KI-gestützte Ersatzteil- und Bestandsoptimierung in der Instandhaltung

Das echte Ausmaß des Problems

Instandhaltungslager sind chronisch falsch befüllt. Nicht wegen Nachlässigkeit — sondern wegen struktureller Informationsasymmetrie: Niemand weiß wirklich, welche Teile in welcher Häufigkeit gebraucht werden, welche Maschinen in nächster Zeit Wartungsbedarf entwickeln und welche Lieferzeiten sich verschieben.

Das Ergebnis ist ein charakteristisches Muster: zu viel von den falschen Teilen, zu wenig von den richtigen.

Martin Weber, CEO von SPARETECH, schätzt auf Basis der analysierten Kundendaten, dass bei einer typischen Fertigungsanlage 50 Prozent der Ersatzteile im Lager nie verbaut werden — sie sitzen auf den Regalen, bis die Maschine abgeschrieben ist oder das Teil obsolet wird. Eine Branchenanalyse von SPARETECH (2024) zeigt, dass 22 Prozent des MRO-Lagerbestands seit mehr als fünf Jahren keine Bewegung hatte. Gleichzeitig entstehen die teuersten Stillstandskosten aus Teilen, die nicht da sind, wenn sie gebraucht werden.

Die Kostenstruktur hinter diesem Muster ist gut dokumentiert:

• Lagerhaltungskosten (Kapitalkosten, Lagerraum, Versicherung, Schwund) belaufen sich auf typisch 18–25 Prozent des Lagerbestandswerts pro Jahr. Ein Motor, der 5.000 Euro kostet und zwei Jahre auf dem Regal steht, kostet das Unternehmen also 1.800 bis 2.500 Euro — nur weil er da liegt.
• Eilbestellungen schlagen mit 30 bis 50 Prozent Aufschlag auf den Normalpreis zu Buche — zusätzlich zu Expressfrachtkosten, die in Einzelfällen den Teilepreis übersteigen.
• Ungeplante Stillstände durch fehlende Ersatzteile kosten in der Fertigungsindustrie je nach Anlage und Betrieb typisch 5.000 bis 50.000 Euro pro Stunde — ohne das Ersatzteil, das den Stillstand hätte verhindert.

Hinzu kommt ein Problem, das oft erst nach Jahren auffällt: veraltete und doppelte Artikel im ERP. Gleiche Teile laufen unter drei verschiedenen Artikelnummern, weil jemand eine neue Lieferantenreferenz angelegt hat. Obsolete Teile bleiben im System, weil niemand die Zeit hatte aufzuräumen. Die Folge: Bestellsysteme optimieren auf Grundlage falscher Stammdaten — und verstärken den Überbestand beim Falschen, während der Fehlbestand beim Richtigen bestehen bleibt.

Mit vs. ohne KI — ein ehrlicher Vergleich

Die Vergleichswerte für Lagerkapitalreduktion basieren auf Erfahrungen aus Industrieprojekten: Mitsubishi Electric berichtete nach Einführung eines probabilistischen Demand-Forecasting-Tools über einen 30 Prozent Rückgang im Ersatzteilbestand — gleichzeitig stieg der Service-Level von 87 auf 97 Prozent. Ein ähnliches Muster (22 Prozent weniger gebundenes Kapital, Stockouts von 68 auf 7 Vorfälle pro Jahr reduziert) zeigte sich in einem nordamerikanischen Lebensmittelproduzenten nach Einführung von KI-Bestandsoptimierung (Throughput.World, 2024). In beiden Fällen war die Voraussetzung eine saubere Stammdatenbasis — dazu später mehr.

Einschätzung auf einen Blick

Zeitersparnis — niedrig (2/5) Die eigentlichen Zeitgewinne entstehen in der Disposition: weniger manuelle Bestandsprüfungen, weniger Eilbestellungsabwicklung, weniger Koordinationsschleifen zwischen Einkauf und Instandhaltung. Das ist real, aber kein dramatischer Personaleffekt — ein Disponent spart geschätzt 3–5 Stunden pro Woche. Direkte Produktions-Zeitgewinne erzielt das System nur indirekt über verhinderte Stillstände — die lassen sich schwer dem Prognosetool allein zurechnen. Im Vergleich zu Produktionsdokumentation mit KI oder automatischen Wartungsberichten, die täglich Arbeitsstunden sparen, ist der Zeiteffekt hier begrenzt.

