähnliche Teile. Aber wie ähnlich ist ähnlich? Er sucht im ERP nach vergleichbaren Projekten, drei Minuten Sucherei, zwei Treffer, aber einer davon war Messing und ein anderer hatte eine andere Oberfläche. Er schaut auf die Stundenzettel: 14 Minuten Fräsen, 8 Minuten Bohren, Eloxal extern. Er rechnet Materialpreis nach (Aluminium ist gestiegen), schätzt Werkzeugverschleiß, addiert 28 % Gemeinkosten-Zuschlag.
45 Minuten später sendet er ein Angebot ab: 1.850 Euro für 50 Stück.
Eine Woche später, beim verlorenen Auftrag, erfährt er: Der Wettbewerber hat 1.680 Euro geboten. Die Daten, die ihm gefehlt haben, lagen seit Jahren im ERP, 847 abgeschlossene Projekte, mit exakten Ist-Kosten. Kein Mensch hatte jemals die Zeit, sie systematisch auszuwerten.
Für Unternehmen
Nicht nur lesen, umsetzen.
Wir setzen Anwendungsfälle wie diesen mit euch um oder trainieren euer Team darauf. Das Erstgespräch kostet nichts.
Das echte Ausmaß des Problems
In einem typischen Lohnfertigungsbetrieb kommen täglich mehrere Anfragen rein. Jede braucht individuelle Kalkulation. Das Grundproblem: Kalkulatoren basieren auf Erfahrung, Daumenregeln und Vergleichsprojekten, die sie sich mühsam heraussuchen. Der Prozess ist langsam, personenabhängig und fehleranfällig.
Die Konsequenzen sind konkret. Wenn man zu hoch kalkuliert, verliert man Aufträge, oft ohne Feedback. Wenn man zu niedrig kalkuliert, nimmt man Aufträge an und macht damit Verlust oder vernichtet Marge. Der bittere Teil daran ist die Asymmetrie: Den zu niedrig kalkulierten Auftrag siehst du spätestens in der Nachkalkulation. Den zu hoch kalkulierten siehst du nie, weil ein verlorenes Angebot keine Nachkalkulation bekommt. Deshalb korrigieren sich Kalkulationsfehler nach oben nicht von selbst, während Fehler nach unten irgendwann auffallen.
Das zweite Problem ist die Abhängigkeit von Einzelpersonen. Wer der beste Kalkulator in einem Betrieb ist, hat oft 15 Jahre Erfahrung mit spezifischen Teiletypen. Wenn er krank ist, stockt die Angebotspipeline. Wenn er geht, ist das kumulierte Wissen weg.
Mit vs. ohne KI, ein ehrlicher Vergleich
| Kennzahl | Ohne KI | Mit KI-Kalkulation |
|---|---|---|
| Suche nach Vergleichsprojekten | Manuell im ERP, meist 2 bis 3 Treffer aus dem Gedächtnis | Automatischer Abgleich über alle abgeschlossenen Aufträge |
| Ergebnis am Start | Leeres Kalkulationsblatt | Kostenbereich mit Unter- und Obergrenze, drei benannten Vergleichsprojekten und Begründung |
| Konsistenz zwischen zwei Kalkulatoren | Je nach Erfahrung unterschiedlich | Gleicher Ausgangswert für alle, Abweichungen werden sichtbar |
| Personenabhängigkeit | Hoch | Reduziert, das Vergleichswissen liegt im Datensatz statt im Kopf |
| Lerneffekt aus vergangenen Projekten | Manuell, selten genutzt | Jede abgeschlossene Nachkalkulation verbessert die Basis |
| Nachvollziehbarkeit | „Erfahrungswert” | Benannte Vergleichsprojekte mit Ist-Kosten |
Prozentwerte für Zeitersparnis und Treffergenauigkeit stehen hier bewusst nicht. Wir haben dafür keine überprüfbare Erhebung gefunden, und beide Größen hängen so stark an der Homogenität eurer Teile, dass ein Durchschnitt nichts aussagt. Wie du deinen eigenen Wert misst, steht unten unter „Das kannst du heute noch tun”.
Einschätzung auf einen Blick
Zeitersparnis, hoch (4/5) Der Zeitgewinn entsteht nicht beim Rechnen, sondern beim Suchen. Die Minuten, die heute für “Wo war noch mal das ähnliche Teil?” draufgehen, fallen weg, und sie treffen einen der teuersten Mitarbeiter im Betrieb, der Kalkulator ist qualifiziertes Personal. Im Produktions-Branchenvergleich ist das der stärkste reine Zeitgewinn neben Schichtplanung und Dokumentation.
