KI für Lohnfertiger: Kapazität optimal planen

TL;DR

KI-gestützte Kapazitätsplanung hilft Lohnfertigern, Maschinenauslastung um 15–25 % zu steigern und Angebote 3× schneller zu kalkulieren. Durch Analyse historischer Auftrags- und Maschinendaten prognostiziert die KI Durchlaufzeiten präziser und identifiziert Lücken im Belegungsplan. Der Einstieg gelingt ab 10.000 € mit vorhandenen ERP-Daten.

73 % Auslastung, aber kein Gewinn

Ein Lohnfertiger im Schwarzwald mit 14 CNC-Maschinen und 45 Mitarbeitern meldet eine durchschnittliche Maschinenauslastung von 73 %. Klingt solide — bis man genauer hinsieht. Drei Maschinen laufen konstant über 90 %, zwei stehen regelmäßig 30 % der Zeit still. Die Rüstzeiten schwanken zwischen 20 und 90 Minuten für vergleichbare Teile, je nachdem welcher Mitarbeiter rüstet. Und die Angebotskalkulationen? 40 % der Angebote werden nicht beauftragt — aber jedes hat den Arbeitsvorbereiter 45 Minuten gekostet.

Das Grundproblem: Lohnfertiger arbeiten mit hochvariabler Nachfrage. Keine zwei Wochen sehen gleich aus. Heute kommen drei Eilaufträge vom Automobilkunden, morgen storniert der Maschinenbauer seinen Rahmenauftrag. Die Planung per Excel und Bauchgefühl stößt spätestens ab zehn Maschinen an ihre Grenzen.

Der Verband Deutscher Maschinen- und Anlagenbau (VDMA) hat in einer Studie mit 280 Lohnfertigern festgestellt: Die durchschnittliche Planungsabweichung bei Durchlaufzeiten beträgt 28 %. Das bedeutet, dass ein geplanter Drei-Tage-Auftrag in der Realität zwischen 2,2 und 3,8 Tagen dauert. Für einen Betrieb mit 2 Mio. Euro Maschinenstundensatz pro Jahr kostet jede Stunde ungeplanter Stillstand 85 €.

KI-Kapazitätsplanung greift genau hier an: Sie lernt aus historischen Daten, wie lange Aufträge tatsächlich dauern, und plant die Maschinenbelegung so, dass Lücken minimiert und Engpässe vermieden werden.

Was die KI aus Ihren ERP-Daten lernt

Die meisten Lohnfertiger sitzen auf einem Datenschatz, den sie nicht nutzen: Jahre an Auftrags-, Rüst- und Laufzeitdaten in ihren ERP- und BDE-Systemen. Ein typisches ERP-System (ProAlpha, abas, APplus) enthält für jeden Fertigungsauftrag:

• Materialnummer und Stückzahl
• Geplante vs. tatsächliche Durchlaufzeit
• Rüstzeit und Bearbeitungszeit pro Maschine
• Mitarbeiter, der den Auftrag bearbeitet hat
• Werkzeugwechsel und Unterbrechungen

Aus 10.000 historischen Aufträgen kann ein Machine-Learning-Modell folgende Zusammenhänge extrahieren:

# Feature-Modell für Durchlaufzeit-Prognose
Features:
  Auftragsbezogen:
    - Teilekomplexität: Anzahl Bearbeitungsschritte
    - Stückzahl: 1-10.000
    - Material: Stahl/Alu/Edelstahl/Kunststoff
    - Toleranzklasse: IT6-IT14
    - Wiederholauftrag: ja/nein

  Maschinenbezogen:
    - Maschinentyp: 3-Achs/5-Achs/Drehen/Schleifen
    - Alter_Maschine: Jahre seit Inbetriebnahme
    - Wartungsstatus: Tage seit letzter Wartung
    - Aktuelle_Belegung: Stunden bis frei

  Kontextbezogen:
    - Wochentag: Mo-Fr
    - Schicht: Früh/Spät/Nacht
    - Bediener_Erfahrung: Monate an Maschine
    - Parallele_Aufträge: Anzahl aktiver Aufträge