Kosteneinsparung — hoch (4/5) Hier liegt der eigentliche Hebel: 15–30 Prozent weniger gebundenes Lagerkapital plus deutlich weniger Eilbestellaufpreise ergeben selbst bei einem mittelständischen Betrieb mit 200.000–400.000 Euro Lagerbestandswert schnell fünfstellige Jahreseinsparungen. Direkter als bei vielen anderen Anwendungsfällen, weil die Kostentreiber (Lagerbestand, Eilbestellquote) monatlich messbar sind. Unter den verglichenen Anwendungsfällen nur durch wenige wie Predictive Maintenance übertroffen, die bei Maschinenausfällen noch schärfere Einsparpotenziale haben.

Schnelle Umsetzung — niedrig (2/5) Das ist der ehrlichste Score auf diesem Chart. Bis zum ersten produktiven Pilotbetrieb vergehen typisch 8–12 Wochen — und das ist nur erreichbar, wenn die Stammdaten im ERP einigermaßen sauber sind. In der Praxis kommt fast immer eine Datenbereinigungsphase von 3–6 Wochen dazu, die den Start auf 3–4 Monate verlängert. Wer das unterschätzt, kauft sich eine teure Lösung, die mit schlechten Daten schlechte Empfehlungen produziert. Kein schlechter Score für ein System, das sich langfristig rechnet — aber kein Quick Win.

ROI-Sicherheit — hoch (4/5) Lagerkapital und Eilbestellquote lassen sich monatlich ablesen. Der ROI entsteht nicht erst in sechs Monaten, sondern ist in der Pilotgruppe direkt nach dem Start erkennbar — du siehst, welche Bestellempfehlungen das System macht, kannst sie mit dem bisherigen Bestellverhalten vergleichen und den Unterschied beziffern. Das macht diese Anwendung zu einer der messbarsten im Produktionskontext. Vorsicht nur bei einem Punkt: Ein Teil des ROI kommt aus verhinderten Stillständen — und Dinge, die nicht passieren, lassen sich schwer zählen.

Skalierbarkeit — hoch (4/5) Einmal aufgebaut, lässt sich das Modell auf weitere Teilekategorien, weitere Werke und weitere Produktionslinien ausrollen — ohne das Grundprojekt neu aufzusetzen. Die Datenintegration ist einmalig aufwändig; danach skaliert das System mit dem Betrieb mit. Der Aufwand wächst nicht proportional mit der Menge der verwalteten Artikel.

Richtwerte — stark abhängig von Anlagengröße, ERP-Datenqualität und Teilevielfalt im Betrieb.

Was das System konkret macht

Ein KI-gestütztes Bestandsoptimierungssystem verbindet mehrere Datenquellen, die isoliert wenig Prognosekraft haben, zusammen aber ein klares Bild liefern:

Historischer Verbrauch aus dem ERP. Für jedes Ersatzteil existiert eine Verbrauchshistorie: Wann wurde es entnommen? Wie viele Stück? In welchem Kontext (präventive Wartung, Störungsbehebung, geplanter Tausch)? Diese Daten sind der Ausgangspunkt für statistische Prognosen — ähnlich wie Predictive Analytics für Absatzplanung, nur mit industriellen Wartungsmustern statt Kaufverhalten.

Instandhaltungsplan und Predictive-Maintenance-Signale. Wenn geplante Wartungen im Kalender stehen — und wenn Predictive-Maintenance-Systeme Signale senden, dass bestimmte Komponenten in den nächsten Wochen getauscht werden sollten —, kann das Bestandssystem vorausschauend planen. Statt zu reagieren (“Lager fehlt”) reagiert es vor dem Ereignis (“In 3 Wochen brauche ich 2 Stück dieses Lagertyps — Lieferzeit beachten”).

Lieferzeit-Monitoring und Lieferanten-Performance. Das System berücksichtigt, wie zuverlässig welcher Lieferant in der Vergangenheit geliefert hat. Bei Lieferanten mit hoher Streuung in der Lieferzeit wird der Sicherheitsbestand automatisch erhöht — bei zuverlässigen Lieferanten kann er reduziert werden.

