Vor drei Wochen stand ich kurz vor sieben Uhr morgens in einer Produktionshalle, irgendwo zwischen Hochregallager und Abfülllinie. Schichtübergabe. Ein Instandhalter, seit mehr als zwanzig Jahren im Unternehmen, übernahm eine Störung an einer Verpackungsmaschine. In der Nacht war sie bereits zweimal ausgefallen. Er las den Eintrag im System, hielt kurz inne und sagte einen Satz, den ich so oder ähnlich in fast jedem Werk höre: „Da steht, dass die Maschine stehen geblieben ist. Aber nicht, warum.“
Also begann die übliche Suche. Er holte einen Ordner aus dem Regal, blätterte darin und stellte ihn wieder zurück. Danach rief er einen Kollegen an, der Spätschicht gehabt hatte und längst schlief. Am Ende wusste er, was zu tun war. Nicht dank der Dokumentation, sondern weil ein anderer das entscheidende Wissen noch im Kopf hatte.
An solchen Situationen zeigt sich, was KI in der Instandhaltung leisten sollte. Wer darüber spricht, muss allerdings sauber trennen zwischen echtem Nutzen und großen Versprechen.
Kurz gesagt: KI schafft vor allem dort Mehrwert, wo sie anlagenbezogene Informationen schnell auffindbar macht, die Dokumentation im Arbeitsablauf erleichtert, Erfahrungswissen festhält und verlässliche Instandhaltungs- oder Zustandsdaten auswertet. Sie unterstützt die fachliche Entscheidung, nimmt sie aber niemandem ab.
Worum es bei KI in der Instandhaltung wirklich geht
In der Praxis gibt es drei zentrale Einsatzfelder: technische Informationen schneller finden, Arbeiten direkt vor Ort sauber dokumentieren und Maschinendaten auswerten. Womit ein Unternehmen beginnt, hängt von seinen größten Engpässen und von der vorhandenen Datengrundlage ab. Dokumentationshilfe und Zustandsanalyse sind dabei keine konkurrierenden Ansätze. Beide verfolgen dasselbe Ziel: Anlagen zuverlässig verfügbar zu halten.
Für das Instandhaltungsteam zählt ohnehin nicht die Technologie, sondern die Antwort auf ganz konkrete Fragen: Wo steht die Information, die ich jetzt brauche? Was wurde beim letzten Mal gemacht? Und wie halte ich meine eigene Arbeit so fest, dass die nächste Schicht damit weiterkommt?
Bei welchen Aufgaben kann KI unterstützen?
Ein naheliegender Einsatz ist die Suche in technischen Texten. Handbücher, Störmeldungen und alte Instandhaltungsberichte enthalten viele wertvolle Hinweise. Nur liegen sie oft über PDFs, Altsysteme und Freitextfelder verstreut. Ein Forschungsprojekt von Fraunhofer Austria zeigt, wie sich solche Einträge aus der industriellen Instandhaltung mit KI erschließen und besser für spätere Arbeiten nutzen lassen.
Welche Grundlage solche Daten benötigen, zeigt unser Leitfaden zur Digitalisierung der Instandhaltungsdokumentation und zu den Bestandteilen eines guten Berichts.
Ein zweiter Bereich ist das Erfahrungswissen, also genau das Wissen, wegen dem der Kollege aus der Spätschicht angerufen wurde. Sprachbasierte Assistenzsysteme können solche Erklärungen direkt während der Arbeit aufnehmen und ordnen. Wie das aussehen kann, zeigt der KIMO-Ansatz des Fraunhofer IFF: Instandhalter erklären ihre Arbeit im Dialog; das System gliedert daraus Arbeitsschritte, Erläuterungen, typische Fehlerbilder, Warnhinweise und Erfahrungen. Das ist ein konkretes Forschungsbeispiel und kein Leistungsversprechen für jedes KI-Produkt am Markt.
Die organisatorische Seite ist ebenso wichtig wie die Technologie zur Erfassung. Unser Artikel über den Wissenstransfer in der Instandhaltung beleuchtet diese Herausforderung ausführlicher.
Der entscheidende Punkt ist der Zeitpunkt: Dokumentation sollte während der Arbeit entstehen und nicht zwei Stunden später am Schreibtisch, wenn die Hälfte der Details bereits vergessen ist.
Wie hängen Wissensarbeit und Predictive Maintenance zusammen?
Beides wird häufig unter „KI in der Instandhaltung“ zusammengefasst, setzt aber an unterschiedlichen Stellen an und ergänzt sich gerade deshalb gut.
Auf der einen Seite geht es um Wissen: Informationen finden, einordnen und festhalten. Auf der anderen Seite steht der Zustand der Maschine. Hier werden Betriebsdaten nach Auffälligkeiten durchsucht, die auf Verschleiß oder einen bevorstehenden Ausfall hindeuten können. Fraunhofer IIS beschreibt diesen Einsatz von KI und maschinellem Lernen im Bereich Predictive Maintenance ausführlicher.