Kosteneinsparung, minimal (1/5) Der Kalkulator wird nicht ersetzt, er kalkuliert schneller. Der wirtschaftliche Effekt ist Margenverbesserung durch bessere Preisgenauigkeit und mehr Aufträge durch schnellere Reaktionszeit. Das ist real, aber kein direkter Kosteneinsparungshebel im klassischen Sinne. Kein Budgetposten wird reduziert.
Schnelle Umsetzung, maximal (5/5) Kein anderer Fertigungs-Use-Case ist schneller startbar. Erster Test mit ChatGPT und einem Excel-Export aus dem ERP ist heute möglich. Kein Sensor, kein API, keine Integration nötig für den Einstieg. Das ist der schnellste Weg zu ersten messbaren Ergebnissen im Produktionsbereich.
ROI-Sicherheit, mittel (3/5) Schnellere Kalkulation = mehr Angebote = mehr Aufträge? Logisch plausibel. Aber den kausalen Zusammenhang sauber zu messen, ist schwierig, andere Faktoren (Preisentwicklung, Wettbewerb, Konjunktur) beeinflussen den Auftragseingang genauso stark. Kein schwacher Business Case, aber kein wasserdichter.
Skalierbarkeit, mittel (3/5) Mehr Anfragen können bearbeitet werden, aber der Kalkulator ist immer noch der Engpass. Das System beschleunigt seine Arbeit, aber verdoppelt sie nicht automatisch ohne ihn. Wirklich unbegrenzte Skalierung würde einen vollautomatischen Kalkulations-Bot erfordern, der ohne Bestätigung Angebote abschickt, was die meisten Betriebe (zu Recht) nicht wollen.
Richtwerte, abhängig von ERP-Datenbasis und Teiletypen-Homogenität.
Was das KI-System konkret macht
Historische Datenbasis aufbauen: Grundlage sind abgeschlossene Projekte mit: Artikel-/Zeichnungsbeschreibung, Material, Bearbeitungsschritte, Stückzahl, Ist-Herstellkosten und Verkaufspreis. Je ähnlicher die historischen Projekte zur aktuellen Anfrage, desto besser die Schätzung. Minimum: 50 vergleichbare Projekte je Teilegruppe.
Ähnlichkeitsabgleich: Das Modell sucht unter den historischen Projekten nach den 3–5 ähnlichsten auf Basis von Geometrie-Beschreibung, Material und Bearbeitungsmerkmalen. Gewichtete Ähnlichkeit gibt einen Basiskostenbereich.
Anpassungslogik: Auf den Basisbereich werden Korrekturfaktoren angewendet: aktuelle Materialpreise, Maschinenauslastung, Werkzeugverschleiß-Zuschlag, Stückzahl-Degression. Das ergibt eine Kostenspanne mit Konfidenzbereich.
Kalkulator-Arbeit: Der Kalkulator bekommt eine vorberechnete Schätzung mit Begründung und den ähnlichsten Vergleichsprojekten. Er prüft, ergänzt betriebsspezifisches Wissen und bestätigt oder korrigiert. Keine Entscheidung wird übernommen, das Modell beschleunigt, der Mensch entscheidet.
Konkrete Werkzeuge, was wann passt
ChatGPT oder Claude + ERP-Daten (Einstieg kostenlos): ERP-Exporttabelle der letzten 100–200 Projekte als CSV-Datei hochladen. “Finde die ähnlichsten Projekte zu dieser neuen Anfrage und schätze den Herstellkostenbereich.” Kein automatisches Modell, aber sofortige Erkenntnisse mit vorhandenen Daten und null Investition. Ab 0 €.
Julius AI , für strukturierte Ähnlichkeitsanalysen auf Projektdaten: Historische ERP-Daten als Tabelle einlesen, Kostenschätzungen auf Basis ähnlicher Projekte berechnen lassen. Visuell und ohne Data-Science-Kenntnisse nutzbar. Der Plus-Plan kostet 20 US-Dollar im Monat, eine kostenlose Stufe mit täglichen Gratis-Credits gibt es zum Ausprobieren.
