KI-Liefertermin: Praezise Prognose im Maschinenbau

TL;DR

KI-Lieferterminprognose hebt die Termintreue im Maschinenbau von 68 % auf 91 % und senkt Konventionalstrafen um €320.000 pro Jahr. Machine-Learning-Modelle beruecksichtigen Kapazitaetsengpaesse, Materialverfuegbarkeit und historische Durchlaufzeiten. Mittelstaendische Maschinenbauer starten ab €28.000 und erreichen den Break-Even nach 3 Monaten.

Warum Liefertermine im Maschinenbau so oft daneben liegen

Maschinenbau ist Einzelfertigung oder Kleinserienfertigung. Jeder Auftrag ist anders: andere Spezifikation, andere Stueckliste, andere Fertigungstiefe. Liefertermine werden trotzdem oft nach Erfahrungswerten zugesagt – „das dauert so 14-16 Wochen" – ohne systematische Analyse der aktuellen Kapazitaetssituation.

Die VDMA-Konjunkturumfrage 2025 bestaetigt das Problem: Die durchschnittliche Liefertreue im deutschen Maschinenbau liegt bei 68 %. Jeder dritte Auftrag wird zu spaet ausgeliefert. Die Konsequenzen sind erheblich:

• €3.200-8.500 Konventionalstrafe pro verspaetetem Auftrag (branchenueblich 0,5-1 % des Auftragswerts pro Woche)
• €12.000-45.000 Umsatzverlust pro Nachauftrag, der an den Wettbewerber geht, weil der Kunde das Vertrauen verloren hat
• 2,4 zusaetzliche Arbeitsstunden pro Auftrag fuer Terminverfolgung und Kundenberuhigung
• 37 % der Auftraege werden mit Expresszuschlaegen bei Zulieferern beschleunigt

Ein Sondermaschinenbauer aus Sachsen (110 Mitarbeiter, €18 Mio. Umsatz) hat 2025 KI-Lieferterminprognose eingefuehrt. Die Ergebnisse nach 9 Monaten:

• Liefertreue von 64 % auf 91 % gesteigert
• Konventionalstrafen um €320.000/Jahr reduziert
• Expresszuschlaege bei Zulieferern um 52 % gesenkt (€85.000 Ersparnis)
• Nachauftragsquote um 18 % gestiegen (Kundenvertrauen zurueck)
• Planungsaufwand im Vertrieb um 40 % reduziert (kein „Bauchgefuehl-Termin" mehr)

Warum klassische PPS-Systeme an Grenzen stossen

Produktionsplanungs- und Steuerungssysteme (PPS) wie SAP PP, proALPHA oder PSIPENTA planen auf Basis von Planzeiten, Kapazitaetsgruppen und Vorwaertsterminierung. Das funktioniert bei stabiler Auslastung und standardisierten Arbeitsgaengen. Im Maschinenbau scheitert dieser Ansatz an drei Stellen:

Problem 1: Planzeiten stimmen nicht. Ein Arbeitsgang „Drehen Welle" hat eine Planzeit von 4,5 Stunden. In der Realitaet dauert er je nach Werkstoff, Toleranz und Maschinentyp zwischen 3,2 und 7,8 Stunden. Das PPS-System kennt nur den Mittelwert – die KI lernt die Abhaengigkeiten.

Problem 2: Stoergroessen werden ignoriert. Materialengpaesse, Maschinenausfaelle, Nacharbeit, kranke Mitarbeiter – all das verlaengert Durchlaufzeiten. PPS-Systeme planen deterministisch, als gaebe es keine Stoerungen. KI berechnet Wahrscheinlichkeitsverteilungen und gibt realistische Zeitfenster an.

Problem 3: Interdependenzen zwischen Auftraegen. Wenn Auftrag A 3 Tage laenger auf der Fraesmaschine braucht, verschieben sich Auftraege B, C und D. Kaskadeneffekte sind im PPS schwer abzubilden. KI-Modelle simulieren den gesamten Auftragsmix und prognostizieren Engpaesse vorausschauend.

