Predictive Maintenance in der Automobilindustrie: Wie KI Maschinenausfälle verhindert

2,3 Millionen Dollar. So viel kostet eine Stunde ungeplanten Stillstands in der Automobilindustrie. Das entspricht mehr als 600 Dollar pro Sekunde. Laut dem „True Cost of Downtime“-Bericht 2024 von Siemens verliert ein großes Automobilwerk dabei im Schnitt 27 Stunden Produktionszeit pro Monat. Gerechnet auf ein Jahr sind das rund 695 Millionen Dollar Verlust pro Werk.

Trotz dieser Zahlen basieren viele Wartungsstrategien noch auf Ansätzen, die das Problem eher verwalten als lösen: Wartung nach Kalender, unabhängig vom tatsächlichen Maschinenzustand, oder Reparatur nach Ausfall, wenn der Schaden bereits eingetreten ist. Beide Modelle sind teuer und in einer Industrie unter Kostendruck, Fachkräftemangel und steigenden Qualitätsanforderungen nicht mehr zeitgemäß.

Vorausschauende Wartung, also Predictive Maintenance, verändert diese Logik grundlegend. KI-gestützte Systeme erkennen Anomalien und Verschleißmuster in Echtzeit, bevor sie zu Ausfällen werden. Mit Agentforce for Manufacturing bietet Salesforce eine Lösung, die diesen Ansatz in laufende Produktions- und Serviceprozesse integriert. Ohne Medienbrüche oder manuelle Zwischenschritte.

Predictive Maintenance, auf Deutsch vorausschauende Wartung, ist eine zustandsbasierte Instandhaltungsstrategie. Im Unterschied zur reaktiven Wartung, die erst nach einem Ausfall greift, oder zur präventiven Wartung, die nach festen Zeitintervallen arbeitet, analysiert Predictive Maintenance kontinuierlich den tatsächlichen Zustand von Maschinen und Anlagen und leitet Wartungsmaßnahmen genau dann ein, wenn sie wirklich notwendig sind.

Der Begriff umfasst sowohl die technische Methodik als auch den organisatorischen Ansatz: Sensordaten, Maschinenhistorien und externe Parameter werden zu einem Lagebild zusammengeführt, das Verschleiß, Anomalien und drohende Ausfälle sichtbar macht, bevor sie eintreten. In der Automobilindustrie, wo Produktionslinien eng getaktet und Stillstandszeiten extrem kostspielig sind, ist dieser Ansatz besonders relevant.

Viele Fertigungsunternehmen kennen das Muster: Eine Anlage fällt aus, die Ursache wird lokalisiert, das Ersatzteil bestellt, Techniker:innen disponiert. In der Zwischenzeit steht die Linie. Was enorm träge klingt, ist in vielen Werken Alltag und hat strukturelle Ursachen.

Erstens arbeiten viele Betriebe noch mit kalenderbasierter Wartung. Anlagen werden nach festen Zeitintervallen gewartet, unabhängig davon, wie stark sie tatsächlich beansprucht wurden. Das führt zu einem doppelten Problem: Entweder werden Komponenten zu früh getauscht, was unnötige Kosten verursacht, oder sie fallen aus, bevor das nächste Wartungsfenster erreicht ist.

Zweitens fehlt in vielen Produktionsumgebungen eine belastbare Datenbasis über den tatsächlichen Maschinenzustand. Sensordaten werden zwar erhoben, aber nicht systematisch ausgewertet. Wartungshistorien liegen in separaten Systemen oder auf Papier. Eine Gesamtbeurteilung des Anlagenzustands ist für Techniker:innen aufwendig und oft subjektiv.

Drittens wächst der Druck auf die Belegschaft. Im Mai 2025 gab der Verband der Automobilindustrie (VDA) bekannt, mit einem Beschäftigungsverlust von 225.000 Arbeitsplätzen bis 2035 zu rechnen. Gleichzeitig gaben rund ein Drittel der Fertigungsunternehmen in einer Studie von Dun & Bradstreet an, ihre wichtigsten Entscheidungsprozesse noch immer überwiegend oder vollständig manuell zu steuern. Erfahrungswissen, das früher in den Köpfen langjähriger Techniker:innen steckte, droht zu verschwinden, ohne dass es systematisch gesichert wurde.