Obsoleszenz- und Duplikaterkennung. Tools wie SPARETECH spezialisieren sich auf diesen Teilaspekt: Sie gleichen den ERP-Artikelstamm automatisch mit Hersteller-Lifecycle-Daten ab, erkennen bereits abgekündigte Teile und schlagen Nachfolgeprodukte vor. Das verhindert, dass Last-Time-Buy-Teile übersehen werden — und das Lager nach einer Abkündigung mit unverbautem Material sitzt.

Das Ausgabeergebnis ist kein autonomes System, das selbstständig bestellt. Es ist ein Empfehlungssystem, das dem Disponenten für jede Teilekategorie sagt: aktueller Bestand, prognostizierter Bedarf in den nächsten 4–12 Wochen, empfohlene Nachbestellmenge, empfohlener Bestellzeitpunkt, Konfidenz der Prognose. Der Mensch entscheidet — das System liefert die Entscheidungsgrundlage.

Welche Teile sich für KI-Prognosen eignen — und welche nicht

Das ist der Unterschied, den die meisten Einführungen unterschätzen. Nicht jedes Ersatzteil profitiert gleich von datengetriebener Prognose — und für einige Teilekategorien ist KI aktiv der falsche Ansatz.

Gut geeignet für KI-Prognosen — Kategorie B und C der Kritikalitätsmatrix:

• Verschleißteile mit regelmäßigem Verbrauch (Lager, Dichtungen, Riemen, Filter): Hier entsteht ein statistisch verwertbares Muster aus Wartungsintervallen und Betriebsstunden.
• Teile mit bekannten Wartungszyklen: Wenn ein Riemensatz alle 8.000 Betriebsstunden getauscht wird, kann das System den Bedarf auf der Basis der Laufzeiten-Logs präzise vorhersagen.
• Teile, die in mehreren Maschinen verbaut sind: Je öfter ein Teil vorkommt, desto besser die Datenlage für Prognosen.

Schlecht geeignet — Kategorie A der Kritikalitätsmatrix (Versicherungsteile):

• Einmalig kritische Teile (z. B. Getriebegehäuse einer Spezialmaschine): Diese Teile werden vielleicht einmal in 10 Jahren gebraucht. Es gibt kein statistisch verwertbares Muster — der Bestand von 1 Stück ist entweder zu viel oder zu wenig, und KI hilft hier kaum.
• Teile mit Lieferzeiten über 6 Monate: Für diese Teile ist die Frage nicht, wann bestellt wird, sondern ob ein Puffer vorzuhalten ist — das ist eine strategische Entscheidung, keine Prognoseaufgabe.
• Neue Maschinen ohne Betriebshistorie: Das System braucht mindestens 18–24 Monate Verbrauchsdaten, um verlässliche Muster zu erkennen. Davor gelten Herstellerempfehlungen.

Die praktische Konsequenz: Fang mit dem KI-Einsatz bei deinen B/C-Teilen an, nicht bei den A-Teilen. Das ist, wo der ROI am schnellsten entsteht und die Datenlage am zuverlässigsten ist.

Konkrete Werkzeuge — was wann passt

Kein Weg führt hier an einer ehrlichen Aussage vorbei: Eine vollwertige KI-gestützte Bestandsoptimierung für Industrieersatzteile ist kein Tool für 50 Euro im Monat. Die sinnvollen Lösungen setzen entweder auf spezialisierte Software mit entsprechendem Jahresbudget oder auf eine individuelle Entwicklung. Die gute Nachricht: Ab einem Lagerbestandswert von 200.000 Euro aufwärts rechnen sich selbst mittlere Investitionen innerhalb von 12–18 Monaten.

SPARETECH — wenn MRO-Stammdatenqualität das Engpassproblem ist

SPARETECH (Stuttgart) ist die bekannteste spezialisierte Lösung für industrielles Ersatzteilmanagement im deutschsprachigen Raum. Kern der Plattform: automatischer Abgleich des ERP-Artikelstamms mit dem eigenen Hersteller-Katalog, Obsoleszenz-Früherkennung, Cross-Site-Transparenz (gleiche Teile an mehreren Standorten), und Nachfolgeteil-Empfehlungen. Besonders stark, wenn Stammdatenprobleme (Duplikate, veraltete Artikelnummern, fehlende technische Spezifikationen) das Hauptproblem sind. Jahresabo ab ca. 20.000–40.000 Euro für mittelständische Betriebe; EU-Datenhaltung; native SAP-Integration.

