Ein Serviceleiter wartet auf eine Rückmeldung aus der Konstruktion, der Vertrieb sucht nach einer belastbaren Referenz für eine Ausschreibung und im Einkauf liegen Informationen zu einem kritischen Bauteil in mehreren Postfächern. Genau an solchen Reibungsverlusten setzt diese Fallstudie KI im Maschinenbau an. Nicht mit einem allgemeinen Chatbot, sondern mit einer geschlossenen KI-Lösung, die internes Wissen gezielt nutzbar macht und wiederkehrende Abläufe beschleunigt.
Die folgende Fallstudie basiert auf einem anonymisierten, verdichteten Projektbild aus dem industriellen Mittelstand. Sie zeigt, welche Voraussetzungen den wirtschaftlichen Nutzen bestimmt haben, wo die Grenzen lagen und warum eine KI-Implementierung im Maschinenbau vor allem eine Frage der Prozess- und Datenarchitektur ist.
Ausgangslage: Wissen vorhanden, aber operativ kaum verfügbar
Das betrachtete Unternehmen entwickelt und fertigt kundenspezifische Anlagen für die Prozessindustrie. Rund 350 Mitarbeiter arbeiten an mehreren Standorten in Konstruktion, Service, Vertrieb, Projektmanagement, Einkauf und Produktion. Das Produktportfolio ist technisch anspruchsvoll, die Auftragslage gut. Gleichzeitig steigt die Belastung der Fachbereiche durch Variantenvielfalt, Dokumentationspflichten und kurze Reaktionszeiten.
Die wesentlichen Informationen waren grundsätzlich vorhanden: Betriebsanleitungen, Stücklisten, Wartungsprotokolle, technische Spezifikationen, E-Mails, Angebotsunterlagen und Projektdokumentationen. In der Praxis lagen sie jedoch in unterschiedlichen Systemen, Netzlaufwerken und persönlichen Postfächern. Wer eine verlässliche Antwort brauchte, musste oft mehrere Kollegen einbinden oder selbst lange recherchieren.
Besonders deutlich wurde das im technischen Service. Anfragen von Kunden bezogen sich häufig auf ältere Anlagen, individuelle Umbauten oder nicht mehr aktuelle Dokumentationsstände. Die erfahrensten Servicetechniker konnten viele Fragen schnell einordnen. Ihre Zeit war jedoch knapp, und ihr Wissen war nur begrenzt skalierbar. Hinzu kam ein Risiko, das viele Maschinenbauer kennen: Wenn langjährige Experten ausscheiden, geht ein Teil der praktischen Erfahrungswerte mit ihnen verloren.
Die Geschäftsführung definierte deshalb keine abstrakte KI-Initiative. Das Ziel war konkret: Recherchezeiten senken, Antworten nachvollziehbar machen und technische Fachkräfte von Routineanfragen entlasten - ohne vertrauliche Daten an öffentliche KI-Dienste zu übertragen.
Fallstudie KI im Maschinenbau: Der richtige Einstiegspunkt
Der erste Impuls im Unternehmen war ein universeller Assistent für alle Abteilungen. Das klingt attraktiv, führt in der Umsetzung aber oft zu einem unscharfen Projekt. Zu viele Datenquellen, zu viele Berechtigungen und zu viele Erwartungen verlangsamen den Start. Stattdessen wurde ein klar abgegrenzter Anwendungsfall gewählt: ein interner Service- und Wissensassistent für technische Rückfragen.
Der Assistent sollte drei Aufgaben erfüllen. Erstens sollte er relevante Informationen aus freigegebenen Dokumenten finden und in verständlicher Form zusammenfassen. Zweitens sollte jede Antwort die verwendeten Quellen kenntlich machen, damit der Servicemitarbeiter sie prüfen kann. Drittens sollte er aus den Ergebnissen einen strukturierten Entwurf für eine Kundenantwort oder ein internes Ticket erstellen.
Diese Begrenzung war strategisch sinnvoll. Der Fachbereich hatte einen unmittelbaren Engpass, die Erfolgskriterien waren messbar und die Datenlage ließ sich kontrolliert aufbauen. Gleichzeitig entstand eine technische Grundlage, die später für weitere Bereiche nutzbar sein konnte.