SAP S/4HANA , für Unternehmen, die ohnehin SAP betreiben: Die Angebotskalkulation sitzt dort in der Produktkostenrechnung und greift direkt auf Stücklisten und Arbeitspläne zu. Wichtig zur Erwartungssteuerung: Ein separat bestellbares KI-Modul für Angebotskalkulation gibt es nicht. SAP bettet generative KI seit dem Release Januar 2025 als Joule ein, das ist ein Assistent über dem ERP, kein Ähnlichkeitsmodell für Herstellkosten. Preise auf Anfrage.
Costimator von MTI Systems, Kalkulationssoftware für Lohnfertiger. Der Kern sind hinterlegte, validierte Kostenmodelle für Zerspanung und Blechbearbeitung, aus denen sich Rüst- und Zykluszeiten berechnen lassen, plus Anbindung an ERP-Systeme wie Epicor, JobBoss, E2 und ProfitKey. Auf der Produktseite wirbt MTI Systems nicht mit KI, maschinellem Lernen oder Merkmalserkennung aus CAD-Daten: Das ist eine saubere, modellbasierte Kalkulation, kein lernendes System. Preise nur auf Anfrage, MTI Systems veröffentlicht keine Liste.
Microsoft 365 Copilot , wenn Kalkulation bereits in Excel-Vorlagen läuft: Copilot kann vergleichbare Projekte aus SharePoint vorschlagen und einfache Anpassungsrechnungen direkt in der Tabelle durchführen. Das Add-on Copilot Business kostet 18,20 €/Nutzer/Monat im Jahresabo, 21,84 € bei monatlicher Zahlung, jeweils zuzüglich Mehrwertsteuer und zusätzlich zur Microsoft-365-Lizenz.
Datenschutz und Datenhaltung
Kalkulationsdaten sind interne Geschäftsdaten ohne personenbezogene Inhalte, datenschutzrechtlich unkritisch. Wenn historische Projekt- und Kundendaten in einem externen KI-Tool verarbeitet werden, sollten sie pseudonymisiert werden: Kundennamen durch IDs ersetzen, Projektbezeichnungen generalisieren. Wettbewerblich sensible Kalkulationsdaten gehören nicht in einen Privatkunden-Account. Die Geschäftstarife von OpenAI (ChatGPT Business und Enterprise) und Anthropic (Claude Team und Enterprise) nutzen eingegebene Daten nicht zum Training, den Stand prüfst du vor dem Upload am besten einmal in den Nutzungsbedingungen nach, weil sich genau diese Klausel bei beiden Anbietern schon mehrfach geändert hat.
Klingt das nach eurem Alltag? Ob sich dieser Use Case bei euch rechnet, klären wir im Erstgespräch: 30 Minuten, kostenlos.
Erstgespräch anfragenWas es kostet, realistisch gerechnet
Spezialisierte Kalkulationssoftware (z. B. Costimator):
- Einrichtung: 4–8 Wochen, 40–80 Stunden, weil die Kostenmodelle auf euren Maschinenpark kalibriert werden müssen
- Laufend: Preise nur auf Anfrage, MTI Systems veröffentlicht keine Liste. Frag im Demo-Termin nach dem Abrechnungsmodell, Arbeitsplatz oder Unternehmen, und nach den jährlichen Wartungskosten
- Sinnvoll, wenn die Kalkulation dauerhaft mehrere Personen bindet
ChatGPT/Claude + ERP-Export (Einstieg kostenlos bis minimal):
- Setup: 2–4 Stunden
- Laufend: ChatGPT Plus 23 Euro/Monat
- Laufend: Claude Pro 20 Euro/Monat
- Bei API-Nutzung: nach Verbrauch
- Einschränkung: Manueller Prozess, kein ERP-integrierter Workflow
ROI, und wie ihr ihn ehrlich rechnet: Die verlockende Rechnung geht über gewonnene Aufträge: 5 zusätzliche Aufträge im Monat bei 1.500 Euro Deckungsbeitrag wären 7.500 Euro mehr Deckungsbeitrag monatlich. Nur ist diese Kausalität nicht belegbar, Auftragseingang hängt an Preis, Wettbewerb und Konjunktur, nicht nur an der Angebotsqualität. Der belastbare Anker ist die Zeit, und zwar eure gemessene. Die Formel dafür lautet: eingesparte Stunden je Angebot × Angebote pro Monat × euer interner Stundensatz. Mit drei Stunden, 20 Angeboten und 60 Euro wären das 3.600 Euro im Monat, aber alle drei Faktoren sind Platzhalter, bis ihr sie selbst gemessen habt. Miss zuerst, rechne dann.