Zielgröße: Tatsächliche Durchlaufzeit (Stunden)
Modell: Gradient Boosting Regressor
MAE: ±12 % (vs. ±28 % manuelle Planung)

Die Prognosegenauigkeit von ±12 % ist kein akademischer Wert — ein Lohnfertiger in Hessen hat dieses Ergebnis mit 8.500 historischen Aufträgen und acht CNC-Maschinen erzielt. Die Reduktion der Planungsabweichung von 28 % auf 12 % hat seine Liefertreue von 82 % auf 94 % gesteigert.

Angebote kalkulieren: Von 45 Minuten auf 15

Die Angebotskalkulation frisst bei Lohnfertigern überproportional viel Arbeitszeit. Der Arbeitsvorbereiter muss für jede Anfrage die Machbarkeit prüfen, Rüst- und Bearbeitungszeiten schätzen, Materialkosten ermitteln und einen Preis berechnen. Bei einer Trefferquote von 30–40 % bedeutet das: Zwei Drittel des Kalkulationsaufwands erzeugen keinen Umsatz.

KI-gestützte Kalkulation automatisiert die zeitintensivsten Schritte:

1. Ähnlichkeitserkennung: Das System findet in der Auftraghistorie Teile mit vergleichbarer Geometrie, Material und Toleranz. Wenn Sie vor sechs Monaten ein ähnliches Teil gefertigt haben, kennt das System die tatsächlichen Zeiten.

2. Zeitschätzung: Basierend auf den Features des neuen Auftrags prognostiziert das Modell Rüst- und Bearbeitungszeiten — nicht aus Tabellenwerken, sondern aus echten Produktionsdaten Ihres Betriebs.

3. Preisoptimierung: Die KI analysiert, welche Angebote in der Vergangenheit angenommen wurden und welche nicht. Daraus leitet sie eine Preiselastizität ab: Bei Stammkunden mit hoher Auftragstreue können Sie knapper kalkulieren, bei Neukunden mit vielen Vergleichsangeboten müssen Sie den Preis schärfer setzen.

Das Ergebnis: Der Arbeitsvorbereiter prüft nur noch die KI-Vorschläge und korrigiert bei Bedarf. Die Kalkulationszeit sinkt von 45 auf 15 Minuten, die Trefferquote steigt auf 45–55 %, weil die Preise marktgerechter sind.

Wer die Investitionsrechnung fundiert aufstellen möchte, findet in unserer Excel-Vorlage zur KI-ROI-Berechnung eine bewährte Struktur.

Maschinenbelegung optimieren: Der Scheduling-Algorithmus

Die Königsdisziplin der KI-Kapazitätsplanung ist das dynamische Scheduling. Statt Aufträge sequenziell auf Maschinen zu verteilen, optimiert der Algorithmus die gesamte Belegung gleichzeitig — unter Berücksichtigung von Rüstreihenfolgen, Maschinenfähigkeiten und Lieferterminen.

Beispiel: Fünf Aufträge auf drei Maschinen. Auftrag A und B brauchen die gleiche Spannvorrichtung. Der konventionelle Planer setzt sie hintereinander auf dieselbe Maschine — spart Rüstzeit, blockiert aber die Maschine. Der KI-Scheduler erkennt, dass Auftrag C auf der zweiten Maschine fünf Stunden früher fertig wird, wenn er vor Auftrag D startet, und verschiebt entsprechend. Das Gesamtergebnis: Alle fünf Aufträge sind 11 % schneller fertig, obwohl ein einzelner Auftrag 20 Minuten Rüstzeit mehr benötigt.

Diese Art der Optimierung wird als Job-Shop-Scheduling bezeichnet und gehört zu den klassischen NP-schweren Problemen der Informatik. Für einen Lohnfertiger mit 10–20 Maschinen und 50–100 aktiven Aufträgen gibt es mehr mögliche Belegungspläne als Atome im Universum. Heuristische Verfahren wie genetische Algorithmen oder Reinforcement Learning finden in Sekunden gute — wenn auch nicht perfekte — Lösungen.

