KI im After-Sales: Der praktische Leitfaden für den Maschinenbau.

1. Warum der After-Sales Ihr Gewinnzentrum ist

Die Ökonomie des Maschinen- und Anlagenbaus ist asymmetrisch: Verkauft wird die Maschine, verdient wird am Service. Nach Zahlen von Roland Berger und KVD stammen inzwischen über 25 Prozent des Umsatzes im Maschinenbau aus dem Servicegeschäft; McKinsey und BCG beziffern die EBIT-Marge im Aftermarket auf rund 25 Prozent - gegenüber etwa 10 Prozent im Neumaschinengeschäft. Deloitte verortet den Serviceanteil am Gesamtgewinn bei typischerweise 30 Prozent - bei wartungsintensiven Anlagen bei 50 Prozent und mehr.

Dazu kommt die Hebelwirkung auf das Gesamtunternehmen: Die gemeinsame Studie von VDMA und McKinsey („Wettbewerbsfähigkeit in einer neuen Ära“, 2025) zeigt, dass Unternehmen mit über 25 Prozent Serviceumsatzanteil eine um 3,6 Prozentpunkte höhere EBIT-Marge ausweisen als der Rest der Branche. Und der Aftermarket ist krisenfester: Sinkt der Produktumsatz um 30 Prozent, gibt der Serviceumsatz nach Roland Berger/KVD nur um 5 bis 8 Prozent nach.

Diese Zahlen sind der Grund, warum dieser Leitfaden beim Geld beginnt und nicht bei der Technologie. Wer über KI im After-Sales nachdenkt, digitalisiert nicht irgendeinen Kostenblock, sondern den profitabelsten Teil des Unternehmens - den Teil, in dem jede gewonnene Stunde Technikerzeit, jeder vermiedene Zweiteinsatz und jede schneller beantwortete Anfrage direkt auf die Marge wirkt. Die installierte Basis ist Kapital. Die Frage ist, wie gut das Wissen darüber verfügbar ist.

2. Die drei Engpässe, die den Service bremsen

In den Gesprächen, die wir mit Maschinen- und Anlagenbauern führen, tauchen dieselben drei Engpässe in wechselnder Reihenfolge auf. Keiner davon ist Gefühlssache - alle drei sind gemessen:

Wie stark diese Engpässe durchschlagen, zeigt die wichtigste Servicekennzahl überhaupt: die First-Time-Fix-Rate (FTFR) - der Anteil der Einsätze, die beim ersten Besuch erledigt sind. Der Aquant 2025 Field Service Benchmark Report (fast 160 Serviceorganisationen, über 600.000 Technikereinsätze, 9,5 Milliarden US-Dollar Servicekosten) zeigt die Spannweite der Branche:

Der Abstand zwischen 86 und 53 Prozent ist selten ein Werkzeug- oder Qualifikationsproblem. Er entsteht, wenn der Techniker vor Ort nicht weiß, was der Kollege vor drei Jahren am selben Anlagentyp herausgefunden hat, wenn die Hotline den Fall nicht sauber vorqualifizieren kann und wenn das richtige Ersatzteil erst beim zweiten Anlauf im Kofferraum liegt. Es ist ein Problem des Wissenszugriffs - und genau deshalb ist es mit KI adressierbar.

3. Vier Anwendungsfelder für KI im After-Sales und Service

„KI im Kundendienst“ ist als Kategorie zu grob, um Entscheidungen zu stützen. In der Praxis von Maschinen- und Anlagenbauern konzentriert sich der belegbare Nutzen auf vier Felder - alle vier arbeiten auf derselben Grundlage: den technischen Dokumenten, Servicedaten und Erfahrungsberichten, die im Unternehmen bereits existieren.

3.1 Wissensassistenz für Hotline und Außendienst

Ein Wissenssystem beantwortet die Fragen, die heute Suchzeit kosten: „Fehlercode 4711 an der Baureihe X - was war das bei anderen Kunden?“, „Welches Drehmoment an dieser Verschraubung?“, „Gab es zu dieser Anlage einen Umbau?“. Entscheidend ist nicht, dass ein System antwortet, sondern wie: Jede Antwort muss ihre Quelle zeigen - Dokument, Seite, Abschnitt -, damit der Techniker sie in Sekunden verifizieren kann. Ein Assistent ohne Quellenbindung ist im technischen Service nicht einsetzbar, weil eine plausible Falschantwort teurer ist als keine Antwort. Laut Aquant ermöglichen KI-gestützte Lösungen im Field Service 39 Prozent schnellere Lösungszeiten bei 21 Prozent höherer Genauigkeit - eine Herstellerangabe, aber eine, die sich mit der eigenen Baseline überprüfen lässt.