IBM Maximo (MRO Inventory Optimization) — wenn ein vollständiges EAM-System gefragt ist

IBM Maximo Application Suite enthält ein dediziertes MRO-Optimierungsmodul, das Bestandsoptimierung, Wartungsplanung und Asset Management in einem System verbindet. Für Betriebe, die bereits Maximo als CMMS einsetzen, ist die Erweiterung der naheliegendste Weg. Für neue Kunden: IBM Maximo ist ein erhebliches Einführungsprojekt (6–18 Monate, ab ca. 3.000–8.000 USD/Monat für das SaaS-Modell) und lohnt sich erst ab einer gewissen Anlagenkomplexität und Betriebsgröße. IBM selbst zitiert Einsparungen von bis zu 35 Prozent des Instandhaltungsbudgets als erreichbaren Zielkorridor.

SAP IBP — wenn die gesamte Supply Chain geplant werden soll

SAP Integrated Business Planning hat Ersatzteil-Demand-Forecasting als eines seiner Planungsmodule. Sinnvoll, wenn das Unternehmen ohnehin SAP S/4HANA als ERP einsetzt und die Bestandsoptimierung in einen übergreifenden Supply-Chain-Planungsansatz einbetten will. Einstieg ab ca. 50.000 Euro/Jahr; Implementierung typisch 6–12 Monate. Nicht für kleinere Betriebe mit begrenztem IT-Budget.

remberg — wenn Instandhaltungsdokumentation und Bestand gleichzeitig digitalisiert werden sollen

remberg ist ein modernes CMMS aus München mit starker Instandhaltungsplanung und zunehmenden Inventory-Funktionen. Es eignet sich für Betriebe, die beides in einem Schritt digitalisieren wollen — von der Wartungsplanung über Störmeldungen bis zur Ersatzteilerfassung. Kein dediziertes KI-Forecast-Modul, aber eine solide Basis, auf der weitergebaut werden kann. Deutsches Unternehmen, Rechenzentrum in Deutschland, DSGVO-konform. Preise auf Anfrage.

Individuallösung auf Basis von ERP-Daten + Azure ML / Python

Für Betriebe mit starken IT-Kapazitäten und sauberem ERP-Datenstand ist eine maßgeschneiderte Lösung oft die kostengünstigere Alternative. Das Grundprinzip: ERP-Verbrauchsdaten exportieren, Zeitreihenmodelle (Prophet, ARIMA, XGBoost) trainieren, Prognosen zurück in Dashboards oder das ERP integrieren. Azure Machine Learning bietet hierfür verwaltete ML-Infrastruktur. Aufwand: 6–16 Wochen Entwicklung, dann laufende Modellpflege. Vorteil: vollständige Kontrolle, keine Lizenzabhängigkeit. Nachteil: erfordert eigene Data-Science-Kompetenz und Datenpflege-Disziplin.

Zusammenfassung: Wann welcher Ansatz

• Stammdaten-Chaos + SAP-Integration → SPARETECH
• Vollständiges Asset Management + großer Anlagenpark → IBM Maximo
• SAP-Bestandsunternehmen mit Supply-Chain-Ambition → SAP IBP
• Digitalisierung von Grund auf, deutsche Lösung → remberg
• Klare ERP-Datenbasis + IT-Kompetenz intern → Individuallösung

Datenschutz und Datenhaltung

Instandhaltungsdaten enthalten in der Regel keine personenbezogenen Daten im Sinne der DSGVO — Maschinen haben kein Persönlichkeitsrecht. Doch der Teufel steckt im Detail: Wartungsaufträge sind oft mit Namen konkreter Technikerinnen und Techniker verknüpft (wer hat wann welche Wartung durchgeführt), und Schichtdaten können auf einzelne Personen zurückgeführt werden. Sobald solche Daten in das KI-System fließen, greift die DSGVO.

