KI im Maschinenbau: Wo sie heute wirklich Nutzen bringt

Im Maschinenbau ist die Frage nach KI selten eine Frage der Technik. Sie lautet meistens: Wo genau soll das bei uns ansetzen — bei Losgröße 1, gewachsenen Konstruktionsdaten und Prozessen, die seit Jahren funktionieren?

Dieser Artikel beschreibt fünf Anwendungsfelder, die sich im mittelständischen Maschinenbau bereits bewährt haben — und benennt ebenso deutlich, wo KI heute noch nicht die richtige Antwort ist.

Warum der Maschinenbau ein Sonderfall ist

Wer Use Cases aus der Serienfertigung eins zu eins auf den Maschinenbau überträgt, landet schnell im Leeren. Drei Eigenheiten machen die Branche anders:

• Engineering-to-Order statt Serie. Viele Aufträge sind Einzelstücke oder Kleinserien mit hoher Variantenvielfalt. Es gibt keinen tausendfach wiederholten Prozess, an dem sich ein Modell trainieren ließe — wohl aber sehr viel wiederkehrende Arbeit drumherum.
• Der Aufwand liegt im Umfeld der Konstruktion. Kalkulieren, dokumentieren, prüfen, wiederfinden: Das sind die Tätigkeiten, die Ingenieurstunden binden — nicht die Konstruktion selbst.
• Gewachsene Systemlandschaft. ERP, PLM, CAD und dazu Ordnerstrukturen, die über Jahre entstanden sind. Jede Lösung muss sich hier einfügen, statt einen Systemwechsel zu verlangen.

Genau daraus ergibt sich, wo KI im Maschinenbau heute den größten Hebel hat: nicht im Konstruieren, sondern in allem, was das Konstruieren umgibt.

1. Angebotskalkulation bei hoher Variantenvielfalt

Die Angebotserstellung ist im Maschinenbau ein eigenes kleines Projekt: Anforderungen aus Kundenanfragen herauslesen, vergleichbare Aufträge suchen, Baugruppen und Preise zusammenstellen, kalkulieren. Bei Sondermaschinen vergehen dabei schnell mehrere Tage.

KI-Systeme können hier auf die eigene Angebotshistorie zugreifen: Sie erkennen, welche früheren Projekte einer neuen Anfrage ähneln, ziehen die passenden Positionen heran und erstellen einen belastbaren Entwurf. Der Vertrieb prüft und entscheidet — statt jedes Mal bei null anzufangen.

In einem Projekt im Modell- und Formenbau hat sich die Angebotsdurchlaufzeit auf diesem Weg halbiert.

2. Automatisierte CAD- und Konstruktionsprüfung

Je größer eine Baugruppe, desto mehr Prüfpunkte entstehen — und desto weniger lässt sich alles manuell abdecken. Geprüft wird dann stichprobenartig, und das Ergebnis hängt an der Tagesform des Prüfers.

Hier ist KI stark, weil die Aufgabe klar umrissen und die Datengrundlage sauber ist: Abweichungen gegen Normen und interne Standards prüfen, Kollisionen erkennen, kritische von gewollten Fällen unterscheiden.

Bei einem Automotive-OEM-Zulieferer durchlaufen inzwischen alle rund 10.000 Kollisionsfälle die Prüfung automatisch und dokumentiert — statt stichprobenartig. Der eigentliche Nutzen liegt dabei nicht in gesparten Stunden, sondern im vermiedenen Fehler: Eine übersehene Kollision kann ein Werkzeug im Millionenwert auf falscher Basis in Auftrag geben.

3. Technische Dokumentation und Betriebsanleitungen

Dokumentation ist im Maschinenbau kein Beiwerk, sondern Liefergegenstand — oft in mehreren Sprachen und mit Nachweispflichten. Sie entsteht typischerweise am Ende des Projekts, unter Zeitdruck, und veraltet danach schnell.