Warum ein allgemeines Sprachmodell allein nicht genügt
Ein Sprachmodell kennt weder die konkrete Maschinenhistorie noch die unternehmensinternen Freigaben. Ohne angebundene, kuratierte Wissensquellen kann es überzeugend formulieren, aber keine belastbare technische Auskunft garantieren. Im Maschinenbau ist das ein entscheidender Unterschied. Eine unpräzise Antwort zu Wartungsintervallen, Ersatzteilen oder Sicherheitsvorgaben kann nicht nur Zeit kosten, sondern operative Risiken schaffen.
Deshalb wurde das System als geschlossene Corporate-LLM-Umgebung konzipiert. Das Modell erhielt Zugriff ausschließlich auf freigegebene Dokumente. Berechtigungen aus bestehenden Strukturen wurden berücksichtigt, sensible Inhalte getrennt behandelt und die Nutzung protokolliert. Die KI war damit kein offener Wissensraum, sondern eine kontrollierte Schicht über dem vorhandenen Unternehmenswissen.
Umsetzung: Erst Informationsqualität, dann Automatisierung
Die technische Implementierung begann nicht mit dem Modell, sondern mit den Dokumenten. Gemeinsam mit Service, IT und Qualitätsmanagement wurde festgelegt, welche Quellen für den ersten Anwendungsfall zulässig und ausreichend verlässlich waren. Alte Dubletten, unvollständige Entwürfe und nicht freigegebene Dateien wurden nicht einfach mit übernommen.
Jedes relevante Dokument erhielt Metadaten wie Maschinenserie, Baujahr, Projektbezug, Dokumenttyp, Sprache und Freigabestatus. Diese Einordnung erhöhte die Trefferqualität erheblich. Eine Suche nach einem Ersatzteil für eine bestimmte Baureihe konnte dadurch anders gewichtet werden als eine allgemeine Frage zu Wartungsabläufen.
Danach wurde ein Retrieval-Ansatz umgesetzt: Die KI formuliert ihre Antwort auf Grundlage der passenden internen Inhalte, statt ausschließlich aus allgemeinem Modellwissen zu antworten. Bei unklarer Quellenlage sollte sie ausdrücklich auf fehlende Informationen hinweisen. Das ist im operativen Einsatz wertvoller als eine sprachlich glatte Vermutung.
Für die Einführung wurden außerdem verbindliche Regeln definiert. Der Assistent durfte keine sicherheitskritischen Freigaben ersetzen. Technische Aussagen mit Einfluss auf Betriebssicherheit, Gewährleistung oder Umbauten mussten weiterhin durch einen qualifizierten Mitarbeiter geprüft werden. Die KI lieferte Recherche, Struktur und Entwürfe - die fachliche Verantwortung blieb beim Unternehmen.
Die Wirkung zeigt sich in der täglichen Arbeit
Nach einer Pilotphase mit 25 Nutzern wurde der Assistent schrittweise im Service ausgerollt. Gemessen wurden Bearbeitungszeit, Rechercheaufwand, Qualität der Quellennachweise und Akzeptanz im Fachbereich. Bereits nach den ersten Wochen zeigte sich: Der größte Effekt entstand nicht bei außergewöhnlich komplexen Fällen, sondern bei den vielen wiederkehrenden Rückfragen.
Für typische Informationsanfragen sank die Recherchezeit im Mittel von rund 20 Minuten auf sieben bis zehn Minuten. Entscheidend war nicht, dass jede Antwort vollständig automatisiert wurde. Entscheidend war, dass die Mitarbeiter schneller zu den richtigen Dokumenten, Abschnitten und Vorgängen gelangten. Bei höherer Komplexität blieb die Zeitersparnis geringer, weil eine technische Prüfung erforderlich war. Dennoch verkürzte sich die Vorbereitung deutlich.
Ein zweiter Effekt war die bessere Konsistenz. Kundenanfragen wurden nach einem einheitlichen Muster beantwortet, relevante Quellen konnten intern nachvollzogen werden und wiederkehrende Aussagen mussten nicht jedes Mal neu formuliert werden. Das reduzierte Rückfragen zwischen Service, Konstruktion und Projektmanagement.