3.2 Ersatzteile schneller und richtiger identifizieren

„Welches Teil brauche ich?“ ist im Service die teuerste Frage, denn eine falsche Antwort bedeutet: zweiter Einsatz, längerer Stillstand, verärgerter Kunde. Die Daten dafür liegen meist verstreut in Stücklisten, Explosionszeichnungen, Alt-Katalogen und dem ERP. KI-gestützte Suche verbindet diese Quellen: vom Freitext („das konische Zahnrad am Querförderer der 2014er-Serie“) oder vom Foto zur Teilenummer, mit dem Kontext der konkreten Maschine des Kunden. Für das Ersatzteilgeschäft - im After-Sales der margenstärkste Block - ist das doppelt relevant: weniger Fehlbestellungen im Service, mehr Self-Service-Umsatz mit Bestandskunden.

3.3 Technische Dokumentation nutzbar machen

Die Dokumentation einer Anlage wächst über Jahrzehnte: Varianten, Sprachstände, Revisionen, eingescannte Altbestände. Vorhanden ist fast alles - auffindbar fast nichts. Semantische Suche über strukturierte und unstrukturierte Bestände ändert den Arbeitsmodus: Der Techniker fragt nach dem Problem und bekommt den relevanten Abschnitt, statt nach dem Dokument zu suchen und darin zu blättern. Der Nebeneffekt ist strategisch: Dieselbe strukturierte, digital verfügbare Dokumentation ist die Grundlage für die digitale Betriebsanleitung, die die neue Maschinenverordnung ab Januar 2027 erlaubt (dazu Abschnitt 6).

3.4 Anfragen lösen, bevor ein Techniker fährt

Laut Aquant ist einer von sieben Vor-Ort-Einsätzen (14 Prozent) unnötig, und ein Drittel der Serviceanfragen ließe sich ganz ohne Technikereinsatz lösen. Der Hebel heißt Shift-Left: Fälle so früh wie möglich lösen - im Self-Service des Kunden, am Telefon, notfalls vor Ort. Das funktioniert nur, wenn Hotline und Kundenportal auf dasselbe Wissen zugreifen wie der beste Techniker. Aquant rechnet vor, dass bereits ein Prozentpunkt mehr Remote-Lösungsquote großen Serviceorganisationen rund 1,1 Millionen US-Dollar pro Jahr spart. Auch hier gilt: Herstellerstudie - aber die Größenordnung deckt sich mit dem, was Stillstandskosten von 147.000 Euro pro Stunde nahelegen.

4. Was realistisch herauskommt - und was nicht

Die ehrliche Antwort auf die Frage nach dem Nutzen beginnt mit einer Rechnung, die jeder Servicebetrieb selbst aufmachen kann. Ein Beispiel mit bewusst konservativen Annahmen:

Auf der Kennzahlenseite ist der stärkste dokumentierte Hebel die First-Time-Fix-Rate: Nach Angaben von Empolis kann eine Verbesserung um fünf Prozentpunkte die Servicekosten um bis zu 20 Prozent senken. Zusammen mit den Aquant-Werten (39 Prozent schnellere Lösung, 14 Prozent vermeidbare Einsätze) ergibt sich ein konsistentes Bild: Der Nutzen entsteht dort, wo Wissen der Engpass ist.

Genauso wichtig ist die Gegenseite: wann KI im Service nichts bringt. Die VDMA-Umfrage vom Frühjahr 2025 (rund 200 Unternehmen) benennt die Hürden präzise: 45 Prozent fehlende Personalressourcen, 44 Prozent unbewiesener ROI, 42 Prozent unzureichende Datenqualität. Aus unserer Sicht sind drei Konstellationen ein klares Stoppsignal:

1. Die Dokumentation ist dünn oder nur auf Papier - und es gibt kein Budget, das zu ändern. Ein Wissenssystem kann nur beantworten, was in den Daten steht. Digitalisierung und Strukturierung der Bestände sind dann der erste Schritt, nicht die KI.
2. Die Fälle wiederholen sich kaum. Wer im Jahr eine Handvoll Sondermaschinen betreut, deren Probleme einander nie gleichen, amortisiert den Aufbau nicht. Der Nutzen skaliert mit der Wiederholung ähnlicher Fälle über die installierte Basis.
3. Niemand im Haus ist verantwortlich. Ein Wissenssystem lebt von Pflege: neue Servicefälle, korrigierte Antworten, aktualisierte Dokumente. Ohne benannten Kümmerer veraltet es - und ein System, dem die Techniker zweimal misstraut haben, nutzen sie kein drittes Mal.