Typische Einstiegsfehler
Zu wenige historische Daten: Wenn ihr nur 20 abgeschlossene Projekte als Basis habt, ist das Modell zu dünn. Zuerst Daten aufbereiten, dann Modell trainieren.
Geometrie-Beschreibung fehlt: Wenn Anfragen nur als “Aluminium-Teil, 50 Stück” beschrieben sind ohne Maße und Bearbeitungsschritte, kann kein Ähnlichkeitsabgleich funktionieren. Anfrage-Standardisierung ist Voraussetzung.
Kalkulator nicht eingebunden: Wenn das KI-System ohne den erfahrenen Kalkulator eingeführt wird, zum Beispiel direkt von IT oder Geschäftsführung installiert, wird es abgelehnt oder ignoriert. Gegenmittel: Den Kalkulator von Anfang an als Pilot-Nutzer einbinden, seine Vergleichsprojekte als erste Testfälle nehmen und die Schätzung gemeinsam bewerten, bevor sie produktiv geht.
Modell nie aktualisiert: Materialpreise ändern sich. Ein Modell, das auf 2022-Preisen kalibriert ist, kalkuliert 2025 systematisch falsch. Regelmäßige Rekalibrierung, mindestens quartalsweise bei volatilen Rohstoffen, ist keine Option, sondern Pflicht. Wer das vergisst, merkt es erst, wenn der erste Auftrag mit negativer Marge abgerechnet wird.
Was mit der Einführung wirklich passiert, und was nicht
Erfahrene Kalkulatoren reagieren häufig skeptisch: “Das System kennt nicht alle Feinheiten, beim letzten ähnlichen Auftrag hat der Rohling eine besondere Spannvorrichtung gebraucht, die muss ich immer manuell aufschlagen.” Das ist berechtigt. Das System schlägt vor, der Kalkulator entscheidet. Dieser Workflow funktioniert, wenn er von Anfang an so kommuniziert wird: KI liefert die Ausgangsbasis, statt dass der Kalkulator sie im ERP zusammensucht; wie viele Minuten das spart, zeigt eure Messung an den nächsten zehn Angeboten. Der Rest bleibt beim Menschen.
Was oft überrascht: Die ersten Analysen zeigen manchmal systematische Verzerrungen in der bisherigen Kalkulation, bestimmte Teiletypen werden immer zu günstig bewertet, andere immer zu teuer. Das Modell macht die Inkonsistenz sichtbar, nicht weil die Kalkulatoren schlecht sind, sondern weil historische Daumenregeln nie gemeinsam überprüft wurden.
Was nicht passiert: Das Modell verhandelt Preise oder trifft Auftragsentscheidungen. Es ist ein Analysetool, kein Entscheidungsautomat.
Realistischer Zeitplan mit Risikohinweisen
| Phase | Dauer | Was passiert | Typisches Risiko |
|---|---|---|---|
| Datensichtung und ERP-Export | Woche 1–2 | Historische Projektkostendaten exportieren, Datenqualität prüfen | Ist-Herstellkosten nicht sauber im ERP dokumentiert |
| Datenbasis strukturieren | Woche 2–4 | Einheitliche Anfrage-Beschreibungen für Vergleichbarkeit schaffen | Teiletypen zu heterogen für Ähnlichkeitsabgleich |
| Pilottest mit 20 Projekten | Woche 4–6 | Schätzungen aus Modell mit echten Nachkalkulationen vergleichen | Modell-Abweichung zu hoch, mehr Trainingsdaten nötig |
| Kalkulator-Training und Einführung | Woche 6–8 | Kalkulatoren lernen den neuen Workflow, Prompt-Vorlagen finalisieren | Widerstand gegen KI-Unterstützung im Team |
| Vollbetrieb und Rekalibrierung | Ab Monat 3 | System läuft für alle Anfragen, monatliche Qualitätskontrolle | Materialpreise ändern sich schneller als Modell aktualisiert wird |
Häufige Einwände, und was dahintersteckt
„Jedes Teil ist bei uns individuell, das kann kein KI-Modell lernen.” Das stimmt für echte Einzelstücke ohne Vergleich. Es stimmt nicht für Betriebe, die regelmäßig ähnliche Teile aus ähnlichen Materialien für ähnliche Anwendungen fertigen. Der Test: Schau in eure letzten 100 Aufträge. Wenn du dort Cluster findest (viele ähnliche Aluminiumgehäuse, viele ähnliche Stahlwellen), dann hat das Modell etwas zu lernen.