KI kann aus Konstruktionsdaten, Stücklisten und Vorgängerdokumenten Entwürfe erzeugen, die ein Fachredakteur nur noch prüft und freigibt. Auch Übersetzungen und die Pflege bei Änderungen laufen deutlich schneller — die Dokumentation bleibt aktuell, statt einmalig erstellt zu werden.

4. Konstruktionswissen auffindbar machen

In vielen Betrieben steckt das wertvollste Wissen in den Köpfen langjähriger Mitarbeiter und in Projektordnern, die nur ihre Ersteller durchschauen. Wer eine ähnliche Aufgabe schon einmal gelöst hat, weiß es — oder eben nicht.

Eine semantische Suche über Projektdokumente, Zeichnungen und E-Mail-Verläufe findet nicht nur nach Dateinamen, sondern nach Inhalt und Bedeutung. Angesichts der anstehenden Verrentungswelle ist das für viele Mittelständler weniger eine Effizienz- als eine Bestandsfrage.

5. Service, Störungsdiagnose und Ersatzteil

Im After-Sales laufen Meldungen unstrukturiert ein: Telefonat, Mail, Foto vom Kunden. Die Diagnose hängt davon ab, wer gerade verfügbar ist und ob er einen vergleichbaren Fall erinnert.

KI kann eingehende Meldungen mit der Störungshistorie abgleichen, wahrscheinliche Ursachen vorschlagen und die passenden Ersatzteile zuordnen. Das verkürzt Stillstandszeiten beim Kunden — und macht Servicewissen unabhängig von einzelnen Personen.

Was KI im Maschinenbau nicht kann

Genauso wichtig wie die Anwendungsfälle sind die Grenzen — gerade gegenüber skeptischen Ingenieuren, die zu Recht genau hinschauen:

• Sie konstruiert keine Maschine. KI unterstützt bei Varianten, Prüfungen und Wiederverwendung. Der konstruktive Entwurf bleibt Ingenieursarbeit.
• Sie ersetzt keine Freigabe. Bei sicherheitsrelevanten Entscheidungen bleibt ein Mensch in der Verantwortung — technisch wie regulatorisch.
• Sie repariert keine kaputten Prozesse. Wer einen über Jahre mit Workarounds geflickten Ablauf automatisiert, bekommt denselben Ablauf — nur schneller und teurer. Dann ist Aufräumen der richtige erste Schritt, nicht KI.

Die eigentliche Hürde ist die Datengrundlage

In fast jedem Projekt entscheidet nicht das Modell über den Erfolg, sondern der Zugang zu den Daten. Konkret heißt das:

• Wie sauber sind Stammdaten und Stücklisten gepflegt?
• Lassen sich PLM und ERP anbinden, oder liegen die relevanten Informationen in Dateiablagen?
• Sind Zeichnungen und Dokumente maschinell lesbar — oder gescannte PDFs?

Diese Fragen bestimmen den Aufwand weit stärker als die Wahl der Technologie. Eine ehrliche Bestandsaufnahme am Anfang verhindert die teuren Überraschungen später.

Ein realistischer Einstieg

Der pragmatische Weg ist in allen erfolgreichen Projekten derselbe: einen klar umrissenen Anwendungsfall auswählen, ihn in 6–12 Wochen produktiv setzen und an harten Zahlen messen — Durchlaufzeit, Prüfabdeckung, Fehlerquote.

Was im Piloten trägt, wird ausgerollt. Was nicht trägt, hat wenig gekostet. Wenn Sie noch nicht wissen, welcher Prozess bei Ihnen der richtige ist, ist genau das der Zweck unseres KI-Workshops: systematisch prüfen, wo sich der Einstieg lohnt.

Weitere Anwendungsfälle aus der Fertigung finden Sie in „KI in der Produktion: 7 erprobte Use Cases". Und wie ein KI-Projekt so aufgesetzt wird, dass es im Alltag ankommt, beschreibt unser kostenloses Whitepaper.