Technische Funktionsweise der KI-Lieferterminprognose

Eingabedaten

Das Modell benoetigt vier Datenkategorien:

Auftragsdaten: Stueckliste, Arbeitsgaenge, Planzeiten, Fertigungstiefe, Kundenpriorisierung.

Kapazitaetsdaten: Aktuelle Maschinenauslastung, geplante Wartungen, verfuegbare Schichten, Personalverfuegbarkeit (inklusive Urlaubs- und Krankheitsquoten).

Materialdaten: Bestellstatus bei Zulieferern, historische Liefertreue der Lieferanten, Lagerbestaende, aktuelle Engpassteile.

Historische Durchlaufzeiten: Tatsaechliche (nicht geplante) Bearbeitungszeiten pro Arbeitsgang, differenziert nach Werkstoff, Toleranzklasse, Maschinentyp und Mitarbeiterqualifikation.

Modellarchitektur

Die Prognose nutzt ein zweistufiges Modell:

Stufe 1: Durchlaufzeit-Praediktion pro Arbeitsgang. Ein Gradient-Boosted-Tree-Modell (LightGBM) prognostiziert die tatsaechliche Bearbeitungszeit fuer jeden Arbeitsgang unter Beruecksichtigung aller bekannten Einflussfaktoren. Genauigkeit: MAPE (Mean Absolute Percentage Error) von 12-18 % gegenueber 35-50 % bei Planzeiten.

Stufe 2: Durchsatz-Simulation. Ein Discrete-Event-Simulation-Modell simuliert den Auftragsfluss durch die Fertigung unter Beruecksichtigung aller Kapazitaetsrestriktionen, Pufferzeiten und Stoerungswahrscheinlichkeiten. Ergebnis: nicht ein einzelner Termin, sondern eine Wahrscheinlichkeitsverteilung. „Lieferung in KW 34 mit 85 % Wahrscheinlichkeit, in KW 35 mit 97 %."

Was-Wenn-Analyse

Besonders wertvoll fuer den Vertrieb: „Was passiert, wenn wir diesen Auftrag mit Prioritaet 1 einplanen?" Die KI berechnet in Echtzeit die Auswirkungen auf alle anderen laufenden Auftraege. So kann der Vertrieb dem Kunden sofort einen realistischen Termin nennen – und weiss gleichzeitig, welche anderen Auftraege sich dadurch verschieben.

YAML-Konfiguration: KI-Liefertermin-System

# KI-Lieferterminprognose – Konfiguration Maschinenbau
projekt:
  name: "Intelligente Terminierung Sondermaschinenbau"
  unternehmen: "Mustermaschinen GmbH"
  auftraege_pro_jahr: 180
  durchschnittliche_durchlaufzeit_wochen: 14

datenquellen:
  erp_pps:
    system: "proALPHA / SAP PP"
    daten: ["Auftraege", "Stuecklisten", "Arbeitsplaene",
            "Planzeiten", "Kapazitaetsgruppen"]
    schnittstelle: "REST-API oder RFC"
  mes:
    system: "Hydra / FASTEC"
    daten: ["Ist-Zeiten", "Maschinenstatus", "Ausschuss",
            "Ruest-Zeiten", "Stoerungen"]
  einkauf:
    daten: ["Bestellstatus", "Lieferanten-Liefertreue",
            "Lagerbestaende", "Wiederbeschaffungszeiten"]
  personal:
    daten: ["Schichtplan", "Qualifikationsmatrix",
            "Urlaub", "historische Krankenquote"]

ki_modell:
  durchlaufzeit_praediktion:
    algorithmus: "LightGBM"
    features: ["werkstoff", "toleranzklasse", "maschinentyp",
               "mitarbeiter_erfahrung", "losgroesse",
               "aktuelle_auslastung", "tageszeit"]
    metriken: ["MAPE", "R2", "Quantile 90%"]
    retraining: "woechentlich (Sonntag 02:00 Uhr)"
  simulation:
    typ: "Discrete-Event-Simulation (SimPy)"
    monte_carlo_laeufe: 500
    stoerungsmodell: "Empirische Verteilung aus MES-Daten"
    output: "Terminwahrscheinlichkeit (P50, P80, P95)"

integration:
  erp_rueckmeldung: "Prognostizierter Liefertermin an Auftragsposition"
  vertrieb: "Web-Dashboard mit Was-Wenn-Analyse"
  kunde: "Automatische Termin-Updates per E-Mail"
  controlling: "Liefertreue-KPIs in BI-Dashboard"

alerts:
  engpass_warnung: "wenn P80-Termin > zugesagter Termin"
  eskalation: "wenn P95-Termin > zugesagter Termin + 5 Tage"
  material_risiko: "wenn Zulieferer-Liefertermin unsicher"