Das Ergebnis ist eine Wartungslogik, die teurer ist als nötig, zu spät greift und zunehmend schwerer zu skalieren ist. Predictive Maintenance setzt genau an diesen Schwachstellen an.

Vorausschauende Wartung basiert auf einem durchgängigen Prozess: Sensoren erfassen kontinuierlich Maschinendaten wie Temperatur, Vibration, Druck, Energieverbrauch oder Laufleistung. Diese Rohdaten fließen in Echtzeit in KI-Modelle, die aus historischen Betriebsdaten gelernt haben, wie eine Anlage im Normalbetrieb aussieht. Weicht ein aktueller Messwert vom erlernten Normalbereich ab, erkennt das Modell die Anomalie und klassifiziert, ob es sich um einen unkritischen Ausreißer oder ein Warnsignal für drohenden Verschleiß handelt.

Der entscheidende Schritt ist die Verbindung von Mustererkennung und Handlungsauslösung. Klassische Condition-Monitoring-Systeme zeigen Abweichungen an. KI-gestützte Systeme lösen daraufhin automatisch den nächsten Schritt aus, zum Beispiel eine Priorisierung, einen Wartungsauftrag, eine Eskalation oder eine Bestellung von Ersatzteilen. Der Mensch bleibt in der Schleife, aber die operative Vorarbeit übernimmt das System.

In der Automobilindustrie kommen dabei typischerweise mehrere Sensortypen zusammen: Schwingungssensoren an Antriebseinheiten, Temperatursensoren an Hydraulik und Kühlsystemen, Drucksensoren in Pressen und Lackieranlagen sowie Stromverbrauchsmessungen an Robotergelenken. Aus der Kombination dieser Signale entsteht ein Lagebild, das einzelne Sensorwerte weit übertrifft.

Das Ergebnis sind Wartungsmaßnahmen, die genau dann ausgelöst werden, wenn sie tatsächlich notwendig sind. Nicht zu früh und nicht zu spät. Für Entscheider:innen bedeutet das eine berechenbarere Kostenstruktur. Für Produktionsverantwortliche bedeutet es, dass Wartung planbar wird, statt die Planung zu torpedieren.

Salesforce Agentforce for Manufacturing setzt an der Schnittstelle zwischen Datenbasis und operativem Handeln an. KI-Agenten analysieren Anlagendaten in Echtzeit, erkennen Muster und lösen automatisch die nächsten Schritte aus, ohne dass Techniker:innen jede Entscheidung manuell treffen müssen.

Drei Funktionen sind dabei besonders relevant für die vorausschauende Wartung:

Asset Telemetry Summary

Agentforce Manufacturing (ehemals Manufacturing Cloud) erstellt kontinuierlich KI-generierte Snapshots des Anlagenzustands. Das System aggregiert Telemetriedaten aus vernetzten Maschinen, bewertet den aktuellen Betriebszustand und gibt konkrete Handlungsempfehlungen aus. Erkennt das System beispielsweise eine nachlassende Motorleistung oder ungewöhnliche Vibrationswerte, wird automatisch ein Wartungsauftrag erstellt, inklusive Priorisierung und relevanter Kontextinformationen für die zuständigen Techniker:innen.

Connected Assets

Connected Assets erweitert Agentforce for Manufacturing um eine vollständige digitale Abbildung der physischen Anlagen. Produktionsverantwortliche erhalten ein einheitliches Asset-Monitoring-Dashboard, das Schlüsselkennzahlen wie Temperatur, Druck, Auslastung und Betriebsdauer in Echtzeit anzeigt. Alerts auf Basis von Telemetriedaten sorgen dafür, dass kritische Abweichungen sofort sichtbar werden und nicht erst, wenn die Anlage bereits stillsteht.

Actionable Telematics Framework

Das Actionable Telematics Framework verbindet IoT-Ereignisse direkt mit definierten Bedingungen und Aktionen. Überschreitet ein Sensor einen festgelegten Grenzwert, löst das System automatisch den konfigurierten Folgeprozess aus. Das können eine Eskalation, ein Servicetermin, eine Bestellung von Ersatzteilen oder eine Benachrichtigung an die zuständige Fachkraft sein. Diese deklarative Orchestrierung macht es möglich, komplexe Regelwerke ohne Programmierung zu konfigurieren, und gibt Produktionsverantwortlichen die Kontrolle über die Automatisierungslogik, ohne technische Vorkenntnisse vorauszusetzen.