Spannend wird es, wenn beide Seiten zusammenkommen. Denn eine Prognose kann nur so gut sein wie ihre Datengrundlage. Einen wichtigen Teil davon erzeugt das Instandhaltungsteam selbst: mit Störungsbeschreibungen, bestätigten Ursachen und den tatsächlich ausgeführten Arbeiten. Einträge wie „Maschine defekt, repariert“ liefern dafür kaum etwas. Sauber erfasste Informationen dagegen machen Muster über Anlagen und Schichten hinweg sichtbar, zum Beispiel wiederkehrende Fehler oder Wartungsintervalle, die nicht mehr zur tatsächlichen Beanspruchung passen.
Die Frage lautet deshalb nicht „Dokumentation oder Predictive Maintenance?“, sondern: Womit lässt sich sinnvoll beginnen? Für viele Teams ist eine verlässliche Datengrundlage der erste Schritt und zugleich die Voraussetzung für spätere Prognosen.
Muss die bestehende Instandhaltungssoftware ersetzt werden?
Nein. Diese Sorge begegnet uns häufig, ist aber in der Regel unbegründet.
Ein CMMS verwaltet Arbeitsaufträge, Anlagenstammdaten und die Instandhaltungshistorie. Moderne Plattformen binden zudem ERP-Systeme, operative Technologien und teilweise auch KI-Funktionen ein, wie der aktuelle CMMS-Überblick von IBM zeigt. Vor einer neuen Lösung sollte deshalb immer geklärt werden, was das vorhandene System bereits leistet und wo im Arbeitsablauf tatsächlich eine Lücke besteht.
In vielen Werken ist nicht das System das Problem, sondern der Weg hinein. ERP und CMMS sind vorhanden, doch niemand steht morgens um 6:40 Uhr mit ölverschmierten Händen am Desktop und tippt einen ausführlichen Bericht.
Wie sieht ein sinnvoller Einstieg aus?
Ein klar abgegrenzter Testfall ist meist der beste Einstieg, etwa die Suche nach technischen Informationen für eine bestimmte Anlagengruppe. Vorher sollte feststehen, welche Dokumente verwendet werden dürfen und woran das Team erkennt, ob der Test erfolgreich ist.
Drei Fragen reichen meist aus, um den Test zu bewerten:
- Wird die richtige Information mit weniger Aufwand gefunden?
- Passt die Antwort zur konkreten Anlage und zum aktuellen Revisionsstand des Dokuments?
- Bleibt der Aufwand für Prüfung und Korrektur vertretbar?
Dabei gilt immer: Eine KI-Antwort ist eine Arbeitshilfe, kein abschließendes Urteil. Auch eine überzeugend formulierte Antwort kann technisch falsch sein. Über Arbeiten an einer Maschine entscheiden weiterhin die qualifizierten und verantwortlichen Personen. Daran ändert auch das beste Modell nichts.
Häufig gestellte Fragen
Benötigt jede KI-Anwendung zusätzliche Sensoren?
Nein. Für die Arbeit mit vorhandenen Dokumenten und Instandhaltungshistorien sind in der Regel keine zusätzlichen Maschinensensoren erforderlich. Zustandsprognosen benötigen geeignete Zustands- oder Betriebsdaten. Diese müssen jedoch nicht zwingend von neuen Sensoren stammen. In vielen Fällen liegen sie bereits in der Steuerung, im ERP oder im CMMS vor und können gemeinsam mit einer gut erfassten Instandhaltungshistorie ausgewertet werden.
Können kleine Instandhaltungsteams KI einsetzen?
Nicht die Teamgröße entscheidet, sondern der konkrete Bedarf. Gibt es wiederkehrende Suchaufwände, geeignete Daten und einen klaren Nutzen, kann sich der Einsatz auch für kleine Teams lohnen. Gerade dort fällt es besonders auf, wenn die eine Person fehlt, die eine Anlage in- und auswendig kennt.
Was ist ein guter erster KI-Anwendungsfall in der Instandhaltung?
Wählen Sie ein überschaubares Problem mit messbarem Ergebnis. Das kann die Suche nach technischen Informationen für eine Anlagengruppe sein oder die automatische Aufbereitung von Instandhaltungsnotizen zu strukturierten Berichten. Bevor der Einsatz ausgeweitet wird, sollten Datenquellen, Qualitätsanforderungen und die fachliche Prüfung klar geregelt sein.
Fazit
KI in der Instandhaltung muss sich an einer konkreten Aufgabe bewähren, nicht in einer Präsentation. Ein überschaubarer Anwendungsfall zeigt schnell, wo echter Nutzen entsteht, welche Daten fehlen und wo die Grenzen liegen. Erst danach sollte der nächste Prozess folgen.
Der Satz aus der Produktionshalle bringt den Hebel gut auf den Punkt: „Da steht, dass die Maschine stehen geblieben ist. Aber nicht, warum.“ Es geht nicht um mehr Daten. Es geht um nutzbares Wissen in dem Moment, in dem jemand es benötigt.
Hier setzt Pairio an: Instandhalter erfassen ihre Arbeit per Sprache, Foto oder Video, durchsuchen technische Unterlagen im Dialog und werten frühere Instandhaltungsfälle nach Mustern aus. Ob das im eigenen Werk trägt, lässt sich am besten an einer Anlagengruppe testen, bei der die Informationssuche heute besonders viel Zeit kostet.