Die AI-First-Fertigung im DACH-Maschinenbau

Der deutsche Maschinenbau erlebt zurzeit den interessantesten Strukturbruch seit der CNC-Einführung in den achtziger Jahren. Nicht weil eine neue Technologie eine alte ablöst — sondern weil sich die Wertschöpfung verschiebt: weg von der reinen Maschinenfunktion, hin zu prozessintegrierter Intelligenz. Wer heute eine Werkzeugmaschine baut, verkauft schon morgen nicht mehr nur das Eisen, sondern eine Lernkurve.

In Engagements mit Maschinenbau-Mittelständlern zwischen 80 und 800 Mitarbeitern sehen wir denselben Wendepunkt: Predictive-Maintenance-Piloten laufen seit Jahren, Industrie-4.0-Plattformen wurden gekauft, Cloud-Initiativen wurden gestartet — und trotzdem hat sich am EBIT pro Maschine wenig geändert. Der Grund ist immer derselbe: Es wurden Plattformen gebaut, aber keine produktiven KI-Mitarbeiter.

Wer eine Werkzeugmaschine baut, verkauft schon morgen nicht mehr nur das Eisen — sondern eine Lernkurve.

Was AI-First-Maschinenbau wirklich bedeutet

AI-First ist im Maschinenbau kein Algorithmen-Thema, sondern ein Operating-Model-Thema. Es geht um drei Schichten, die zusammenspielen müssen, damit produktive Wirkung entsteht.

Erste Schicht: prozessintegrierte Wahrnehmung. Sensoren waren nie das Problem — die Frage war immer, was mit den Daten geschieht. AI-First bedeutet, dass jede Maschine, jedes Modul, jede Linie eine eigene, leichtgewichtige Inferenz-Schicht hat. Anomalien werden nicht in einem Cloud-Dashboard erkannt und drei Tage später diskutiert, sondern in der Steuerung selbst, in Millisekunden.

Zweite Schicht: aggregierte Lernkurven. Ein Hersteller mit 4.000 ausgelieferten Maschinen sitzt auf einem Datensatz, den weder Bosch noch Siemens jemals so granular kuratieren konnten. Wer diesen Datensatz richtig anonymisiert, vergleicht und auswertet, baut sich einen Daten-Moat, den kein Wettbewerber durch reines Hardware-Investment einholt. Die Kunst ist die Kuratierung, nicht der Algorithmus.

Dritte Schicht: produktive Entscheidungs-Agenten. Eine Inferenz-Schicht erkennt eine Anomalie. Eine Lernkurve interpretiert sie. Aber erst ein Agent — ein eingegrenzter, kontrollierter Workflow — leitet die richtige Aktion ein. Werkzeug-Wechsel-Vorschlag, Wartungs-Ticket, Service-Techniker-Einsatz. Das ist der Punkt, an dem aus „Daten” Wertschöpfung wird.

Basis: 11 Engagements im DACH-Maschinenbau-Mittelstand, 2023–2025.

Drei Hebel mit messbarem EBIT-Effekt

Maschinenbau-Mittelständler, die diese drei Hebel ziehen, sehen konsistente Effekte — auch wenn die Größenordnungen je nach Geschäftsmodell variieren.

Erster Hebel: Predictive Quality vor Predictive Maintenance. Die meisten Hersteller starten mit Predictive Maintenance, weil das Buzzword bekannter ist. In der Praxis ist Predictive Quality der härtere Geschäfts-Case. Ein Qualitätsfehler an einer ausgelieferten Maschine, der erst beim Kunden entdeckt wird, kostet zwischen 8.000 und 80.000 Euro — abhängig davon, ob ein Service-Techniker fliegen muss oder eine Rückrufaktion läuft. Wenn KI in der Endabnahme 15 bis 30 Prozent dieser Fehler vor Auslieferung identifiziert, ist das ein direkter EBIT-Hebel ohne Kunden-Risiko.

Zweiter Hebel: Service-Intelligence als Produkt. Ein Maschinenbau-Mittelständler mit 1.200 installierten Maschinen weiß heute durchschnittlich, wann sie laufen. Was er selten weiß: wie effizient sie laufen, wo der Kunde welche Optimierungs-Potenziale hätte, welche Werkzeug-Standzeiten ungewöhnlich kurz sind. Eine Service-Intelligence-Plattform, die diese Erkenntnisse als bezahlten Service zurückgibt, verändert die Geschäftslogik: aus einer einmaligen Maschinen-Lieferung wird ein Subscriptions-Cashflow. Wir sehen Mittelständler, die in 18 Monaten 8 bis 15 Prozent ihres Maschinen-Umsatzes als wiederkehrenden Service-Umsatz nachhalten — bei Margen weit über der Maschinenfertigung.

Dritter Hebel: Konstruktions-Doku-Generator. Ein Maschinenbauer mit eigener Konstruktion verbringt zwischen 12 und 25 Prozent der Engineering-Stunden mit Dokumentation: Stücklisten, technische Zeichnungen, Bedienungsanleitungen, CE-Erklärungen, ATEX-Dokumente, Funktionssicherheits-Nachweise. Ein Doku-Agent, der aus CAD-Modellen, BOM-Daten und Functional-Specs Konformitäts-Dokumente erzeugt, halbiert diese Last in den meisten Fällen. Wichtig ist: der Mensch bleibt in der Schleife für Signatur und Verantwortung — die KI macht den Erstwurf.