Vorausschauende Wartung verändert konkrete Prozesse in der Produktion. Drei typische Szenarien zeigen, wie der Ansatz in der Automobilindustrie wirkt.

1. Presswerk: Lagerverschleiß frühzeitig erkennen

In Großpressen werden Exzenterwellen und Führungslager unter enormem Druck betrieben. Schwingungssensoren erfassen kontinuierlich die Vibrationssignatur des Lagers. Weicht das Muster vom Normalprofil ab – ein Zeichen beginnenden Verschleißes – erstellt Agentforce automatisch einen Wartungsauftrag mit Prioritätsstufe, bevor das Lager ausfällt und die Presse ungeplant stillsteht.

2. Lackieranlage: Temperaturschwankungen als Frühwarnsignal

Lackieranlagen arbeiten mit präzisen Temperaturprofilen. Weicht die Temperatur in einer Zone systematisch ab, kann das auf einen defekten Heizstrahler, eine verstopfte Düse oder ein Problem im Luftführungssystem hinweisen. Das System erkennt die Abweichung, bewertet den Trend und löst eine Inspektion aus, bevor Lackierfehler entstehen und Fahrzeugteile nachbearbeitet oder ausgeschleust werden müssen.

3. Roboteranlage: Gelenkverschleiß über Stromverbrauchsanalyse

Robotergelenke zeigen typische Verschleißmuster im Energieverbrauch. Ein zunehmendes Getriebespiel erhöht den Motorstrom bei bestimmten Bewegungsabläufen. KI-Modelle erkennen diesen Trend über Wochen, lang bevor das Gelenk mechanisch versagt. Der Wartungstermin wird ins nächste geplante Wartungsfenster gelegt, ohne die Produktion zu unterbrechen.

Die wirtschaftliche Dimension vorausschauender Wartung lässt sich wie eingangs beschrieben konkret beziffern. Unternehmen, die Predictive Maintenance konsequent einsetzen, berichten von typischen Verbesserungen in mehreren Bereichen:

Die Zahl ungeplanter Maschinenstillstände lässt sich durch vorausschauende Wartung deutlich reduzieren. Studien, darunter Auswertungen von McKinsey und Deloitte, nennen Rückgänge von 30 bis 50 Prozent als realistisches Ziel für Fertigungsunternehmen, die Predictive Maintenance systematisch einführen. Die Wartungskosten sinken, weil Teile nicht mehr nach Kalender, sondern nach tatsächlichem Verschleiß getauscht werden. Mit entsprechend geringerem Ersatzteilverbrauch und weniger Technikereinsätzen außerhalb der Regelzeiten.

Hinzu kommt die verlängerte Anlagenlebensdauer. Wer Verschleiß früh erkennt und gezielt eingreift, schont die Anlage und schiebt größere Revisionen oder Austausche heraus. Für Automobilwerke mit hochspezialisierten Pressen, Schweißrobotern und Lackieranlagen ist das ein erheblicher Kostenfaktor.

Predictive Maintenance verschiebt Kosten von ungeplant und teuer zu geplant und kontrolliert. Der Aufwand für Wartung sinkt dadurch nicht zwingend, aber er wird beherrschbar und planbar.

Agentforce ist jedoch kein isoliertes Wartungstool. Der große Vorteil entsteht durch die Verbindung mit den übrigen Salesforce Produkten und damit durch den Zugriff auf einen deutlich breiteren Datenkontext.

Wartungshistorien aus Salesforce Field Service fließen in die Anomalieerkennung ein. Kundendaten aus Agentforce Manufacturing ermöglichen es, Serviceprioritäten nach Vertragsstatus oder Service-Level-Agreement zu setzen. Offene Supportfälle, Ersatzteilbestände, Lieferzeiten und Produktionspläne können bei der Priorisierung von Wartungsmaßnahmen berücksichtigt werden.