5. Die Voraussetzungen: Datenqualität, Datenhoheit, Betrieb

Datenqualität ist die am häufigsten unterschätzte Position im Projekt. Die typische Ausgangslage im Maschinenbau: Serviceberichte im ERP oder in Word-Dateien, Dokumentation als PDF-Sammlung über Netzlaufwerke verteilt, Zeichnungen eingescannt, Wissen in E-Mail-Postfächern. Nichts davon ist ein Ausschlusskriterium - moderne Verfahren kommen mit gemischten, nicht perfekten Beständen zurecht. Aber der Aufwand für Sichtung, Strukturierung und laufende Aufbereitung gehört in jede ehrliche Kalkulation, und zwar als eigener Posten, nicht als Fußnote.

Datenhoheit ist im deutschen Mittelstand keine Befindlichkeit, sondern das messbare Haupthindernis: Laut DIHK-Digitalisierungsumfrage 2026 misstrauen 53 Prozent der Unternehmen außereuropäischen KI-Anbietern (der höchste Wert EU-weit), rund die Hälfte sorgt sich um Datensicherheit. Die Sorge ist berechtigt: Servicedaten sind Wettbewerbskapital. In ihnen steckt, welche Anlagen wo stehen, was ausfällt und wie man es behebt. Die Konsequenz für die Architektur: Hosting in der EU, klar geregelte Datennutzung, und die Gewissheit, dass die eigenen Daten kein fremdes Modell trainieren, von dem auch der Wettbewerber profitiert. Wie das konkret aussieht, unterscheidet Anbieter deutlicher als jedes Feature.

Betrieb und Messbarkeit entscheiden darüber, ob aus dem Piloten ein System wird. Zwei Dinge gehören von Anfang an dazu: Quellenbindung jeder Antwort (der Techniker sieht, woher die Aussage stammt) und definierte Kennzahlen, an denen der Nutzen hängt - FTFR, Suchzeit, Remote-Quote, gemessen vor dem Start und danach. Ein System, dessen Qualität niemand misst, kann weder besser werden noch Vertrauen aufbauen.

6. Der regulatorische Rahmen 2026/27

Vier europäische Rechtsakte setzen dem Maschinenbau bis 2028 Fristen - und zwei davon sprechen direkt für strukturierte, digital verfügbare Servicedaten:

1. Maschinenverordnung (EU) 2023/1230 - verbindlich ab dem 20. Januar 2027, ohne Übergangsfrist. Sie erlaubt erstmals die rein digitale Betriebsanleitung (etwa per QR-Code), die mindestens 10 Jahre verfügbar bleiben muss; im B2B-Geschäft ist auf Kundenwunsch weiterhin eine Papierfassung zu liefern. Wer seine Dokumentation ohnehin strukturiert und durchsuchbar macht, erfüllt die Anforderungen und schafft die Datenbasis fürs Wissenssystem in einem Zug.
2. EU AI Act (VO (EU) 2024/1689) - allgemein anwendbar seit dem 2. August 2026. Die KI-Kompetenzpflicht (Art. 4) gilt bereits seit Februar 2025. Der Digital Omnibus hat die Hochrisiko-Pflichten auf den 2. Dezember 2027 (Anhang III) bzw. 2. August 2028 (Anhang I) verschoben. Ein internes Wissenssystem für den Service fällt in der Regel nicht in die Hochrisiko-Klassen - die Rollenfrage (Anbieter oder Betreiber) sollte trotzdem früh geklärt werden, besonders wenn KI in die Maschine selbst wandert.
3. Neue Produkthaftung (RL (EU) 2024/2853) - bis zum 9. Dezember 2026 in deutsches Recht umzusetzen. Software und KI-Systeme gelten dann ausdrücklich als Produkte; hinzu kommen Beweiserleichterungen für Geschädigte und die Haftung für unterlassene Updates. Für Hersteller heißt das: Dokumentierte, nachvollziehbare Systeme sind auch ein Haftungsthema.
4. Cyber Resilience Act (VO (EU) 2024/2847) - Meldepflichten für aktiv ausgenutzte Schwachstellen ab dem 11. September 2026 (24-Stunden-Frist), Vollanwendung ab Dezember 2027. Relevant für jeden, der vernetzte Maschinen oder Software ausliefert.