Die Einführung machte zugleich sichtbar, wo Prozesse außerhalb der KI verbessert werden mussten. Fehlende Dokumente, widersprüchliche Bezeichnungen und nicht sauber gepflegte Freigabestände fielen sofort auf. Das war kein Nachteil des Systems, sondern ein wichtiger Befund. KI beschleunigt nicht nur gute Informationen - sie legt auch Schwächen in der Wissensorganisation offen.
Was für den wirtschaftlichen Nutzen entscheidend war
Der Business Case beruhte nicht auf einer spektakulären Vollautomatisierung. Er ergab sich aus der Summe wiederkehrender Zeitgewinne. Wenn 25 Service- und Projektmitarbeiter pro Woche jeweils nur zwei Stunden weniger für Suche, Abstimmung und Standardentwürfe benötigen, entstehen bereits 50 produktive Stunden. Je nach interner Kostenstruktur und Auslastung kann sich eine solche Lösung damit in überschaubarer Zeit rechnen.
Für die Bewertung sollten Entscheider jedoch genauer hinsehen. Gesparte Zeit ist nur dann wirtschaftlich wirksam, wenn sie für wertschöpfende Aufgaben eingesetzt werden kann: schnellere Kundenreaktionen, höhere Servicekapazität, weniger Eskalationen oder bessere Angebotsqualität. Wer lediglich einen Zeitwert auf dem Papier ansetzt, überschätzt den Nutzen leicht.
Ebenso relevant ist die langfristige Wartung. Neue Maschinenstände, geänderte Servicevorgaben und neue Dokumente müssen in die Wissensbasis überführt werden. Ein Corporate LLM ist kein Projekt, das nach dem Go-live unverändert weiterläuft. Es braucht Verantwortlichkeiten für Datenqualität, Zugriffsrechte, fachliche Prüfung und Weiterentwicklung.
Die zentralen Entscheidungen für eine sichere Skalierung
Nach dem erfolgreichen Piloten wurde der Anwendungsbereich erweitert. Zunächst kamen Vertriebsunterlagen und freigegebene Referenzprojekte hinzu, anschließend ein Workflow zur automatisierten Vorqualifizierung interner Anfragen. Die Skalierung erfolgte nicht nach dem Prinzip „möglichst viele Funktionen“, sondern entlang klarer Geschäftsprozesse.
Vier Entscheidungen waren dabei maßgeblich:
- Der Zugriff auf Wissen folgte bestehenden Rollen und Berechtigungen statt einer pauschalen Freigabe aller Dokumente.
- Antworten mit fachlicher Relevanz blieben durch Quellen und Prüfpfade nachvollziehbar.
- Neue Anwendungsfälle wurden erst nach einem klaren Nutzen- und Risikocheck umgesetzt.
- Die IT-Architektur blieb in die vorhandene Systemlandschaft integrierbar, statt ein isoliertes KI-Silo zu schaffen.
Gerade für mittelständische Maschinenbauer ist dieser Punkt zentral. Ein einzelnes Standardtool kann kurzfristig nützlich sein. Wenn jedoch Konstruktion, Service, Vertrieb und Verwaltung dauerhaft mit vertraulichem Wissen arbeiten sollen, entscheidet die kontrollierte Einbettung in Prozesse und Infrastruktur über den tatsächlichen Unternehmenswert.
Was andere Maschinenbauer daraus ableiten können
Diese Fallstudie zeigt keinen Ersatz für technische Expertise. Sie zeigt, wie sich Expertise besser verfügbar machen lässt. Der geeignete Startpunkt ist selten die größte denkbare Vision, sondern ein Prozess mit hoher Wiederholung, klaren Informationsquellen und spürbarer Belastung im Tagesgeschäft.
Vor einem Projektstart sollten Geschäftsführer und Bereichsleiter daher drei Fragen beantworten: Wo verlieren qualifizierte Mitarbeiter heute am meisten Zeit durch Suche und Abstimmung? Welche Datenquellen sind fachlich belastbar und rechtlich freigegeben? Und an welchem Punkt muss ein Mensch die Entscheidung weiterhin prüfen oder freigeben?
Wer diese Fragen sauber beantwortet, schafft eine Grundlage für KI, die nicht als zusätzlicher Kanal neben dem Geschäftsbetrieb läuft, sondern die operative Leistung verbessert. Der nächste sinnvolle Schritt ist meist kein großer Technologie-Rollout, sondern ein klar messbarer Pilot mit echter Prozessverantwortung.