Was AI-First im Maschinenbau bewegen kann — ein Rechenbeispiel

Illustratives Branchen-Rechenbeispiel, kein konkretes azena-Mandat: ein süddeutscher Hersteller im Werkzeugmaschinen-Segment, etwa 320 Mitarbeiter, etwa 95 Millionen Euro Umsatz, hat in vierzehn Monaten folgende Punkte gezogen:

— ein Predictive-Quality-Workflow in der Endabnahme der drei größten Produktlinien, der seit Inbetriebnahme 22 Prozent der späteren Reklamationen-Tickets vor Auslieferung herausfängt. Direkter EBIT-Effekt: knapp 2,1 Millionen Euro pro Jahr.

— eine Service-Intelligence-Plattform, die für die obere Maschinen-Klasse als bezahltes Modul angeboten wird. Anbindung bei aktuell 380 Maschinen, durchschnittlich 4.800 Euro Jahres-Abo, ARR von rund 1,8 Millionen Euro nach acht Monaten.

— ein Konstruktions-Doku-Generator, der seit sechs Monaten produktiv die CE-Doku, die Bedienungsanleitungen und die ATEX-Nachweise für die mittlere Produktlinie erzeugt. Dokumentations-Aufwand pro Auftrag um 48 Prozent reduziert. Acht freigesetzte Engineering-Stunden pro Auftrag.

Der Hersteller hat nichts an seinem Produkt verändert. Er hat seine Wertschöpfungskette umgebaut.

Warum klassische Industrie-4.0-Initiativen oft scheitern

Drei Muster sehen wir wiederkehrend. Erstens: Plattform vor Use-Case. Wer zuerst eine MES- oder IIoT-Plattform aufbaut und dann „Anwendungsfälle sucht”, verbrennt mindestens 24 Monate und 2 bis 5 Millionen Euro, bevor die erste produktive Wirkung entsteht. AI-First Maschinenbau startet mit einem Use-Case und baut die Plattform um den Use-Case herum — nicht umgekehrt.

Zweitens: zu früh skalieren. Ein Pilot mit drei Maschinen ist nicht dasselbe wie 200 Maschinen im Feld. Die Telemetrie-Variabilität, die Konnektivitäts-Engpässe, die Update-Logik — all das skaliert nicht linear. Ein robustes 100-Maschinen-Pilot ist mehr wert als ein vergoldetes 3-Maschinen-Demo.

Drittens: fehlende Service-Organisation. Der schönste Predictive-Maintenance-Algorithmus ist wertlos, wenn die Service-Disposition keine kurzfristige Auftrags-Logik kennt. AI-First braucht parallel zur Technik ein Operations-Re-Design.

Förder-Pfad und Investment-Größenordnung

Den Festpreis-Rahmen eines AI-First-Programms legen wir im Erstgespräch fest, sobald Scope und Datenlage klar sind. Die Spreizung erklärt sich durch die Frage, ob ein bestehender Datenstamm vorhanden ist (Faktor 0,5x) oder ob die Daten-Disziplin erst aufgebaut werden muss (Faktor 1x bis 1,8x). Über ZIM, go-digital und FZulG lassen sich davon zwischen 30 und 55 Prozent ko-finanzieren — vorausgesetzt, das Projekt ist sauber aufgesetzt und die Antragslogik wird parallel zur Technik gefahren.

Wie der Einstieg konkret aussieht

Drei Phasen, klar geschnitten. Phase eins: ein AI-Readiness-Audit in fünf Werktagen, der die drei Hebel auf das konkrete Geschäftsmodell mappt, die Daten-Reifegrad-Bewertung macht und die ersten 90 Tage skizziert. Phase zwei: ein vierwöchiger Strategy-Sprint, der den ROI-stärksten Use-Case bis zur Implementation-Spec und Förder-Antragsfähigkeit ausarbeitet. Phase drei: ein 8- bis 16-wöchiger AI-Build, der den ersten produktiven Agenten in den Service-, Quality- oder Konstruktions-Prozess übergibt — zum Festpreis, mit klarer IT-Übergabe.

Die meisten Maschinenbauer, die wir treffen, haben schon Initiativen laufen. Die Frage ist nicht „ob KI”, sondern „warum noch keine produktive Wirkung”. Die häufigste Antwort: weil zwischen Plattform-Investment und produktivem Agenten eine vierte Komponente fehlte — eine konsequente Operating-Model-Anpassung. Das ist der Hebel, den wir suchen, wenn wir mit einer Geschäftsführung am Tisch sitzen.

Wenn Sie wissen wollen, welcher der drei Hebel in Ihrem Haus den höchsten Effekt hätte: 30 Minuten Erstgespräch reichen, um eine erste Hebel-Map zu zeichnen. Unverbindlich, mit konkretem Folge-Pfad.