Das verändert Prozesse. Bisher wurden Wartungsentscheidungen oft fragmentiert getroffen: Sensordaten hier, Wartungshistorie dort, Kundendaten in einem dritten System. Techniker:innen mussten Informationen manuell zusammenführen, bevor sie handeln konnten. Mit Agentforce entsteht ein durchgängiger Prozess vom Sensor-Signal über die KI-Analyse bis zur automatischen Erstellung eines Wartungsauftrags mit allen relevanten Informationen an einem Ort.

Für Führungskräfte bedeutet das, dass Wartung Teil des operativen Kundensystems wird. Ein Maschinenausfall beim Kunden ist dann mehr als nur ein technisches Problem. Er wird als Geschäftsprozess behandelt mit klaren Verantwortlichkeiten, messbaren Reaktionszeiten und dokumentierten Ergebnissen.

Predictive Maintenance mit Agentforce ist kein Plug-and-Play-Projekt. Der technologische Ansatz ist ausgereift. Das entscheidende Kriterium ist deshalb, ob die Voraussetzungen im Unternehmen stimmen. Drei Bereiche bestimmen maßgeblich den Erfolg.

Datenqualität

KI-Agenten müssen auf zuverlässige Daten zugreifen können. Lückenhafte Sensordaten, inkonsistente Wartungshistorien oder doppelte Anlagendatensätze bremsen jeden Automatisierungsansatz aus. Was ein Mensch noch interpretieren kann, wird für einen Agenten schnell zum Problem. Eine ehrliche Bestandsaufnahme der Datenbasis ist deshalb kein optionaler Vorbereitungsschritt, sondern Bedingung für sinnvollen KI-Einsatz.

Prozessreife

Ein Agent kann Prozesse ausführen, aber nicht erfinden. Bevor Agentforce einen Wartungsprozess übernehmen kann, muss dieser klar definiert sein: Wer entscheidet über die Priorisierung? Was passiert bei einem kritischen Sensor-Alarm außerhalb der Betriebszeiten? Welche Schwellenwerte lösen welche Aktionen aus? Unternehmen, die Salesforce bislang primär als Datenspeicher genutzt haben, müssen hier Vorarbeit leisten.

IT/OT-Integration

Predictive Maintenance verbindet zwei Welten, die in vielen Unternehmen noch getrennt operieren: die Informationstechnologie (IT) mit CRM, ERP und Serviceplattformen und die Operational Technology (OT) mit Steuerungssystemen, Sensoren und Maschinenanbindungen. Diese Verknüpfung ist technisch lösbar, erfordert aber eine sorgfältige Architektur. Welche Systeme liefern Sensordaten? In welchem Format? Mit welcher Latenz? Diese Fragen bestimmen, welche Datenpunkte tatsächlich für die KI-Analyse zur Verfügung stehen.

Der sinnvollste Einstieg ist ein klar abgegrenzter Pilot mit einer Anlage, einer Produktionslinie und einem messbaren Ziel. Erst wenn dieser erste Use Case funktioniert und die Ergebnisse sichtbar sind, lohnt sich die Skalierung auf weitere Anlagen, Werke oder Prozesse.

Predictive Maintenance ist kein nettes Extra. Die Technologie ist verfügbar, die Datenbasis in vielen Produktionsstätten bereits vorhanden und die Kosten ungeplanter Stillstände sind zu hoch, um reaktive Wartungsstrategien länger zu verteidigen. Neun von zehn befragten Unternehmen erfassen laut dem Siemens-Bericht bereits Maschinendaten für Predictive Maintenance und fast jeder zweite Betrieb hat ein dediziertes Predictive-Maintenance-Team.

Agentforce for Manufacturing bietet eine technologische Grundlage, die weit über klassische Condition-Monitoring-Tools hinausgeht. Sensordaten werden erfasst, ausgewertet, priorisiert und in konkrete Maßnahmen überführt. Das geschieht automatisch, in Echtzeit und in die bestehenden Geschäftsprozesse integriert. Das verändert zum einen die Effizienz der Wartung und zum anderen die Rolle des Wartungsteams: weg von der operativen Feuerwehr, hin zu einer vorausschauenden Einheit, die auf Basis von Daten steuert.