„Was ist mit Sonderkonditionen für Stammkunden?” Die kommen als Korrekturfaktor obendrauf, nach der Modellschätzung. Das Modell liefert den Baseline-Kostenbereich, der Kalkulator wendet die Kundenkonditionen an. Dieser Schritt bleibt beim Menschen.
„Unsere Kalkulation ist Geschäftsgeheimnis, wir wollen keine Daten extern.” Beim LLM-Einstieg (CSV in ChatGPT) ist Pseudonymisierung ausreichend. Für ein dauerhaftes System kann das Modell auch On-Premise betrieben werden, dann verlässt kein Datenpunkt das Unternehmen.
Woran du merkst, dass das zu dir passt
- Ihr bekommt mehr als 50 Anfragen pro Monat und der Kalkulator ist der Flaschenhals.
- Ihr habt mehr als 50 abgeschlossene Projekte mit Ist-Herstellkosten im ERP.
- Kalkulationsqualität schwankt je nachdem, wer gerade am Schreibtisch sitzt.
- Ihr habt Anfragen verloren, bei denen ihr im Nachhinein erfahren habt, dass ihr teurer wart als nötig.
Wer noch nicht bereit ist:
- Unter 20 Anfragen monatlich, Aufwand für Setup lohnt sich kaum.
- Hochindividuelle Prototypen ohne vergleichbare historische Basis, kein Ähnlichkeitsabgleich möglich.
- Keine Ist-Kosten in ERP dokumentiert, ohne Kostendaten kein Modell.
- Kalkulator ist ausgelastet und die Anfragemenge übersteigt die Kapazität nicht, kein Engpass, kein Hebel.
Das kannst du heute noch tun
Exportiere aus eurem ERP die letzten 50–100 abgeschlossenen Projekte mit Material, Bearbeitungsmerkmalen, Stückzahl und Ist-Herstellkosten. Lade die Datei in ChatGPT oder Claude und stelle einem echten aktuellen Angebot gegenüber.
Und miss dabei gleich deinen Ausgangswert, sonst hast du später nichts zum Vergleichen. Stopp bei den nächsten zehn Angeboten zwei Größen: die Minuten bis zur fertigen Kalkulation und die Abweichung zwischen kalkuliertem und tatsächlichem Ist nach Auftragsabschluss. Diese zehn Zeilen in einer Tabelle sind eure Baseline. Nach zehn weiteren Angeboten mit KI-Unterstützung habt ihr einen Vergleich, der für euren Betrieb gilt und den niemand anzweifeln kann:
Mitarbeiter:in
KI-Assistent
Quellen & Methodik
- Costimator, Produktseite von MTI Systems: kostenmodellbasierte Kalkulation für Zerspanung und Blechbearbeitung, Integration mit Epicor, JobBoss, E2 und ProfitKey, keine veröffentlichten Preise und keine beworbene KI- oder CAD-Merkmalserkennung (mtisystems.com/costimator, abgerufen am 18.09.2026).
- SAP, generative KI ist seit dem Release Januar 2025 als Joule in S/4HANA eingebettet und wirkt als Assistenz- und Agentenschicht über dem ERP, nicht als Kalkulationsmodell; Details und Preislage siehe SAP S/4HANA .
- Toolpreise für ChatGPT, Claude, Julius AI und Microsoft 365 Copilot: Stand unserer Toolseiten, siehe ChatGPT , Claude , Julius AI und Microsoft 365 Copilot .
- Rechenbeispiele auf dieser Seite sind Modellrechnungen mit offen genannten Annahmen, keine Messwerte. Das Beispiel im Prompt-Block rechnet ausschließlich mit den dort angegebenen Vergleichsprojekten.
- Nicht belegbar und deshalb nicht mehr auf dieser Seite: eine Kalkulationsdauer von 4 bis 8 Stunden je Angebot, eine Verbesserung der Preisgenauigkeit um 15 bis 25 Prozent, ein Monatspreis für Costimator und eine Fraunhofer-Studie, nach der 40 Prozent der Betriebe Aufträge durch zu hohe Preise verlieren. Frühere Fassungen nannten außerdem eigene Beratungserfahrungen aus Lohnfertigungsbetrieben als Quelle. Diese Projekte gibt es nicht.