7. Vom ersten Use Case zum laufenden System

Die Reihenfolge, die sich in Projekten bewährt, ist unspektakulär - und genau deshalb funktioniert sie:

Erstens: Baseline messen. FTFR, Suchzeit, Anteil remote gelöster Fälle - zwei bis vier Wochen ehrliche Messung, notfalls als Strichliste. Ohne Baseline lässt sich später kein Nutzen belegen, und die Frage nach dem ROI bleibt Glaubenssache.

Zweitens: Datenlage prüfen. Welche Quellen gibt es (Doku, Serviceberichte, Stücklisten, Tickets), in welcher Form, in welcher Qualität? Das Ergebnis entscheidet über den Zuschnitt des ersten Use Case - nicht umgekehrt.

Drittens: eng starten. Ein Maschinentyp, ein Serviceteam, ein klar umrissener Fragenraum. Ein enger Pilot mit sauberer Messung schlägt jede Konzernlösung auf Folien. Erweitert wird, was sich bewiesen hat.

Viertens: den Betrieb organisieren. Ein Kümmerer, ein Prozess für neue Inhalte und korrigierte Antworten, ein Review-Rhythmus für die Kennzahlen. Das ist der Unterschied zwischen einem Werkzeug, das Techniker täglich nutzen, und einem Piloten, der still ausläuft.

Und wenn Anbieter am Tisch sitzen - uns eingeschlossen -, sind dies die drei Fragen, an denen sich Substanz zeigt:

1. Zeigt jede Antwort des Systems ihre Quelle - Dokument, Seite, Abschnitt - so, dass ein Techniker sie in Sekunden prüfen kann?
2. Wie wird die Antwortqualität gemessen, bevor das System auf Techniker losgelassen wird - und wie danach, laufend?
3. Wo laufen unsere Daten, wer hat Zugriff, und profitiert irgendjemand außer uns von dem, was das System aus unseren Servicefällen lernt?

8. Quellen

Alle im Text zitierten Zahlen mit Herkunft. Studien von Anbietern mit kommerziellem Eigeninteresse sind entsprechend gekennzeichnet.

• Roland Berger / KVD sowie McKinsey/BCG zur After-Sales-Ökonomie (Serviceumsatzanteil, EBIT-Margen, Krisenresistenz): zusammengefasst bei logicline.
• Deloitte, Service Performance im Maschinenbau (Gewinnanteile des Service).
• VDMA/McKinsey, „Wettbewerbsfähigkeit in einer neuen Ära“ (2025): EBIT-Effekt von Serviceumsatzanteilen über 25 Prozent.
• Aquant, 2025 Field Service Benchmark Report (Herstellerstudie): FTFR, vermeidbare Einsätze, Remote-Quote, KI-Effekte.
• ABB, „Value of Reliability“ (Auftragsstudie, Sapio Research): Stillstandskosten.
• ABBYY, Studie zur Dokumentensuche (Auftragsstudie, Sapio Research): Suchzeiten.
• Empolis, zur First-Time-Fix-Rate (Herstellerangabe): Kostenhebel einer FTFR-Verbesserung.
• VDMA, KI-Umfrage Frühjahr 2025: Adoption und Hürden.
• DIHK, Digitalisierungsumfrage 2026: Misstrauen gegenüber außereuropäischen Anbietern, Datensicherheit.
• Bundesagentur für Arbeit, Fachkräfteengpassanalyse: Vakanzzeiten in Engpassberufen.
• Rechtstexte: VO (EU) 2023/1230 (Maschinenverordnung), VO (EU) 2024/1689 (AI Act), RL (EU) 2024/2853 (Produkthaftung), VO (EU) 2024/2847 (Cyber Resilience Act); Fristen nach Digital Omnibus: TÜV Rheinland Consulting.