ROI-Berechnung fuer Maschinenbauer

Selbst bei konservativer Schaetzung (nur 30 % der Konventionalstrafen-Einsparung) liegt der Break-Even bei unter 4 Monaten. Fuer detaillierte Kalkulationen: KI-ROI berechnen mit Excel-Vorlage.

Implementierung: Roadmap fuer Maschinenbauer

Phase 1: Datengrundlage schaffen (Woche 1-4)

Die groesste Herausforderung: Ist-Zeiten aus dem MES exportieren und mit Planzeiten aus dem ERP verknuepfen. In vielen Betrieben werden Ist-Zeiten nur aggregiert auf Auftragsebene erfasst, nicht pro Arbeitsgang. Pruefen Sie: Haben Sie mindestens 12 Monate Ist-Zeit-Daten auf Arbeitsgangeben? Falls nicht, beginnen Sie sofort mit der granularen Erfassung – das Modell braucht diese Daten zum Lernen.

Parallel analysieren Sie die Zulieferer-Liefertreue: Exportieren Sie alle Bestellungen der letzten 2 Jahre mit Soll- und Ist-Liefertermin. Die Abweichungen pro Lieferant und Artikelgruppe fliessen als Stoergroesse ins Modell ein.

Phase 2: Modelltraining und Kalibrierung (Woche 5-8)

Trainieren Sie das Durchlaufzeit-Modell mit historischen Daten. Validieren Sie: Liegt der MAPE unter 20 %? Falls nicht, fehlen vermutlich relevante Features (z.B. Werkstoff, Losgroesse, Maschinentyp). Fuegen Sie diese hinzu und retrainieren Sie.

Kalibrieren Sie das Simulationsmodell: Stimmen die simulierten Durchlaufzeiten mit den tatsaechlichen ueberein? Passen Sie Stoerungswahrscheinlichkeiten und Pufferzeiten an.

Phase 3: Pilotbetrieb mit Vertrieb (Woche 9-12)

Starten Sie parallel: Der Vertrieb nutzt weiterhin den bisherigen Prozess fuer verbindliche Terminzusagen, erhaelt aber zusaetzlich die KI-Prognose. Vergleichen Sie nach 4-6 Wochen: Wie oft lag die KI naeher am tatsaechlichen Liefertermin als die manuelle Schaetzung?

Phase 4: Produktiver Einsatz (ab Monat 4)

Schalten Sie auf KI-gestuetzte Terminierung um: Der Vertrieb sieht bei Anfrage sofort den prognostizierten Liefertermin mit Wahrscheinlichkeitsverteilung. Die Arbeitsvorbereitung erhaelt Engpass-Warnungen, wenn sich Termine verschieben koennten. Kunden erhalten automatische Updates bei Terminaenderungen.

Weitere Details zur KI-Implementierung im Unternehmen finden Sie in unserem Praxisleitfaden.

Typische Stolpersteine

Fehlende Ist-Zeit-Daten. Viele Maschinenbauer erfassen Ist-Zeiten nur auf Auftragsebene, nicht pro Arbeitsgang. Das Modell benoetigt aber Arbeitsgang-Granularitaet. Loesung: BDE-Terminals oder Barcode-Scanning pro Arbeitsgang einfuehren – der Mehraufwand betraegt 30 Sekunden pro Scan.

Planzeiten als „Wahrheit" behandeln. Das PPS gibt eine Planzeit von 6 Stunden vor. Der Meister weiss, dass es 9 Stunden dauert, traegt aber 6 ein, „weil das im System so steht". Die KI braucht die echten Zeiten, nicht die Planwelt. Kommunizieren Sie klar: Ist-Zeit-Erfassung dient der Prognose, nicht der Leistungskontrolle.