Praktische DSGVO-Relevanz pro Tool:

• SPARETECH: Deutsches Unternehmen, EU-Datenhaltung, SAP-Daten verlassen das EU-Rechenzentrum nicht. AVV standardmäßig verfügbar. Empfehlung: für deutsche Betriebe die datenschutzfreundlichste Enterprise-Option.
• IBM Maximo (SaaS): IBM Cloud ist in der EU verfügbar (Frankfurt); MAS auf AWS oder Azure kann in EU-Regionen gehostet werden. AVV ist über den jeweiligen Cloud-Anbieter abzuschließen — nicht trivial, aber machbar.
• SAP IBP: SAP S/4HANA läuft in EU-Rechenzentren; IBP als Cloud-Dienst ebenfalls. SAP stellt standardisierte AVV-Dokumente bereit, die über das SAP-Partnernetz zugänglich sind.
• remberg: Deutsches Unternehmen, ISO/IEC 27001-zertifiziertes Rechenzentrum in Deutschland. Datenschutztechnisch die unkomplizierteste Option.
• Individuallösung auf Azure: Durch explizites Setzen der Azure-Region auf West Europe oder Germany West Central bleiben alle Daten in der EU. Für die Verwendung von Azure ML-APIs gilt der Microsoft-AVV, der über das Azure-Portal angefordert werden kann.

Was du vor dem Start klären musst:

1. Fließen personenbezogene Daten (Technikerprofile, Zugangsdaten, Schichtprotokolle) in das System?
2. Gibt es einen Betriebsrat, der über die Einführung informiert werden muss? Instandhaltungssysteme, die individuelle Leistungsdaten erfassen könnten, sind mitbestimmungspflichtig.
3. Hat euer Datenschutzbeauftragter die Tools auf der Shortlist bereits bewertet?

Was es kostet — realistisch gerechnet

Einmalige Einrichtungskosten

Das ist die Kostenposition, die in vielen Angeboten unterschlagen wird: die Datenvorbereitung. Bevor ein KI-System verlässliche Prognosen liefert, muss die Datenbasis bereinigt sein — Duplikate entfernen, Artikelnummern normalisieren, Verbrauchshistorie bereinigen, Lieferzeiten je Lieferant hinterlegen. Das kostet typisch 20–60 Innendienstarbeitstage, je nach ERP-Stand. Dazu kommen die eigentlichen Lizenz- und Implementierungskosten.

Alle Angaben sind Orientierungswerte; tatsächliche Kosten sind stark abhängig von Betriebsgröße, ERP-Komplexität und Umfang der Integration.

Womit du das gegenrechnest

Ein konservatives Beispiel für einen Fertigungsbetrieb mit 250.000 Euro Lagerbestandswert und 20 Eilbestellungen pro Jahr:

• 15 Prozent Lagerkapitalreduktion = 37.500 Euro frei gewordenes Kapital (Einmaleffekt)
• Kapitalkosten auf diesen 37.500 Euro zu ca. 6 % p. a. = 2.250 Euro/Jahr gespart
• Eilbestellungen reduziert von 20 auf 10 pro Jahr; durchschnittlicher Aufschlag 40 %, durchschnittlicher Teilepreis 800 Euro: 3.200 Euro/Jahr gespart
• Vermiedene Stillstandskosten (konservativ, 1 Stillstand verhindert, 2 Stunden, 5.000 Euro/Stunde): 10.000 Euro

Konservative Gesamtersparnis im Jahr 1: ca. 15.000–20.000 Euro operativ. Amortisation einer SPARETECH-Einführung bei optimistischen Annahmen ab Jahr 2, bei konservativen ab Jahr 3. Das ist kein Quick Win — das ist eine strategische Investition, die sich langfristig rechnet.

Wie du den ROI tatsächlich misst

Definiere vor dem Start Basiswerte: aktueller Lagerbestandswert, Eilbestellquote (Anzahl + Mehrkosten), Anzahl Stockout-Ereignisse im letzten Jahr. Messe diese drei Kennzahlen monatlich. Erst wenn alle drei sich in die richtige Richtung entwickeln, ist der ROI real — nicht wenn das System schöne Dashboards produziert.