Einen Überblick über KI-Kosten und Budget bietet unser Planungsleitfaden.

Praxisbericht: Drei Lohnfertiger im Vergleich

Auffällig: Der ROI ist bei mittleren Betrieben (10–20 Maschinen) am höchsten. Kleinere Betriebe haben weniger Optimierungspotenzial, weil die Komplexität geringer ist. Größere Betriebe profitieren absolut stärker, brauchen aber mehr Integrationsaufwand — und damit höhere Investitionen.

Einstieg: Was Sie konkret brauchen

Datenvoraussetzungen:

• Mindestens 2.000 abgeschlossene Aufträge im ERP (idealerweise 5.000+)
• BDE-Daten mit Start- und Endzeiten pro Arbeitsgang
• Rüstzeiten als separater Datenpunkt (nicht pauschal eingerechnet)

Technologie:

• ERP mit API-Zugang oder Datenbank-Exportmöglichkeit
• Ein Python-fähiger Server (eigene Hardware oder Cloud)
• Optional: BDE-Terminals mit Echtzeitrückmeldung

Schritte:

1. Datenexport und -bereinigung (2 Wochen)
2. Feature Engineering und Modelltraining (3 Wochen)
3. Parallelbetrieb: KI-Planung vs. manuelle Planung (4 Wochen)
4. Schrittweise Übernahme der KI-Empfehlungen (laufend)

Den kompletten Fahrplan für KI im Unternehmen finden Sie in unserem Komplettleitfaden.

Häufige Fragen

Funktioniert KI-Kapazitätsplanung auch bei Einzelfertigung?

Ja, gerade Einzelfertiger profitieren, weil die Planungsunsicherheit am höchsten ist. Das Modell nutzt Ähnlichkeitsmerkmale (Material, Komplexität, Toleranzen) statt identischer Teilehistorie. Ab 2.000 verschiedenen Aufträgen gibt es genug Datenpunkte für belastbare Prognosen — selbst wenn kein Teil dem anderen gleicht.

Welche ERP-Systeme lassen sich anbinden?

Alle gängigen Mittelstands-ERPs (ProAlpha, abas, APplus, SAP Business One, Microsoft Dynamics 365 BC) bieten Datenbankzugriff oder API-Schnittstellen. Die Anbindung dauert typischerweise 3–5 Tage. Auch ältere Systeme ohne API können über CSV-Export angebunden werden — dann allerdings nicht in Echtzeit.

Was kostet die laufende Pflege des KI-Systems?

Rechnen Sie mit 3.000–6.000 € pro Jahr für Modellpflege, Retraining und Support. Dazu kommt der interne Aufwand: Etwa 2–4 Stunden pro Woche muss jemand die KI-Empfehlungen überprüfen und Feedback geben. Dieses Feedback verbessert das Modell kontinuierlich — ohne es läuft das System, liefert aber keine optimalen Ergebnisse.

Kann die KI auch Personalplanung abbilden?

Bedingt. Wenn Ihre BDE-Daten Mitarbeiterzuordnungen enthalten, kann das Modell Mitarbeiter-Maschinen-Affinitäten lernen (Bediener X rüstet Maschine Y 30 % schneller). Eine vollständige Schichtplanung erfordert aber zusätzliche Daten (Qualifikationsmatrix, Abwesenheiten, Arbeitszeitmodelle), die über die Fertigungsplanung hinausgehen.

Wie reagiert das System auf kurzfristige Eilaufträge?

Das Scheduling wird bei jedem neuen Auftrag in Echtzeit neu berechnet — innerhalb von 2–5 Sekunden. Der Planer sieht sofort, welche Aufträge verschoben werden müssen und welche Liefertermine gefährdet sind. Die KI schlägt die Umplanung mit geringstem Gesamtimpact vor, der Planer bestätigt oder korrigiert. Weitere Informationen zur KI-Implementierung finden Sie in unserem Praxisleitfaden.