Zulieferer-Unsicherheit unterschaetzen. 40 % der Terminverspaetungen im Maschinenbau haben ihre Ursache in verspaeteten Zulieferungen. Das Modell muss die historische Liefertreue jedes Zulieferers kennen und als Stoergroesse einbeziehen.

Kosten und Budgetrahmen

Projektkosten je nach Betriebsgroesse und Integrationstiefe:

• Kleiner Maschinenbauer (50-100 MA, 80-150 Auftraege/Jahr): €22.000-35.000
• Mittlerer Maschinenbauer (100-250 MA, 150-400 Auftraege/Jahr): €35.000-65.000
• Grosser Maschinenbauer (250+ MA, 400+ Auftraege/Jahr): €65.000-120.000

Detaillierte Budgetplanung unter KI-Kosten und Budgetplanung.

FAQ

Wie genau prognostiziert KI Liefertermine im Einzelfertigungs-Maschinenbau?

Bei Wiederholauftraegen oder aehnlichen Auftragstypen (z.B. Varianten derselben Maschinenreihe) erreicht das Modell eine Termingenauigkeit von ±3 Arbeitstagen (85 % der Faelle). Bei echten Neuauftraegen ohne historische Vergleichsdaten sinkt die Genauigkeit auf ±5-8 Arbeitstage – immer noch deutlich besser als Erfahrungsschaetzungen, die um ±12-20 Arbeitstage streuen. Entscheidend: Das System gibt einen Konfidenzbereich an, sodass der Vertrieb den Puffer bewusst waehlen kann.

Welche ERP/PPS-Systeme lassen sich anbinden?

Alle gaengigen Systeme im Maschinenbau: proALPHA, SAP S/4HANA (PP-Modul), PSIPENTA, abas ERP, Microsoft Dynamics 365 Business Central, ams.erp. Die Integration erfolgt ueber REST-APIs, RFC-Aufrufe (SAP) oder ODBC-Schnittstellen. Wichtig: Das MES-System (Hydra, FASTEC, Cronetwork) muss ebenfalls angebunden werden, da die Ist-Zeiten die Trainingsgrundlage bilden. Typischer Integrationsaufwand: 4-8 Arbeitstage.

Was passiert, wenn sich ein Auftrag unvorhergesehen aendert (Nachtrag)?

Das System reagiert auf Aenderungen in Echtzeit. Aendert sich die Stueckliste oder kommen Arbeitsgaenge hinzu, berechnet die KI den neuen voraussichtlichen Liefertermin sofort neu und zeigt die Auswirkungen auf alle anderen Auftraege. Der Vertrieb kann dem Kunden innerhalb von Minuten einen aktualisierten Termin kommunizieren – statt wie bisher nach 1-2 Tagen Ruecksprache mit der Arbeitsvorbereitung.

Kann KI auch die optimale Auftragsreihenfolge berechnen?

Ja, als Erweiterung. Die Was-Wenn-Analyse zeigt, wie verschiedene Auftragsreihenfolgen die Gesamtliefertreue beeinflussen. Fortgeschrittene Systeme optimieren die Reihenfolge automatisch nach Kriterien wie: maximale Liefertreue, minimale Ruest-Zeiten oder gewichtete Kundenpriorisierung. Das geht ueber klassische Terminierung hinaus und wird als „Finite-Capacity Scheduling mit ML" bezeichnet.

Lohnt sich KI-Lieferterminprognose auch bei hoher Fertigungstiefe?

Gerade bei hoher Fertigungstiefe (>60 %) ist der Nutzen besonders gross, weil mehr interne Arbeitsgaenge bedeuten, dass mehr Unsicherheiten kumulieren. Ein Maschinenbauer mit 85 % Fertigungstiefe hat typischerweise 15-25 sequenzielle Arbeitsgaenge pro Auftrag – jeder mit Streuung. Die KI faengt diese Unsicherheit systematisch auf. Aehnliche Ansaetze der KI-Prozesssteuerung beschreiben wir im Artikel KI-Galvanik-Prozesssteuerung.