Drei typische Einstiegsfehler

1. Das System wird auf Basis von Rohdaten implementiert — ohne Stammdatenbereinigung.

Der häufigste und teuerste Fehler. Ein Prognosemodell auf Basis von 15 verschiedenen Artikelnummern für dasselbe Lager, inkonsistenten Einheiten (mal Stück, mal Pack), fehlenden Lieferzeiten und unklaren Lagerentnahmen produziert statistisch plausible, aber praktisch wertlose Empfehlungen. Das System rechnet fleißig — auf Grundlage von Müll. Die Konsequenz: Das Vertrauen in das System bricht nach wenigen Wochen ein, weil die Empfehlungen nicht stimmen. Lösung: Datenbasis vor der KI-Einführung bereinigen. Das ist aufwändig und unspektakulär, aber ohne diesen Schritt ist alles Folgende wertlos.

2. Alle Ersatzteile werden gleichbehandelt — kein Kritikalitätskonzept.

Wer KI auf alle 3.000 Artikelpositionen gleichzeitig loslässt, bekommt für die kritischen A-Teile schlechte Prognosen (zu wenige Datenpunkte) und für die C-Teile ein Übermaß an Optimierungsvorschlägen. Sinnvoller Einstieg: ABC/XYZ-Matrix aufbauen, die Kritikalität (A = produktionskritisch, B = bedeutsam, C = niedrig) mit der Vorhersagbarkeit des Bedarfs (X = gleichmäßig, Y = schwankend, Z = unregelmäßig) kombiniert. KI-Prognosen zuerst für B-Teile und C-Teile mit X/Y-Nachfragemuster einführen — hier sind Datenlage und Nutzen am besten.

3. Das System läuft — und keiner ist mehr zuständig.

Das ist der Fehler, der sich am langsamsten entwickelt und am schwierigsten repariert. Sechs Monate nach der Einführung sind die Empfehlungen nicht mehr optimal, weil neue Maschinen keine Verbrauchshistorie haben, Lieferanten ihre Lieferzeiten geändert haben, und einige Prognosen konsequent zu hoch oder zu niedrig lagen — ohne dass jemand eingegriffen hat. Ein KI-Bestandssystem braucht eine namentlich verantwortliche Person, die monatlich Prognosequalität prüft, das Modell bei Abweichungen korrigiert und neue Teile in das System einpflegt. Ohne diese Pflege degradiert das System nach 12–18 Monaten auf den Stand einer statischen Bestandsliste.

Was mit der Einführung wirklich passiert — und was nicht

Die technische Einführung ist der unkompliziertere Teil. Die schwierigere Frage ist: Wer ändert sein Verhalten?

Instandhaltungsleiter und Disponenten haben oft jahrelange Intuition aufgebaut: Welche Teile bestellt man auf Vorrat, welche Lieferanten sind zuverlässig, welche Maschinen machen immer Ärger. Ein System, das diese Intuition in Frage stellt (“du solltest jetzt 4 Stück von Teil X bestellen, nicht 10”), wird zunächst mit Misstrauen begegnet. Das ist berechtigt. Lösung: Das System nicht als Ersatz, sondern als zweite Meinung positionieren. In den ersten Monaten laufen System-Empfehlung und Intuition parallel — und man schaut, wo das System recht hatte.

Einkäufer werden feststellen, dass das System ihre bisherigen Entscheidungsspielräume einengt. Wenn das System sagt “jetzt bestellen”, macht Warten auf den Monatslauf keinen Sinn mehr. Das erzeugt Reibung mit etablierten Bestellroutinen. Wichtig: Den Einkauf frühzeitig einbinden und erklären, was das System kann und was es nicht kann — es macht Vorschläge, keine Befehle.

Was konkret hilft:

• Monatliche Prüfrunde in den ersten 6 Monaten: Prognose vs. tatsächlicher Verbrauch — wo hatte das System Recht, wo nicht? Was lernen wir daraus?
• Einen Champion in der Instandhaltung benennen, der das System im Alltag verteidigt und erklärt
• Erste Erfolge kommunizieren: “Dank der Prognose haben wir Teil X vorrätig gehabt und einen Stillstand verhindert” — konkrete Beispiele bauen Vertrauen schneller als abstrakte Systemvorteile

Realistischer Zeitplan mit Risikohinweisen

Der Zeitplan gilt für eine mittelständische Anlage mit 500–2.000 aktiven Ersatzteilpositionen. Bei größerem Umfang oder schlechterer Ausgangsdatenlage ist ein Faktor 1,5–2,0 einzurechnen.

Häufige Einwände — und was dahintersteckt

„Wir haben das im ERP schon abgebildet — Mindestmengen und Meldebestände.”

Das ist richtig, aber statisch. ERP-Meldebestände werden einmal definiert und dann vergessen — in der Praxis sind viele Meldebestände 3–5 Jahre alt und passen nicht mehr zur heutigen Maschinennutzung, zu veränderten Wartungsintervallen oder zu geänderten Lieferzeiten. Ein KI-System passt Bestell- und Meldepunkte rollend an die aktuelle Realität an. Der Unterschied ist nicht das Konzept, sondern die Dynamik.

„Unsere Teile sind zu individuell — das lässt sich nicht prognostizieren.”

Stimmt für einen Teil des Sortiments. Die A-Teile (Versicherungsteile, Einmalfertigung, Sonderanfertigungen) profitieren tatsächlich kaum von statistischen Prognosen — dafür ist das B/C-Sortiment meist umfangreicher, als Instandhalter wahrnehmen. In vielen Betrieben machen 20 Prozent der Artikel 80 Prozent der Bestellvorgänge aus. Genau hier setzt das System an.

„Das ist doch nur sinnvoll für Großunternehmen.”

Die spezialisierten Enterprise-Tools (IBM Maximo, SAP IBP) sind tatsächlich eher für größere Betriebe ausgelegt. Aber die Problemstruktur — zu viel von Falschem, zu wenig vom Richtigen, zu viele Eilbestellungen — tritt bereits ab einem Lagerbestandswert von 100.000–150.000 Euro in einem Betrieb mit 50–100 Maschinen auf. Für diese Größe ist SPARETECH oder eine maßgeschneiderte Lösung realistisch und kann sich rechnen.

„Was, wenn das Modell schlechte Prognosen macht und ich zu wenig bestelle?”

Das ist der legitime Kerneinwand. KI-Prognosen sind keine Versicherung — sie reduzieren die Wahrscheinlichkeit von Stockouts, schließen sie aber nicht aus. Die Absicherung kommt durch zwei Mechanismen: erstens einen konfigurierbaren Sicherheitsbestand, der auch im KI-Modell erhalten bleibt; zweitens klare Regeln für A-Teile, die das System gar nicht optimiert, sondern als fixes Versicherungslager hält. Wer beides richtig konfiguriert, hat nie mehr Stockout-Risiko als zuvor — aber weniger gebundenes Kapital bei den Teilen, die wirklich planbar sind.

Woran du merkst, dass das zu dir passt

• Du hast ein aktives Instandhaltungslager mit mehr als 300 aktiven Ersatzteilpositionen, das mindestens 18–24 Monate Verbrauchshistorie aufgebaut hat
• Eilbestellungen sind ein bekanntes Problem: mehr als 10–15 Eilbestellungen pro Jahr mit Aufpreisen
• Das Lagerkapital ist spürbar — ab etwa 150.000 Euro gebundenem Bestandswert beginnt sich eine Optimierung zu rechnen
• Ihr habt ein ERP (SAP, Infor, Microsoft Dynamics oder vergleichbar) mit strukturierter Materialbuchhaltung — nicht nur Excel-Listen
• Es gibt jemanden, der das System betreuen kann — eine Disposition oder eine Instandhaltungsplanung mit 20–30 % Kapazität für die Systempflege

Wann es sich (noch) nicht lohnt — drei harte Ausschlusskriterien:

1. Unter 100–150 aktiven Ersatzteilpositionen oder unter 100.000 Euro Lagerbestandswert. Bei diesem Umfang ist der manuelle Aufwand für eine regelmäßige Stammdatenpflege und Bestandsüberprüfung im Vier-Augen-Prinzip effizienter als eine KI-Lösung. Eine ABC-Klassifizierung in Excel und disziplinierte Meldebestands-Prüfungen bringen hier mehr als jedes Softwaresystem.

2. Keine strukturierte Verbrauchserfassung im ERP — Materialentnahmen werden nur sporadisch oder gar nicht gebucht. Ein KI-Modell braucht saubere Verbrauchsdaten. Wenn Techniker Ersatzteile direkt aus dem Lager nehmen, ohne Buchung im System, sieht das Modell einen Bestand, der faktisch längst kleiner ist — und empfiehlt nicht zu bestellen, weil die Daten keinen Bedarf zeigen. Bevor ein KI-System eingeführt wird, muss die Erfassungsdisziplin im Lager auf einem Level sein, das konsistente Daten erzeugt.

3. Keine Kapazität für Systempflege nach dem Go-live. Ein KI-Bestandssystem, das eingeführt und dann sich selbst überlassen wird, driftet innerhalb von 12–18 Monaten von der Realität weg — neue Maschinen ohne Verbrauchshistorie, geänderte Lieferanten, Modellparameter, die nie angepasst wurden. Wer keine namentlich verantwortliche Person für die Systembetreuung hat, wird nach zwei Jahren ein System haben, das zwar läuft, aber falsche Empfehlungen gibt — und das ist schlechter als gar kein System, weil es das Vertrauen zerstört.

Das kannst du heute noch tun

Mach in den nächsten 30 Minuten eine Sofortanalyse deines eigenen Lagers: Zähl, wie viele Positionen in deinem ERP seit mehr als 24 Monaten keine Bewegung hatten. Diese Zahl — in Euro bewertet — ist dein unbewegtes Kapital. Sie ist gleichzeitig der ehrlichste Beleg dafür, ob das Problem groß genug für eine Systemlösung ist, oder ob zuerst manuelle Bereinigung ansteht.

Wenn du einen ersten Überblick über die Kostenstruktur deines Lagers bekommen und ausrechnen willst, welche Teile sich für KI-Prognosen eignen, hilft dir dieser Prompt als Analyserahmen:

Quellen & Methodik

• Mitsubishi Electric Spare Parts Optimization (ToolsGroup, 2024): Fallstudie zur probabilistischen Demand-Forecasting-Einführung. Ergebnisse: 30 Prozent Bestandsreduktion, Service-Level-Anstieg von 87 auf 97 Prozent. Quelle: ToolsGroup Blog, How AI is Transforming Aftermarket Parts Planning, Stand 2024.
• 22 Prozent MRO-Bestand länger als 5 Jahre ungenutzt: SPARETECH / MRO Strategy Gap Report, zitiert in: SPARETECH Blog, How AI will optimize spare parts inventory, Stand 2024. Ergänzt durch Aussage SPARETECH-CEO Martin Weber: “50 Prozent der Teile in einer typischen Anlage werden nie verbaut.”
• Lagerhaltungskosten 18–25 Prozent des Bestandswerts p. a.: Industriestandard-Schätzung für MRO-Lager; konsistent mit Angaben bei Throughput.World: AI-Powered Spare Parts and MRO Inventory Optimization Guide, Stand 2024, und IBM Maximo-Produktdokumentation.
• Eilbestellaufschlag 30–50 Prozent: Erfahrungswerte aus Instandhaltungsberatungsprojekten; entspricht Angaben in Prozesstechnik-Portal: Lager- und Bestandskosten in der Instandhaltung reduzieren, Stand 2023.
• 70 Prozent AI-Projektscheitern durch Datenqualität: Gartner-Schätzung, zitiert bei Traxtech: Why Supply Chain AI Projects Fail, Stand 2024.
• SPARETECH-Preisangaben: Verifikation über SPARETECH-Produktseite und eigene Tool-Datenbankrecherche, Stand April 2026.
• IBM Maximo Preisangaben: IBM-Produktseite MRO Inventory Optimization, Stand April 2026.
• SAP IBP Startpreise: Tool-Datenbankrecherche SAP IBP via TIVTAL und Partnerpreislisten, Stand April 2026.

Du willst wissen, ob eure Stammdaten gut genug für eine KI-Einführung sind, oder du suchst jemanden, der den Ablauf eines Bestandsoptimierungsprojekts mit dir durchdenkt? Meld dich — das klären wir gemeinsam in einem kurzen Gespräch.